[发明专利]基于改进TCN修正累积误差的可调节负荷功率多步预测方法

说明书

基于改进TCN修正累积误差的可调节负荷功率多步预测方法，包括：采用变分模态分解可调节负荷功率序列得到主成分序列和噪声序列；构建基于多尺度卷积方法和自注意力方法模型，以自适应移动平滑处理后的噪声序列为输入，分别获得可调节负荷功率序列的时空特征，可调节负荷预测值与可调节负荷功率历史数据之间的映射关系；以时空特征为输入，基于单个TCN，建立单步预测模型，在此基础上，以多通道TCN作为解码层，基于多尺度卷积方法和自注意力方法的模型作为编码层，建立多步预测模型；根据预测步数选择预测模型对可调节负荷功率进行预测。本方法利用多通道TCN降低前步预测误差的影响，有效减少可调节负荷功率多步预测的误差累积。

技术领域

本发明属于可调节负荷预测技术领域，具体涉及基于改进TCN修正累积误差的可调节负荷功率多步预测方法。

背景技术

随着我国能源发展战略、深入推进电力市场化改革与电力行业升级换代的不断推进，可调节负荷资源主动参与源网荷互动将对电网产生重大积极作用。

现阶段，工业、楼宇、客户侧储能、充电桩等各类可调节负荷资源逐步参与到电网调度中，由于其单个资源量较小，且位置较为分散，因此一般将其聚合成一个较大的资源聚合体进行调度控制。在进行资源聚合时，一旦聚合体内部的负荷产生较大偏差，就会导致整个聚合体的功率误差较大，严重影响到其参与电网调度运行，造成较大的经济损失。因此，提出对可调节负荷资源功率的精准预测问题进行研究。

现有技术中，负荷预测方法在一些模型的定阶、求解以及模型识别等问题上存在较大困难，同时模型的适应能力不强，导致经常会出现数据运算慢以及精度较低等问题。另外灰色预测法、专家系统法以及小波分析法和神经网络法，这些方法不仅仅需要考虑到负荷形状这些因素，同时还会涉及到很多外部因素，例如环境、天气等等，都会影响到负荷预测的精度。现有较为精确的预测方法主要有三类：统计法、物理法和组合预测法，其中基于物理法的可调节负荷功率单步预测的缺点在于NWP数据与真实负荷环境数据间存在着较大的误差，且NWP数据与可调节负荷场景存在着空间上的差异，这使物理法对可调节负荷功率单步的预测精度普遍偏低；统计法是基于预测值与真实值的误差来更新、调整模型权重和参数的可调节负荷功率预测方法，该方法通常又被分为概率统计模型、机器学习模型和深度学习模型，概率统计模型，相比于物理法能更好的跟随可调节负荷功率的变化趋势，但在多步预测中存在较大得到误差；机器学习模型的单步预测精度均优于传统概率模型；深度学习模型能充分挖掘输入序列的时间和空间特性，进一步提高可调节负荷功率单步预测的精度，由于其结构单一且对数据质量要求高，难以对随机性强、噪声信号明显的可调节负荷功率序列进行准确稳定的多步预测；组合预测法是结合各单一预测模型的优势而形成的一种预测精度更高，稳定性更好的可调节负荷功率预测方法，一般用于可调节负荷功率多步预测中，组合预测模型在多个时间尺度上的表现均优于其它模型，组合预测法相较于物理法和统计法有更好的预测性能，但未对多步预测误差累积问题给出相应的解决方案，因此，如何修正累积误差来进行可调节负荷功率的多步预测是目前亟需解决的问题。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于改进TCN修正累积误差的可调节负荷功率多步预测方法，降低可调节负荷功率多步预测中存在的误差累积，提高预测精度和稳定性。

本发明采用如下的技术方案。

基于改进TCN修正累积误差的可调节负荷功率多步预测方法，包括：

步骤1，采集可调节负荷功率历史数据并进行预处理，得到可调节负荷功率序列；

步骤2，采用变分模态分解方法对可调节负荷功率序列进行分解，得到主成分序列和噪声序列；

步骤3，采用自适应移动平滑方法对噪声序列进行平滑处理；