[发明专利]基于混合深度学习模型的电功率预测方法、系统及设备

说明书

本发明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。本发明可以有效降低电功率预测的误差，提高电功率预测的精度。

技术领域

本发明涉及一种电力系统中功率不稳定性分析技术领域，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。

背景技术

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。

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。

发明内容

本发明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，本发明的目的是，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，本发明以历史的功率数据、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，本发明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。

本发明的上述技术目的是通过以下技术方案得以实现的：

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：

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。

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：

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。