一种极端天气下油田变电站短期负荷预测方法

本发明涉及电力系统负荷预测，具体涉及一种极端天气下油田变电站短期负荷预测方法，尤其适用于寒潮条件下油田变电站的短期电力负荷精准预测。

背景技术：

1、随着全球气候变化加剧，寒潮作为典型且频发的极端天气之一，通常导致气温骤降、电力负荷急剧攀升，影响电网调度与供电保障。在极端天气情况下，负荷曲线表现出强烈的非线性波动和时变特征，使得传统预测方法在精度上难以满足实际需求。短期电力负荷预测通过综合考虑寒潮过程、环境参数及用户用电行为等因素，预测未来短时负荷变化，对优化调度策略、提高供电可靠性以及提升电网运行的安全性与稳定性具有重要意义。

2、现有技术中，针对极端天气条件下的电力负荷预测，通常采用统计预测方法、机器学习方法以及深度学习方法，并结合气象因素、历史负荷及时间特征进行建模，以提升预测精度。然而，在极端天气条件下的负荷变化建模中，仍面临复杂突变特征刻画不足、多尺度时序依赖捕捉不充分以及模型协同优化能力有限等关键技术问题。具体而言：(1)极端天气下电力负荷呈现日内短时波动、跨日中期攀升及长期趋势叠加等多尺度特征，传统单分支时序卷积网络因采用固定卷积核大小与膨胀率组合，难以全面捕捉复杂时序依赖；(2)现有双向门控循环单元序列编码方式单一、多尺度信息整合能力不足，难以有效聚焦寒潮过程中气温骤降等关键阶段；(3)现有预测方法通常将特征筛选、频域分解及时序建模分别进行处理，各阶段之间缺乏有效的信息协同机制，难以充分发挥各模块优势，导致模型对极端天气条件下复杂负荷变化规律的刻画能力受到限制。

技术实现思路

1、本发明针对极端寒潮场景下油田变电站负荷突变性强、非线性程度高及多尺度波动明显的问题，提供一种极端天气下油田变电站短期负荷预测方法。该方法借助高维普通最小二乘投影筛选关键特征，通过小波多尺度分解对负荷序列进行多频段分解以降低噪声干扰，同时构建频域分解、多尺度时序特征提取以及双向动态依赖建模的协同预测框架，使不同频段负荷信息在多尺度时序空间内进行联合学习，并通过多尺度预测头实现趋势信息与局部扰动信息的自适应融合，为极端气候条件下电站调度优化提供技术支撑。

2、本发明提出的极端天气下油田变电站短期负荷预测方法包括以下步骤：

3、采集油田变电站的历史电力负荷数据、气象数据及日期特征数据，构建多维初始特征池。本方法通过变电站电力监控终端与气象采集设备同步获取时序数据，其中历史电力负荷数据为变电站母线有功功率数据，统一设置10分钟采样间隔，保证负荷时序数据的连续性与一致性，能够真实反映油田实际用电变化规律。同步采集的气象数据包含气温、体感温度、气压、降水量、湿球温度等关键指标，可全面表征寒潮天气下的环境变化特征。日期特征数据设置是否工作日标识，用于区分工作日与节假日的油田生产用电差异。通过整合电力、气象、时间三类特征，构建完整多维初始特征池，为后续模型预测提供原始数据基础。

4、对初始特征池进行数据预处理，剔除异常值、填充缺失值并进行最小-最大归一化处理，将数据映射至[0，1]区间；依据中国气象局寒潮判定标准筛选极端寒潮时段下的负荷样本数据。针对现场采集数据存在的异常点和缺失问题，本步骤通过异常检测算法剔除失真数据，采用时序插值方法补全缺失样本，保证数据集完整可靠。为消除各特征量纲差异，采用最小-最大归一化对全部特征进行标准化处理，提升模型训练稳定性与收敛速度。预处理完成后，严格按照官方寒潮判定规则筛选出极端寒潮天气对应的负荷样本，构建极端天气专属数据集，强化模型对寒潮工况负荷突变特征的学习能力。

5、采用高维普通最小二乘投影方法对预处理后的特征进行相关性分析，计算各特征变量与负荷响应变量的投影相关系数并排序，采用岭正则化防止矩阵接近奇异；依据预设相关性阈值筛选关键特征，构建降维输入特征向量。为去除初始特征中的冗余信息、降低模型输入维度，本方法采用高维普通最小二乘投影方法挖掘特征与负荷之间的复杂关联关系，同时引入岭正则化避免高维矩阵求解奇异问题，保证相关性计算结果稳定可信。根据投影相关系数排序结果，依据预设相关性阈值筛选关键特征，剔除弱相关冗余变量。最终筛选得到最高温度、最低温度、最低体感温度、最低湿球温度、平均海平面气压、降水量和最高地面气压共7维关键特征，组成精简有效的降维输入特征向量。

6、采用小波多尺度分解方法对负荷序列进行离散小波多频段分解，通过尺度函数和母小波函数将原始负荷序列逐层分解为反映整体趋势的低频近似分量和反映局部变化的高频细节分量，分解层数根据负荷数据采样频率和波动特性确定。极端寒潮场景下的变电站负荷同时存在周期性整体变化和天气扰动带来的短时突变，单一序列难以同时表征两类特征。为此，本方法采用离散小波变换，选取daubechies小波作为母小波，根据10分钟采样间隔及寒潮负荷波动特性自适应确定分解层数。分解后得到的低频近似分量保留负荷整体变化趋势与周期规律，高频细节分量有效刻画寒潮引发的负荷局部突变与短时波动，实现负荷时序特征的多尺度分离，为后续多尺度建模提供精细化输入。

7、将降维输入特征向量与各频段分量输入构建的时序预测模型。该模型包括多尺度时序卷积网络和改进的双向门控循环单元两部分。其中，多尺度时序卷积网络包括多个不同感受野的卷积分支，用于提取不同时间尺度的时序特征；各分支依次完成膨胀卷积、时序裁剪、批归一化、relu激活与dropout处理，多分支特征拼接后通过1×1卷积实现跨尺度融合，并结合残差连接提升训练稳定性。后续采用双层双向gru结构挖掘双向时序依赖关系，同时在网络输出端引入时间注意力机制，通过softmax归一化函数得到时间步权重，自适应强化寒潮关键时段的特征贡献，最终输出聚焦极端天气负荷变化的上下文向量。

8、通过包含全局趋势分支和局部波动分支的多尺度预测头对各频段预测结果进行自适应加权融合。全局趋势分支以注意力机制输出的上下文向量为输入，通过全连接层与relu激活函数映射得到负荷整体趋势预测结果；局部波动分支利用一维卷积对原始时序特征进行滑动运算，精细捕捉寒潮扰动带来的负荷局部波动与突变特征。为兼顾全局拟合效果与局部突变精度，两个分支采用自适应加权融合策略，融合权重λ由模型训练自动学习得到，无需人工设定。通过双分支结果动态融合，最终输出兼顾趋势稳定性与突变准确性的油田变电站短期负荷预测结果，有效提升极端寒潮天气下的负荷预测精度。

1.一种极端天气下油田变电站短期负荷预测方法，其特征在于，包括以下步骤：s1：采集油田变电站的历史电力负荷数据、气象数据及日期特征数据，构建多维初始特征池，所述历史电力负荷数据为有功功率数据，采样间隔为10分钟，所述气象数据包括气温、体感温度、气压、降水量、湿球温度，所述日期特征数据包括是否工作日标识；s2：对初始特征池进行数据预处理，剔除异常值、填充缺失值并进行归一化处理，依据中国气象局寒潮判定标准筛选极端寒潮时段下的负荷样本数据；s3：采用高维普通最小二乘投影方法对预处理后的特征进行相关性分析，计算各特征变量与负荷响应变量的投影相关系数并排序，依据预设相关性阈值筛选关键特征，构建降维输入特征向量；s4：采用小波多尺度分解方法对负荷序列进行离散小波多频段分解，通过尺度函数和母小波函数将原始负荷序列分解为反映整体趋势的低频近似分量和反映局部变化的高频细节分量；s5：将降维输入特征向量与小波分解得到的各频段分量输入多尺度时序卷积网络，通过并行多分支卷积结构提取不同时间尺度的时序特征并跨尺度融合，再输入改进的双向门控循环单元网络进行双向时序依赖建模，所述改进的双向门控循环单元为双层结构并在输出端引入时间注意力机制；s6：通过包含全局趋势分支和局部波动分支的多尺度预测头对各频段预测结果进行自适应加权融合，输出短期负荷预测结果。

2.根据权利要求1所述的极端天气下油田变电站短期负荷预测方法，其特征在于，所述s1中，同步采集油田变电站的电力数据、气象数据及日期特征数据，其中历史电力负荷数据为油田变电站实时有功功率数据，采用10分钟固定采样间隔时序采集，保障数据时序连续性与采样一致性，气象数据包括气温、体感温度、气压、降水量、湿球温度中的一种或多种，日期特征数据设置有是否工作日标识，用于区分工作日与节假日场景下油田用电负荷的差异化特征。

3.根据权利要求1所述的极端天气下油田变电站短期负荷预测方法，其特征在于，所述s2中，数据归一化采用最小-最大归一化方法将数据映射至[0，1]区间，以消除特征量纲差异对模型训练的影响。

4.根据权利要求1所述的极端天气下油田变电站短期负荷预测方法，其特征在于，所述s3中，高维普通最小二乘投影方法采用岭正则化防止矩阵接近奇异；筛选出的关键特征共7维，具体包括最高温度、最低温度、最低体感温度、最低湿球温度、平均海平面气压、降水量和最高地面气压。

5.根据权利要求1所述的极端天气下油田变电站短期负荷预测方法，其特征在于，所述s4中，小波多尺度分解采用离散小波变换，选用daubechies小波作为母小波函数，分解层数根据负荷数据的采样频率和波动特性确定；分解后的低频近似分量反映负荷的整体变化趋势和周期性规律，高频细节分量反映极端天气引起的负荷局部突变特征和随机波动噪声。

6.根据权利要求1所述的极端天气下油田变电站短期负荷预测方法，其特征在于，所述s5中，多尺度时序卷积网络包括多个不同感受野的卷积分支，各卷积分支用于提取不同时间尺度的负荷变化特征；每个分支在膨胀卷积后依次进行时序裁剪、批归一化、relu激活和dropout操作；多分支输出拼接后经1×1卷积融合，并通过残差连接增强训练稳定性。

7.根据权利要求1所述的极端天气下油田变电站短期负荷预测方法，其特征在于，所述s5中，改进的双向门控循环单元为双层双向gru结构；在输出端通过注意力归一化函数获得各时间步注意力权重，加权求和得到聚焦寒潮关键阶段的上下文向量。

8.根据权利要求1所述的极端天气下油田变电站短期负荷预测方法，其特征在于，所述s6中，全局趋势分支以上下文向量为输入经全连接层与relu映射至预测空间，局部波动分支以原始时序特征为输入通过一维卷积沿时间维度滑动捕捉局部波动特征，两分支输出经自适应加权融合，权重λ通过模型训练动态学习。