【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于可調(diào)節(jié)負(fù)荷能力評(píng)估領(lǐng)域，具體涉及一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法及系統(tǒng)。
技術(shù)介紹
1、隨著電力系統(tǒng)的不斷發(fā)展和新能源的快速接入，負(fù)荷調(diào)節(jié)能力的評(píng)估成為確保電網(wǎng)安全、穩(wěn)定運(yùn)行的重要任務(wù)。負(fù)荷調(diào)節(jié)能力反映了電網(wǎng)應(yīng)對(duì)電力需求波動(dòng)、維持供需平衡的潛力，對(duì)于制定合理的運(yùn)行計(jì)劃、優(yōu)化電力資源配置以及提升系統(tǒng)靈活性具有重要意義。
2、目前，負(fù)荷能力評(píng)估方法主要集中在統(tǒng)計(jì)分析和機(jī)器學(xué)習(xí)模型兩大領(lǐng)域。傳統(tǒng)的統(tǒng)計(jì)分析方法基于歷史負(fù)荷數(shù)據(jù)進(jìn)行簡(jiǎn)單的特征提取和預(yù)測(cè)，雖然能夠提供一定的參考，但在處理復(fù)雜負(fù)荷變化模式時(shí)表現(xiàn)較差。機(jī)器學(xué)習(xí)方法通過數(shù)據(jù)驅(qū)動(dòng)的方式挖掘負(fù)荷數(shù)據(jù)中的深層次特征，取得了顯著進(jìn)展。然而，在實(shí)際應(yīng)用中仍存在不足之處，首先，許多模型難以同時(shí)兼顧局部變化特征與全局變化趨勢(shì)，從而導(dǎo)致預(yù)測(cè)精度受限；其次，負(fù)荷數(shù)據(jù)具有顯著的時(shí)間相關(guān)性，現(xiàn)有方法對(duì)復(fù)雜的時(shí)序關(guān)系建模能力不足，難以全面刻畫負(fù)荷變化規(guī)律，最后，不同特征之間的關(guān)聯(lián)性未能被有效利用，導(dǎo)致模型對(duì)復(fù)雜負(fù)荷特性的綜合建模能力有限。為此，提出了一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法及系統(tǒng)。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)的不足，本專利技術(shù)的目的在于提供一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法及系統(tǒng)，解決了現(xiàn)有技術(shù)中的問題。
2、本專利技術(shù)的目的可以通過以下技術(shù)方案實(shí)現(xiàn)：
3、一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，包括以下步驟：
4、采集電網(wǎng)負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)，并對(duì)負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理；
5、構(gòu)建ms-incep
6、將采集的負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)預(yù)處理后，輸入訓(xùn)練后的ms-inception-lstm模型，輸出負(fù)荷調(diào)節(jié)能力預(yù)測(cè)值；
7、所述ms-inception-lstm模型包括：inception模塊、mha模塊、se模塊、aff特征融合模塊、lstm模塊以及全連接層；其中，inception模塊對(duì)預(yù)處理后的負(fù)荷數(shù)據(jù)進(jìn)行特征提取，然后分別輸入mha模塊和se模塊，aff特征融合模塊將mha模塊和se模塊輸出的特征進(jìn)行融合，lstm模塊對(duì)融合后的特征進(jìn)行建模，捕捉時(shí)間序列中長(zhǎng)期依賴的關(guān)系，預(yù)處理后的環(huán)境數(shù)據(jù)與lstm生成的負(fù)荷數(shù)據(jù)時(shí)序特征在全連接層進(jìn)行融合，共同作用于最終的負(fù)荷調(diào)節(jié)能力預(yù)測(cè)結(jié)果。
8、進(jìn)一步地，所述負(fù)荷數(shù)據(jù)包括：有功功率數(shù)據(jù)、無(wú)功功率數(shù)據(jù)；環(huán)境數(shù)據(jù)包括：溫度、濕度、風(fēng)向和風(fēng)速。
9、進(jìn)一步地，所述負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)預(yù)處理為對(duì)丟失數(shù)據(jù)進(jìn)行填補(bǔ)，采用基于k近鄰聯(lián)合期望最大化算法的二階段數(shù)據(jù)填補(bǔ)。
10、進(jìn)一步地，所述inception模塊通過并行使用不同尺寸的卷積核和池化操作，對(duì)輸入數(shù)據(jù)的多尺度特征進(jìn)行提取。
11、進(jìn)一步地，所述mha模塊通過多個(gè)注意力頭來(lái)并行捕捉不同時(shí)間步的特征相關(guān)性，輸出為時(shí)間序列特征的加權(quán)組合。
12、進(jìn)一步地，所述se模塊處理輸入特征的過程為：對(duì)每個(gè)通道進(jìn)行全局平均池化，捕捉通道的全局特征；通過兩個(gè)全連接層對(duì)各通道的全局特征進(jìn)行建模，生成自適應(yīng)的權(quán)重系數(shù)，將生成的權(quán)重應(yīng)用到每個(gè)通道上，對(duì)原始特征進(jìn)行加權(quán)調(diào)整。
13、進(jìn)一步地，所述ms-inception-lstm模型的損失函數(shù)為：
14、
15、其中，yi是真實(shí)值，是預(yù)測(cè)值，wi是權(quán)重因子。
16、一種可調(diào)節(jié)負(fù)荷能力評(píng)估系統(tǒng)，包括：
17、數(shù)據(jù)采集與處理模塊：采集電網(wǎng)負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)，并對(duì)負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理；
18、模型構(gòu)建與訓(xùn)練模塊：構(gòu)建ms-inception-lstm模型，并使用預(yù)處理后的負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)對(duì)ms-inception-lstm模型進(jìn)行訓(xùn)練；
19、以及，負(fù)荷能力評(píng)估模塊：將采集的負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)預(yù)處理后，輸入訓(xùn)練后的ms-inception-lstm模型，輸出負(fù)荷調(diào)節(jié)能力預(yù)測(cè)值；
20、所述ms-inception-lstm模型包括：inception模塊、mha模塊、se模塊、aff特征融合模塊、lstm模塊以及全連接層；其中，inception模塊對(duì)預(yù)處理后的負(fù)荷數(shù)據(jù)進(jìn)行特征提取，然后分別輸入mha模塊和se模塊，aff特征融合模塊將mha模塊和se模塊輸出的特征進(jìn)行融合，lstm模塊對(duì)融合后的特征進(jìn)行建模，捕捉時(shí)間序列中長(zhǎng)期依賴的關(guān)系，預(yù)處理后的環(huán)境數(shù)據(jù)與lstm生成的負(fù)荷數(shù)據(jù)時(shí)序特征在全連接層進(jìn)行融合，共同作用于最終的負(fù)荷調(diào)節(jié)能力預(yù)測(cè)結(jié)果。
21、一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，存儲(chǔ)有可讀程序，當(dāng)程序運(yùn)行時(shí)，能夠執(zhí)行權(quán)利要求上述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法。
22、一種電子設(shè)備，包括：處理器、存儲(chǔ)器、通信接口和通信總線，所述處理器、所述存儲(chǔ)器和所述通信接口通過所述通信總線完成相互間的通信；
23、所述存儲(chǔ)器用于存放至少一條可執(zhí)行指令，所述可執(zhí)行指令使所述處理器執(zhí)行上述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法對(duì)應(yīng)的操作。
24、本專利技術(shù)的有益效果：
25、1、本專利技術(shù)的模型結(jié)合了inception模塊、mha注意力機(jī)制、se注意力機(jī)制和lstm的優(yōu)勢(shì)，能夠高效地提取負(fù)荷數(shù)據(jù)的特征，并通過mha機(jī)制和se機(jī)制增強(qiáng)模型對(duì)時(shí)間依賴性和特征重要性的捕捉，利用lstm進(jìn)一步建模時(shí)序依賴，最后通過全連接層得到優(yōu)異的可調(diào)節(jié)負(fù)荷能力的評(píng)估結(jié)果；既能捕捉負(fù)荷調(diào)節(jié)能力中的局部和全局特征，又能有效處理時(shí)序關(guān)系，適合用于復(fù)雜的負(fù)荷調(diào)節(jié)能力評(píng)估任務(wù)。
26、2、為了提升負(fù)荷能力預(yù)測(cè)的準(zhǔn)確性與效率，本專利技術(shù)采用了二階段數(shù)據(jù)填補(bǔ)方法(knn-em)：k近鄰(k-nearest?neighbor，knn)算法聯(lián)合期望最大化(expectationmaximization，em)算法。針對(duì)高頻采樣的用電負(fù)荷數(shù)據(jù)(包括有功功率和無(wú)功功率)及多維環(huán)境參數(shù)(如溫度、濕度、風(fēng)速等)在遠(yuǎn)程傳輸中易丟包的問題，該方法有效填補(bǔ)缺失數(shù)據(jù)，保證了輸入數(shù)據(jù)的完整性和一致性。首先，k近鄰算法利用鄰域信息初步填補(bǔ)缺失值，確保局部特性得以保留；隨后，em算法進(jìn)一步通過期望迭代優(yōu)化，結(jié)合全局統(tǒng)計(jì)特性精確填補(bǔ)，避免數(shù)據(jù)跳變和異常值干擾。此方法在保留負(fù)荷數(shù)據(jù)周期性和時(shí)間序列特性的同時(shí)，顯著降低了噪聲對(duì)模型訓(xùn)練的影響，提高了數(shù)據(jù)質(zhì)量。經(jīng)過填補(bǔ)的高完整性數(shù)據(jù)為模型提供了更全面的學(xué)習(xí)基礎(chǔ)，顯著降低預(yù)測(cè)誤差，增強(qiáng)復(fù)雜環(huán)境下的魯棒性，最終為負(fù)荷能力評(píng)估任務(wù)提供高效、精準(zhǔn)的解決方案。
27、3、本專利技術(shù)將環(huán)境數(shù)據(jù)于lstm模塊之后輸入模型，未參與時(shí)間序列建模；作為一組靜態(tài)特征，環(huán)境數(shù)據(jù)與lstm生成的負(fù)荷數(shù)據(jù)時(shí)序特征在后續(xù)的全連接層進(jìn)行融合，共同作用于最終的負(fù)荷調(diào)節(jié)能力預(yù)測(cè)結(jié)果。這一設(shè)計(jì)通過對(duì)負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)的分開處理，分別挖掘了負(fù)荷數(shù)據(jù)的復(fù)雜動(dòng)態(tài)特性與環(huán)境數(shù)據(jù)的全局背景信息，同時(shí)在最終階段融合兩類數(shù)據(jù)，增強(qiáng)了模型的整體預(yù)測(cè)能力。這種分離建模與后期融合的方法，不僅本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述負(fù)荷數(shù)據(jù)包括：有功功率數(shù)據(jù)、無(wú)功功率數(shù)據(jù)；環(huán)境數(shù)據(jù)包括：溫度、濕度、風(fēng)向和風(fēng)速。
3.根據(jù)權(quán)利要求2所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)預(yù)處理為對(duì)丟失數(shù)據(jù)進(jìn)行填補(bǔ)，采用基于K近鄰聯(lián)合期望最大化算法的二階段數(shù)據(jù)填補(bǔ)。
4.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述Inception模塊通過并行使用不同尺寸的卷積核和池化操作，對(duì)輸入數(shù)據(jù)的多尺度特征進(jìn)行提取。
5.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述MHA模塊通過多個(gè)注意力頭來(lái)并行捕捉不同時(shí)間步的特征相關(guān)性，輸出為時(shí)間序列特征的加權(quán)組合。
6.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述SE模塊處理輸入特征的過程為：對(duì)每個(gè)通道進(jìn)行全局平均池化，捕捉通道的全局特征；通過兩個(gè)全連接層對(duì)各通道的全局特征進(jìn)行建模，生成自適應(yīng)的權(quán)重系數(shù)，將生成的權(quán)重應(yīng)用到每個(gè)
7.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述MS-Inception-LSTM模型的損失函數(shù)為：
8.一種可調(diào)節(jié)負(fù)荷能力評(píng)估系統(tǒng)，其特征在于，包括：
9.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，存儲(chǔ)有可讀程序，其特征在于，當(dāng)程序運(yùn)行時(shí)，能夠執(zhí)行權(quán)利要求1-7任一項(xiàng)所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法。
10.一種電子設(shè)備，其特征在于，包括：處理器、存儲(chǔ)器、通信接口和通信總線，所述處理器、所述存儲(chǔ)器和所述通信接口通過所述通信總線完成相互間的通信；
...【技術(shù)特征摘要】
1.一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述負(fù)荷數(shù)據(jù)包括：有功功率數(shù)據(jù)、無(wú)功功率數(shù)據(jù)；環(huán)境數(shù)據(jù)包括：溫度、濕度、風(fēng)向和風(fēng)速。
3.根據(jù)權(quán)利要求2所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述負(fù)荷數(shù)據(jù)和環(huán)境數(shù)據(jù)預(yù)處理為對(duì)丟失數(shù)據(jù)進(jìn)行填補(bǔ)，采用基于k近鄰聯(lián)合期望最大化算法的二階段數(shù)據(jù)填補(bǔ)。
4.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述inception模塊通過并行使用不同尺寸的卷積核和池化操作，對(duì)輸入數(shù)據(jù)的多尺度特征進(jìn)行提取。
5.根據(jù)權(quán)利要求1所述的一種可調(diào)節(jié)負(fù)荷能力評(píng)估方法，其特征在于，所述mha模塊通過多個(gè)注意力頭來(lái)并行捕捉不同時(shí)間步的特征相關(guān)性，輸出為時(shí)間序列特征的加權(quán)組合。
6...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李金中，徐斌，謝毓廣，吳有中，馬偉，高博，楊明芳，張紅，李喆，汪勝和，鞏燕燕，
申請(qǐng)(專利權(quán))人：國(guó)網(wǎng)安徽省電力有限公司電力科學(xué)研究院，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。