【技术实现步骤摘要】
本专利技术涉及电力需求预测和储能优化，并且更具体地，涉及一种电力需求预测及储能优化方法、装置、介质及设备。
技术介绍
1、西藏地区自然环境复杂多变，电网建设相对薄弱，让新能源的消纳充满着艰险和变数。在夏季丰水期水电发电量大，水电可满足西藏内部绝大部分负荷，甚至存在电力过剩的情况，导致新能源大量弃光、弃风；在冬季供暖高峰期，水电发电较少新能源容量较低，此时新能源发电量无法满足冬季能源缺口，导致部分负荷需要断电。因此，精确预测电力需求，从而实现有序用电和储能优化十分重要。这不仅有助于满足西藏日益增长的电力需求，还为西藏的经济发展和可持续发展提供了支持。
2、有序用电是指在电力供应不足、突发事故(事件)等情况下，对需求侧的用户通过行政措施、经济手段、技术方法，控制部分用电需求，以确保大电网供电安全为前提，维护供用电秩序平稳有序的管理工作。其目的是在电网负荷高峰、发电能力不足时，确保民生、公共服务等方面的用电。同时也是提高电力系统运行效率，降低电力成本的有效途径。实现有序用电的前提是准确预测未来的电力需求。电力需求的预测误差会导致供需的不均衡，对供应网络的运营成本、网络安全和服务质量产生重大影响。若预测的电力需求较小，会导致电力供应不足，给人们日常生活带来不便；若预测的电力需求较大，会导致电力过剩，造成时间和资源的浪费。因此，开发有效预测电力需求的模型，尤其是使用非线性数据，对发电和配电网来说是一个关键挑战。总的来说，实现有序用电需要综合考虑电力需求预测、储能规划、电力市场机制、政策法规等多个方面。这是一个复杂而富有挑战性的
3、此外，储能规划也是实现有序用电的关键。储能设备可以在电力需求低的时候储存电能，然后在电力需求高的时候释放电能，从而平衡供需，提高电力系统的运行效率。储能设备的种类很多，包括电池、超级电容器、飞轮、抽水蓄能等，各有优缺点，需要根据具体的电力系统和电力需求来选择。储能系统作为一种高效的能量存储设备，可以通过电能的存储和释放，促进可再生能源并网，提高可再生能源利用率。然而，由于材料、技术等水平的限制，储能系统造价仍然居高不下，且需要长期维护，无法广泛使用。
4、为了对电力需求进行预测，大量基于历史数据进行电力需求预测的机器学习方法被相继提出，如支持向量机(svm)、决策树、人工神经网络(ann)、递归神经网络(rnn)等。然而，这些方法存在学习速度慢、过拟合和最优超参数值识别等问题。近年来，以深度学习为代表的人工智能技术在多个领域持续取得突破，利用其强大的建模和逻辑推演能力来解决电网调控问题，成为解决问题的新思路。深度学习通过构建多隐层、多深度的神经网络模型，完成对隐层特征信息的多重特征提取，在更深的神经元中获得信号中的抽象特征。这种方法可以更好地捕捉和理解数据中的复杂模式，从而提高预测的准确性。其中，基于长短期记忆(lstm)的预测方法被广泛使用。lstm是一种特殊的递归神经网络，它可以有效地处理时间序列数据，如电力需求数据。lstm的主要优点是它可以捕捉数据中的长期依赖关系，这在电力需求预测中是非常重要的。然而，lstm的主要缺点是它的计算量大，需要大量的数据存储，这使得这种方法在实时应用中不可行。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种电力需求预测及储能优化方法、装置、介质及设备。
2、根据本专利技术的一个方面，提供了一种电力需求预测及储能优化方法，包括：
3、构建电力系统的历史电力消耗量时间序列样本数据；
4、利用历史电力消耗量时间序列样本数据训练反转变换网络，生成电力需求预测模型；
5、获取预定时间段内的历史电力消耗时间序列数据输入至电力需求预测模型中，输出预测需求用电时间序列数据；
6、根据预测需求用电时间序列数据以及预测时间段内的电力供应量，确定储能优化策略。
7、可选地，构建电力系统的历史电力消耗量时间序列样本数据，包括：
8、获取电力系统的历史样本数据，其中历史样本数据包括时间信息、电力消耗量以及区域特征因素；
9、将电力消耗量进行预处理，并根据时间信息进行序列化，生成具有区域特征因素的历史电力消耗量时间序列样本数据。
10、可选地，区域特征因素包括：温度、湿度、降水量、季节、节假日中的一种或多种。
11、可选地，将电力消耗量进行预处理，并根据时间信息进行序列化，生成电力系统的历史电力消耗量时间序列样本数据，包括：
12、对电力消耗量进行数据异常处理，去除异常值和缺失值；
13、对异常处理后的电力消耗量进行标准化归一化数据处理，提取电力消耗特征数据；
14、基于时间信息对电力消耗特征数据进行序列化处理，生成历史电力消耗量时间序列样本数据。
15、可选地，利用历史电力消耗量时间序列样本数据训练反转变换网络，生成电力需求预测模型，包括：
16、根据预设的误差函数，利用历史电力消耗量时间序列样本数据训练反转变换网络，在满足预先设置的预测误差的情况下，生成电力需求预测模型，其中反转变换网络包括：嵌入层、多头自注意力层、归一化层、前置网络层和预测层。
17、可选地，预设的误差函数为：
18、
19、式中，yi为真实值，为预测值，n为历史电力消耗量时间序列样本数据个数。
20、可选地，根据预测需求用电时间序列数据以及预测时间段内的电力供应量，确定储能优化策略，包括：
21、根据预测需求用电时间序列数据，确定预测时间段内的电力需求量；
22、在电力供应量大于电力需求量的情况下，确定储能优化策略为发电站储能；
23、在电力供应量小于或等于电力需求量的情况下，确定储能优化策略为发电站能源调度。
24、根据本专利技术的另一个方面，提供了一种电力需求预测及储能优化装置，包括：
25、构建模块，用于构建电力系统的历史电力消耗量时间序列样本数据；
26、生成模块，用于利用历史电力消耗量时间序列样本数据训练反转变换网络，生成电力需求预测模型；
27、预测模块，用于获取预定时间段内的历史电力消耗时间序列数据输入至电力需求预测模型中，输出预测需求用电时间序列数据；
28、确定模块，用于根据预测需求用电时间序列数据以及预测时间段内的电力供应量，确定储能优化策略。
29、根据本专利技术的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本专利技术上述任一方面所述的方法。
30、根据本专利技术的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本专利技术上述任一方面所述的方本文档来自技高网...
【技术保护点】
1.一种电力需求预测及储能优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，构建电力系统的历史电力消耗量时间序列样本数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述区域特征因素包括：温度、湿度、降水量、季节、节假日中的一种或多种。
4.根据权利要求2所述的方法，其特征在于，将所述电力消耗量进行预处理，并根据所述时间信息进行序列化，生成所述电力系统的历史电力消耗量时间序列样本数据，包括：
5.根据权利要求2所述的方法，其特征在于，利用所述历史电力消耗量时间序列样本数据训练反转变换网络，生成电力需求预测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述预设的误差函数为：
7.根据权利要求1所述的方法，其特征在于，根据所述预测需求用电时间序列数据以及预测时间段内的电力供应量，确定储能优化策略，包括：
8.一种电力需求预测及储能优化装置，其特征在于，包括：
9.根据权利要求8所述的装置，其特征在于，构建模块，包括：
10.根据权利要求9所
11.根据权利要求9所述的装置，其特征在于，生成子模块，包括：
12.根据权利要求9所述的装置，其特征在于，生成模块，包括：
13.根据权利要求12所述的装置，其特征在于，所述预设的误差函数为：
14.根据权利要求8所述的装置，其特征在于，确定模块，包括：
15.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的方法。
16.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.一种电力需求预测及储能优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，构建电力系统的历史电力消耗量时间序列样本数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述区域特征因素包括：温度、湿度、降水量、季节、节假日中的一种或多种。
4.根据权利要求2所述的方法，其特征在于，将所述电力消耗量进行预处理，并根据所述时间信息进行序列化，生成所述电力系统的历史电力消耗量时间序列样本数据，包括：
5.根据权利要求2所述的方法，其特征在于，利用所述历史电力消耗量时间序列样本数据训练反转变换网络，生成电力需求预测模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述预设的误差函数为：
7.根据权利要求1所述的方法，其特征在于，根据所述预测需求用电时间序列数据以及预测时间段内的电力供应量，确定储...
【专利技术属性】
技术研发人员：米玛次仁，李明佳，杨玉鑫，朗琼，胡浩亮，拉巴顿珠，张洪峰，贺文婷，索朗多布杰，次旺拉姆，王志坚，伊吉白玛，姚亮，周峰，殷小东，雷民，
申请(专利权)人：国网西藏电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。