【技术实现步骤摘要】
本专利技术属于可调节负荷能力评估领域，具体涉及一种可调节负荷能力评估方法及系统。
技术介绍
1、随着电力系统的不断发展和新能源的快速接入，负荷调节能力的评估成为确保电网安全、稳定运行的重要任务。负荷调节能力反映了电网应对电力需求波动、维持供需平衡的潜力，对于制定合理的运行计划、优化电力资源配置以及提升系统灵活性具有重要意义。
2、目前，负荷能力评估方法主要集中在统计分析和机器学习模型两大领域。传统的统计分析方法基于历史负荷数据进行简单的特征提取和预测，虽然能够提供一定的参考，但在处理复杂负荷变化模式时表现较差。机器学习方法通过数据驱动的方式挖掘负荷数据中的深层次特征，取得了显著进展。然而，在实际应用中仍存在不足之处，首先，许多模型难以同时兼顾局部变化特征与全局变化趋势，从而导致预测精度受限；其次，负荷数据具有显著的时间相关性，现有方法对复杂的时序关系建模能力不足，难以全面刻画负荷变化规律，最后，不同特征之间的关联性未能被有效利用，导致模型对复杂负荷特性的综合建模能力有限。为此，提出了一种可调节负荷能力评估方法及系统。
技术实现思路
1、针对现有技术的不足，本专利技术的目的在于提供一种可调节负荷能力评估方法及系统，解决了现有技术中的问题。
2、本专利技术的目的可以通过以下技术方案实现：
3、一种可调节负荷能力评估方法，包括以下步骤：
4、采集电网负荷数据和环境数据，并对负荷数据和环境数据进行预处理；
5、构建ms-incep
6、将采集的负荷数据和环境数据预处理后，输入训练后的ms-inception-lstm模型，输出负荷调节能力预测值；
7、所述ms-inception-lstm模型包括：inception模块、mha模块、se模块、aff特征融合模块、lstm模块以及全连接层；其中，inception模块对预处理后的负荷数据进行特征提取，然后分别输入mha模块和se模块，aff特征融合模块将mha模块和se模块输出的特征进行融合，lstm模块对融合后的特征进行建模，捕捉时间序列中长期依赖的关系，预处理后的环境数据与lstm生成的负荷数据时序特征在全连接层进行融合，共同作用于最终的负荷调节能力预测结果。
8、进一步地，所述负荷数据包括：有功功率数据、无功功率数据；环境数据包括：温度、湿度、风向和风速。
9、进一步地，所述负荷数据和环境数据预处理为对丢失数据进行填补，采用基于k近邻联合期望最大化算法的二阶段数据填补。
10、进一步地，所述inception模块通过并行使用不同尺寸的卷积核和池化操作，对输入数据的多尺度特征进行提取。
11、进一步地，所述mha模块通过多个注意力头来并行捕捉不同时间步的特征相关性，输出为时间序列特征的加权组合。
12、进一步地，所述se模块处理输入特征的过程为：对每个通道进行全局平均池化，捕捉通道的全局特征；通过两个全连接层对各通道的全局特征进行建模，生成自适应的权重系数，将生成的权重应用到每个通道上，对原始特征进行加权调整。
13、进一步地，所述ms-inception-lstm模型的损失函数为：
14、
15、其中，yi是真实值，是预测值，wi是权重因子。
16、一种可调节负荷能力评估系统，包括：
17、数据采集与处理模块：采集电网负荷数据和环境数据，并对负荷数据和环境数据进行预处理；
18、模型构建与训练模块：构建ms-inception-lstm模型，并使用预处理后的负荷数据和环境数据对ms-inception-lstm模型进行训练；
19、以及，负荷能力评估模块：将采集的负荷数据和环境数据预处理后，输入训练后的ms-inception-lstm模型，输出负荷调节能力预测值；
20、所述ms-inception-lstm模型包括：inception模块、mha模块、se模块、aff特征融合模块、lstm模块以及全连接层；其中，inception模块对预处理后的负荷数据进行特征提取，然后分别输入mha模块和se模块，aff特征融合模块将mha模块和se模块输出的特征进行融合，lstm模块对融合后的特征进行建模，捕捉时间序列中长期依赖的关系，预处理后的环境数据与lstm生成的负荷数据时序特征在全连接层进行融合，共同作用于最终的负荷调节能力预测结果。
21、一种计算机存储介质，存储有可读程序，当程序运行时，能够执行权利要求上述的一种可调节负荷能力评估方法。
22、一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
23、所述存储器用于存放至少一条可执行指令，所述可执行指令使所述处理器执行上述的一种可调节负荷能力评估方法对应的操作。
24、本专利技术的有益效果：
25、1、本专利技术的模型结合了inception模块、mha注意力机制、se注意力机制和lstm的优势，能够高效地提取负荷数据的特征，并通过mha机制和se机制增强模型对时间依赖性和特征重要性的捕捉，利用lstm进一步建模时序依赖，最后通过全连接层得到优异的可调节负荷能力的评估结果；既能捕捉负荷调节能力中的局部和全局特征，又能有效处理时序关系，适合用于复杂的负荷调节能力评估任务。
26、2、为了提升负荷能力预测的准确性与效率，本专利技术采用了二阶段数据填补方法(knn-em)：k近邻(k-nearest neighbor，knn)算法联合期望最大化(expectationmaximization，em)算法。针对高频采样的用电负荷数据(包括有功功率和无功功率)及多维环境参数(如温度、湿度、风速等)在远程传输中易丢包的问题，该方法有效填补缺失数据，保证了输入数据的完整性和一致性。首先，k近邻算法利用邻域信息初步填补缺失值，确保局部特性得以保留；随后，em算法进一步通过期望迭代优化，结合全局统计特性精确填补，避免数据跳变和异常值干扰。此方法在保留负荷数据周期性和时间序列特性的同时，显著降低了噪声对模型训练的影响，提高了数据质量。经过填补的高完整性数据为模型提供了更全面的学习基础，显著降低预测误差，增强复杂环境下的鲁棒性，最终为负荷能力评估任务提供高效、精准的解决方案。
27、3、本专利技术将环境数据于lstm模块之后输入模型，未参与时间序列建模；作为一组静态特征，环境数据与lstm生成的负荷数据时序特征在后续的全连接层进行融合，共同作用于最终的负荷调节能力预测结果。这一设计通过对负荷数据和环境数据的分开处理，分别挖掘了负荷数据的复杂动态特性与环境数据的全局背景信息，同时在最终阶段融合两类数据，增强了模型的整体预测能力。这种分离建模与后期融合的方法，不仅本文档来自技高网...
【技术保护点】
1.一种可调节负荷能力评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述负荷数据包括：有功功率数据、无功功率数据；环境数据包括：温度、湿度、风向和风速。
3.根据权利要求2所述的一种可调节负荷能力评估方法，其特征在于，所述负荷数据和环境数据预处理为对丢失数据进行填补，采用基于K近邻联合期望最大化算法的二阶段数据填补。
4.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述Inception模块通过并行使用不同尺寸的卷积核和池化操作，对输入数据的多尺度特征进行提取。
5.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述MHA模块通过多个注意力头来并行捕捉不同时间步的特征相关性，输出为时间序列特征的加权组合。
6.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述SE模块处理输入特征的过程为：对每个通道进行全局平均池化，捕捉通道的全局特征；通过两个全连接层对各通道的全局特征进行建模，生成自适应的权重系数，将生成的权重应用到每个
7.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述MS-Inception-LSTM模型的损失函数为：
8.一种可调节负荷能力评估系统，其特征在于，包括：
9.一种计算机存储介质，存储有可读程序，其特征在于，当程序运行时，能够执行权利要求1-7任一项所述的一种可调节负荷能力评估方法。
10.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
...【技术特征摘要】
1.一种可调节负荷能力评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述负荷数据包括：有功功率数据、无功功率数据；环境数据包括：温度、湿度、风向和风速。
3.根据权利要求2所述的一种可调节负荷能力评估方法，其特征在于，所述负荷数据和环境数据预处理为对丢失数据进行填补，采用基于k近邻联合期望最大化算法的二阶段数据填补。
4.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述inception模块通过并行使用不同尺寸的卷积核和池化操作，对输入数据的多尺度特征进行提取。
5.根据权利要求1所述的一种可调节负荷能力评估方法，其特征在于，所述mha模块通过多个注意力头来并行捕捉不同时间步的特征相关性，输出为时间序列特征的加权组合。
6...
【专利技术属性】
技术研发人员：李金中，徐斌，谢毓广，吴有中，马伟，高博，杨明芳，张红，李喆，汪胜和，巩燕燕，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
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。