养殖园区短期负荷预测方法、装置、设备及存储介质

本发明涉及电力负荷预测，尤其涉及一种养殖园区短期负荷预测方法、装置、设备及存储介质。

背景技术：

1、当前规模化养殖正在朝着自动化、智能化方向发展，温控、通风、饲喂等各类养殖配套设备随之大规模投入使用。

2、养殖园区用电负荷受季节变换、温度环境变化、畜禽生长周期等多重因素叠加影响，整体用电需求波动幅度大、随机特性突出、负荷变化规律显著。因此，实现高精度电力负荷预测，对保障养殖园区供电稳定性、降低养殖生产能耗与运营成本具有重要价值。

3、短期负荷预测是电力系统调度运行、电网经济优化及配网资源合理配置的核心基础，可为园区安全供电和节能调度具有重要的决策意义。然而，目前的短期负荷预测仅是基于单一数据，导致预测的精度较差。

技术实现思路

1、本发明实施例提供了一种养殖园区短期负荷预测方法、装置、设备及存储介质，以解决目前方法预测精度较低的问题。

2、第一方面，本发明实施例提供了一种养殖园区短期负荷预测方法，包括：

3、获取待预测的养殖园区的历史监测数据；其中，所述历史监测数据至少包括历史电力负荷数据、历史环境数据和养殖动物历史生长特征数据；

4、基于灰色关联分析法，从所述历史环境数据和所述养殖动物历史生长特征数据中，筛选与所述历史电力负荷数据相关联的特征，得到特征重构数据集；

5、对所述历史电力负荷数据进行自适应噪声完备集合经验模态分解和多元变分模态分解，得到所述历史电力负荷数据的多阶本征模态负荷分量；

6、根据所述多阶本征模态负荷分量和所述历史电力负荷数据之间的灰色关联度，确定有效负荷分量；

7、将所述特征重构数据集和所述有效负荷分量进行拼接，并将拼接后的特征输入至预先训练的负荷预测模型中，得到所述待预测的养殖园区的短期电力负荷预测曲线。

8、在一种可能的实现方式中，所述历史电力负荷数据包括历史有功功率序列和历史无功功率序列；

9、所述对所述历史电力负荷数据进行自适应噪声完备集合经验模态分解和多元变分模态分解，得到所述历史电力负荷数据的本征模态负荷分量包括：

10、对所述历史有功功率序列和历史无功功率序列分别进行自适应噪声完备集合经验模态分解，得到有功功率的高频分量、中频分量、低频分量的本征模态函数，以及无功功率的高频分量、中频分量、低频分量的本征模态函数；

11、对所述有功功率的高频分量的本征模态函数和所述无功功率的高频分量的本征模态函数，进行多元变分模态分解，得到所述历史电力负荷数据的多个频率稳定的本征模态负荷分量。

12、在一种可能的实现方式中，所述对所述历史有功功率序列和历史无功功率序列分别进行自适应噪声完备集合经验模态分解之前，还包括：

13、向所述历史有功功率序列和历史无功功率序列中分别添加多组自适应白噪声，构成多个含噪声的历史有功功率序列和历史无功功率序列；

14、所述对所述历史有功功率序列和历史无功功率序列分别进行自适应噪声完备集合经验模态分解，包括

15、对每个含噪声的历史有功功率序列和历史无功功率序列分别进行自适应噪声完备集合经验模态分解。

16、在一种可能的实现方式中，所述多元变分模态分解中的本征模态分量个数和惩罚系数是基于改进梦境优化算法，根据所述养殖动物历史生长特征数据和所述历史电力负荷数据构建的适应度函数最小为优化目标确定的。

17、在一种可能的实现方式中，所述养殖动物历史生长特征数据包括生长周期和养殖品种；

18、所述适应度函数是基于所述历史电力负荷数据在各本征模态分量下的高频分量占比、中频分量占比和低频分量占比，以及所述历史电力负荷数据在各本征模态分量下的分量复杂度、集中度惩罚项和负荷重构误差，以及各自对应的权重加成构建的；所述高频分量占比、中频分量占比和低频分量占比是基于所述养殖品种的生长周期确定的；

19、所述历史电力负荷数据在各本征模态分量下的高频分量占比、中频分量占比、低频分量占比所对应的频带范围是基于所述养殖动物历史生长特征数据和所述待预测的养殖园区的负荷波动特性确定的。

20、在一种可能的实现方式中，所述根据所述多阶本征模态负荷分量和所述历史电力负荷数据之间的灰色关联度，确定有效负荷分量，包括：

21、采用灰色关联算法确定目标阶本征模态负荷分量分别与历史有功功率序列和历史无功功率序列之间的灰色关联度；其中，所述历史电力负荷数据包括历史有功功率序列和历史无功功率序列，所述目标阶本征模态负荷分量为所述多阶本征模态负荷分量中的任意一个；

22、将得到的两个灰色关联度的平均值作为所述目标阶本征模态负荷分量的最终关联度；

23、基于得到的所有所述目标阶本征模态负荷分量的最终关联度，将大于或等于预设关联度阈值的本征模态负荷分量进行叠加重构，得到所述有效负荷分量。

24、在一种可能的实现方式中，所述负荷预测模型是由transformer层和bilstm层串联构成的；

25、所述transformer层中的注意力头数、隐藏层维度和编码器层数，以及所述bilstm层的神经元数量、隐藏层维度、堆叠层数，学习率和迭代批次大小均是基于改进梦境优化算法确定的；

26、所述基于灰色关联分析法，从所述历史环境数据和所述养殖动物历史生长特征数据中之前，还包括：

27、对所述历史监测数据依次进行缺失值填补、异常值修正和归一化处理。

28、第二方面，本发明实施例提供了一种养殖园区短期负荷预测装置，包括：

29、获取模块，用于获取待预测的养殖园区的历史监测数据；其中，所述历史监测数据至少包括历史电力负荷数据、历史环境数据和养殖动物历史生长特征数据；

30、筛选模块，用于基于灰色关联分析法，从所述历史环境数据和所述养殖动物历史生长特征数据中，筛选与所述历史电力负荷数据相关联的特征，得到特征重构数据集；

31、分解模块，用于对所述历史电力负荷数据进行自适应噪声完备集合经验模态分解和多元变分模态分解，得到所述历史电力负荷数据的多阶本征模态负荷分量；

32、确定模块，用于根据所述多阶本征模态负荷分量和所述历史电力负荷数据之间的灰色关联度，确定有效负荷分量；

33、预测模块，用于将所述特征重构数据集和所述有效负荷分量进行拼接，并将拼接后的特征输入至预先训练的负荷预测模型中，得到所述待预测的养殖园区的短期电力负荷预测曲线。

34、第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

35、第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

36、第五方面，本发明实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

37、本发明实施例中，为了能够准确地对待预测的养殖园区的短期电力负荷进行预测，通过采用灰色关联分析法，将历史环境数据和养殖动物历史生长特征数据中，与历史电力负荷数据相关联的特征筛选出来，重构得到特征重构数据集。为了进一步从历史电力负荷数据中筛选出对电力负荷预测有关联的特征，通过对历史电力负荷数据进行自适应噪声完备集合经验模态分解和多元变分模态分解，得到历史电力负荷数据的多阶本征模态负荷分量，从而可以提取电力负荷的时频特征，便于基于此多阶本征模态负荷分量可以准确地进行电力负荷的预测。此外，通过根据多阶本征模态负荷分量和历史电力负荷数据之间的灰色关联度，进一步确定有效负荷分量，可以精准区分负荷真实信号与随机噪声，剔除低关联噪声分量。最后，通过将特征重构数据集和有效负荷分量进行拼接，并将拼接后的特征输入至预先训练的负荷预测模型，就可以得到待预测的养殖园区的短期电力负荷预测曲线。