一种电力负荷预测方法、系统、设备、介质及产品与流程

摘要: 本申请涉及电力系统负荷预测,特别是涉及一种电力负荷预测方法、系统、设备、介质及产品,可用于配电网未来6小时调度计划编制、新能源消纳能力评估与电力市场需求响应策略...
一种电力负荷预测方法、系统、设备、介质及产品与流程

本申请涉及电力系统负荷预测,特别是涉及一种电力负荷预测方法、系统、设备、介质及产品,可用于配电网未来6小时调度计划编制、新能源消纳能力评估与电力市场需求响应策略制定。

背景技术:

1、短期电力负荷预测是配电网运行调度的基础性环节,其精度直接影响日前发电计划编制、旋转备用容量确定与实时调频策略的经济性。电力系统向高比例新能源接入转型过程中,负荷侧波动与气象因素耦合程度显著加深,极端高温、寒潮、强降水等天气事件使传统预测方法的误差急剧增大,给电网安全运行带来严峻挑战。

2、当前负荷预测方法可归为统计模型、传统机器学习与深度学习三类。统计模型如arima(差分整合移动平均自回归模型,autoregressive integrated moving averagemodel)、指数平滑假设序列线性平稳,面对非线性气象-负荷耦合关系拟合能力有限。传统机器学习如xgboost(极端梯度提升,extreme gradient boosting)、随机森林依靠人工特征工程,泛化能力受限于特征设计质量,且难以捕捉高维时序数据中的长程依赖。以lstm(长短期记忆网络,long short-term memory)、tcn(时间卷积网络,temporalconvolutional network)、transformer为代表的深度学习模型通过端到端训练自动学习时序表征,预测精度较传统方法有显著提升,已成为该领域的主流范式。但传统深度学习负荷预测方法仍存在以下不足。其一,多数模型将预测任务视作从输入特征到输出负荷的单一黑箱映射,预测结果缺乏物理可解释性,调度人员无法理解模型为何在特定气象条件下给出特定预测值,也难以诊断异常预测的根因。其二,部分研究将物理方程以损失函数惩罚项的形式加入训练,但模型的前向推理路径并未嵌入物理结构,物理约束仅在训练阶段产生正则化效应,难以直接约束推理阶段的温度响应形态。其三,对于极端温度场景,纯数据驱动模型容易将训练分布外的温度、负荷关系错误外推,产生违背热力学常识的预测,例如在持续高温下预测负荷反而下降,这种不可信的预测对电网安全运行构成潜在风险。

3、因此,如何在维持深度学习预测精度的前提下,将温度热响应先验知识结构化地嵌入预测模型的前向推理路径,使负荷预测在极端场景下具备物理合理性与可解释性,是当前技术中亟待解决的问题。

技术实现思路

1、本申请的目的是提供一种电力负荷预测方法、系统、设备、介质及产品。该方法将温度热响应先验知识以结构化方式嵌入预测模型的前向推理路径,把预测值分为时序基础负荷分量与温度热响应增量分量,以便分别查看两类分量,并提高模型在极端温度场景下的预测稳定性。

2、为实现上述目的,本申请提供了如下方案:

3、第一方面,本申请提供了一种电力负荷预测方法,所述方法包括:

4、获取当前时段的多维时序特征序列;所述多维时序特征序列包括电力负荷特征与气象特征;

5、将所述多维时序特征序列输入至训练好的物理约束解耦气象注意力分块时间序列变换器负荷预测模型,输出预测时段的电力负荷预测值;所述物理约束解耦气象注意力分块时间序列变换器负荷预测模型包括输出融合层和并联的时序基础负荷预测分支和温度热响应预测分支;输出融合层分别与时序基础负荷预测分支和温度热响应预测分支连接;所述时序基础负荷预测分支用于根据所述电力负荷特征得到预测时段的时序基础负荷分量;所述温度热响应预测分支用于将所述气象特征映射为预测时段的温度热响应增量分量;所述输出融合层用于将预测时段的时序基础负荷分量与预测时段的温度热响应增量分量相加,得到预测时段的电力负荷预测值。

6、第二方面,本申请提供了一种电力负荷预测系统包括:

7、数据获取模块,用于获取当前时段的多维时序特征序列;所述多维时序特征序列包括电力负荷特征与气象特征;

8、电力负荷预测模块,用于将所述多维时序特征序列输入至训练好的物理约束解耦气象注意力分块时间序列变换器负荷预测模型,输出预测时段的电力负荷预测值;所述物理约束解耦气象注意力分块时间序列变换器负荷预测模型包括输出融合层和并联的时序基础负荷预测分支和温度热响应预测分支;输出融合层分别与时序基础负荷预测分支和温度热响应预测分支连接;所述时序基础负荷预测分支用于根据所述电力负荷特征得到预测时段的时序基础负荷分量;所述温度热响应预测分支用于将所述气象特征映射为预测时段的温度热响应增量分量;所述输出融合层用于将预测时段的时序基础负荷分量与预测时段的温度热响应增量分量相加,得到预测时段的电力负荷预测值。

9、第三方面,本申请提供了一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述中所述的电力负荷预测方法的步骤。

10、第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述中所述的电力负荷预测方法的步骤。

11、第五方面,本申请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上述中所述的电力负荷预测方法的步骤。

12、根据本申请提供的具体实施例,本申请具有了以下技术效果:

13、本申请提供了一种物理解耦的电力负荷预测方法、系统、设备、介质及产品,通过获取当前时段包括电力负荷特征与气象特征的多维时序特征序列,为物理解耦预测提供输入数据基础;通过将所述多维时序特征序列输入至训练好的物理解耦预测模型,利用包括输出融合层和并联的时序基础负荷预测分支与温度热响应预测分支的模型结构进行前向推理,解决了传统深度学习方法将预测任务视为从输入特征到输出负荷的单一黑箱映射的问题,实现了负荷预测值在输出层解耦为具有明确物理含义的时序基础负荷分量与温度热响应增量分量,使预测过程具备内在可解释性;通过时序基础负荷预测分支根据所述电力负荷特征得到预测时段的时序基础负荷分量,解决了传统方法难以区分非温敏型基荷与温敏型负荷的问题,实现了对生产活动节律、工作日/休息日模式非温敏因素驱动的基础负荷的独立建模;通过温度热响应预测分支将所述气象特征映射为预测时段的温度热响应增量分量,解决了传统方法仅将物理方程以损失函数惩罚项形式加入训练、而前向推理路径并未嵌入物理结构的问题,实现了将温度热响应先验知识以参数化可学习模块的形式结构化嵌入前向推理路径,使物理约束在推理阶段具有内禀保证;通过输出层将预测时段的时序基础负荷分量与预测时段的温度热响应增量分量相加,得到预测时段的电力负荷预测值,解决了传统纯数据驱动模型在极端温度场景下容易将训练分布外的温度-负荷关系错误外推、产生违背热力学常识预测的问题,实现了在维持深度学习预测精度的前提下,使负荷预测在极端场景下具备物理合理性与鲁棒性。

1.一种电力负荷预测方法,其特征在于,包括:

2.根据权利要求1所述的电力负荷预测方法,其特征在于,时序基础负荷预测分支包括时序基荷预测头和并联的时序编码器和交叉注意力层;

3.根据权利要求2所述的电力负荷预测方法,其特征在于,时序编码器包括依次连接的分块嵌入层、双层4头变换器编码器和输出层;

4.根据权利要求1所述的电力负荷预测方法,其特征在于,将所述气象特征映射为预测时段的温度热响应增量分量,具体包括:

5.根据权利要求4所述的电力负荷预测方法,其特征在于,根据所述等效温度、预设温区下限参数、预设温区上限参数、预设制冷斜率参数和预设制热斜率参数,计算得到温度热响应强度,具体包括:

6.根据权利要求1所述电力负荷预测方法,其特征在于,物理约束解耦气象注意力分块时间序列变换器负荷预测模型的损失函数为:

7.一种电力负荷预测系统,其特征在于,所述电力负荷预测系统用于实现权利要求1-6任一项所述的电力负荷预测方法,所述电力负荷预测系统包括:

8.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述的电力负荷预测方法。

9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的电力负荷预测方法。

10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的电力负荷预测方法。