本發(fā)明涉及電力電網(wǎng)，具體為基于改進(jìn)vmd與深度時(shí)序動(dòng)態(tài)模型的多元負(fù)荷預(yù)測(cè)方法。

背景技術(shù)：

1、在全球能源結(jié)構(gòu)加速轉(zhuǎn)型的背景下，虛擬電廠作為一種新興的能源管理模式應(yīng)運(yùn)而生，并展現(xiàn)出蓬勃的生命力。但是，隨著虛擬電廠內(nèi)部負(fù)荷耦合特性的日益復(fù)雜化和動(dòng)態(tài)化，如何確保負(fù)荷預(yù)測(cè)的準(zhǔn)確性和可靠性，已成為維系其持續(xù)高效穩(wěn)定運(yùn)行、優(yōu)化能源調(diào)度策略的核心要素。鑒于此，深入探究虛擬電廠多元負(fù)荷預(yù)測(cè)方法，緊迫地回應(yīng)了能源轉(zhuǎn)型和電力系統(tǒng)優(yōu)化升級(jí)的現(xiàn)實(shí)訴求，對(duì)于推動(dòng)能源領(lǐng)域的技術(shù)創(chuàng)新與實(shí)踐應(yīng)用具有重要的意義?，F(xiàn)有技術(shù)主要通過機(jī)器學(xué)習(xí)方法或者深度學(xué)習(xí)模型進(jìn)行負(fù)荷預(yù)測(cè)，如專利號(hào)為cn115099448a的一種基于vmd-prophet的短期負(fù)荷預(yù)測(cè)方法，包括：在prophet預(yù)測(cè)模型的基礎(chǔ)上，引入vmd分解，利用已準(zhǔn)備好的數(shù)據(jù)集，分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于模型的訓(xùn)練，測(cè)試集用于評(píng)估最終模型的精度；將分解好的子序列分別輸入prophet預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，之后進(jìn)行各子序列預(yù)測(cè)結(jié)果的累加，得到最終的預(yù)測(cè)結(jié)果，上述方法提高了短期負(fù)荷預(yù)測(cè)的精度，但上述方法使用vmd進(jìn)行信號(hào)分解時(shí)，依賴于預(yù)先確定的參數(shù)，當(dāng)預(yù)先確定的參數(shù)不合理時(shí)，會(huì)導(dǎo)致信號(hào)分解不充分，從而難以準(zhǔn)確捕捉信號(hào)中的關(guān)鍵信息，導(dǎo)致預(yù)測(cè)結(jié)果的準(zhǔn)確性。且現(xiàn)有的模型在共享層和特定任務(wù)層之間多采用直接連接，會(huì)導(dǎo)致共享層提取的特征與特定任務(wù)之間不匹配，進(jìn)而導(dǎo)致預(yù)測(cè)適應(yīng)性低。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在預(yù)測(cè)準(zhǔn)確性與適應(yīng)性低的技術(shù)問題，本發(fā)明提供了基于改進(jìn)vmd與深度時(shí)序動(dòng)態(tài)模型的多元負(fù)荷預(yù)測(cè)方法，以最小包絡(luò)熵作為優(yōu)化目標(biāo)，通過冠豪豬算法對(duì)vmd中的實(shí)際參數(shù)進(jìn)行調(diào)優(yōu)獲取改進(jìn)vmd，通過改進(jìn)vmd對(duì)第一歷史多元數(shù)據(jù)進(jìn)行分解獲取模態(tài)分量，通過合理設(shè)置參數(shù)避免了分解不充分的問題，通過注意力機(jī)制對(duì)時(shí)序特征提取模型進(jìn)行改進(jìn)獲取深度時(shí)序動(dòng)態(tài)模型，通過在特定任務(wù)層中引入注意力機(jī)制，使各子任務(wù)有效聚焦于共享層處理的信息，避免了硬連接限制，同時(shí)提升了共享層提取的特征與特定任務(wù)之間的匹配程度，解決了現(xiàn)有技術(shù)所存在的預(yù)測(cè)準(zhǔn)確性與適應(yīng)性低的技術(shù)問題，顯著的提高了負(fù)荷預(yù)測(cè)準(zhǔn)確性與適應(yīng)性。

2、為解決上述技術(shù)問題，本發(fā)明提供了基于改進(jìn)vmd與深度時(shí)序動(dòng)態(tài)模型的多元負(fù)荷預(yù)測(cè)方法，包括以下步驟：

3、s1：以最小包絡(luò)熵作為優(yōu)化目標(biāo)，通過冠豪豬算法對(duì)vmd中的實(shí)際參數(shù)進(jìn)行調(diào)優(yōu)獲取改進(jìn)vmd，通過改進(jìn)vmd將第一歷史多元數(shù)據(jù)進(jìn)行分解獲取模態(tài)分量；

4、s2：通過時(shí)間卷積網(wǎng)絡(luò)結(jié)合雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建時(shí)序特征提取模型，通過注意力機(jī)制對(duì)時(shí)序特征提取模型進(jìn)行改進(jìn)獲取深度時(shí)序動(dòng)態(tài)模型；

5、s3：將模態(tài)分量與歷史環(huán)境數(shù)據(jù)輸入深度時(shí)序動(dòng)態(tài)模型中獲取第一時(shí)空序列特征，并對(duì)第一時(shí)空序列特征進(jìn)行加權(quán)獲取最終預(yù)測(cè)結(jié)果。

6、采用上述技術(shù)方案后，本發(fā)明具有如下優(yōu)點(diǎn)：

7、以最小包絡(luò)熵作為優(yōu)化目標(biāo)，通過冠豪豬算法對(duì)vmd中的實(shí)際參數(shù)進(jìn)行調(diào)優(yōu)獲取改進(jìn)vmd，通過改進(jìn)vmd對(duì)第一歷史多元數(shù)據(jù)進(jìn)行分解獲取模態(tài)分量，通過合理設(shè)置參數(shù)避免了分解不充分的問題，在充分分解的基礎(chǔ)上，通過準(zhǔn)確捕捉關(guān)鍵信息，進(jìn)而提高了預(yù)測(cè)準(zhǔn)確性；通過注意力機(jī)制對(duì)時(shí)序特征提取模型進(jìn)行改進(jìn)獲取深度時(shí)序動(dòng)態(tài)模型，通過在特定任務(wù)層中引入注意力機(jī)制，使各子任務(wù)有效聚焦于共享層處理的信息，避免了硬連接限制，同時(shí)提升了共享層提取的特征與特定任務(wù)之間的匹配程度，解決了現(xiàn)有技術(shù)所存在的預(yù)測(cè)準(zhǔn)確性與適應(yīng)性低的技術(shù)問題，顯著的提高了負(fù)荷預(yù)測(cè)準(zhǔn)確性與適應(yīng)性；

8、結(jié)合時(shí)間卷積網(wǎng)絡(luò)和雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建的時(shí)序特征提取模型，能夠充分捕捉負(fù)荷數(shù)據(jù)中的短期波動(dòng)和長(zhǎng)期依賴關(guān)系，進(jìn)而提高了所獲取的第一時(shí)空序列特征的全面性與準(zhǔn)確性。

9、優(yōu)選的，s1中，所述以最小包絡(luò)熵作為優(yōu)化目標(biāo)，通過冠豪豬算法對(duì)vmd中的實(shí)際參數(shù)進(jìn)行調(diào)優(yōu)獲取改進(jìn)vmd包括：

10、s1a：基于vmd中的歷史參數(shù)獲取初始化種群；

11、s1b：通過冠豪豬算法中的防御策略更新初始化種群中個(gè)體的位置，并使用vmd對(duì)初始化種群中個(gè)體所對(duì)應(yīng)的信號(hào)進(jìn)行分解得到初始模態(tài)分量，并計(jì)算初始模態(tài)分量的包絡(luò)熵；

12、s1c：基于包絡(luò)熵中最小初始包絡(luò)熵所對(duì)應(yīng)的個(gè)體更新初始化種群，循環(huán)執(zhí)行s1b，直到循環(huán)次數(shù)達(dá)到預(yù)設(shè)循環(huán)次數(shù)，停止循環(huán)，并基于最小初始包絡(luò)熵所對(duì)應(yīng)的個(gè)體對(duì)實(shí)際參數(shù)進(jìn)行調(diào)優(yōu)。

13、優(yōu)選的，s1中，所述通過改進(jìn)vmd將第一歷史多元數(shù)據(jù)進(jìn)行分解獲取模態(tài)分量包括：s1d：通過傅里葉變換對(duì)第一歷史多元數(shù)據(jù)與模態(tài)函數(shù)進(jìn)行頻域轉(zhuǎn)換，進(jìn)而獲取頻域分量，并基于最小化重構(gòu)誤差對(duì)頻域分量進(jìn)行迭代優(yōu)化，直到頻域分量滿足預(yù)設(shè)條件執(zhí)行s1e；

14、s1e：將無約束參數(shù)引入拉格朗日函數(shù)中得到擴(kuò)展拉格朗日函數(shù)，基于擴(kuò)展拉格朗日函數(shù)獲取擴(kuò)展拉格朗日最優(yōu)解，基于擴(kuò)展拉格朗日最優(yōu)解與頻域分量得到模態(tài)分量。

15、優(yōu)選的，s1e中，所述擴(kuò)展拉格朗日函數(shù)為：

16、

17、式中，l表示擴(kuò)展拉格朗日最優(yōu)解，u表示所述模態(tài)函數(shù)，ω表示u的中心頻率，λ表示無約束參數(shù)中的拉格朗日乘子，α表示無約束參數(shù)中的二次懲罰因子，k表示所述實(shí)際參數(shù)，t表示第一歷史多元數(shù)據(jù)的獲取時(shí)間，表示對(duì)t求偏導(dǎo)，δ表示狄拉克分布，j表示約束條件的索引，s表示第一歷史多元數(shù)據(jù)。

18、優(yōu)選的，所述s2包括：

19、s21：將時(shí)間卷積網(wǎng)絡(luò)的輸出作為雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入構(gòu)建時(shí)序提取模型；

20、s22：在時(shí)序特征提取模型的共享層與任務(wù)層之間引入注意力機(jī)制，獲取深度時(shí)序動(dòng)態(tài)模型。

21、優(yōu)選的，所述s21之前還包括：

22、在時(shí)間卷積網(wǎng)絡(luò)每層中引入殘差連接對(duì)時(shí)間卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)；

23、殘差連接的表達(dá)式為h(x)＝x+f(x)，式中，h(x)表示殘差連接輸出，x表示殘差連接輸入，f(x)表示非線性變換。

24、優(yōu)選的，所述s21還包括：

25、s211：通過時(shí)序提取模型中的擴(kuò)張卷積與雙向結(jié)構(gòu)獲取第二歷史多元數(shù)據(jù)的第二時(shí)空序列特征，通過所述注意力機(jī)制獲取第二時(shí)空序列特征中的每個(gè)特征的權(quán)重，基于所述權(quán)重獲取過程預(yù)測(cè)結(jié)果；

26、s212：將過程預(yù)測(cè)結(jié)果與實(shí)際結(jié)果進(jìn)行比對(duì)，若未比對(duì)成功的過程預(yù)測(cè)結(jié)果數(shù)目小于預(yù)設(shè)數(shù)目，則執(zhí)行s22，否則，基于激活函數(shù)與未比對(duì)成功的過程預(yù)測(cè)結(jié)果所對(duì)應(yīng)的第二歷史多元數(shù)據(jù)對(duì)時(shí)序提取模型進(jìn)行改進(jìn)，執(zhí)行s22。

27、優(yōu)選的，s211中，所述通過所述注意力機(jī)制獲取第二時(shí)空特征中的每個(gè)特征的權(quán)重的表達(dá)式為：

28、

29、式中，ai表示第二時(shí)空特征中特征i的權(quán)重，ei表示所述特征i的概率分布，ej表示第二時(shí)空特征中特征j的概率分布，t表示第二時(shí)空特征中特征的數(shù)目。

30、本方案的有益效果：

31、以最小包絡(luò)熵作為優(yōu)化目標(biāo)，通過冠豪豬算法對(duì)vmd中的實(shí)際參數(shù)進(jìn)行調(diào)優(yōu)獲取改進(jìn)vmd，通過改進(jìn)vmd對(duì)第一歷史多元數(shù)據(jù)進(jìn)行分解獲取模態(tài)分量，通過合理設(shè)置參數(shù)避免了分解不充分的問題，在充分分解的基礎(chǔ)上，通過準(zhǔn)確捕捉關(guān)鍵信息，進(jìn)而提高了預(yù)測(cè)準(zhǔn)確性；通過注意力機(jī)制對(duì)時(shí)序特征提取模型進(jìn)行改進(jìn)獲取深度時(shí)序動(dòng)態(tài)模型，通過在特定任務(wù)層中引入注意力機(jī)制，使各子任務(wù)有效聚焦于共享層處理的信息，避免了硬連接限制，同時(shí)提升了共享層提取的特征與特定任務(wù)之間的匹配程度，解決了現(xiàn)有技術(shù)所存在的預(yù)測(cè)準(zhǔn)確性與適應(yīng)性低的技術(shù)問題，顯著的提高了負(fù)荷預(yù)測(cè)準(zhǔn)確性與適應(yīng)性；

32、結(jié)合時(shí)間卷積網(wǎng)絡(luò)和雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建的時(shí)序特征提取模型，能夠充分捕捉負(fù)荷數(shù)據(jù)中的短期波動(dòng)和長(zhǎng)期依賴關(guān)系，進(jìn)而提高了所獲取的第一時(shí)空序列特征的全面性與準(zhǔn)確性；通過在時(shí)間卷積網(wǎng)絡(luò)每層中引入殘差連接對(duì)時(shí)間卷積網(wǎng)絡(luò)進(jìn)行改進(jìn)，緩解了深層網(wǎng)絡(luò)中的梯度消失和性能退化問題，進(jìn)一步的提高了特征提取的全面性與準(zhǔn)確性。

33、本發(fā)明還提供了一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，所述計(jì)算機(jī)可執(zhí)行指令被處理器加載并執(zhí)行時(shí)，實(shí)現(xiàn)所述的基于改進(jìn)vmd與深度時(shí)序動(dòng)態(tài)模型的多元負(fù)荷預(yù)測(cè)方法的步驟。

34、本發(fā)明還提供了一種電子裝置，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的基于改進(jìn)vmd與深度時(shí)序動(dòng)態(tài)模型的多元負(fù)荷預(yù)測(cè)方法的步驟。