基于混合深度学习模型的电功率预测方法、系统及设备技术方案

本发明专利技术公开了基于混合深度学习模型的电功率预测方法、系统及设备，涉及电力系统中功率不稳定性分析技术领域，其技术方案要点是：获取历史数据构建预测电功率的第一特征数据集；其中利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，依据滑动窗口法对功率数据的多模态分量的时间序列进行构造，得到具有时间序列的功率数据，基于具有时间序列的功率数据对第一特征数据集中的功率数据进行更新，得到第二特征数据集；构建预先训练好的混合深度学习模型，利用训练好的混合深度学习模型抽取第二特征数据集的特征向量，得到电功率预测结果。本发明专利技术可以有效降低电功率预测的误差，提高电功率预测的精度。的精度。的精度。

【技术实现步骤摘要】
基于混合深度学习模型的电功率预测方法、系统及设备


[0001]本专利技术涉及一种电力系统中功率不稳定性分析
，更具体地说，它涉及基于混合深度学习模型的电功率预测方法、系统及设备。

技术介绍

[0002]随着新能源发电技术的迅速发展，大量新能源发电并入电网，给电力系统带来了不可控的随机波动性，继而增加了电力系统的停电风险，因此，对新型电力系统进行功率预测，可以减小电力系统的扰动，使调度计划变得更高效，更安全可靠。
[0003]目前，常用的电功率预测方法是机器学习方法，机器学习方法主要有支持向量机、神经网络等，随着预测数据量的增加，深度学习逐渐被应用于电功率预测领域。但是相关技术中的电功率预测方法未能充分考虑数据的局部特征与其他数据周期性对深度学习模型的预测精度的影响，使得最终输出的预测结果误差较大。

技术实现思路

[0004]本专利技术为了解决相关技术未能充分考虑数据的局部特征与其他数据周期性对深度学习模型的预测精度的影响，使得最终输出的预测结果误差较大，本专利技术的目的是，提供一种基于混合深度学习模型的电功率预测方法、系统及设备，本专利技术以历史的功率数据、气象数据及日期数据来构建第一特征数据集，由于历史功率数据存在严重的噪声，导致功率数据的时间序列极不平稳，因此采用变分模态分解法对其功率数据进行变分模态分解，得到多模态分量，再依据滑动窗口法对功率数据的多模态分量的时间序列进行构造，以此来减弱所获取的功率数据中的噪声，使数据变得平滑；再将第二特征数据集作为输入数据输入预先训练好的混合深度学习模型中，利用混合深度学习模型的卷积神经网络对第二特征数据集的三种数据的特征进行提取，结合注意力机制突出三种数据的关键特征，再利用门控循环神经网络对关键特征中所潜藏的时序规律进行提取得到特征向量，即电功率的预测结果。综上，本专利技术提供的电功率预测方法，可以有效降低电功率预测的误差，提高电功率预测的精度。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0006]本申请的第一方面，提供了一种基于混合深度学习模型的电功率预测方法，包括：
[0007]获取历史数据构建预测电功率的第一特征数据集，其中所述历史数据包括功率数据、气象数据及日期数据；其中利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，依据滑动窗口法对功率数据的多模态分量的时间序列进行构造，得到具有时间序列的功率数据，基于具有时间序列的功率数据对第一特征数据集中的功率数据进行更新，得到第二特征数据集；
[0008]构建预先训练好的混合深度学习模型，利用训练好的混合深度学习模型抽取第二特征数据集的特征向量，得到电功率预测结果；其中，混合深度学习模型依次由卷积神经网络、注意力机制、门控循环神经网络和全连接层连接而成。
[0009]在一些可能的实施方案中，利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，具体为：
[0010]以各模态分量中心频率和最小为目标函数来构造受约束变分模型，其中约束变分问题模型为；
[0011]引入拉格朗日乘法算子以及二次惩罚因子，将受约束变分模型变为无约束变分模型；
[0012]利用乘法算子交替方法来循环更新无约束变分模型的各个分解信号及其对应的中心频率，在循环更新的终止条件达到时，得到无约束变分模型的最优解，即功率数据的多模态分量。
[0013]在一些可能的实施方案中，所述受约束变分模型的数学表达式为：其中，j为虚数，f(t)为原始输入信号，δ(t)为狄拉克函数，{μ
k
}为分解得到的模态分量，{ω
k
}为各模态分量相应的中心频率，*为卷积运算，k为模态分解数，t为取样时间；
[0014]所述无约束变分模型的数学表达式为：
[0015]其中，λ(t)为拉格朗日乘法算子，α为二次惩罚因子，f(ω)、λ
n
(ω)分别为f(t)、λ
n
(t)的傅里叶变化，n为迭代次数，N为最大迭代次数，λ
n
(t)表示第n次迭代的拉格朗日乘法算子，μ
k
(t)表示t时刻分解得到的模态分量，表示第n次迭代t时刻分解得到的模态分量；
[0016]所述循环更新的终止条件的数学表达式为：其中，表示第n次迭代分解得到的模态分量，表示第n+1次迭代分解得到的模态分量。
[0017]在一些可能的实施方案中，所述卷积神经网络为加入残差网络的卷积神经网络，该卷积神经网络包含两个卷积层和一个第二全连接层，每个卷积层包含一个卷积操作和一个池化操作，两个卷积层顺次连接后与第二全连接层连接；
[0018]其中卷积层提取所输入的第二特征数据集的局部特征，得到第一特征向量，其中第一特征向量包括具有时间序列的功率数据的局部特征、气象数据的局部特征和日期数据的局部特征，第二全连接层对第一特征向量进行归一化处理，并输出归一化处理后的第一特征向量。
[0019]在一些可能的实施方案中，所述注意力机制对卷积神经网络输出的第一特征向量的局部特征分配不同的权重，得到第二特征向量。
[0020]在一些可能的实施方案中，门控循环神经网络对注意力机制层输出的第二特征向量潜藏的时序规律进行提取，得到第三特征向量，并由第一全连接层对具有时序规律的第三特征向量进行求和，得到电功率预测结果。
[0021]在一些可能的实施方案中，所述门控循环神经网络对注意力机制层输出的第二特征向量潜藏的时序规律进行提取的数学表达式为：其中，x
t
、h
t
‑1、h
t
、r
t
、z
t
、y
t
分别为第三特征向量、上一时刻的状态记忆变量、当前时刻的状态记忆变量、更新门的状态、重置门的状态、当前候选集的状态、当前时刻的输出向量，h
t
表示卷积神经网络输出的第一特征向量，W
r
、W
z
、W
o
分别为更新门、重置门、候选集、输出向量与x
t
及h
t
‑1构成的连接矩阵相乘的权重参数，I表示单位矩阵，[]表示向量连接，
·
表示矩阵点乘，
×
表示矩阵乘积，σ表示sigmoid激活函数，φ表示双曲正切函数激活函数。
[0022]本申请的第二方面，提供了一种基于混合深度学习模型的电功率预测系统，包括：
[0023]特征数据集构建模块，用于获取历史数据构建预测电功率的第一特征数据集，其中所述历史数据包括功率数据、气象数据及日期数据；其中利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，依据滑动窗口法对功率数据的多模态分量的时间序列进行构造，得到具有时间序列的功率数据，基于具有时间序列的功率数据对第一特征数据集中的功率数据进行更新，得到第二特征数据集；
[0024]电功率预测模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合深度学习模型的电功率预测方法，其特征在于，包括：获取历史数据构建预测电功率的第一特征数据集，其中所述历史数据包括功率数据、气象数据及日期数据；其中利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，依据滑动窗口法对功率数据的多模态分量的时间序列进行构造，得到具有时间序列的功率数据，基于具有时间序列的功率数据对第一特征数据集中的功率数据进行更新，得到第二特征数据集；构建预先训练好的混合深度学习模型，利用训练好的混合深度学习模型抽取第二特征数据集的特征向量，得到电功率预测结果；其中，混合深度学习模型依次由卷积神经网络、注意力机制、门控循环神经网络和全连接层连接而成。2.根据权利要求1所述的方法，其特征在于，利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，具体为：以各模态分量中心频率和最小为目标函数来构造受约束变分模型，其中约束变分问题模型为；引入拉格朗日乘法算子以及二次惩罚因子，将受约束变分模型变为无约束变分模型；利用乘法算子交替方法来循环更新无约束变分模型的各个分解信号及其对应的中心频率，在循环更新的终止条件达到时，得到无约束变分模型的最优解，即功率数据的多模态分量。3.根据权利要求2所述的方法，其特征在于，所述受约束变分模型的数学表达式为：其中，j为虚数，f(t)为原始输入信号，δ(t)为狄拉克函数，{μ
k
}为分解得到的模态分量，{ω
k
}为各模态分量相应的中心频率，*为卷积运算，k为模态分解数，t为取样时间；所述无约束变分模型的数学表达式为：其中，λ(t)为拉格朗日乘法算子，α为二次惩罚因子，f(ω)、λ
n
(ω)分别为f(t)、λ
n
(t)的傅里叶变化，n为迭代次数，N为最大迭代次数，λ
n
(t)表示第n次迭代的拉格朗日乘法算子，μ
k
(t)表示t时刻分解得到的模态分量，表示第n次迭代t时刻分解得到的模态分量；所述循环更新的终止条件的数学表达式为：其中，表示第n次迭代分解得到的模态分量，表示第n+1次迭代分解得到的模态分量。4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络为加入残差网络的卷积
神经网络，该卷积神经网络包含两个卷积层和一个第二全连接层，每个卷积层包含一个卷积操作和一个池化操作，两个卷积层顺次连接后与第二全连接层连接；其中卷积层提取所输入的第二特征数据集的局部特征，得到第一特征向量，其中第一特征向量包括具有时间序列的功率数据的局部特征、气象数据的局部特征和日期数据的局部特征，第二全连接层对第一特征向量进行归一化处理，并输出归一化处理后的第一特征向量。5.根据权利要求4所述的方法，其特征在于，所述注意力机制对卷积神经网络输出的第一特征向量的局部特征分配不同的权重，得到第二特征向量。6.根据权利要求5所述的方法，...

【专利技术属性】
技术研发人员：叶圣永，杨新婷，龙川，李婷，刘立扬，魏俊，刘旭娜，李达，
申请(专利权)人：国网四川省电力公司经济技术研究院，
类型：发明
国别省市：