【技術實現步驟摘要】
本專利技術涉及電力預測，尤其涉及一種電力生成和消費的雙重序列預測方法及系統。
技術介紹
1、在電力生成與消費預測領域，提高預測模型的精度與效率是當前研究的核心。隨著能源需求的快速增長和可再生能源的不穩定性，研究人員已提出多種基于統計、機器學習和深度學習的預測模型，其中混合模型在提取時空特征、提升預測準確度方面表現優異。然而，該領域仍面臨重要挑戰。
2、現有技術在電力生成與消費預測方面存在顯著不足。首先，缺乏能夠同時預測電力生成與消費的雙序列預測方法，這限制了模型在應對動態電網負載需求時的能力?，F代微電網需要能夠準確預測電力生成和消費的系統，以確保電網平衡和效率。然而，當前的研究大多只關注其中一個方面的預測，忽略了兩者之間的相互作用。其次，一些預測模型在捕捉復雜數據中空間依賴方面存在局限性?？臻g注意力機制是一種有效的方法，可以增強模型對輸入數據中不同位置重要性的感知能力。然而，現有的模型未能充分利用這一機制，導致在實際應用中捕捉空間依賴的能力受限，從而影響模型的準確性和性能。
技術實現思路
1、本部分的目的在于概述本專利技術的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和專利技術名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和專利技術名稱的目的模糊，而這種簡化或省略不能用于限制本專利技術的范圍。
2、鑒于上述現有存在的問題，提出了本專利技術。因此，本專利技術提供了一種電力生成和消費的雙重序列預測方法解決電力生成與消費預測中雙
3、為解決上述技術問題，本專利技術提供如下技術方案：
4、第一方面，本專利技術提供了一種電力生成和消費的雙重序列預測方法，包括：
5、獲取電力系統第一數據；
6、利用卷積神經網絡提取所述第一數據的特征，得到第一特征圖，對所述第一特征圖進行加權注意力處理，得到第二特征圖；
7、對所述第二特征圖進行變換激活處理，得到第一預測值和第二預測值，評估所述第一預測值和第二預測值之間的差異，進而調整電力系統運行策略。
8、作為本專利技術所述的電力生成和消費的雙重序列預測方法的一種優選方案，其中：利用卷積神經網絡提取所述第一數據的特征包括，
9、設計卷積神經網絡的卷積核，每個卷積核在時間和空間上滑動；
10、計算所述第一數據與卷積核的局部區域的點積，生成原始特征圖；
11、對所述原始特征圖進行池化操作，降低原始特征圖的空間尺寸和時間長度，并計算權重值，得到第一特征圖。
12、作為本專利技術所述的電力生成和消費的雙重序列預測方法的一種優選方案，其中：對所述第一特征圖進行加權注意力處理包括，
13、將第一特征圖輸入至注意力模塊，并利用所述權重值對所述第一特征圖進行加權，調整第一特征圖中不同位置的重要性，得到第二特征圖。
14、作為本專利技術所述的電力生成和消費的雙重序列預測方法的一種優選方案，其中：評估所述第一預測值和第二預測值之間的差異包括，
15、將所述第一預測值和第二預測值進行數據對齊；
16、利用智能算法量化所述第一預測值和第二預測值之間的匹配度，根據所述匹配度，調整電力系統運行策略。
17、作為本專利技術所述的電力生成和消費的雙重序列預測方法的一種優選方案，其中：計算所述第一數據與卷積核的局部區域的點積，計算公式表示為：
18、
19、其中，x為輸入的第一數據，為卷積核的權重，kt和ks分別為時間維度和空間維度的索引，stconv(x)表示原始特征圖。
20、作為本專利技術所述的電力生成和消費的雙重序列預測方法的一種優選方案，其中：計算權重值包括，
21、先對所述原始特征圖進行池化操作，表示為：
22、pooling(x)＝agg(xt:t+t,s:s+s)
23、其中，agg表示池化操作中的聚合函數，x是輸入特征，t和s分別表示特征中時間范圍和空間范圍；
24、再計算各特征的權重值，表示為：
25、attention?weights＝σ(fc(pooling(x)))
26、其中，pooling表示全局平均池化輸出，fc表示池化操作中的全連接層，σ表示池化操作中的激活函數，attention?weights表示生成的權重。
27、作為本專利技術所述的電力生成和消費的雙重序列預測方法的一種優選方案，其中：智能算法包括，
28、利用kld算法評估第一預測值與第二預測值之間的差異，表示為：
29、
30、其中，p(i)表示分布在第i個位置的概率值，q(i)表示分布在第i個位置的概率值，dkl(p||q)是相對于的差異度量。
31、第二方面，本專利技術提供了一種電力生成和消費的雙重序列預測的系統，包括，
32、數據獲取模塊，用于獲取電力系統第一數據；
33、特征提取模塊，用于利用卷積神經網絡提取所述第一數據的特征，得到第一特征圖，對所述第一特征圖進行加權注意力處理，得到第二特征圖；
34、預測模塊，用于對所述第二特征圖進行變換激活處理，得到第一預測值和第二預測值，評估所述第一預測值和第二預測值之間的差異，進而調整電力系統運行策略。
35、第三方面，本專利技術提供了一種計算設備，包括：
36、存儲器和處理器；
37、所述存儲器用于存儲計算機可執行指令，所述處理器用于執行所述計算機可執行指令，該計算機可執行指令被處理器執行時實現所述電力生成和消費的雙重序列預測方法的步驟。
38、第四方面，本專利技術提供了一種計算機可讀存儲介質，其存儲有計算機可執行指令，該計算機可執行指令被處理器執行時實現所述電力生成和消費的雙重序列預測方法的步驟。
39、與現有技術相比，本專利技術的有益效果：本專利技術通過結合時空卷積神經網絡與空間注意力機制，該方法能夠更有效地捕捉數據中的復雜時空特征，從而顯著提高電力生成和消費的預測準確性；本專利技術的雙序列預測能力使其能夠同時預測電力生成和消費，從而更好地應對動態電網負載需求，提高微電網的運行效率。
本文檔來自技高網...【技術保護點】
1.一種電力生成和消費的雙重序列預測方法，其特征在于，包括：
2.如權利要求1所述的電力生成和消費的雙重序列預測方法，其特征在于，利用卷積神經網絡提取所述第一數據的特征包括，
3.如權利要求1或2所述的電力生成和消費的雙重序列預測方法，其特征在于，對所述第一特征圖進行加權注意力處理包括，
4.如權利要求3所述的電力生成和消費的雙重序列預測方法，其特征在于，評估所述第一預測值和第二預測值之間的差異包括，
5.如權利要求4所述的電力生成和消費的雙重序列預測方法，其特征在于，計算所述第一數據與卷積核的局部區域的點積，計算公式表示為：
6.如權利要求5所述的電力生成和消費的雙重序列預測方法，其特征在于，計算權重值包括，
7.如權利要求6所述的電力生成和消費的雙重序列預測方法，其特征在于，智能算法包括，
8.一種電力生成和消費的雙重序列預測的系統，其特征在于，包括，
9.一種電子設備，包括：
10.一種計算機可讀存儲介質，其存儲有計算機可執行指令，該計算機可執行指令被處理器執行時實現
...【技術特征摘要】
1.一種電力生成和消費的雙重序列預測方法，其特征在于，包括：
2.如權利要求1所述的電力生成和消費的雙重序列預測方法，其特征在于，利用卷積神經網絡提取所述第一數據的特征包括，
3.如權利要求1或2所述的電力生成和消費的雙重序列預測方法，其特征在于，對所述第一特征圖進行加權注意力處理包括，
4.如權利要求3所述的電力生成和消費的雙重序列預測方法，其特征在于，評估所述第一預測值和第二預測值之間的差異包括，
5.如權利要求4所述的電力生成和消費的雙重序列預測方法，其特征在于，計算所述...
【專利技術屬性】
技術研發人員：李洵，龍玉江，衛薇，王杰峰，紀元，錢俊鳳，舒彧，甘潤東，龍娜，鐘掖，
申請(專利權)人：貴州電網有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。