基于机器学习的电网模型预测性纠错方法及系统与流程

本发明涉及一种基于机器学习的电网模型预测性纠错方法及系统，属于电力系统自动化，

背景技术：

1、随着现代电力网络的日益庞大与复杂化，其覆盖范围跨越了广袤的地域，集成了各类能源生产、传输与分配设施，形成了一个高度互联且动态变化的系统。这种增长不仅提升了电能的供应能力，同时也显著增加了电网运行过程中的不确定性和潜在风险。气候变化导致的极端天气事件频发、设备老化及故障率的上升、以及大规模可再生能源并网带来的波动性负荷等问题，都使得电网的安全稳定运行面临前所未有的挑战。

2、在这样的背景下，运用先进的机器学习、大数据分析及人工智能等技术手段，对电网的运行状态进行全面、深入的监测与分析，已经成为了电力处理的重要手段。现有的电网模型通常采用离线静态方法进行建模，其参数在建模阶段确定，且仅适用于特定的电网运行状态。随着电网规模不断扩大，运行状态变得更加复杂和动态，现有电网模型的预测准确性在处理新的运行状态时会显著下降。

3、例如当电网中新增或减少某一运行状态，如发电机、负载或线路等时，需要重新校准电网模型的参数才能保持预测的准确性。然而，此过程通常需要大量时间和历史数据，并且无法及时应对电网中的快速变化。此外，现有电网模型大多只能够预测电网运行中的潜在问题或风险，缺乏生成有效的应对策略的功能。

技术实现思路

1、本发明的目的在于提供于一种机器学习的电网模型预测性纠错方法及系统，通过预测到的负荷对负荷预测电网模型进行优化调整至适合当前电网运行的状态。

2、为了解决上述技术问题，本发明提供如下技术方案：

3、一种基于机器学习的电网模型预测性纠错方法，其步骤包括：

4、获取区域内历史负荷时间序列及其对应的影响因素序列；所述影响因素包括外部环境因素和区域内的所有负荷运行状态；所述外部环境因素包括温度、降水、季节因素；

5、基于区域内历史负荷时间序列及其对应的影响因素序列构建训练集和验证集；

6、基于训练集和验证集利用神经网络模型训练得到负荷预测电网模型，利用负荷预测电网模型对区域内的电网负荷的用量进行预测，得到负荷预测序列；

7、提取负荷预测序列中的负荷趋势特征和负荷季节性特征；

8、基于负荷预测序列中的负荷趋势特征和负荷季节性特征判断负荷预测电网模型是否适用于当前电网运行状况，若符合则继续利用负荷预测电网模型进行负荷预测；

9、若负荷预测电网模型不适用于当前电网运行状况则重构历史负荷时间序列，基于重构历史负荷序列重新作为验证集，重新训练优化负荷预测电网模型以符合当前情况。

10、电网负荷的特性具有趋势性和季节性，电网负荷的趋势性主要体现在其随着经济增长、社会进步和人口增加而呈现出的长期增长趋势。随着经济的发展，工业生产、商业活动以及居民生活对电力的需求不断增加，这导致电网负荷总量持续上升。电网负荷的季节性变化主要是由于气候条件、节假日安排以及生产活动周期性等因素引起的。例如，在夏季，由于高温天气导致空调等制冷设备的大量使用，电网负荷会显著上升，形成所谓的“夏季高峰”。而在冬季，虽然取暖设备的使用也会增加负荷，但通常不如夏季高峰那么明显。因此，负荷的影响因素可以是区域内的所有负荷运行状态、温度、降水、季节因素等等。

11、其中区域内的所有负荷运行状态，是指电力系统中所有负荷(即电力用户和设备)在特定时间点的运行状况，可以用矩阵进行表示。

12、本发明通过以下技术方案进一步实现：

13、前述基于机器学习的电网模型预测性纠错方法，所述验证集采用均方误差作为评价指标对负荷预测电网模型进行调整优化。也可以采用纳什系数nse、克林-古普塔效率系数kge和均方根误差、rmse作为模型评价指标对负荷预测电网模型进行调整优化。

14、前述基于机器学习的电网模型预测性纠错方法，所述负荷预测序列利用一维因果卷积的混合自回归专家提取负荷趋势表征后采用时域对比损失函数学习，获取最终的负荷趋势特征；

15、所述负荷预测序列在频域中利用可学习的傅立叶得到频域季节趋势表征，再利用频域对比损失函数学习得到频域季节趋势表征，将频域季节趋势表征转换回时域中得到所述负荷季节性特征。

16、前述基于机器学习的电网模型预测性纠错方法，判断负荷预测电网模型是否适用于当前电网运行状况的方法为：

17、确定负荷预测序列在以年为周期所处的时间段t；

18、将所述负荷预测序列中的负荷趋势特征数据与当前负荷预测电网模型在时间段t时的负荷趋势标准中的上限值和下限值进行比较；

19、将所述负荷预测序列中的负荷季节性特征与当前负荷预测电网模型在时间段t时的负荷季节性标准中的上限值和下限值进行比较；

20、若超过α％的负荷预测序列中对应的负荷季节性特征数据都在当前负荷预测电网模型在时间段t时的负荷季节性标准中的上限值和下限值的范围内，且荷预测序列中对应的负荷趋势特征数据在当前负荷预测电网模型在时间段t时的负荷趋势标准中的上限值和下限值的范围内，则判断负荷预测电网模型适用于当前电网运行状况，否则判断负荷预测电网模型不适用于当前电网运行状况。

21、因为负荷具有季节性，且在一天中具有高峰期、低谷期等不同的阶段，所以在确定负荷预测序列在以年为周期所处的时间段t时，可以用季节性负荷趋势的阶段划分和日荷趋势的阶段划分表示，例如季节性高峰期-日高峰期、季节性低谷期期-日高峰期、季节性低谷期-日高峰期、季节性低谷期-日低谷期等等。

22、获取时间段t内的历史负荷时间序列的负荷季节性特征和负荷趋势特征，利用统计分析方法计算时间段t内的历史负荷时间序列的负荷季节性特征可以利用置信区间或者是容忍区间计算当前负荷预测电网模型在时间段t时的负荷季节性标准的。

23、同理可以利用置信区间或者是容忍区间计算当前负荷预测电网模型在时间段t时的负荷趋势标准。

24、因为电力系统中所有负荷(即电力用户和设备)在特定时间点的运行状况的改变可以直接影响该区域内电网负荷的趋势性和季节性，因此当负荷预测电网模型不适用于当前电网运行状况时，需要第一时间排查是否是电网内部负荷的运行状况发生了改变。

25、前述基于机器学习的电网模型预测性纠错方法，当负荷预测电网模型不适用的原因为区域内的所有负荷运行状态发生变化时，则确认负荷预测序列在以年为周期所处的时间段，根据变化后的负荷运行状态调整相应时间段的历史负荷时间序列，将调整后的历史负荷时间序列作为验证集对负荷预测电网模型进行优化；

26、若外部环境因素作为引起负荷预测电网模型不适用的原因，则确认负荷预测序列在以年为周期所处的时间段；

27、筛选出与负荷预测序列处于相同时间段内的历史负荷时间序列m，计算负荷预测序列的预测趋势关联度与历史负荷时间序列m的趋势关联度的比值a，将比值a作为相同时间段内历史负荷时间序列负荷趋势特征的权重；

28、计算负荷预测序列预测季节性关联度与历史负荷时间序列m的季节性关联度的比值b，将比值b作为历史负荷时间序列m季节趋势特征的权重；

29、基于比值a和比值b利用总损失函数将历史负荷时间序列m中对应的负荷趋势特征和负荷季节性特征连接起来，得到重构历史负荷时间序列。

30、前述基于机器学习的电网模型预测性纠错方法，所述重构历史负荷时间序列中的重构负荷：

31、q＝aqt+bqs；

32、其中，q表示重构负荷，a为负荷预测序列的预测趋势关联度与历史负荷时间序列m的趋势关联度的比值，b为负荷预测序列的预测季节性关联度与历史负荷时间序列m的季节性关联度，qt为重构负荷q对应的负荷历史负荷的负荷趋势特征，qs为重构负荷q对应的负荷历史负荷的负荷季节性特征。

33、前述基于机器学习的电网模型预测性纠错方法，所述总损失函数：

34、

35、其中，ζt表示时域对比损失函数，ζa表示频域振幅对比损失函数，ζp表示频域相位对比损失函数，a为平衡趋势和季节因素之间权衡的参数。

36、本发明还包括另一技术方案，基于机器学习的电网模型预测性纠错系统，包括：

37、数据获取模块，用于获取区域内历史负荷时间序列及其对应的影响因素序列；所述影响因素包括外部环境因素和区域内的所有负荷运行状态；所述外部环境因素包括温度、降水、季节因素；

38、负荷预测模块，基于区域内历史负荷时间序列及其对应的影响因素序列构建训练集和验证集，基于训练集和验证集利用神经网络模型训练得到负荷预测电网模型，利用负荷预测电网模型对区域内的电网负荷的用量进行预测，得到负荷预测序列；

39、电网模型判断模块，用于提取负荷预测序列中的负荷趋势特征和负荷季节性特征，基于负荷预测序列中的负荷趋势特征和负荷季节性特征判断负荷预测电网模型是否适用于当前电网运行状况，若符合则继续利用负荷预测电网模型进行负荷预测；

40、电网模型再优化模块，用于重构历史负荷时间序列，基于重构历史负荷序列重新作为验证集重新训练优化符合当前情况的负荷预测电网模型。

41、与现有技术相比，本发明所达到的有益效果是：本发明通过提取负荷预测序列中的负荷趋势特征和负荷季节性特征，模型能够更细致地捕捉电网负荷的变化规律，从而更准确地预测未来负荷。且利用预测负荷的负荷趋势特征和负荷季节性特征对评估负荷预测电网模型是否适用于当前电网运行状况，并根据评估结果决定是否对负荷预测电网模型进行重训或优化，可以确保负荷预测电网模型始终与电网的实际运行状况保持同步。这种动态调整机制大大提高了模型的适应性和鲁棒性。通过不断优化预测模型，可以减少因预测误差带来的风险，保障电网的安全稳定运行。