CN117856241A - 一种渔业电网概率潮流预测方法、装置、设备及存储介质 - Google Patents
一种渔业电网概率潮流预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117856241A CN117856241A CN202410012145.7A CN202410012145A CN117856241A CN 117856241 A CN117856241 A CN 117856241A CN 202410012145 A CN202410012145 A CN 202410012145A CN 117856241 A CN117856241 A CN 117856241A
- Authority
- CN
- China
- Prior art keywords
- channel
- data
- fishery
- probability
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 71
- 230000001364 causal effect Effects 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 235000019580 granularity Nutrition 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000010248 power generation Methods 0.000 claims description 38
- 238000011176 pooling Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000005266 casting Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000006213 oxygenation reaction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 23
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 50
- 230000010339 dilation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种渔业电网概率潮流预测方法、装置、设备及存储介质，其中方法包括：获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对历史监测数据进行对齐得到时序历史监测数据；将时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用训练集、测试集对概率潮流预测模型进行训练和测试，得到训练好的概率潮流预测模型；利用训练好的概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到渔业电网的概率潮流预测结果。本发明能有效提高概率潮流的计算效率，得到渔业电网的高精度概率潮流预测结果，有助于实现渔业电网规划和运行。
Description
技术领域
本发明涉及概率潮流技术领域，尤其是涉及一种渔业电网概率潮流预测方法、装置、设备及存储介质。
背景技术
近年来，随着光伏、风电等新能源渗透率越来越高，形成了可以自主运行或与主电网联合运行的微电网。但新能源的不可调度性和不确定性导致微电网的不确定性激增。具体地，由于光伏发电受短期天气的剧烈影响，导致光伏与渔业电网的结合面临着严重的不确定性。
概率潮流是电力系统不确定性分析的重要工具，可计及各种随机因素的影响，获取系统状态数据的概率特征，为电力系统规划和运行提供全面而重要的参考信息。
在电力系统的潮流计算中，存在多个不确定数据，如负荷、生成单元的条件和网络拓扑的可能或可能组合的总数非常高，涉及大量的高维复杂非线性方程，求解速度慢。传统机器学习方法对潮流计算数据的序列结构特征及特征多样性表达能力不足，导致预测得到的概率潮流预测结果精确度较低。
发明内容
本发明的目的是提供一种渔业电网概率潮流预测方法、装置、设备及存储介质，以解决现有技术在预测概率潮流时求解速度慢、概率潮流预测结果精确度较低的技术问题。
本发明的目的，可以通过如下技术方案实现：
方案一，一种渔业电网概率潮流预测方法，包括：
获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对所述历史监测数据进行对齐得到时序历史监测数据，所述时间粒度至少包括年、月、日、时和分，所述历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据；
将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型；所述概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块；
利用训练好的所述概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到所述渔业电网的概率潮流预测结果；所述实时监测数据包括光伏机组的实时发电数据、渔业当地的天气预报数据和渔业机械的实时电力负荷数据。
可选地，获取渔业电网在预设时间段内的历史监测数据包括：
获取渔业电网在预设时间段内的光伏机组的发电量和发电功率，渔业当地的温度、光照、风速和气压，渔业机械的增氧电力负荷、投饵电力负荷和热泵电力负荷。
可选地，利用所述训练集对所述概率潮流预测模型进行训练的过程包括：
将所述训练集中的训练样本输入到所述数据输入模块；
利用所述深度可分离因果卷积模块根据两个不同尺度的卷积核对训练样本中各通道数据进行因果卷积，得到各通道数据对应的两个序列特征，各通道数据对应一种类型的数据；
利用所述序列注意力模块分别对所述两个序列特征进行融合得到对应的两个通道特征，对各所述通道特征进行全局平均池化生成对应的两个第一通道权重，选择两个第一通道权重中较大值对应的通道作为所述序列注意力模块的输出通道，所述输出通道对应的通道特征作为所述序列注意力模块的输出数据；
利用通道注意力模块对输出通道的通道数据进行全局平均池化得到通道数据平均值，进行非线性映射得到对应的第二通道权重，将所述序列注意力模块的输出数据与所述第二通道权重相乘，得到所述通道注意力模块的输出数据；
利用全连接模块根据所述通道注意力模块的输出数据进行非线性映射，得到对应的概率潮流预测值，将所述概率潮流预测值和预设的概率潮流标签值进行对比，当满足预设收敛条件时，得到训练好的概率潮流预测模型。
可选地，所述序列注意力模块包括特征融合层、第一池化层、通道选择层，所述利用所述序列注意力模块分别对所述两个序列特征进行融合得到对应的两个通道特征，对各所述通道特征进行全局平均池化生成对应的两个第一通道权重，选择两个第一通道权重中较大值对应的通道作为所述序列注意力模块的输出通道，所述输出通道对应的通道特征作为所述序列注意力模块的输出数据包括：
利用所述特征融合层分别对所述两个序列特征进行融合得到对应的两个通道特征；
利用所述第一池化层对各所述通道特征进行全局平均池化生成对应的两个第一通道权重；
利用所述通道选择层选择两个第一通道权重中较大值对应的通道作为所述序列注意力模块的输出通道，所述输出通道对应的通道特征作为所述序列注意力模块的输出数据。
可选地，所述通道注意力模块包括第二池化层和全连接层，所述利用通道注意力模块对输出通道的通道数据进行全局平均池化得到通道数据平均值，进行非线性映射得到对应的第二通道权重，将所述序列注意力模块的输出数据与所述第二通道权重相乘，得到所述通道注意力模块的输出数据包括：
利用所述第二池化层对输出通道的通道数据进行全局平均池化得到通道数据平均值；
利用所述全连接层进行非线性映射得到对应的第二通道权重，将所述序列注意力模块的输出数据与所述第二通道权重相乘，得到所述通道注意力模块的输出数据。
可选地，将所述时序历史监测数据分为训练集和测试集包括：
利用随机洗牌算法对所述时序历史监测数据进行随机排序；
从随机排序后的所述时序历史监测数据中选取预设数量的样本作为训练集；
将所述时序历史监测数据中的剩余样本作为测试集。
方案二，一种渔业电网概率潮流预测装置，包括：
数据获取模块，用于获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对所述历史监测数据进行对齐得到时序历史监测数据，所述时间粒度至少包括年、月、日、时和分，所述历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据；
模型训练模块，用于将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型；所述概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块；
概率潮流预测模块，用于利用训练好的所述概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到所述渔业电网的概率潮流预测结果；所述实时监测数据包括光伏机组的实时发电数据、渔业当地的天气预报数据和渔业机械的实时电力负荷数据。
可选地，所述数据获取模块获取渔业电网在预设时间段内的历史监测数据包括：
所述数据获取模块获取渔业电网在预设时间段内的光伏机组的发电量和发电功率，渔业当地的温度、光照、风速和气压，渔业机械的增氧电力负荷、投饵电力负荷和热泵电力负荷。
方案三，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现方案一中的步骤。
方案四，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一中的步骤。
本发明提供了一种渔业电网概率潮流预测方法、装置、设备及存储介质，其中方法包括：获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对所述历史监测数据进行对齐得到时序历史监测数据，所述时间粒度至少包括年、月、日、时和分，所述历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据；将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型；所述概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块；利用训练好的所述概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到所述渔业电网的概率潮流预测结果；所述实时监测数据包括光伏机组的实时发电数据、渔业当地的天气预报数据和渔业机械的实时电力负荷数据。
基于上述技术方案，本发明带来的有益效果是：
本发明结合历史光伏发电数据、历史气候数据和渔业设备用电负荷，生成时序历史监测数据，采用深度可分离因果卷积对时序历史监测数据进行特征提取，能够在相同实验条件下能够更快达到收敛条件；在相同迭代轮次下，能够达到更高的收敛精度，能提高概率潮流预测模型的学习效率，有效提高概率潮流计算效率。序列注意力模块和通道注意力模块利用注意力机制，能够对不同类型、不同时间尺度的数据计算注意力权重，并根据预测模型的梯度自适应地调整不同类型、不同时间尺度的数据重要性权重，进而减少模型输入的冗余信息，提高概率潮流计算精度，能得到高精度的概率潮流预测结果，有助于实现渔业电网的规划和运行。
本发明实施例通过注意力机制计算不同类型、不同时间尺度的数据重要性，利用融合了注意力机制和深度可分离因果卷积的概率潮流预测模型预测渔业电网概率潮流，能得到高精度的概率潮流预测结果，进一步实现光伏发电单位和渔业电网协同优化。
附图说明
图1为本发明方法实施例的流程示意图；
图2为本发明方法实施例中扩张因果卷积的结构示意图；
图3为本发明方法实施例中模型训练的过程示意图一；
图4为本发明方法实施例中模型训练的过程示意图二；
图5为本发明装置实施例一的结构示意图；
图6为本发明装置实施例二的结构示意图。
具体实施方式
本发明实施例提供了一种渔业电网概率潮流预测方法、装置、设备及存储介质，以解决现有技术在预测概率潮流时求解速度慢、概率潮流预测结果精确度较低的技术问题。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
概率潮流能反映电力系统中各种因素随机变化对系统运行的影响，它可综合考虑电力系统网络拓扑结构、元件的参数、节点负荷值、发电机出力等数据变化的不确定情况，同时也可以分析考虑由于光伏的波动造成的光伏发电机出力的随机性，这有助于发现电网中的薄弱环节，为规划和调度部门的决策提供有价值的信息。
因此，在实际情况中，电网运行工况带来的随机扰动对所有这些组合执行潮流计算是不切实际的，需要研究具有可接受的精度和可处理的计算负担的概率潮流计算方法。本发明能够改善传统机器学习和深度学习方法对序列结构特征及特征多样性表达能力不足的问题，同时能得到高精度的潮流预测结果。
请参阅图1，本发明提供了一种渔业电网概率潮流预测方法的实施例，包括：
S100：获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对所述历史监测数据进行对齐得到时序历史监测数据，所述时间粒度至少包括年、月、日、时和分，所述历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据；
S200：将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型；所述概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块；
S300：利用训练好的所述概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到所述渔业电网的概率潮流预测结果；所述实时监测数据包括光伏机组的实时发电数据、渔业当地的天气预报数据和渔业机械的实时电力负荷数据。
在步骤S100中，获取渔业电网在预设时间段内的历史监测数据，并根据多种时间粒度对历史监测数据进行对齐得到时序历史监测数据。其中，多种时间粒度至少包括年、月、日、时和分；历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据。具体的，获取渔业电网的光伏机组的发电量和发电功率，渔业当地的温度、光照、风速和气压，渔业机械的增氧电力负荷、投饵电力负荷和热泵电力负荷等数据。
在一个实施例中，历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据这三大类型的数据，不同类型的监测数据是利用不同采集频率的传感器采集得到的。例如，光伏机组发电数据的采集频率是15分钟，气候数据的采集频率是1个小时，即每间隔15分钟采集一次光伏发电数据，每间隔1个小时采集一次气候数据。因此，需要根据不同时间粒度的时间信息对所采集的监测数据进行对齐，从而得到时序历史监测数据。例如，将某小时采集的1次气候数据和该小时内采集的4次光伏发电数据进行对应，即将时间粒度为1小时的气候数据与时间粒度为15分钟的光伏发电数据进行对齐。
在步骤S200中，将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型。
在一个实施例中，将时序历史监测数据分为训练集和测试集包括：利用随机洗牌算法对时序历史监测数据进行随机排序；从随机排序后的时序历史监测数据中选取预设数量的样本作为训练集；将时序历史监测数据中的剩余样本作为测试集。
具体地，将所有的时序历史监测数据作为待选样本集合，每个时序历史监测数据作为一个样本，根据随机洗牌算法对时序历史监测数据进行随机排序；从随机排序后的时序历史监测数据中选取预设数量的训练样本作为训练集，将剩余的时序历史监测数据中作为测试集中的测试样本。
需要说明的是，对待选样本集合内的样本(时序历史监测数据)进行随机排序，能够消除样本之间的关联性，从待选样本集合中随机选择预设数量的时序历史监测数据作为训练集，将训练集中的训练样本输入到概率潮流预测模型中进行训练，最终得到训练好的概率潮流预测模型。
在一个实施例中，根据概率潮流预测模型的数据和目标用途确定训练概率潮流预测模型使用的训练集。具体的，目标用途可以包括单位概率潮流计算与异常检测用途等。例如，利用概率潮流预测模型预测渔业电网的当日概率潮流，并将预测得到的当日概率潮流与当日实际光伏发电结果进行对比。利用概率潮流预测模型进行异常检测用途时，将预测得到的概率潮流结果与概率潮流平均值进行比较，若与概率潮流平均值的差值超过预设阈值，则可以认为预测得到的概率潮流结果存在异常。
请参阅图3和图4，在一个实施例中，概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块。利用训练集对概率潮流预测模型进行训练的过程包括：
利用训练集对概率潮流预测模型进行训练的过程包括：
将训练集中的训练样本输入到数据输入模块；
利用深度可分离因果卷积模块根据两个不同尺度的卷积核对训练样本中各通道数据进行因果卷积，得到各通道数据对应的两个序列特征，各通道数据对应一种类型的数据；
利用序列注意力模块分别对两个序列特征进行融合得到对应的两个通道特征，对各通道特征进行全局平均池化生成对应的两个第一通道权重，选择两个第一通道权重中较大值对应的通道作为序列注意力模块的输出通道，输出通道对应的通道特征作为序列注意力模块的输出数据；
利用通道注意力模块对输出通道的通道数据进行全局平均池化得到通道数据平均值，进行非线性映射得到对应的第二通道权重，将序列注意力模块的输出数据与第二通道权重相乘，得到通道注意力模块的输出数据；
利用全连接模块根据通道注意力模块的输出数据进行非线性映射，得到对应的概率潮流预测值，将概率潮流预测值和预设的概率潮流标签值进行对比，当满足预设收敛条件时，得到训练好的概率潮流预测模型。
在一个实施例中，序列注意力模块包括特征融合层、第一池化层、通道选择层，利用序列注意力模块分别对两个序列特征进行融合得到对应的两个通道特征，对各通道特征进行全局平均池化生成对应的两个第一通道权重，选择两个第一通道权重中较大值对应的通道作为序列注意力模块的输出通道，输出通道对应的通道特征作为序列注意力模块的输出数据包括：
利用特征融合层分别对两个序列特征进行融合得到对应的两个通道特征；
利用第一池化层对各通道特征进行全局平均池化生成对应的两个第一通道权重；
利用通道选择层选择两个第一通道权重中较大值对应的通道作为序列注意力模块的输出通道，输出通道对应的通道特征作为序列注意力模块的输出数据。
可以理解的是，每个时序历史监测数据中可以包括多种不同类型、不同时间尺度的数据，每种类型数据可以有多个数据，如采集频率为1个小时的温度数据，采集频率为15分钟的发电功率数据等；每种类型数据都称为一种通道数据，每个通道均对应一种类型的数据。深度可分离因果卷积模块利用两个不同尺度的卷积核(如大小分别为3、5)分别对各种通道数据进行因果卷积，每种通道数据均得到对应的两个序列特征，每个序列特征中包括多个元素特征，每个元素特征与该种通道数据中的每个数据对应。分别对每种通道数据的每个序列特征进行元素求和融合，得到对应的两个通道特征；分别对两个通道特征进行全局平均池化得到对应的两个第一通道权重。
例如，若某个样本中的温度数据有10个，利用深度可分离因果卷积模块对温度数据进行因果卷积得到两个序列特征，每个序列特征中均有10个元素特征；利用序列注意力模块分别对每个序列特征的10个元素特征进行融合得到对应的通道特征，即根据两个序列特征得到对应的两个通道特征，分别对两个通道特征进行全局平均池化得到两个第一通道权重，如0.4和0.6，选择两个第一通道权重的较大值对应的通道即第二通道作为输出通道，输出通道对应的通道特征作为序列注意力模块的输出数据，即选择第二个通道特征作出序列注意力模块的输出数据。
例如，若某个样本中的发电功率数据有40个，利用深度可分离因果卷积模块对发电功率数据进行因果卷积得到两个序列特征；每个序列特征中均有40个元素特征；利用序列注意力模块分别对每个序列特征的40个元素特征进行融合得到对应的通道特征，即根据两个序列特征得到对应的两个通道特征，分别对两个通道特征进行全局平均池化得到两个第一通道权重，如0.5和0.3，选择两个第一通道权重的较大值对应的通道即第一通道作为输出通道，输出通道对应的通道特征作为序列注意力模块的输出数据，即选择第一个通道特征作出序列注意力模块的输出数据。
在一个实施例中，通道注意力模块包括第二池化层和全连接层，利用通道注意力模块对输出通道的通道数据进行全局平均池化得到通道数据平均值，进行非线性映射得到对应的第二通道权重，将序列注意力模块的输出数据与所述第二通道权重相乘，得到通道注意力模块的输出数据包括：
利用第二池化层对输出通道的通道数据进行全局平均池化得到通道数据平均值；
利用全连接层进行非线性映射得到对应的第二通道权重，将序列注意力模块的输出数据与第二通道权重相乘，得到通道注意力模块的输出数据。
需要说明的是，利用训练集训练概率潮流预测模型时，训练步骤的输入包括：训练样本中的各项数据、以及训练样本对应的概率潮流标签值；其中，概率潮流标签值是对训练样本采用均值方差的统计方法获取的概率潮流计算结果。将预测得到的概率潮流预测值和利用统计方法得到的概率潮流标签值进行对比，当满足预设收敛条件时，得到训练好的概率潮流预测模型。
当概率潮流预测模型训练完成后，可以利用测试集对训练好的概率潮流预测模型进行测试，得到最终的概率潮流预测模型。
在一个实施例中，深度可分离因果卷积模块为深度可分离的因果卷积网络。该模型是一种一维卷积网络结构，该结构主要由扩张因果卷积和残差连接结构组成。由于在时间维度上处理时序数据时，任意时刻T的输出yT应当仅依赖于当前时刻T及之前的输入，在实际处理时序预测问题时，能保证模型具有因果性。因此，因果卷积结构中采用因果卷积在时间维度上对卷积运算进行约束，保证了上一层T时刻的输出yT只依赖于下一层传递的输入x0,x1,…,xT，而不依赖于任何的未来信息xT+1,xT+2,…，解决了存在从未来到过去的信息泄露问题。
此外，模型中还引入了深度残差网络中的残差连接结构，使网络可以跨层传递信息，解决了神经网络中因层数叠加造成的梯度消失问题。
模型可以大规模并行处理，因此在训练和验证时网络的速度都会更快；可以通过增加层数、改变膨胀因子和滤波器的大小改变感受野，历史信息长短上更加灵活，且避免了RNN中的梯度弥散和梯度爆炸的问题；训练时占用的内存更少，尤其是对于长序列。
因果卷积网络采用了因果卷积，一种特殊的膨胀卷积来增加感受野。膨胀卷积，是对在感受野上进行隔点取样，可以在信息损失较小的情况下使得上层的节点感受野增大，从而包含更大范围的信息，引入更多的历史信息，而不需要通过增加层数或者核大小来增大感受野，并且感受野随着层数的加深呈指数级增长，有助于防止模型对训练数据的过度拟合。
在本发明的一个实施例中，所采用的扩张因果卷积是一种单向的网络结构，有着严格的时间约束，不会出现未来影响现在的情况，其表达如式(1)所示：
其中，为输入序列中的元素，/>为输出序列中的元素。
扩张因果卷积中的扩张卷积是一种特殊的膨胀卷积，即在标注的卷积特征图中注入了指定尺寸的空洞，允许卷积核对信息进行间隔采样，并且对每一次的膨胀卷积的结果只保留当前输出序列对应的后半部分作为序列的历史信息。采用膨胀卷积通过对卷积输入数据进行间隔采样，扩大模型的感受野来获得更长的序列历史信息。主要方法为设置膨胀因子d，减少两个相邻层之间的神经元数量。
请参阅图2，图2为3层扩张因果卷积网络，结构中包含了1个输入层、2个隐藏层和1个输出层，膨胀因子d＝1,2,4，在这种情况下，感受野能够覆盖输入序列中的所有值。膨胀因子d随层数采用指数级递增的方式设置，即对于网络第i层(从0开始计算)，膨胀因子设置为2i。
对序列元素s进行因果卷积操作F可以被定义为如式(2)所示：
其中，f是一个过滤器，k是过滤器的大小，df为经过d大小膨胀因子分离的过滤器，h为当前计算的序列位置长度，xs-d·i为在输入序列x在s-d*i位置的值。因果卷积中使用该位置的值与滤波器中第i位置的值进行点乘运算。
在一个实施例中，深度可分离因果卷积引入序列注意力机制和通道注意力机制。注意力机制能够快速且准确地学习重点区域，忽略周围不重要的因素，从而提高分类的准确率。通道注意力可以根据任务重新分配每个通道的权重，从而决定关注重要通道。通道注意力的基本做法是为每一个通道计算一个权重。
对于给定任意的特征映射首先将其映射到两个特征空间中。特别的，由于所收集到的数据代表的物理含义不同，因此采用深度可分离的运算方式将数据进行拆分计算。在深度可分离的运算方式中，每个输出通道只能从对应的输入通道获得信息，即一个输出数据只和一个输入数据有关。
具体的，分别使用卷积核为(如大小为3)与/>(如大小为5)的基于深度可分离的因果卷积方式I，如公式(3)，得到两个不同尺度权重的序列特征/>和/>以便在后续进行选择，序列特征/>和/>的具体表示如式(4)所示。为了保证信息的完整性，通过元素求和融合两个分支的特征U。
其中，dl为当前在第l层的膨胀因子大小，C为通道数，代表不同类型数据类型的数量，H为时间序列长度。x0,c、x1,c、xH,c分别是输入序列中的元素对应的元素特征，/>为/>中所有元素融合形成的融合特征，/>为/>中所有元素融合得到的融合特征，/>表示空间维度为H×1的空间。
然后将卷积后得到的特征进行元素的融合U，使用全局平均池化来嵌入全局信息，生成的通道信息，具体来说，s的第c个元素是通过序列空间维度H缩小U来计算，具体公式如式(5)所示。接着通过全连接层实现降低维度以提高效率。最后使用特征编码选择权重较大的特征进行合并，得到最后的特征进行下一步操作。
其中，Fgp(Uc)是通过空间维度H×C对输入特征U中每一个通道的数据计算其平均值而产生的。可以理解的是，Fgp(Uc)为第一通道权重。
需要说明的是，全局平均池化层(GAP)是将每个通道特征中的数据计算其平均值，每个通道对应一个均值。
为了融合不同类型的数据并保留其特点，控制各种数据对于概率潮流预测结果的影响权重，模型中引入了通道注意力。主要是将上一步输出的不同类型数据的特征进行平均池化，最后使用全连接网络进行非线性的变换，将得到的结果作为权重，进行通道的加权。如式(6)所示：
其中，形式上Fsq(X)与Fgp(X)相似，其区别在于Fsq(X)是作为直接相加的注意力权重，用于影响不同通道所代表的不同类型的数据在整体概率潮流预测中的重要性。可以理解的是，Fsq(X)为第二通道权重。
本发明实施例提供的渔业电网概率潮流预测方法，结合历史光伏发电数据、历史气候数据和渔业设备用电负荷，生成时序历史监测数据，采用深度可分离因果卷积对时序历史监测数据进行特征提取，能够在相同实验条件下能够更快达到收敛条件；在相同迭代轮次下，能够达到更高的收敛精度，能提高概率潮流预测模型的学习效率，有效提高概率潮流计算效率。序列注意力模块和通道注意力模块利用注意力机制，能够对不同类型、不同时间尺度的数据计算注意力权重，并能够根据预测模型的梯度自适应地调整不同类型、不同时间尺度的数据重要性权重，进而减少模型输入的冗余信息，提高概率潮流计算精度，能得到高精度的概率潮流预测结果，有助于实现渔业电网规划和运行。
本发明实施例通过注意力机制计算不同类型、不同时间尺度的数据重要性，利用融合了注意力机制和深度可分离因果卷积的概率潮流预测模型预测渔业电网概率潮流，能得到高精度的概率潮流预测结果，进一步实现光伏发电单位和渔业电网协同优化。
请参阅图5，本发明提供了一种渔业电网概率潮流预测装置的实施例，包括：
数据获取模块11，用于获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对所述历史监测数据进行对齐得到时序历史监测数据，所述时间粒度至少包括年、月、日、时和分，所述历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据；
模型训练模块22，用于将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型；所述概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块；
概率潮流预测模块33，用于利用训练好的所述概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到所述渔业电网的概率潮流预测结果；所述实时监测数据包括光伏机组的实时发电数据、渔业当地的天气预报数据和渔业机械的实时电力负荷数据。
优选的实施方式，所述数据获取模块获取渔业电网在预设时间段内的历史监测数据包括：
所述数据获取模块获取渔业电网在预设时间段内的光伏机组的发电量和发电功率，渔业当地的温度、光照、风速和气压，渔业机械的增氧电力负荷、投饵电力负荷和热泵电力负荷。
本发明实施例提供的渔业电网概率潮流预测方法，通过使用光伏发电中隐藏的对光伏发电有作用的时间相关性信息来估计渔业电网概率潮流，提出采用不同类型与时间尺度计算权重的注意力模块，并能够根据预测模型的梯度自适应的调整每个时间与类型的重要性权重，进而减少模型输入的冗余信息，提高概率潮流计算精度，有助于实现渔业电网规划和运行。
本发明实施例结合历史光伏发电数据、历史气候数据和渔业设备用电负荷，提出融合注意力机制和深度可分离因果卷积的概率潮流预测模型对渔业电网概率潮流进行计算，采用深度可分离因果卷积对时间序列历史监测数据进行特征提取，通过注意力机制融合不同类型数据的特点计算概率潮流。本发明采用深度可分离因果卷积提取序列特征，网络预测渔业电网概率潮流，能够在相同实验条件下能够更快达到收敛条件；在相同迭代轮次下，能够达到更高的收敛精度，能提高概率潮流预测模型的学习效率，并得到高精度的概率潮流预测结果。
请参阅图6，该考虑基于自适应选择时间编码的日前发电预测系统10包括：收集模块100、数据处理模块200、数据选择模块300、特征提取模块400、训练模块500和预测模块600。
其中，采集模块100用于采集数据，其中，所采集机组的历史发电数据、当地气候数据和渔业机械电力负荷数据；具体的，所采集机组的发电数据包括目标单位光伏电源系统发电量与发电功率；所采集数据的时间信息包括年、月、日、小时、分钟；所采集数据的气候信息包括温度、光照、风速、气压等环境数据，渔业机械电力负荷数据数据包括增氧电力负荷、投饵电力负荷、热泵电力负荷等。
数据处理模块200用于对所采集数据按照不同类型的时间信息对齐。数据选择模块300用于根据所述待选输入数据集合和输出数据随机洗牌原则得到概率潮流计算模型的输入数据集合。
注意力权重计算模块400用于根据所述待选输入数据的在模型中所计算的注意力权重加权突出较为重要的数据类型得到概率潮流计算模型的输入数据集合。训练模块500用于通过自适应选择时间编码对所述输入数据集合和所述输出数据的数据进行训练，以获取最终概率潮流计算模型。预测模块600用于通过所述最终概率潮流计算模型获取未选定数据数据集合的输出集合对比当日实际光伏发电结果。本发明实施例的系统10可以有效提高概率潮流计算效率，并实现光伏发电单位和渔业电网协同优化。
进一步地，在本发明的一个实施例中，注意力权重计算模块400进一步用于根据所述待选输入数据的注意力权重选择其中特征较为重要的数据类型得到概率潮流计算模型的输入数据集合，再通过模型梯度传导使得注意力模块能够根据预测模型的梯度自适应的调整不同时间和类型的特征重要性。
在本发明的一个实施例中，本发明实施例的系统10还包括：学习模块700。其中，学习模块用于计算模型预测概率潮流与统计计算结果的损失值，并将其将其反馈到概率潮流计算模型与时间-类型注意力计算模块中，得到更新后的渔业电网概率潮流预测模型和新的每个数据类型所对应的特征重要性。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种渔业电网概率潮流预测方法，其特征在于，包括：
获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对所述历史监测数据进行对齐得到时序历史监测数据，所述时间粒度至少包括年、月、日、时和分，所述历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据；
将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型；所述概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块；
利用训练好的所述概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到所述渔业电网的概率潮流预测结果；所述实时监测数据包括光伏机组的实时发电数据、渔业当地的天气预报数据和渔业机械的实时电力负荷数据。
2.根据权利要求1所述的渔业电网概率潮流预测方法，其特征在于，获取渔业电网在预设时间段内的历史监测数据包括：
获取渔业电网在预设时间段内的光伏机组的发电量和发电功率，渔业当地的温度、光照、风速和气压，渔业机械的增氧电力负荷、投饵电力负荷和热泵电力负荷。
3.根据权利要求1所述的渔业电网概率潮流预测方法，其特征在于，利用所述训练集对所述概率潮流预测模型进行训练的过程包括：
将所述训练集中的训练样本输入到所述数据输入模块；
利用所述深度可分离因果卷积模块根据两个不同尺度的卷积核对训练样本中各通道数据进行因果卷积，得到各通道数据对应的两个序列特征，各通道数据对应一种类型的数据；
利用所述序列注意力模块分别对所述两个序列特征进行融合得到对应的两个通道特征，对各所述通道特征进行全局平均池化生成对应的两个第一通道权重，选择两个第一通道权重中较大值对应的通道作为所述序列注意力模块的输出通道，所述输出通道对应的通道特征作为所述序列注意力模块的输出数据；
利用通道注意力模块对输出通道的通道数据进行全局平均池化得到通道数据平均值，进行非线性映射得到对应的第二通道权重，将所述序列注意力模块的输出数据与所述第二通道权重相乘，得到所述通道注意力模块的输出数据；
利用全连接模块根据所述通道注意力模块的输出数据进行非线性映射，得到对应的概率潮流预测值，将所述概率潮流预测值和预设的概率潮流标签值进行对比，当满足预设收敛条件时，得到训练好的概率潮流预测模型。
4.根据权利要求3所述的渔业电网概率潮流预测方法，其特征在于，所述序列注意力模块包括特征融合层、第一池化层、通道选择层，所述利用所述序列注意力模块分别对所述两个序列特征进行融合得到对应的两个通道特征，对各所述通道特征进行全局平均池化生成对应的两个第一通道权重，选择两个第一通道权重中较大值对应的通道作为所述序列注意力模块的输出通道，所述输出通道对应的通道特征作为所述序列注意力模块的输出数据包括：
利用所述特征融合层分别对所述两个序列特征进行融合得到对应的两个通道特征；
利用所述第一池化层对各所述通道特征进行全局平均池化生成对应的两个第一通道权重；
利用所述通道选择层选择两个第一通道权重中较大值对应的通道作为所述序列注意力模块的输出通道，所述输出通道对应的通道特征作为所述序列注意力模块的输出数据。
5.根据权利要求3所述的渔业电网概率潮流预测方法，其特征在于，所述通道注意力模块包括第二池化层和全连接层，所述利用通道注意力模块对输出通道的通道数据进行全局平均池化得到通道数据平均值，进行非线性映射得到对应的第二通道权重，将所述序列注意力模块的输出数据与所述第二通道权重相乘，得到所述通道注意力模块的输出数据包括：
利用所述第二池化层对输出通道的通道数据进行全局平均池化得到通道数据平均值；
利用所述全连接层进行非线性映射得到对应的第二通道权重，将所述序列注意力模块的输出数据与所述第二通道权重相乘，得到所述通道注意力模块的输出数据。
6.根据权利要求1所述的渔业电网概率潮流预测方法，其特征在于，将所述时序历史监测数据分为训练集和测试集包括：
利用随机洗牌算法对所述时序历史监测数据进行随机排序；
从随机排序后的所述时序历史监测数据中选取预设数量的样本作为训练集；
将所述时序历史监测数据中的剩余样本作为测试集。
7.一种渔业电网概率潮流预测装置，其特征在于，包括：
数据获取模块，用于获取渔业电网在预设时间段内的历史监测数据，根据多种时间粒度对所述历史监测数据进行对齐得到时序历史监测数据，所述时间粒度至少包括年、月、日、时和分，所述历史监测数据至少包括光伏机组的历史发电数据、渔业当地的历史气候数据和渔业机械的历史电力负荷数据；
模型训练模块，用于将所述时序历史监测数据分为训练集和测试集，构建融合注意力机制和深度可分离因果卷积的概率潮流预测模型，分别利用所述训练集、所述测试集对所述概率潮流预测模型进行训练和测试，得到训练好的所述概率潮流预测模型；所述概率潮流预测模型包括依次连接的数据输入模块、深度可分离因果卷积模块、序列注意力模块、通道注意力模块和全连接模块；
概率潮流预测模块，用于利用训练好的所述概率潮流预测模型和渔业电网的实时监测数据进行渔业电网概率潮流预测，得到所述渔业电网的概率潮流预测结果；所述实时监测数据包括光伏机组的实时发电数据、渔业当地的天气预报数据和渔业机械的实时电力负荷数据。
8.根据权利要求7所述的渔业电网概率潮流预测装置，其特征在于，所述数据获取模块获取渔业电网在预设时间段内的历史监测数据包括：
所述数据获取模块获取渔业电网在预设时间段内的光伏机组的发电量和发电功率，渔业当地的温度、光照、风速和气压，渔业机械的增氧电力负荷、投饵电力负荷和热泵电力负荷。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012145.7A CN117856241A (zh) | 2024-01-02 | 2024-01-02 | 一种渔业电网概率潮流预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012145.7A CN117856241A (zh) | 2024-01-02 | 2024-01-02 | 一种渔业电网概率潮流预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117856241A true CN117856241A (zh) | 2024-04-09 |
Family
ID=90539583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410012145.7A Pending CN117856241A (zh) | 2024-01-02 | 2024-01-02 | 一种渔业电网概率潮流预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117856241A (zh) |
-
2024
- 2024-01-02 CN CN202410012145.7A patent/CN117856241A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A novel hybrid system based on multi-objective optimization for wind speed forecasting | |
| Fan et al. | Short term load forecasting based on phase space reconstruction algorithm and bi-square kernel regression model | |
| Liu et al. | A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture | |
| Liu et al. | Short-term multi-step ahead wind power predictions based on a novel deep convolutional recurrent network method | |
| Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
| Jalali et al. | An advanced short-term wind power forecasting framework based on the optimized deep neural network models | |
| Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
| CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
| Pham et al. | A novel short-term load forecasting method by combining the deep learning with singular spectrum analysis | |
| Junior et al. | Optimized hybrid ensemble learning approaches applied to very short-term load forecasting | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| Zhuang et al. | Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network | |
| CN115456306A (zh) | 一种母线负荷预测方法、系统、设备及存储介质 | |
| Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
| Shayanfar et al. | Wind power prediction model based on hybrid strategy | |
| CN114169416B (zh) | 一种基于迁移学习的小样本集下短期负荷预测方法 | |
| CN117856241A (zh) | 一种渔业电网概率潮流预测方法、装置、设备及存储介质 | |
| Tong et al. | A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks | |
| Rosato et al. | A Combined Deep Learning Approach for Time Series Prediction in Energy Environments | |
| CN106548259A (zh) | 完全截断数据条件下旋转机械健康状态预测的几何方法 | |
| Wu et al. | Convolutional deep leaning-based distribution system topology identification with renewables | |
| CN112711913A (zh) | 基于粒度支持向量机的冷热电短期负荷预测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |