气象敏感负荷预测方法、装置、设备及介质与流程

本发明涉及电力预测，更具体地说，它涉及气象敏感负荷预测方法、装置、设备及介质。

背景技术：

1、随着全球气候变化的加剧和极端天气事件的频发，气象敏感负荷的使用频率和强度显著增加。这一变化直接影响了电力系统的负荷曲线，尤其是在夏季高温时段，气象敏感负荷常常占据总电力负荷的较大比例，导致短时间内电力负荷急剧攀升，对电网的安全稳定运行构成了巨大的压力。

2、气象敏感负荷预测方法大致可分为物理模型驱动和数据驱动两种。物理模型驱动方法深入挖掘气象敏感负荷消耗的基本机理，通过构建精确的设备运行和用户行为模型来模拟与预测气象敏感负荷。这种方法能有效捕捉系统内部动态变化和设备间交互作用，但往往依赖于复杂数据的收集和大量物理参数的输入。物理模型驱动方法需要使用专门的计算机仿真软件进行分析，包括energy plus、trnsys等。然而，物理模型驱动方法的主要局限性在于其高复杂性和长时间的仿真过程。此外，气象敏感负荷受多种因素影响，用户行为和外部环境的不确定性对仿真软件的结果的影响较大，这使得构建一个既通用又准确的物理预测模型变得尤为困难。

3、相比之下，数据驱动方法通过分析历史负荷数据和相关环境变量得到未来的预测值，具有成本低、模型相对简单、计算效率高和易于实施的优点，且不需要对系统的物理专业知识有深入的了解。数据驱动方法主要包括统计方法和机器学习方法。在统计方法方面，现有技术利用改进的季节性指数平滑法，基于日平均气温构建了气象敏感负荷预测模型。现有技术利用简单的自回归模型和天气预报构建了气象敏感负荷预测模型，结果表明天气数据能够在一定程度上提高预测精度。现有技术提出了一种基于多元非线性回归的商场空调负荷预测方法，并引入实际用能系数对数据进行预处理，以减少外界干扰对负荷的影响。然而，统计方法难以捕捉复杂的非线性关系和长期依赖，这在实际应用中可能导致预测性能的局限。为了克服统计方法的局限性，机器学习方法已在数据驱动的气象敏感负荷预测模型中得到了广泛应用。现有技术还利用极限学习机构建了气象敏感负荷预测模型，并使用野狗优化算法对模型参数进行了优化，从而克服模型学习参数的不确定性。现有技术利用主成分分析和长短期记忆网络(long short term memory,lstm)结合的方法，在对多种影响因素降维的基础上得到气象敏感负荷的预测结果。现有技术通过奇异值分解对空调负荷数据进行降噪处理，再结合天气数据和lstm神经网络构建了高校学生宿舍的空调负荷预测模型。现有技术设计了人工神经网络(artificial neural network,ann)与集成学习结合的框架，实现了对空调冷负荷的动态预测。

4、现有技术表明，除了开发更好的模型结构以提升预测精度以外，经验模态分解(empirical mode decomposition,emd)、完全自适应噪声集合经验模态分解(completeensemble empirical mode decomposition with adaptive noise,ceemdan)、变分模态分解(variational mode decomposition,vmd)等数据分解方法通过对数据进行分解并提取不同频率的关键特征，能够更深入地揭示数据中的隐含模式和趋势，从而提升预测精度。

5、尽管现有技术提供的方法通过更好的模型结构或是分解技术在一定程度上提升了气象敏感负荷预测的精度，但仍然存在以下不足之处：1)气象敏感负荷数据通常呈现出高频波动特性，目前广泛使用的单次分解方法未能有效降低数据中的高频复杂性。这表明需要对高频子序列进行二次分解来进一步细化和利用数据中的隐藏信息，从而提高预测的准确性和可靠性。2)分解方法虽然能够将原始数据分解为多个固有模态分量(intrinsicmode function,imf)，但这种方法通常导致处理多个分量时的预测效率较低。每个分量需单独预测，这增加了计算负担，降低了整体预测效率。3)现有的许多预测模型虽然在精度上有所提升，但通常缺乏足够的可解释性。在电网运行中，预测模型的可解释性是极为重要的，这可以确保操作的透明性和决策的可信度。

技术实现思路

1、本发明的目的是提供气象敏感负荷预测方法、装置、设备及介质，用以解决现有技术的不足之处。

2、本技术的第一方面，提供了一种气象敏感负荷预测方法，方法包括：

3、获取气象敏感负荷的原始序列数据；

4、采用ceemdan分解法分解原始序列数据，获得多个具有不同频率和尺度的imf分量；

5、计算出多个具有不同频率和尺度的imf分量的样本熵，基于样本熵将多个具有不同频率和尺度的imf分量聚合为第一高频子序列、中频子序列和低频子序列；

6、采用变分模态分解法对第一高频子序列进行二次分解，获得第二高频子序列；

7、将第二高频子序列、中频子序列和低频子序列分别输入至lstm神经网络进行预测，获得第二高频子序列、中频子序列和低频子序列各自的预测结果，将第二高频子序列、中频子序列和低频子序列各自的预测结果加权融合，获得气象敏感负荷的预测结果。

8、在一种实现方案中，采用ceemdan分解法分解原始序列数据，获得多个具有不同频率和尺度的imf分量，包括：

9、向原始序列数据中添加多次白噪声，生成多个序列数据；其中添加一次白噪声对应生成一个序列数据；

10、对多个序列数据使用emd分解进行分解，直至残差不超过两个极值点，停止emd分解，得到多个具有不同频率和尺度的imf分量。

11、在一种实现方案中，样本熵的计算定义为：其中，am(r)是两个序列在m个维度上匹配的概率；bm(r)是两个序列增加维度到m+1时匹配的概率，n表示长度，r表示两个序列相似的接受阈值。

12、在一种实现方案中，采用变分模态分解法对第一高频子序列进行二次分解，获得第二高频子序列，包括：

13、构建第一高频子序列的变分问题，求解变分问题将第一高频子序列分解为k个模态分量；

14、引入使k个模态分量之和等于第一高频子序列的约束条件；

15、将约束条件代入变分问题的目标函数中，以构造出拉格朗日函数；

16、使用交替方向乘子法求解拉个朗日函数，直到达到收敛条件，得到第二高频子序列。

17、在一种实现方案中，所述方法还包括：利用shap可解释方法对气象敏感负荷的预测结果进行解释，确定出影响气象敏感负荷的影响因素。

18、本技术的第二方面，提供了一种气象敏感负荷预测装置，装置包括：

19、数据获取模块，用于获取气象敏感负荷的原始序列数据；

20、第一分解模块，用于采用ceemdan分解法分解原始序列数据，获得多个具有不同频率和尺度的imf分量；

21、聚合模块，用于计算出多个具有不同频率和尺度的imf分量的样本熵，基于样本熵将多个具有不同频率和尺度的imf分量聚合为第一高频子序列、中频子序列和低频子序列；

22、第二分解模块，用于采用变分模态分解法对第一高频子序列进行二次分解，获得第二高频子序列；

23、预测模块，用于将第二高频子序列、中频子序列和低频子序列分别输入至lstm神经网络进行预测，获得第二高频子序列、中频子序列和低频子序列各自的预测结果，将第二高频子序列、中频子序列和低频子序列各自的预测结果加权融合，获得气象敏感负荷的预测结果。

24、在一种实现方案中，第一分解模块，具体用于：向原始序列数据中添加多次白噪声，生成多个序列数据；其中添加一次白噪声对应生成一个序列数据；对多个序列数据使用emd分解进行分解，直至残差不超过两个极值点，停止emd分解，得到多个具有不同频率和尺度的imf分量。

25、在一种实现方案中，样本熵的计算定义为：其中，am(r)是两个序列在m个维度上匹配的概率；bm(r)是两个序列增加维度到m+1时匹配的概率，n表示长度，r表示两个序列相似的接受阈值。

26、本技术的第三方面，提供了一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如本技术的第一方面提供的一种气象敏感负荷预测方法的步骤。

27、本技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如本技术的第一方面提供的一种气象敏感负荷预测方法的步骤。

28、与现有技术相比，本发明具有以下有益效果：

29、1、本发明首先通过ceemdan对气象敏感负荷的原始序列数据进行初步分解，再利用样本熵(sample entropy,se)评估各个模态分量的序列复杂度，并将这些模态分量进行重新组合为高频、中频和低频子序列，分别表示不同时间尺度的局部特征。然后对高频子序列使用vmd进行二次分解，以降低高频子序列的复杂程度，提高可预测性。对中频、低频子序列及二次分解后的高频子序列使用lstm分别进行预测，最后集成各个子序列的预测结果，获得最终的气象敏感负荷预测结果。

30、2、本发明通过shap方法对预测结果进行解释，揭示影响气象敏感负荷的关键影响因素，增强预测结果的可信度。