【技术实现步骤摘要】
本专利技术涉及储能预测，特别是涉及一种基于向量聚类的时序数据预测模型建立方法。
技术介绍
1、虚拟电厂（vpp）是一种集成了分布式能源资源的能源管理系统，它可以作为单一的虚拟发电资产进行交易和管理。vpp的实现依赖于对分布式能源资源的灵活控制和优化管理，其中负荷预测是实现这种灵活控制的关键技术之一。通过对未来负荷的准确预测，可以实现对分布式能源资源的合理调度和管理，从而使得vpp能够快速响应电力现货市场的价格信号和调节要求，获得额外的电力现货交易和电力辅助服务收益。
2、为了实现准确的负荷预测，需要获得大量的时序数据。这些数据包括历史负荷数据、天气数据、电力市场交易数据等。通过对这些数据的分析和处理，可以预测未来的负荷变化趋势，从而为vpp的优化运行提供重要的决策支持。
3、时序数据是指随时间变化而变化的数据，如股票价格、气象数据等。对时序数据进行准确预测对于许多领域至关重要。传统的时序数据预测方法主要基于统计分析、周期性时间序列建模等，如arima模型（自回归移动平均模型）、指数平滑方法、季节性分解方法等，被广泛应用于时序数据预测。这些方法基于历史数据的统计特征和趋势，进行模型拟合和预测。传统的方法需要大量中间指标的估计，这些中间指标通常是时序数据的某些时刻的平均值，标准差，方差等，正确提取和计算这些指标能大大提升预测准确性，对结果有重大影响。通常需要领域专家结合经验提取，所以基于统计的方法效率不高。
4、在用户侧能源管理领域，能量管理系统（ems）会收集大量时序数据，诸如负载、光伏、电机、
5、因此，需要一种新的方法来对历史负荷数据和其他相关数据的分析和处理，可以快速、准确地预测未来的负荷变化趋势，提高对复杂场景模式下的时序数据预测的准确性和效率性。
技术实现思路
1、本专利技术所要解决的技术问题是，克服现有技术的缺点，提供一种基于向量聚类的时序数据预测模型建立方法。
2、为了解决以上技术问题，本专利技术的技术方案如下：
3、一种基于向量聚类的时序数据预测模型建立方法，包括以下步骤：
4、s1、数据预处理：从能源管理系统中提取时序数据，并对时序数据进行预处理；
5、s2、数据向量表示：将预处理后的时序数据转换为数据向量；
6、s3、数据向量聚类：对所述数据向量进行聚类，分为若干个类别；
7、s4、构建时序数据预测模型，利用历史时序数据和其他相关数据对所述时序数据预测模型进行训练，并循环执行s1-s4，直至所述时序数据预测模型适配。
8、作为本专利技术所述基于向量聚类的时序数据预测模型建立方法的一种优选方案，其中：所述从能源管理系统中提取时序数据包括以下步骤：
9、设定查询输入时间段，起点为s时刻，终点为e时刻，且s时刻和e时刻均为详细到分钟的时刻；提取历史时序数据，将时间间隔分为t时刻一个数据点，计算每个数据点，其中，数据点是t时刻内时序数据的平均值，，ds，ds+1，...，de为s到e时刻的分钟的数据点。
10、作为本专利技术所述基于向量聚类的时序数据预测模型建立方法的一种优选方案，其中：所述对时序数据进行预处理包括以下步骤：
11、将不符合物理规律的点替换成合理值；
12、对记录的值按照固定时间区间分组；
13、当缺少某一时刻的记录值时选择线性插值法填充，使用其相邻的前后数据点和加权计算平均填充该处数据点，其中，加权计算平均公式：；其中，的确定方式还包括多项式拟合法对光伏类beta分布曲线拟合来填补缺失值，或用拟合函数和曲线拟合器完成的拟合曲线y填充；
14、每类归类时间序列数据使用标签值确定时序数据的类别，并记录到最终的数据集合d中，表示为：，其中，load为负载，pv为光伏数据，dg为储能系统。
15、作为本专利技术所述基于向量聚类的时序数据预测模型建立方法的一种优选方案，其中：所述s2中的数据向量化包括以下步骤：
16、s2.1、分别按照日、周、月等不同时间间隔r获取数据集合d，组成数据集；其中，，，，day，week，month为时间长度单位，数据集长度大小排序：；
17、s2.2、将预处理后的不等长时序数据转换等长的向量，将清洗后的数据序列作为序列集x，；
18、s2.3、将每个所述数据序列在t时刻向左向右裁剪得到两段子序列，t为x序列集中每个序列起始时间到终止时间的任一时刻，不同时刻t的子序列对视为样本对；
19、s2.4、将成对子序列转变成成对向量。
20、作为本专利技术所述基于向量聚类的时序数据预测模型建立方法的一种优选方案，其中：所述s2.4将成对子序列转变成成对向量包括以下步骤：
21、s2.4.1、将成对子序列输入第一层神经网络得到隐层输出y；
22、s2.4.2、对隐层输出y进行掩码操作，随机修改y中某些值为0，屏蔽一部分x时间戳上序列信息，使模型能更好的处理变长时间序列；
23、s2.4.3、将处理好的时间序列输入至空洞卷积层，该层由10个残差网络构成，每个残差网络包含2个1维卷积层，达到每个卷积层的空洞卷积核与输入数据之间存在间隔，每一层卷积层都输出数据向量；
24、s2.4.4、获得的成对向量记为，,i=1,2…n；通过最后一层卷积层输出z与y拼接得到序列的时序特征成对向量，时序特征向量是一维的特征大向量，提取了时序数据上下文；
25、s2.4.5、挑选正负样本，正样本对记为+r，负样本对记为-r；
26、s2.4.6、每一轮训练得出向量表示，向量表示包含正负样本的时序数据上下文，+r，-r输入到层次对比学习框架中，计算层次对比损失函数loss，将得到的loss反馈到参数更新，并循环执行步骤s2.4.5、s2.4.6直到模型参数收敛；
27、s2.4.7、经由收敛后的模型，输入x中的每一个序列得到的编码后的向量vi，vi的所在维度记为u；所有时间序列序列集都统一向量化到u维向量x，都统一向量化到u维向量。
28、作为本专利技术所述基于向量聚类的时序数据预测模型建立方法的一种优选方案，其中：所述s2.4.5中+r的选择方式为，i=1,2…n, t=1,2,3,…n，t为第i个时间序列的时刻；-r的选择方式为，g为时刻点，即所有相同序列i中不是同一个时刻向左裁剪的子序列可以构成负样本和，即所有相同序列中不是任意时刻的左裁剪子序列和右本文档来自技高网...
【技术保护点】
1.一种基于向量聚类的时序数据预测模型建立方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述对时序数据进行预处理包括以下步骤：
3.根据权利要求1所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述S2中的数据向量化包括以下步骤：
4.根据权利要求3所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述S2.4将成对子序列转变成成对向量包括以下步骤：
5.根据权利要求4所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述S2.4.5中+R的选择方式为，i=1,2…N, t=1,2,3,…n，t为第i个时间序列的时刻；-R的选择方式为，g为时刻点。
6.根据权利要求4所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述S2.4.6包括以下步骤：
7.根据权利要求1所述的基于向量聚类的时序数据预测模型建立方法，其特征在于，所述S3包括以下步骤：
8.根据权利要求7所述的基于向量聚类的时序数据预测模型建
9.根据权利要求1所述的基于向量聚类的时序数据预测模型建立方法，其特征在于，S4中的时序数据预测模型构建包括以下步骤：
...【技术特征摘要】
1.一种基于向量聚类的时序数据预测模型建立方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述对时序数据进行预处理包括以下步骤：
3.根据权利要求1所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述s2中的数据向量化包括以下步骤：
4.根据权利要求3所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述s2.4将成对子序列转变成成对向量包括以下步骤：
5.根据权利要求4所述的基于向量聚类的时序数据预测模型建立方法，其特征在于：所述s2.4.5中+r的选择方式为，i=1,2…...
【专利技术属性】
技术研发人员：张杜，王琛，吴煜，
申请(专利权)人：江苏为恒智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。