一种电力系统的日前负荷预测方法、装置、设备及介质与流程

摘要: 本发明涉及电力自动化领域,特别涉及一种电力系统的日前负荷预测方法、装置、设备及介质。背景技术:1、日前负荷预测是电网调度和机组组合优化的基础,直接影响电力系统的...
一种电力系统的日前负荷预测方法、装置、设备及介质与流程

本发明涉及电力自动化领域,特别涉及一种电力系统的日前负荷预测方法、装置、设备及介质。

背景技术:

1、日前负荷预测是电网调度和机组组合优化的基础,直接影响电力系统的安全稳定运行。该领域技术演进经历了四个阶段:统计方法仅能处理线性趋势;传统机器学习非线性能力增强但特征工程繁琐;深度学习成为主流范式,在高频数据场景下表现优异,但对低频异常事件仍束手无策;近期出现的llm(large language model,大语言模型)时序预测方法将时序数据直接输入大语言模型,令其自回归输出负荷预测数值。

2、然而,现有技术在面向实际电网应用时仍存在一些缺陷:llm基于离散token的生成机制天生缺乏高维连续数值回归能力,易产生跳变、负值等物理不可行的预测结果;春节停工、临时赛事等低频事件样本极度稀缺,传统数值模型无法有效拟合,而现有数值与文本联合方案多采用简单拼接,数值嵌入与文本嵌入处于割裂的表征空间;现有融合模型依赖固定阈值进行规则切换,易产生预测边界抖动,且时段边界处的负荷突变可能违反发电机组爬坡率等刚性物理约束;电力数据属于高敏感信息,云端api(application programminginterface,应用程序编程接口)方案无法满足数据不出域的安全合规要求,且知识库更新方式极易发生遗忘。

技术实现思路

1、有鉴于此,本发明的目的在于提供一种电力系统的日前负荷预测方法、装置、设备及介质,可以通过数值特征与语义特征联合的目标特征向量作为两条路径的共同输入,使低频语义事件信息得以在小样本条件下参与预测,并经置信度校准、门控网络连续融合与爬坡率约束优化三重处理,在提升低频事件场景预测精度的同时保证了下发曲线的物理可执行性。其具体方案如下:

2、第一方面,本技术公开了一种电力系统的日前负荷预测方法,包括:

3、采集目标电力系统对应的多源历史负荷数据,并生成与所述多源历史负荷数据相应的目标特征向量;所述目标特征向量为数值特征与语义特征联合的特征向量;

4、通过预设时序模型对所述目标特征向量进行处理,以得到相应的基线负荷预测曲线,并通过预设大语言模型对所述目标特征向量进行处理,以得到相应的曲线形态修正系数以及预测置信度,然后基于所述曲线形态修正系数对所述基线负荷预测曲线进行修正,以得到修正后负荷预测曲线;

5、检索历史节假日向量库中与所述目标特征向量对应的若干历史相似特征向量,并确定所述若干历史相似特征向量与所述目标特征向量对应的相似度均值,若所述相似度均值与所述预测置信度之间的差值大于预设阈值,则对所述预测置信度进行校准,以得到校准后置信度;

6、将所述校准后置信度以及预设校准参数输入至预设门控网络,以得到融合权重,并通过所述融合权重对所述基线负荷预测曲线以及所述修正后负荷预测曲线进行融合,以得到目标融合曲线;

7、基于预设爬坡率对所述目标融合曲线进行优化,并基于得到的优化后曲线进行日前负荷预测。

8、可选的,所述采集目标电力系统对应的多源历史负荷数据,并生成与所述多源历史负荷数据相应的目标特征向量,包括:

9、采集目标电力系统对应的历史负荷数值时序数据以及历史气象数值时序数据,并采集所述目标电力系统对应的非结构化文本数据;

10、基于所述历史负荷数值时序数据以及所述历史气象数值时序数据构建数值序列;

11、通过预设大语言模型对所述非结构化文本数据进行数据脱敏处理,以得到脱敏后数据,并根据所述脱敏后数据构建事件标识序列;

12、将所述数值序列以及所述事件标识序列映射至预设隐空间,以得到相应的数值特征以及语义特征,并以所述数值特征为查询向量、以所述语义特征为键向量和值向量进行交叉注意力计算,以得到目标特征向量;所述目标特征向量为数值特征与语义特征联合的特征向量。

13、可选的,所述通过预设时序模型对所述目标特征向量进行处理,以得到相应的基线负荷预测曲线,并通过预设大语言模型对所述目标特征向量进行处理,以得到相应的曲线形态修正系数以及预测置信度,然后基于所述曲线形态修正系数对所述基线负荷预测曲线进行修正,以得到修正后负荷预测曲线,包括:

14、将所述目标特征向量中的数值特征输入预设时序模型,以通过所述预设时序模型对所述数值特征进行处理,以得到相应的基线负荷预测曲线;

15、将所述目标特征向量输入至预设大语言模型,以通过所述预设大语言模型对所述目标特征向量进行处理,以得到相应的曲线形态修正系数以及预测置信度;所述曲线形态修正系数包括时段比例、残差偏移量或形态重整标签;

16、通过所述曲线形态修正系数对所述基线负荷预测曲线进行修正,以得到修正后负荷预测曲线。

17、可选的,所述检索历史节假日向量库中与所述目标特征向量对应的若干历史相似特征向量,并确定所述若干历史相似特征向量与所述目标特征向量对应的相似度均值,若所述相似度均值与所述预测置信度之间的差值大于预设阈值,则对所述预测置信度进行校准,以得到校准后置信度,包括:

18、检索历史节假日向量库中与所述目标特征向量对应的若干历史相似特征向量,并分别计算所述若干历史相似特征向量与所述目标特征向量之间的余弦相似度得分,以得到若干余弦相似度得分;

19、计算所述若干余弦相似度得分对应的得分均值,以得到相似度均值;

20、确定所述相似度均值与所述预测置信度之间的差值,以得到目标差值,若所述目标差值大于预设阈值,则通过预设惩罚函数基于所述相似度均值对所述预测置信度进行校准,以得到校准后置信度。

21、可选的,所述将所述校准后置信度以及预设校准参数输入至预设门控网络,以得到融合权重,并通过所述融合权重对所述基线负荷预测曲线以及所述修正后负荷预测曲线进行融合,以得到目标融合曲线,包括:

22、根据所述校准后置信度以及预设校准参数构建状态向量,并将所述状态向量输入至预设门控网络,以通过所述预设门控网络输出所述修正后负荷预测曲线对应的第一融合权重和所述基线负荷预测曲线对应的第二融合权重;所述第一融合权重与所述第二融合权重之和为一;

23、基于所述第一融合权重和所述第二融合权重对所述修正后负荷预测曲线和所述基线负荷预测曲线进行加权求和,以得到目标融合曲线。

24、可选的,所述基于预设爬坡率对所述目标融合曲线进行优化,并基于得到的优化后曲线进行日前负荷预测,包括:

25、基于电力设备的预设最大爬坡率对所述目标融合曲线中相邻时刻之间的负荷差值进行平滑约束,以得到相邻时刻之间的负荷差值均不超过所述最大爬坡率的优化后曲线;

26、基于所述优化后曲线预测下一工作日的用电负荷。

27、可选的,所述基于预设爬坡率对所述目标融合曲线进行优化,并基于得到的优化后曲线进行日前负荷预测之后,还包括:

28、根据所述优化后曲线生成电力系统的调度控制指令,并将所述调度控制指令下发至所述电力系统的物理执行设备。

29、第二方面,本技术公开了一种电力系统的日前负荷预测装置,包括:

30、特征向量生成模块,用于采集目标电力系统对应的多源历史负荷数据,并生成与所述多源历史负荷数据相应的目标特征向量;所述目标特征向量为数值特征与语义特征联合的特征向量;

31、曲线修正模块,用于通过预设时序模型对所述目标特征向量进行处理,以得到相应的基线负荷预测曲线,并通过预设大语言模型对所述目标特征向量进行处理,以得到相应的曲线形态修正系数以及预测置信度,然后基于所述曲线形态修正系数对所述基线负荷预测曲线进行修正,以得到修正后负荷预测曲线;

32、置信度校准模块,用于检索历史节假日向量库中与所述目标特征向量对应的若干历史相似特征向量,并确定所述若干历史相似特征向量与所述目标特征向量对应的相似度均值,若所述相似度均值与所述预测置信度之间的差值大于预设阈值,则对所述预测置信度进行校准,以得到校准后置信度;

33、曲线融合模块,用于将所述校准后置信度以及预设校准参数输入至预设门控网络,以得到融合权重,并通过所述融合权重对所述基线负荷预测曲线以及所述修正后负荷预测曲线进行融合,以得到目标融合曲线;

34、负荷预测模块,用于基于预设爬坡率对所述目标融合曲线进行优化,并基于得到的优化后曲线进行日前负荷预测。

35、第三方面,本技术公开了一种电子设备,包括:

36、存储器,用于保存计算机程序;

37、处理器,用于执行所述计算机程序,以实现如前述的电力系统的日前负荷预测方法。

38、第四方面,本技术公开了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如前述的电力系统的日前负荷预测方法。

39、本技术中,可以采集目标电力系统对应的多源历史负荷数据,并生成与所述多源历史负荷数据相应的目标特征向量;所述目标特征向量为数值特征与语义特征联合的特征向量;通过预设时序模型对所述目标特征向量进行处理,以得到相应的基线负荷预测曲线,并通过预设大语言模型对所述目标特征向量进行处理,以得到相应的曲线形态修正系数以及预测置信度,然后基于所述曲线形态修正系数对所述基线负荷预测曲线进行修正,以得到修正后负荷预测曲线;检索历史节假日向量库中与所述目标特征向量对应的若干历史相似特征向量,并确定所述若干历史相似特征向量与所述目标特征向量对应的相似度均值,若所述相似度均值与所述预测置信度之间的差值大于预设阈值,则对所述预测置信度进行校准,以得到校准后置信度;将所述校准后置信度以及预设校准参数输入至预设门控网络,以得到融合权重,并通过所述融合权重对所述基线负荷预测曲线以及所述修正后负荷预测曲线进行融合,以得到目标融合曲线;基于预设爬坡率对所述目标融合曲线进行优化,并基于得到的优化后曲线进行日前负荷预测。

40、由此可见,通过本技术的方法,可以采集电力系统多源历史负荷数据,生成含数值与语义特征的目标特征向量。用时序模型处理得到基线负荷预测曲线;用大语言模型处理得到曲线形态修正系数与预测置信度,据此修正基线曲线。检索历史节假日向量库,找出若干相似特征向量并计算与目标向量的相似度均值,若该均值与置信度差值超阈值,则校准置信度。将校准后置信度与预设参数输入门控网络,获得融合权重,对基线曲线与修正曲线融合,得到目标融合曲线。最后基于预设爬坡率优化融合曲线,并根据优化后的曲线进行日前负荷预测。这样一来,通过构建基线结合残差的双路径协同机制,可以使所述预设大语言模型专注于高层次语义逻辑推演而仅输出曲线形态修正系数,基线数值则由严谨的数学模型提供,彻底杜绝了现有将时序数据直接输入大语言模型并令其自回归输出绝对负荷值的方案所带来的预测曲线发散、产生负值等重大安全隐患。同时,以数值特征与语义特征联合的目标特征向量作为两条路径的共同输入,使低频语义事件信息得以在小样本条件下参与预测,并经置信度校准、门控网络连续融合与爬坡率约束优化三重处理,在提升低频事件场景预测精度的同时保证了下发曲线的物理可执行性。