基于RPINN的沙尘暴天气下沙戈荒地区净负荷预测方法

本发明涉及气象电气功率预测领域，具体为一种基于rpinn的沙尘暴天气下沙戈荒地区净负荷预测方法。

背景技术：

1、随着新型电力系统的加速构建，风电、光伏等新能源在电源结构中的占比持续升高，我国沙戈荒地区依托其丰富的风光资源禀赋，已逐步发展为新能源开发的战略要地。然而，该区域频繁遭遇的沙尘暴极端天气会对新能源出力及周边负荷产生显著且复杂的扰动效应：光伏发电因沙尘遮蔽与组件表面积尘而出现出力骤降，风力发电机组出于防沙避险需求而被迫停运，同时气象条件的急剧变化也会引发电力负荷的异常波动。上述因素共同导致了电网调度运行风险的大幅上升。因此，在沙尘暴天气条件下实现准确、可靠的净负荷预测，对于提升沙戈荒地区新能源外送的稳定性具有至关重要的意义。

2、当前，该预测任务仍然面临两方面的突出挑战：其一，极端天气事件的历史样本极为稀缺，难以充分支撑预测模型的有效训练；其二，沙尘暴天气具备持续时间长、影响范围广、演变过程复杂多变等特点，其对电源侧与负荷侧的扰动错综交织，使得净负荷数据呈现出强波动性与高度不确定性。因此，围绕上述两类关键问题，针对沙尘暴天气开展沙戈荒地区净负荷预测方法的研究具有迫切的现实需求。

3、为解决数据匮乏与强波动性问题，将物理信息神经网络（pinn，physics-informedneural network）引入沙尘暴净负荷预测是可行的技术思路——通过将描述电力负荷响应关系的偏微分方程作为物理约束嵌入损失函数，可降低模型对大规模训练数据的依赖。然而，在沙尘暴极端天气条件下，理论物理公式（如光伏发电辐照模型、风力发电功率曲线）因沙尘遮蔽、叶片侵蚀等非理想因素而与实际出力存在显著偏差，使得物理一致性损失梯度与数据拟合损失梯度在训练过程中频繁出现方向冲突。这种梯度冲突导致模型在达到阶段最优后出现性能退化——物理约束将模型从数据拟合的局部最优解“拉偏”，使训练陷入震荡甚至发散。现有的pinn改进方案多采用梯度调和或重加权策略，试图在冲突的梯度中寻找折中平衡点，但在物理偏差较大的极端场景下，调和策略无法从根本上消除冲突，模型仍面临学习稳健性不足的问题。因此，如何构建一种能够在极端条件下对物理约束与数据拟合进行自适应管理的鲁棒学习机制，成为沙尘暴天气下净负荷物理信息预测的关键难题。

技术实现思路

1、针对上述问题，本发明的目的在于提供一种基于rpinn（robust physics-informed neural network，鲁棒物理信息神经网络）的沙尘暴天气下沙戈荒地区净负荷预测方法，能够在小样本条件与复杂气象扰动下实现净负荷的高精度预测，为沙戈荒地区电网优化调度提供可靠的决策支撑。技术方案如下：

2、一种基于rpinn的沙尘暴天气下沙戈荒地区净负荷预测方法，包括以下步骤：

3、步骤1：针对沙尘暴极端天气下历史样本匮乏的问题，采用皮尔逊相关系数分析沙尘暴极端天气下光伏、风电及负荷数据与气象数据之间的相关关系，将得到的高相关数据组输入时间生成对抗网络模型进行数据扩充，并筛选最大均值差异小于设定阈值的生成数据与原始数据共同构成增强型数据集，作为后续预测网络的输入；

4、步骤2：基于步骤1中所得到的负荷数据与气象数据的相关性分析结果，构建用于负荷响应关系建模的广义偏微分方程，借助物理信息神经网络pinn对所述广义偏微分方程的系数进行自适应求解，获得确定系数的电力负荷响应关系模型，以构建沙尘暴天气下负荷预测的物理约束；其中，以电功率对关键环境因素的偏导数之差作为物理一致性损失；

5、步骤3：经过编码层扩充输入数据的特征维度后，使特征序列在编码后进入mamba-se模块，经池化、解码操作后输出最终预测结果；所述mamba-se模块在mamba算法的池化与解码之前引入压缩与激励通道注意力机制，对时序特征通道进行选择性重标定；

6、步骤4：在模型训练过程中，以归一化合成梯度范数作为冲突度量指标，当经滑动窗口平均后的冲突度量超出预设阈值时，停止物理一致性损失参与模型参数更新，仅以数据拟合损失驱动模型训练；否则以数据拟合损失与物理一致性损失的加权和更新网络参数；通过反复迭代训练，最终实现沙尘暴极端天气条件下沙戈荒地区的净负荷精准预测。

7、本发明的有益效果是：

8、1）本发明通过引入广义偏微分方程构建内嵌物理约束的负荷预测模型，进而将物理一致性损失嵌入净负荷预测模型训练过程，以降低模型对大规模训练数据的依赖。实验结果表明，本发明方法对沙尘暴极端天气下的小数量数据样本特性表现出了良好的适应性。相较于各对比方法，本发明方法在各数据规模下始终保持最低预测误差：以24小时净负荷预测任务为例，数据充足时，本发明方法相较于单一mamba-se、仅引入rpinn及仅引入timegan方案，其精度分别提升了34.39%、16.51%与23.35%，表明本发明方法在高数据量下能够充分利用高质量生成样本获得更高预测精度；数据匮乏时，本发明方法与单一mamba-se、协同优化方案及仅引入timegan方案相比，实现了51.46%、20.31%与23.51%的显著误差削减，证明了其在样本极度匮乏时仍能维持最优的预测精度。

9、2）本发明构建了基于冲突度量的鲁棒物理信息神经网络，使模型在极端条件下具备相比于传统pinn而言更稳健的学习性能。实验结果表明，该方法有效克服了传统pinn极端条件下在最优回合后的可能出现的性能退化现象，能够在误差达到阶段最小值后仍保持下降趋势并持续收敛至更低误差水平。实验中，该方法在负荷与风电预测中实现了更高的学习稳健性与预测精度，从而使整体净负荷预测效果显著优于传统pinn及纯数据驱动模型。

10、3）本发明提出了一种融合鲁棒物理信息神经网络与se通道注意力机制的rpinn-mamba-se模型，以解决沙尘暴极端天气条件下小样本数据与复杂扰动引起的模型学习稳健性弱以及关键时序特征提取困难的问题，最终实现了沙尘暴天气下沙戈荒地区净负荷的高精度预测：在净负荷预测实验中，本发明模型在两种尺度下均获得最优表现，净负荷预测误差分别为1.694%与1.888%，24小时净负荷预测误差相较于rpinn-mamba模型、mamba-se模型与传统mamba模型分别降低了28.40%、29.61%与43.28%，且其对传统mamba模型的改进幅度显著优于单一模块引入带来的增益，验证了鲁棒物理机制与se模块的互补优势。

1.基于rpinn的沙尘暴天气下沙戈荒地区净负荷预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于rpinn的沙尘暴天气下沙戈荒地区净负荷预测方法，其特征在于，步骤1中，皮尔逊相关系数的计算公式如下：

3.根据权利要求1所述的基于rpinn的沙尘暴天气下沙戈荒地区净负荷预测方法，其特征在于，步骤2中，采用间接法预测系统净负荷：分别为光伏发电预测、风力发电预测和电力负荷预测构建三个独立的神经网络子模型，以负荷预测结果与光伏、风电预测结果的差值作为系统净负荷预测结果；

4.根据权利要求3所述的基于rpinn的沙尘暴天气下沙戈荒地区净负荷预测方法，其特征在于，步骤3中，mamba-se模块具体为：

5.根据权利要求4所述的基于rpinn的沙尘暴天气下沙戈荒地区净负荷预测方法，其特征在于，在步骤4中，归一化合成梯度范数计算如下：