【技术实现步骤摘要】
本专利技术涉及电力系统预测，具体为跨周期电力负荷预测的傅里叶时序图学习方法及系统。
技术介绍
1、在现代电力系统中，随着经济社会的快速发展以及各类新型用电设备的广泛应用，电力负荷呈现出复杂多变的特性，准确的电力负荷预测对于电力系统的安全稳定运行、电力资源的优化配置以及电力市场的高效运营至关重要，电力负荷预测不仅要考虑短期的负荷波动，还需兼顾跨周期的变化趋势，以应对诸如季节更替、工作日与节假日差异等不同时间尺度下的负荷变化；
2、傅里叶变换作为一种强大的信号分析工具，能够将时域信号转换为频域信号，清晰地展现信号的周期成分，将傅里叶变换与深度学习相结合，构建基于傅里叶时序图的学习方法，有望为跨周期电力负荷预测提供新的解决方案，通过对电力负荷数据进行傅里叶变换，可获取其在不同频率下的特征，进而利用深度学习模型对这些特征进行学习和预测，为此，我们提出跨周期电力负荷预测的傅里叶时序图学习方法及系统。
技术实现思路
1、本专利技术的目的在于提供跨周期电力负荷预测的傅里叶时序图学习方法及系统
2、本文档来自技高网...
【技术保护点】
1.跨周期电力负荷预测的傅里叶时序图学习系统，包括特征提取模块、空间关系建模模块以及数据处理与特征融合模块，多尺度傅里叶变换属于特征提取模块，并行图注意力网络拓展属于空间关系模块，联合优化框架完善属于数据处理与特征融合模块，所述多尺度傅里叶变换包括动态频谱重构以及多分辨率频谱融合，所述并行图注意力网络拓展包括引入强化学习动态调整权重以及融合多源异构数据增强空间依赖表达，所述联合优化框架完善包括生成对抗网络的数据增强以及自适应多模态特征融合，其特征在于：所述动态频谱重构基于递归神经网络及其变体，根据历史数据中的波动模式预测未来变化趋势，对频域特征进行动态调整并捕捉数据的...
【技术特征摘要】
1.跨周期电力负荷预测的傅里叶时序图学习系统，包括特征提取模块、空间关系建模模块以及数据处理与特征融合模块，多尺度傅里叶变换属于特征提取模块，并行图注意力网络拓展属于空间关系模块，联合优化框架完善属于数据处理与特征融合模块，所述多尺度傅里叶变换包括动态频谱重构以及多分辨率频谱融合，所述并行图注意力网络拓展包括引入强化学习动态调整权重以及融合多源异构数据增强空间依赖表达，所述联合优化框架完善包括生成对抗网络的数据增强以及自适应多模态特征融合，其特征在于：所述动态频谱重构基于递归神经网络及其变体，根据历史数据中的波动模式预测未来变化趋势，对频域特征进行动态调整并捕捉数据的动态变化，同时结合孤独森林算法和基于密度的空间聚类算法识别并剔除异常值。
2.根据权利要求1所述的跨周期电力负荷预测的傅里叶时序图学习系统，其特征在于：所述多尺度傅里叶变换中的动态频谱重构是在对电力负荷数据进行傅里叶变换获取频域特征后，建立动态模型实时监测数据的变化趋势，动态模型基于递归神经网络以及其变体构建，将历史数据中的波动模式收集储存至递归神经网络中，并根据历史数据预测未来变化趋势，对于电力负荷数据点，计算其在孤独森林中的离群得分，在大于设定阈值时，判定为异常值，并使用基于双向长短期记忆网络的插值模型，设电力负荷时间序列，缺失值位置为j，使用bi-lstm模型预测缺失值：
3.根据权利要求2所述的跨周期电力负荷预测的傅里叶时序图学习系统，其特征在于：所述多尺度傅里叶变换中的多分辨率频谱融合具体是对日、周以及月的数据分别进行傅里叶变换，得到与其相应的频域特征，并设计层次化融合算法，将得到的频域特征进行交叉融合，多尺度时间序列划分原始电力负荷数据，按照日尺度序列、周尺度序列以及月尺度序列分别为：
4.根据权利要求3所述的跨周期电力负荷预测的傅里叶时序图学习系统，其特征在于：所述并行图注意力网络拓展中的引入强化学习动态调整权重是在并行图注意力网络基础上引入强化学习机制来动态调整节点关系权重，将电力复荷预测任务视为一个强化学习问题，并定义智能体、环境、状态、动作以及奖励，智能体为并行图注意力网络中的权重调整模块，环境为电力负荷数据及其相关的空间关系信息，状态为当前时刻的电力负荷数据特征和图结构，动作是对节点关系权重的调整操作，奖励是根据预测结构与实际电力负荷之间的误差确定。
5.根据权利要求4所述的跨周期电力负荷预测的傅...
【专利技术属性】
技术研发人员：应文灏，
申请(专利权)人：上海电院电力电子实业有限公司，
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。