风光荷联合预测方法、装置、电子设备及存储介质

摘要: 本发明属于综合能源系统源荷预测,具体涉及一种风光荷联合预测方法、装置、电子设备及存储介质。背景技术:1、园区级综合能源系统是实现源网荷储协调调度以及电、热、冷多...
风光荷联合预测方法、装置、电子设备及存储介质

本发明属于综合能源系统源荷预测,具体涉及一种风光荷联合预测方法、装置、电子设备及存储介质。

背景技术:

1、园区级综合能源系统是实现源网荷储协调调度以及电、热、冷多能互补的关键载体。在双碳目标与新型电力系统建设的推动下,园区级综合能源系统安全可靠、经济高效运行具有突出的现实工程意义。然而,高比例风电和光伏发电呈现出显著的间歇性特征;同时,电、热、冷多元负荷受气象工况、用能经济规律的综合影响,与可再生能源出力形成动态耦合交互,大幅加剧了源荷双侧的不确定性。

2、当前,园区综合能源系统源荷联合预测的落地瓶颈,集中体现为三大相互关联的核心难题,也是现有预测方法普适性差、预测精度与工程适用性不足的根本原因,具体如下:其一,源荷耦合关系动态时变,静态建模适配性较差。风光出力与多能负荷的关联特性随工况实时偏移,而传统多任务学习与经典copula建模方法普遍采用静态耦合假设,通过固定模型权重、平稳相关性约束开展建模,难以精准捕捉源荷动态演化规律,易引发调度偏差、弃风弃光损耗增加等工程问题。其二,数据驱动与物理机理相互割裂,预测结果真实性与可行性难以保障。arima、svm、lstm等传统单变量模型仅具备单一时序拟合能力,无法刻画多能源系统的复杂非线性耦合关系;gru-mtl、cnn-mtl等多任务学习框架虽可通过特征共享优化预测效果,但仍受制于静态耦合缺陷;copula-gan、变分自编码器及扩散模型等概率方法虽能表征系统高维不确定性,但属于纯数据驱动黑箱拟合,缺乏时滞因果与物理一致性约束,易生成违背实际工况的不合理预测结果,反观纯物理机理模型又过度理想化,无法适配新能源发电场站设备老化、风机尾流效应、光伏组件局部遮阴等实际问题。整体而言,现有方法难以实现物理机理与数据驱动的自适应融合,无法兼顾模型可解释性与复杂工况适配性。其三,分项独立预测模式割裂变量内在关联,破坏系统整体能量一致性。传统方法对风光出力与多元负荷进行独立预测,忽略了多变量的深度耦合特性与预测误差的强相依性,即便单项预测精度达标,汇总结果仍会破坏系统能量平衡与异构变量一致性。同时,现有后处理手段无法显性约束多变量高阶相依结构,导致预测场景存在统计特性与物理规则的双重矛盾,难以支撑后续优化调度的实际落地。

3、因此,需要研发一种新的风光荷联合预测方法、装置、电子设备及存储介质来解决现有的问题。

技术实现思路

1、本发明的目的在于提供一种风光荷联合预测方法、装置、电子设备及存储介质,以解决无法对风光出力与多元负荷的精准、鲁棒预测的问题。

2、第一方面,本发明提供了一种风光荷联合预测方法,包括:

3、步骤一:采集工业园区逐小时风电出力、光伏出力、电负荷、热负荷、冷负荷五维时序数据与环境气象数据,环境气象数据包括温度、风速、辐照度、湿度、气压,剔除异常值并填补缺失数据;采用秩变换将各原始时序映射至[0,1]区间均匀分布序列,为后续相依性分析提供标准化输入;

4、步骤二:计算变量间的互信息与相关系数,构建耦合强度系数和方向一致性指数;以光伏序列为根节点搭建c-vine copula分层相依模型,当copula拟合异常时启用鲁棒耦合替代模型;通过自适应带宽核密度映射,将条件分位数转换回功率空间,生成耦合特征矩阵,用于后续模型的特征增强与校准;

5、步骤三:依托空气动力学原理,利用空气密度、风速及风机参数建立风电理论出力模型;依托光伏光电温变特性,利用辐照度归一化值与组件温度系数建立光伏理论出力模型;在理论出力与实测出力的相关性满足预设阈值时,通过轻量化残差神经网络拟合物理模型的系统偏差;将理论出力与残差预测值叠加,得到风电、光伏的确定性预测结果;

6、步骤四:融合历史负荷滞后特征、气象滑动统计特征、周期性时间编码以及步骤二得到的耦合特征,构建输入样本;采用硬参数共享的卷积神经网络-双向长短期记忆网络(cnn-bilstm)提取电、热、冷多负荷的共享时序特征,分支输出三类负荷的初次预测值;基于验证集误差分布,自适应配置加权huber损失函数中各任务的权重与截断阈值;搭建轻量化卷积残差网络,对初次预测的残差序列进行二次拟合,获得优化后的三类负荷预测值;

7、步骤五:以耦合特征、物理约束特征以及步骤三、步骤四输出的初步预测值为输入,构建岭回归后校准模型,对风光出力与负荷预测结果进行系统偏差修正;融合分位数回归与高斯过程回归,根据验证集区间覆盖率与目标覆盖率的接近程度自适应加权,生成各变量的概率预测区间;依托c-vine copula条件采样,结合核密度估计的逆变换,生成满足物理耦合约束的风光荷联合概率场景。

8、在第一方面的一种实现方式中,所述步骤二构建耦合强度系数和方向一致性指数的公式如下:

9、,其中,为互信息,为相关系数,b为离散化区间数,i、j为源荷变量索引,且i≠j;

10、。

11、在第一方面的一种实现方式中,所述步骤二中,鲁棒耦合替代模型的表达式为:

12、

13、其中,分别为鲁棒耦合替代模型的强度调节系数与方向调节系数,为第m个源荷变量的均匀化序列值;i为目标源荷变量索引,m为除目标源荷变量索引i之外的源荷变量索引。

14、在第一方面的一种实现方式中,所述步骤三中,风电理论出力模型基于空气密度与风速v计算风通量,实际风机出力则通过考虑切入风速、额定风速和切出风速的分段函数来描述:

15、;

16、光伏理论出力模型基于日内辐照度归一化值与光伏板温度,表示实时辐照度测量值,表示当日所有辐照度采样值的集合,tenv表示环境空气温度(通常取距地面1.5m百叶箱气温),noct标称工作电池温度,组件出厂核心参数,构建光伏出力基准:

17、。

18、在第一方面的一种实现方式中,所述步骤四中,加权huber损失函数定义为:

19、

20、其中,q为任务索引,r为归一化求和索引,权重与验证集均方根误差成反比:令

21、为第q个任务在验证集上的均方根误差,则权重定义为;函数为huber损失,其阈值控制着损失函数在二次误差(l2)与线性误差(l1)之间的切换:

22、;阈值设置为验证集绝对误差的75%分位数,|e|是绝对误差,即的绝对值。

23、在第一方面的一种实现方式中,所述步骤五中,概率区间生成的自适应权重由下式确定:

24、

25、其中,设分位数回归在验证集上的区间覆盖率为,高斯过程回归的覆盖率为,目标覆盖率为,定义两种方法对目标覆盖率的逼近度。

26、第二方面,本发明提供了一种风光荷联合预测装置,包括:

27、采集模块,用于采集园区级综合能源系统的时序数据和对应时段的环境气象数据,将各维时序序列映射为均匀分布序列;

28、耦合特征矩阵生成模块,用于计算完成边缘均匀变换后各变量两两之间的互信息与肯德尔秩相关系数,基于互信息与肯德尔相关系数构建耦合强度系数与方向一致性指数,以光伏出力序列为根节点搭建分层相依模型,当分层相依模型拟合失败时启用鲁棒耦合替代模型;通过自适应带宽核密度映射,将条件分位数转换回功率空间,生成耦合特征矩阵;

29、风电确定性预测结果生成模块,用于构建风电物理出力基准模型和光伏物理出力基准模型,得到风电确定性预测结果和光伏确定性预测结果;

30、优化后的电负荷、热负荷、冷负荷预测值确定模块,用于基于所述耦合特征矩阵构建多任务输入样本,提取电负荷、热负荷、冷负荷的共享时序特征,并输出电负荷、热负荷、冷负荷的初次预测值;基于验证集误差分布自适应配置加权huber损失函数的各任务权重与损失截断阈值;构建轻量化卷积残差网络,对初次预测的残差序列进行二次拟合修正,得到优化后的电负荷、热负荷、冷负荷预测值;

31、风光荷联合概率场景生成模块,用于将所述耦合特征矩阵、风电确定性预测结果、光伏确定性预测结果、优化后的电负荷、热负荷、冷负荷预测值以及物理约束特征作为输入,构建岭回归后校准模型,融合分位数回归与高斯过程回归,根据验证集区间覆盖率与目标覆盖率的接近程度自适应加权,生成各变量的概率预测区间,基于核密度估计的逆变换,生成满足物理耦合约束的风光荷联合概率场景。

32、第三方面,本发明提供了一种电子设备,包括:处理器和存储器;

33、所述存储器存储计算机执行指令;

34、所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如第一方面所述的方法。

35、第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面所述的方法。

36、根据本发明所提出的上述技术方案,可以实现下述技术效果:该风光荷联合预测方法、装置、电子设备及存储介质,通过动态耦合分析、物理-数据双驱动建模和两阶段残差优化,显著提升了风光出力和多元负荷的预测精度;实验证明,在真实工业园区数据上,风电、光伏、电、热、冷负荷预测的平均绝对百分比误差(mape)可分别低至15.33%、16.76%、4.38%、7.92%和7.54%;物理基准模型为预测提供了稳定的基础,加权huber损失函数和概率区间生成方法有效抑制了异常值和预测不确定性的干扰,鲁棒性强:整个预测流程融合了流体动力学、光伏转换等物理定律,并通过c-vine copula进行场景生成,确保了预测结果和生成场景在物理上真实可信,避免了纯数据驱动方法的物理失真问题;不仅能提供高精度的确定性点预测,还能生成符合物理规律的概率场景,为园区综合能源系统的风险评估、鲁棒优化调度等高级应用提供了有力的决策支持。