基于时间序列概念漂移的电站未来发电量预测方法及装置制造方法及图纸

本发明专利技术公开了基于时间序列概念漂移的电站未来发电量预测方法，包括：获取电站发电量历史时间序列S；截取窗口序列C；隐状态序列Z；估计p(z

【技术实现步骤摘要】
基于时间序列概念漂移的电站未来发电量预测方法及装置


[0001]本专利技术涉及电站智能化管理领域，尤其涉及一种基于时间序列概念漂移的电站未来发电量预测方法及装置。

技术介绍

[0002]电站发电量是指电站在一定时段内生产的电能，即从电站发电机母线送出的电量的总和，通常以千瓦小时(kW
·
h)为计量单位。电站在不同时段内的出力，常因电力系统要求、天然流量、水头及机组效率的变化、各综合利用部门用水的改变而不断变化，因此各时段的发电量也是变化的。电站发电量与电站的具体形式有密切关系，如水电站的发电量与水源枯水期和丰水期有密切关系，风电站的发电量与风力大小有密切关系，火电站的发电量则与能源的关系较不密切，而主要取决于发电量计划的人为调节。对于依赖能源供给的发电方式，其发电量的大小除了由可控的计划因素组成外，还包括不可控的能源变化，因此，对于电站的管理来说，对于未来时间段内的发电量进行准确预测是非常重要的。
[0003]现有的发电量预测方法大多依赖对于能源供给量的预测，如根据水量及天气情况的预测来间接预测未来的发电量，较少利用电站历史发电量来对未来发电量进行预测，导致这种情况的原因在于：
[0004]1、电站历史发电量属于时间序列数据，传统的时序数据预测方法大多基于统计学知识，因此要求数据在时序上的平稳性较好，当时对于电站发电量这样的时序数据来说，其平稳性并不可控，因此无法保证在全年任何时间段都能有一个较为平稳的时序数据；
[0005]2、对于电站发电量(特别是水电站发电量)的时序数据来说，由于能源供给的不规则性(即时序数据中存在隐状态)，导致预测过程中会出现“概念漂移(concept drift)”的情况，即时序数据中的潜在数据分布随时间发生不可预测的变化，使原有的预测方法预测不准确或决策系统无法正确决策。

技术实现思路

[0006]为了解决上述技术问题，本专利技术旨在提供一种利用发电量历史时间序列中概念漂移特性，编码历史时间序列并模拟概念漂移，利用条件变分自编码器设计两个约束以提取发电量历史时间序列中的特征编码，即用后验概率约束先验编码，实现对电站发电量未来时间序列的预测。
[0007]为了实现上述技术目的，本专利技术提供的技术方案包括：
[0008]基于时间序列概念漂移的电站未来发电量预测方法，包括以下步骤：
[0009]步骤S1、获取电站发电量历史时间序列S＝(s1,
…
,s
i
,
…
,s
L
)；截取窗口序列C＝(c1,
…
,c
i
,
…
,c
T
)；隐状态序列Z＝(z1,
…
,z
i
,
…
,z
T
)，其中z
i
为窗口序列c
i
对应的隐状态z
i
～N(μ
i
,diag(Σ
i
))，μ
i
和diag(Σ
i
)为隐状态分布参数，隐状态序列Z的分布参数序列为E
Z
＝(e1,
…
,e
i
,
…
，e
T+1
)，其中
[0010]步骤S2、估计p(z
i
|c
i
)的分布作为编码，利用条件变分自编码器计算logp
θ
(c
T+1
|
c
i
)：
[0011][0011][0012]其中，为第一约束，为第二约束；
[0013]步骤S3、利用隐状态z
i
的条件后验概率约束隐状态z
i
的先验编码，通过变分估计逼近隐状态序列Z的分布参数序列E
Z
；
[0014]步骤S4、利用RNN模拟分布参数序列E
Z
的概念漂移，预测未来隐状态z
T+1
的分布参数μ
T+1
和diag(Σ
T+1
)；
[0015]步骤S5、根据z
T+1
～N(μ
T+1
,diag(Σ
T+1
))采样获取未来隐状态序列z
T+1
，利用第二约束估计p(c
T+1
|z
T+1
)，采样后得到无时序发电量预测序列c
′
T+1
；
[0016]步骤S6、对无时序发电量预测序列c
′
T+1
进行时序解码，得到未来发电量预测序列
[0017]在一些较优的实施例中，所述步骤S3还包括：
[0018]S301、将窗口序列c
i
分别输入两个高斯多层感知机以逼近隐状态z
i
的先验分布，估计隐状态分布参数μ
i
和diag(Σ
i
)；根据窗口序列c
i
和未来窗口序列c
T+1
输入RNN中，估计隐状态z
i
的条件后验概率获取隐状态后验分布参数μ
i
′
和diag(Σ
i
′
)；
[0019]S302、将隐状态后验分布参数μ
i
′
和diag(Σ
i
′
)作为隐状态分布参数μ
i
和diag(Σ
i
)的约束，计算隐状态先验编码序列z
i
～N(μ
i
,diag(Σ
i
))，据此构建隐状态序列Z的分布参数序列E
Z
＝(e1,
…
,e
i
,
…
,e
T+1
)，其中
[0020]在一些较优的实施例中，所述步骤S4还包括：
[0021]S401、估计p(c
T+1
|C)的分布作为编码，利用条件变分自编码器计算logp
θ
(c
T+1
|C)：logp
θ
(c
T+1
|C)
∝
L1+L2；其中，更新后的第一约束更新后的第二约束
[0022]S402、将E
Z
输入RNN中获得未来时间序列h
T+1
，再将h
T+1
分别输入两个高斯多层感知机以逼近未来隐状态z
T+1
的先验分布，估计未来隐状态分布参数μ
T+1
和diag(Σ
T+1
)。
[0023]在一些较优的实施例中，述步骤S6还包括：利用自注意力与位置编码对无时序发电量预测序列c
′
T+1
进行时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于时间序列概念漂移的电站未来发电量预测方法，其特征在于，包括以下步骤：步骤S1、获取电站发电量历史时间序列S＝(s1，
…
，s
i
，
…
，s
L
)；截取窗口序列C＝(c1，
…
，c
i
，
…
，c
T
)；隐状态序列Z＝(z1，
…
，z
i
，
…
，z
T
)，其中z
i
为窗口序列c
i
对应的隐状态z
i
～N(μ
i
，diag(∑
i
))，μ
i
和diag(∑
i
)为隐状态分布参数，隐状态序列Z的分布参数序列为E
Z
＝(e1，
…
，e
i
，
…
，e
T
)，其中步骤S2、估计p(z
i
|c
i
)的分布作为编码，利用条件变分自编码器计算logp
θ
(c
T+1
|c
i
)：其中，为第一约束，为第二约束；步骤S3、利用隐状态z
i
的条件后验概率约束隐状态z
i
的先验编码，通过变分估计逼近隐状态序列Z的分布参数序列E
Z
；步骤S4、利用RNN模拟分布参数序列E
Z
的概念漂移，预测未来隐状态z
T+1
的分布参数μ
T+1
和diag(∑
T+1
)；步骤S5、根据z
T+1
～N(μ
T+1
，diag(∑
T+1
))采样获取未来隐状态序列z
T+1
，利用第二约束估计p(c
T+1
|z
T+1
)，采样后得到无时序发电量预测序列c
′
T+1
；步骤S6、对无时序发电量预测序列c
′
T+1
进行时序解码，得到未来发电量预测序列2.如权利要求1所述的基于时间序列概念漂移的电站未来发电量预测方法，其特征在于，所述步骤S3还包括：S301、将窗口序列c
i
分别输...

【专利技术属性】
技术研发人员：王金策，彭舰，黄飞虎，弋沛玉，陈俊晖，
申请(专利权)人：四川大学，
类型：发明
国别省市：