基于机器学习的虚拟电厂负荷预测管理方法及系统与流程

摘要: 本发明涉及电力系统负荷预测,具体为基于机器学习的虚拟电厂负荷预测管理方法及系统。背景技术:1、在虚拟电厂负荷预测管理中,负荷数据通常由多个边缘节点异步采集并上传...
基于机器学习的虚拟电厂负荷预测管理方法及系统与流程

本发明涉及电力系统负荷预测,具体为基于机器学习的虚拟电厂负荷预测管理方法及系统。

背景技术:

1、在虚拟电厂负荷预测管理中,负荷数据通常由多个边缘节点异步采集并上传,且各节点所处通信链路、时钟状态和采样到达时延存在差异,导致不同节点的负荷序列在时间轴上容易出现错位;

2、目前,虚拟电厂负荷预测通常直接采用本地时间戳或简单插值方式对多节点数据进行对齐处理,如果需要提高对齐精度,则需要额外引入网络对时机制或复杂的同步采集流程;

3、但是,通过上述方式进行多节点负荷对齐时,往往依赖通信时间同步信令,容易增加系统通信资源占用,并且在链路抖动或时钟漂移存在时,仍然难以准确恢复采样时刻之间的真实对应关系,存在时间基准不统一的问题;同时,简单插值或重采样会改变原始负荷值,容易平滑掉真实的负荷尖峰,导致负荷序列的物理特征被扭曲,进而影响后续预测模型的训练与输出精度;并且,面对异构节点和非等间隔采样场景时,现有处理方式对异常窗口和低可信采样点缺乏稳定的识别与降级机制,存在鲁棒性较低的问题。

技术实现思路

1、本发明的目的在于构建基于机器学习的虚拟电厂负荷预测管理方法及系统,避免因依赖通信时间同步信令而增加系统通信资源占用,以及避免采用简单插值或重采样改变原始负荷值从而导致负荷序列的物理特征被扭曲,且更易利用电网频率波动作为物理时间基准实现多边缘节点负荷数据的准确时间对齐,并针对异常窗口和低可信采样点建立稳定的识别与降级机制,从而有效提升虚拟电厂聚合负荷预测精度与系统鲁棒性。

2、本发明的目的可以通过以下技术方案实现:

3、在各边缘节点按照预设采样周期连续采集负荷数据和电网频率数据,形成负荷序列和电网频率序列;

4、将节点标识、负荷序列和电网频率序列中各采样点对应的本地采集时间封装为数据帧并上传至云端服务器;获取由云端服务器根据电网主站频率采样数据生成并维护的参考频率序列及其采样周期;

5、针对各边缘节点,确定电网频率序列与参考频率序列之间的匹配关系,并根据匹配关系确定匹配路径,并确定各边缘节点采样点映射在参考序列时间轴上的基准索引与基于匹配路径确定的参考频率序列索引之间的参考序列索引差;

6、将参考序列索引差与参考频率序列的采样周期相乘,得到各采样点的时间偏移量;

7、仅修正各采样点对应的本地采集时间而不改变负荷数据对应的原始负荷值,得到对齐后的负荷序列;按照时间维和节点维,根据多个边缘节点的对齐后的负荷序列构建多节点负荷矩阵;将多节点负荷矩阵输入训练后的机器学习预测模型,得到未来目标时段的虚拟电厂负荷预测结果。

8、优选的,负荷序列具有统一设定的负荷采样周期,负荷序列包括各采样点的有功负荷值,电网频率序列包括与有功负荷值在同一采样时刻采集的频率值。优选的,根据电网频率序列与参考频率序列的匹配关系确定匹配路径时,对边缘节点采集的电网频率序列和参考频率序列中各候选索引对分别计算频率值之间的绝对差作为路径代价;

9、在允许相邻索引递增且满足单调性、连续性以及首尾端点对齐边界条件的候选路径中,将累计路径代价最小的候选路径确定为匹配路径。

10、优选的,仅修正各采样点对应的本地采集时间而不改变原始负荷值,得到对齐后的负荷序列时,将各采样点的本地采集时间与对应的时间偏移量相加,得到修正后的采集时间;

11、当负荷序列中的相邻采样点的时间偏移量相同时,按预设聚合规则将对应的负荷值合并至同一时间片,预设聚合规则包括求和或求平均值;

12、当负荷序列中的相邻采样点的时间偏移量不同时,按照各采样点的修正后的采集时间直接保留原始负荷值。

13、优选的,方法还包括:当任一采样点的时间偏移量的绝对值大于时间偏移容许值时,将任一采样点确定为低可信采样点;当时间偏移量的绝对值不大于时间偏移容许值时,判定任一采样点为可信采样点;时间偏移容许值根据预设采样周期预设;

14、当边缘节点对应的累计路径代价大于匹配代价限值时,采用未被判定为低可信采样点且累计路径代价不大于匹配代价限值的最近历史时间窗口内的时间偏移量均值替换当前时间偏移量,或者在构建多节点负荷矩阵时将边缘节点对应的负荷序列乘以衰减系数,衰减系数大于且小于;当边缘节点对应的累计路径代价不大于匹配代价限值时,保留当前时间偏移量。

15、优选的,训练后的机器学习预测模型通过以下方式训练得到:利用历史对齐后的负荷序列和未来目标时段的历史真实负荷值构建训练样本,并将训练样本划分为训练集和验证集;基于训练样本的预测误差和训练样本中各采样点的时间偏移量构建训练损失函数;根据验证集性能确定训练损失函数中的权重系数,并利用训练集训练训练后的机器学习预测模型。

16、基于机器学习的虚拟电厂负荷预测管理系统,用于执行上述方法,系统包括:

17、采集模块,部署于各边缘节点的数据采集终端,用于在各边缘节点按照预设采样周期连续采集负荷数据和电网频率数据,形成负荷序列和电网频率序列;

18、上传模块,与采集模块通信连接,用于将节点标识、各采样点对应的本地采集时间、负荷序列和电网频率序列封装为数据帧并上传至云端服务器;

19、对齐模块,部署于云端服务器,用于获取由云端服务器根据电网主站频率采样数据生成并维护的参考频率序列及其采样周期,确定电网频率序列与参考频率序列之间的匹配关系,并根据匹配关系确定匹配路径,确定各边缘节点采样点对应的基准索引与匹配到的参考频率序列索引之间的参考序列索引差,并将参考序列索引差与参考频率序列的采样周期相乘,得到各采样点的时间偏移量;

20、重构模块,部署于云端服务器,用于仅修正各采样点对应的本地采集时间而不改变原始负荷值,得到对齐后的负荷序列;

21、构建模块,部署于云端服务器,用于按照时间维和节点维,根据多个边缘节点的对齐后的负荷序列构建多节点负荷矩阵;

22、预测模块,部署于云端服务器,用于将多节点负荷矩阵输入训练后的机器学习预测模型,得到未来目标时段的虚拟电厂负荷预测结果。

23、优选的,对齐模块包括:频率差计算单元,用于对两序列中各候选索引对分别计算频率值绝对差;路径确定单元,用于以频率值绝对差作为路径代价,从满足预设约束条件的候选路径中确定匹配路径;

24、偏移确定单元,用于将匹配路径中各采样点对应的参考序列索引差与参考频率序列的采样周期相乘,确定时间偏移量。

25、优选的,系统还包括:评估模块,部署于云端服务器,用于根据同一边缘节点的相邻采样点的时间偏移量变化情况确定偏移稳定度,并将偏移稳定度直接作为通信链路延迟健康度。

26、本发明的有益效果:

27、本发明通过在各边缘节点按照预设采样周期同步采集负荷数据和电网频率数据,并将节点标识、本地采集时间、负荷序列和频率序列封装为数据帧上传至云端,能够在不增加网络对时信令资源占用的前提下保留多节点原始采样信息,为后续统一对齐和预测建模奠定完整的数据基础;通过获取云端维护的参考频率序列并利用频率序列之间的匹配关系确定匹配路径,再据此计算各采样点的时间偏移量,只修正本地采集时间而不改变原始负荷值,能够利用电网频率作为物理时间基准重构采样时序,从而避免简单插值或重采样对真实负荷尖峰的平滑扭曲,提高多节点负荷对齐的准确性和物理真实性。