本申请公开了一种微电网的多数据预测方法、设备及介质，涉及微电网技术领域。方法包括：采集原始数据并进行预处理，得到光伏发电数据、建筑用电数据和电动汽车充电数据；引入气象数据，计算气象数据与光伏发电数据的灰色关联度，得到强关联的气象变量；对建筑用电数据和电动汽车充电数据进行经验模态分解，重构为平稳子信号；将气象变量和平稳子信号输入Informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测。本申请利用EMD分解建筑用电负荷和电动汽车充电负荷序列，减弱了其非线性影响；结合Informer算法的强大自注意力机制，捕捉长时间序列中的依赖关系，增强了模型的鲁棒性和适应性。
【技术实现步骤摘要】
本申请涉及微电网，尤其涉及一种微电网的多数据预测方法、设备及介质。
技术介绍
1、直流建筑、柔性建筑、零能耗建筑等概念成为近年来的研究焦点，考虑到建筑内高比例、多种类分布式发展的新能源结构，建筑电气化应用成为必然趋势。光储直柔（photovoltaic，energystorage，dc，flexible，pedf）作为关键策略，利用太阳能光伏发电和储能技术，实现了电力产生、存储和消耗之间的无缝衔接，通过柔性调度，pedf提高了能源利用效率，减少了能源浪费，并增强了电力系统的可靠性和稳定性。
2、传统光储直柔配电系统的预测模型lstm、transformer等，难以有效捕捉输入与输出之间的长程时空相关性，导致预测误差累积；建筑用电负荷、电动汽车充电负荷等时序数据具有强非线性和非平稳性，直接预测易产生偏差；光伏气象因素、负荷特征等多变量间存在复杂关联，冗余信息增加模型复杂度，影响预测效率；传统自注意力机制在长序列预测中计算复杂度呈平方增长，限制了实际应用场景的扩展。
3、通过上述的分析，现有技术存在的问题及缺陷为：
4、现有技术中的光储直柔配电系统的预测模型捕捉关联性差、非线性影响大，不能捕捉长时间序列中的依赖关系，预测误差累积大、效率差。
技术实现思路
1、本申请实施例提供了一种微电网的多数据预测方法、设备及介质，能够解决现有技术中光储直柔配电系统的预测模型捕捉关联性差、非线性影响大，不能捕捉长时间序列中的依赖关系，预测误差累积大、效率差的问题。</p>2、第一方面，本申请实施例提供了一种微电网的多数据预测方法，方法包括：采集原始数据并进行预处理，得到光伏发电数据、建筑用电数据和电动汽车充电数据；引入气象数据，计算气象数据与光伏发电数据的灰色关联度，得到强关联的气象变量；对建筑用电数据和电动汽车充电数据进行经验模态分解，重构为平稳子信号；将气象变量和平稳子信号输入informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测。
3、在本申请的一种实现方式中，采集原始数据并进行预处理，得到光伏发电数据、建筑用电数据和电动汽车充电数据，具体包括：根据预设时间采集原始数据，并根据原始数据的时间点，计算原始数据每个时间点的数学期望和标准差；设定置信概率和限值，采用动态统计阈值法识别原始数据中的异常值；计算异常值相邻时间点的均值，并将均值替换异常值，得到第一数据；采用标准差标准化对第一数据进行线性变换，得到光伏发电数据、建筑用电数据和电动汽车充电数据。
4、在本申请的一种实现方式中，引入气象数据，计算气象数据与光伏发电数据的灰色关联度，得到强关联的气象变量，具体包括：光伏发电数据包括光伏发电功率，计算气象数据与光伏发电功率的灰色关联度；根据关联度阈值筛选关键气象变量，关联度阈值根据季节进行动态调整；将关键气象变量与对应的光伏发电功率组合为第一特征集。
5、在本申请的一种实现方式中，对建筑用电和电动汽车充电序列进行经验模态分解，重构为平稳子信号，具体包括：对建筑用电数据和电动汽车充电数据进行经验模态分解，生成多个固有模态分量；对固有模态分量进行划分，得到高频模态和低频模态；对高频模态和低频模态进行模态求和，得到平稳时序信号，平稳时序信号为第二特征集。
6、在本申请的一种实现方式中，对建筑用电负荷和电动汽车充电负荷序列进行经验模态分解，生成多个固有模态分量，具体包括：根据时间点划分局部，识别建筑用电数据和电动汽车充电数据中局部的最大值点和最小值点；使用三次样条插值函数分别连接最大值点和最小值点，分别形成上包络线和下包络线；将上包络线和下包络线取平均值，迭代分离本征模态分量，直至残差项为单调函数，得到多个固有模态分量。
7、在本申请的一种实现方式中，将气象变量和平稳子信号输入informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测，具体包括：在编码器中通过稀疏自注意力机制和自蒸馏机制压缩冗余计算、提取第一特征集和第二特征集的长序列关键特征；在解码器中采用一步生成式推理长序列关键特征，输出预设期间的预测结果，预测结果包括光伏发电功率峰值、建筑负荷预测峰值和电动汽车充电负荷峰值。
8、在本申请的一种实现方式中，在解码器中采用一步生成式推理输出预设期间的预测结果之后，方法还包括：根据光伏发电功率峰值动态调整储能系统充电阈值；根据电动汽车充电负荷峰值预置储能容量。
9、在本申请的一种实现方式中，在将气象变量和平稳子信号输入informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测之后，方法还包括：对informer模型进行增量学习更新；采集实时数据，通过滑动窗口机制验证预测结果与实时数据的偏差，并根据偏差进行反馈校准。
10、第二方面，本申请实施例还提供了一种微电网的多数据预测设备，设备包括至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：采集原始数据并进行预处理，得到光伏发电数据、建筑用电数据和电动汽车充电数据；引入气象数据，计算气象数据与光伏发电数据的灰色关联度，得到强关联的气象变量；对建筑用电数据和电动汽车充电数据进行经验模态分解，重构为平稳子信号；将气象变量和平稳子信号输入informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测。
11、第三方面，本申请实施例还提供了一种微电网的多数据预测非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：采集原始数据并进行预处理，得到光伏发电数据、建筑用电数据和电动汽车充电数据；引入气象数据，计算气象数据与光伏发电数据的灰色关联度，得到强关联的气象变量；对建筑用电数据和电动汽车充电数据进行经验模态分解，重构为平稳子信号；将气象变量和平稳子信号输入informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测。
12、本申请实施例提供的一种微电网的多数据预测方法、设备及介质，该模型通过gra分析光伏气象因素变量之间的关联性，降低了输入数据的空间复杂度并剔除了冗余信息；利用emd分解建筑用电负荷和电动汽车充电负荷序列，减弱了其非线性影响；结合informer算法的强大自注意力机制，捕捉长时间序列中的依赖关系，极大增强了模型的鲁棒性和适应性。有效地提升了多数据预测的精度与稳定性。光伏输出功率、建筑用电负荷及电动汽车充电负荷的实际数据为基础，使用均方误差（mse）、平均绝对误差（mae）、均方根误差（rmse）等指标验证模型性能，证明了所提方法在提升预测能力和实用性方面的显著效果，为光储直柔（photovoltaic,energystorge,dc,flexible，pedf）配电系统的电力规划与应用提供了强有力的数据支撑，具有重要的实际意义和应用潜力。
本文档来自技高网...
【技术保护点】
1.一种微电网的多数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种微电网的多数据预测方法，其特征在于，采集原始数据并进行预处理，得到光伏发电数据、建筑用电数据和电动汽车充电数据，具体包括：
3.根据权利要求2所述的一种微电网的多数据预测方法，其特征在于，引入气象数据，计算所述气象数据与光伏发电数据的灰色关联度，得到强关联的气象变量，具体包括：
4.根据权利要求3所述的一种微电网的多数据预测方法，其特征在于，对所述建筑用电和电动汽车充电序列进行经验模态分解，重构为平稳子信号，具体包括：
5.根据权利要求4所述的一种微电网的多数据预测方法，其特征在于，对建筑用电负荷和电动汽车充电负荷序列进行经验模态分解，生成多个固有模态分量，具体包括：
6.根据权利要求4所述的一种微电网的多数据预测方法，其特征在于，将所述气象变量和平稳子信号输入Informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测，具体包括：
7.根据权利要求6所述的一种微电网的多数据预测方法，其特征在于，在解码器中采用一步生成式推理输出预设期间的预测结果之后，所述方法还包括：
8.根据权利要求6所述的一种微电网的多数据预测方法，其特征在于，在将所述气象变量和平稳子信号输入Informer模型，通过稀疏自注意力机制和自注意力蒸馏机制进行预测之后，所述方法还包括：
9.一种微电网的多数据预测设备，其特征在于，所述设备包括：
10.一种微电网的多数据预测的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
...
【技术特征摘要】
1.一种微电网的多数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种微电网的多数据预测方法，其特征在于，采集原始数据并进行预处理，得到光伏发电数据、建筑用电数据和电动汽车充电数据，具体包括：
3.根据权利要求2所述的一种微电网的多数据预测方法，其特征在于，引入气象数据，计算所述气象数据与光伏发电数据的灰色关联度，得到强关联的气象变量，具体包括：
4.根据权利要求3所述的一种微电网的多数据预测方法，其特征在于，对所述建筑用电和电动汽车充电序列进行经验模态分解，重构为平稳子信号，具体包括：
5.根据权利要求4所述的一种微电网的多数据预测方法，其特征在于，对建筑用电负荷和电动汽车充电负荷序列进行经验模态分解，生成多个固有模态分量，具体包括：
6...
【专利技术属性】
技术研发人员：陈存睿，齐国庆，张彦玉，李亮，李启凯，
申请(专利权)人：山东浪潮智慧建筑科技有限公司，
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。