[发明专利]一种源荷组合概率预测方法、装置及存储介质

说明书

本发明公开了一种源荷组合概率预测方法、装置及存储介质，方法包括：采集源荷历史数据及对应的气象数据，并进行预处理，获得完整可用的数据组合；将预处理后的数据组合输入训练好的多个ConvMT预测模型中，获得多个预测结果；将各源荷组合预测结果与各自对应的权重相乘，并将乘积进行求和运算，获得最终的源荷组合概率预测结果；其中，所述ConvMT预测模型是采用CNN特征提取模块替换Transformer模型中编码器原有的多头注意力模块后，再采用源荷历史数据及同时间尺度的气象数据训练获取的；所述权重是以Pinball损失函数最小为目标，通过遗传算法进行优化后获取的。本发明可以增强源荷预测的准确性。

技术领域

本发明涉及一种源荷组合概率预测方法、装置及存储介质，属于电力系统技术领域。

背景技术

在以往的源荷预测研究中，大多将新能源发电侧和负荷侧分开考虑进行预测。研究通过改进LSTM(Long Short-Term Memory，长短时记忆)遗忘门提高概率预测的准确性，并引入分位数回归的概念。在光伏概率预测方面，概率预测通过非参数估计方法实现；在光伏概率密度预测中，常采用模拟退火算法获得近似最优解；然后，利用核密度估计方法将条件分位数预测结果与概率密度预测结果进行拟合。虽然LSTM网络可以绕过单元从而记住更长的时间步骤，因此可以消除一些梯度消失的问题，然而LSTM并没有解决全部问题，LSTM仍然有一条从过去单元到当前单元的顺序路径，这条路使得模型训练更加复杂；另外，虽然LSTM及其衍生能够记住大量更长期的信息，但是它们只能记住100个量级的序列，不能记住更长的序列。

谷歌团队提出的Transformer网络放弃了RNN循环神经网络模型，完全依赖注意机制来提取序列之间的关系。Transformer的一个重要特征是注意力机制，它使该网络能够并行读取和计算数据，并解决RNN及其变体的远程依赖问题。Transformer结构从理论上将传播路径压缩到最短，这使得网络能够处理更复杂的数据信息，并缩短计算时间。Transformer网络解决了更长序列的问题，但是Transformer通常被用于处理语言类的问题，在将Transformer应用在电力预测时，面对大量的数据集，Transformer往往又存在输入数据的处理问题。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种源荷组合概率预测方法、装置及存储介质，可以增强源荷预测的准确性。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种源荷组合概率预测方法，包括：

采集源荷历史数据及对应的气象数据；

对所述源荷历史数据及气象数据进行预处理，获得完整可用的数据组合；

将预处理后的数据组合输入至预构建并训练好的多个ConvMT预测模型中，获得多个源荷组合预测结果；

将各源荷组合预测结果与各自对应的权重相乘，并将乘积进行求和运算，获得最终的源荷组合概率预测结果；

其中，所述ConvMT预测模型是采用CNN特征提取模块替换Transformer模型中编码器原有的多头注意力模块后，再采用源荷历史数据及同时间尺度的气象数据训练获取的；所述权重是以Pinball损失函数最小为目标，通过遗传算法进行优化后获取的。

结合第一方面，进一步的，所述ConvMT预测模型的训练方法包括：

依据预设的时间间隔采集多组源荷历史数据及对应的气象数据；

根据所采集的多组源荷历史数据及对应的气象数据构建原始数据集；

对原始数据集进行预处理，获得多组完整可用的包含源荷历史数据及对应的气象数据的数据组合，形成样本集；