一种负荷日前AGC备用容量需求预测方法、系统及设备

一种负荷日前agc备用容量需求预测方法、系统及设备
技术领域
1.本发明涉及电力系统调度领域，特别是涉及一种负荷日前agc备用容量需求预测方法、系统及设备。


背景技术：

2.备用是保障电力系统平稳运行、应对电力系统不确定性(由传统发电机故障停机、线路故障、负荷与可再生能源的功率波动)补偿电力系统能量不平衡的重要资源。agc备用是系统二次调频的主要组成部分，用于应对由电炉、压延机械、电气机车等带有冲击性的工业负荷波动。
3.现阶段，对agc备用进行管理，未考虑机组提供备用资源的成本和备用资源的物理特性，且划分标准较为粗放，以高比例风光渗透、高比例电力电子设备接入为代表特征的“双高”型电力系统，风光出力的不确定性给电力系统的稳定性带来的新的挑战，传统的agc备用配置方法灵活性不足的缺点日益凸显。采用更精细化的备用分类、对不同的备用资源进行分区，做到物尽其用，进而激励各种备用资源积极有序的参与备用市场是中国备用市场下一步发展的改进方向。以响应时间为新型划分依据的agc备用需求预测对于上述问题的解决具有重要意义。


技术实现要素：

4.本发明的目的是提供一种负荷日前agc备用容量需求预测方法、系统及设备，能够提高负荷日前agc备用需求预测的准确度。
5.为实现上述目的，本发明提供了如下方案：
6.一种负荷日前agc备用容量需求预测方法，包括：
7.从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理；所述预处理包括：缺失值补全、异常值修正、数据标准化以及数据筛选和替换；
8.对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列；
9.根据一天内agc备用容量需求序列与agc备用需求曲线进行联合特征分析，提取全天备用需求的影响因素，并利用最大互信息系数法衡量相关性程度；并根据相关性程度确定特征因素；
10.根据历史日agc备用容量需求序列以及对应的特征因素，采用以attrntion机制和双向长短期记忆网络构成的负荷日前agc备用容量需求预测模型，确定待预测日的agc备用容量需求序列。
11.可选地，所述从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理，具体包括：
12.根据nyquist-shannon采样定理从调度中心获取固定时间间隔的负荷采样数据；
13.采用3sigma原则对于异常的负荷采样数据进行筛选和替换。
14.可选地，所述对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列，具体包括：
15.对预处理后的负荷采样数据进行分时段散傅里叶变换，得到不同时段的频谱图；
16.根据响应时间划分agc备用的响应时间段，帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；
17.利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求，将每个时段的agc备用容量进行拼接得到一天的agc备用容量需求序列。
18.一种负荷日前agc备用容量需求预测系统，包括：
19.数据获取和预处理模块，用于从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理；所述预处理包括：缺失值补全、异常值修正、数据标准化以及数据筛选和替换；
20.傅里叶分解和agc备用容量计算模块，用于对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列；
21.agc备用序列相关因素分析模块，用于根据一天内agc备用容量需求序列与agc备用需求曲线进行联合特征分析，提取全天备用需求的影响因素，并利用最大互信息系数法衡量相关性程度；并根据相关性程度确定特征因素；
22.负荷日前agc备用需求预测模块，用于根据历史日agc备用容量需求序列以及对应的特征因素，采用以attrntion机制和双向长短期记忆网络构成的负荷日前agc备用容量需求预测模型，确定待预测日的agc备用容量需求序列。
23.一种负荷日前agc备用容量需求预测设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。
24.可选地，所述存储器为计算机可读存储介质。
25.根据本发明提供的具体实施例，本发明公开了以下技术效果：
26.本发明所提供的一种负荷日前agc备用容量需求预测方法、系统及设备，以响应时间作为依据将系统agc备用在频域上精细划分；利用帕塞瓦尔定理分时段计算agc备用频段的功率需求，得到一天内agc备用容量需求序列；采用最大互信息系数法衡量agc备用序列与负荷序列波动特征的相关性，将相关性高的特征作为agc备用序列的特征因素；采用attention-bilstm神经网络模型作为预测模型，将历史日agc备用序列和影响因素序列作为输入，attention机制可以自适应地分配对于agc备用序列和特征序列的注意力，对关键信息赋予更大的权重，达到增强关键信息特征，削弱冗余信息特征的目的。bilstm模型用于获取输入数据与输出agc序列的双向映射关系；采用rmse、mape等作为预测精度评价指标，本发明具有较高日前agc备用需求准确度。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1为本发明所提供的一种负荷日前agc备用容量需求预测方法流程示意图；
29.图2为本发明实施例提供的归一化的负荷曲线与agc备用需求曲线示意图；
30.图3为本发明实施例提供的负荷日前agc备用容量需求周预测各模型比较示意图；
31.图4为本发明实施例提供的负荷日前agc备用容量需求单日预测各模型比较示意图；
32.图5为本发明所提供的一种负荷日前agc备用容量需求预测系统结构示意图。
具体实施方式
33.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
34.本发明的目的是提供一种负荷日前agc备用容量需求预测方法、系统及设备，能够提高负荷日前agc备用需求预测的准确度。
35.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
36.如图1所示，本发明所提供的一种负荷日前agc备用容量需求预测方法，包括：
37.s101，从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理；所述预处理包括：缺失值补全、异常值修正、数据标准化以及数据筛选和替换。
38.s101具体包括：
39.根据nyquist-shannon采样定理从调度中心获取固定时间间隔的负荷采样数据。
40.采用3sigma原则对于异常的负荷采样数据进行筛选和替换。
41.具体而言，以月为检测时间跨度，对同一月相同采样时刻的负荷数据进行筛选，为了不影响agc备用容量的计算数值，将异常负荷采样数据用前后相邻时刻的平均值替代。
42.s102，对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列。
43.s102具体包括：
44.对预处理后的负荷采样数据进行分时段散傅里叶变换，得到不同时段的频谱图。
45.根据响应时间划分agc备用的响应时间段，帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求。
46.利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求，将每个时段的agc备用容量进行拼接得到一天的agc备用容量需求序列。
47.具体而言，将一天的负荷曲线以15min为分段时长分成96段。将每一段负荷进行傅
里叶变换，在分解后的频谱图上选取agc备用所属频段，利用帕塞瓦尔定理计算该时段上的agc备用的总需求功率，将每个时段的agc备用容量组合得到一天的96点的agc备用容量需求序列曲线。
48.s103，根据一天内agc备用容量需求序列与agc备用需求曲线进行联合特征分析，提取全天备用需求的影响因素，并利用最大互信息系数法衡量相关性程度；并根据相关性程度确定特征因素。
49.将归一化后的负荷agc备用容量序列与负荷序列进行数据特征分析，利用最大互信息系数法(mic)对负荷波动特征数据与agc备用序列进行非线性关联分析，从而筛选出agc备用序列的相关影响因素作为预测模型的输入数据。利用attrntion-bilstm神经网络模型深度挖掘输入特征与备用容量曲线变化之间的联系，进一步提高负荷agc日前备用需求预测的准确度，为备用容量的精细化管理提供技术支持。
50.s104，根据历史日agc备用容量需求序列以及对应的特征因素，采用以attrntion机制和双向长短期记忆网络构成的负荷日前agc备用容量需求预测模型，确定待预测日的agc备用容量需求序列。
51.为使本发明的目的、特征和优点能够更加清晰易懂，下面结合附图和具体实施方式对本发明做进一步详细说明。
52.负荷采样数据预处理具体包括：
53.将采集得到的负荷数据，按月分类将一个月的负荷数据作为一个处理样本。
54.计算样本数据集的算数平均值并计算样本中每个数据对应的残余误差：
[0055][0056]
上式中，v
p
为样本中第p个数据对应的残余误差。
[0057]
计算样本数据集的标准差σ：
[0058][0059]
上式中，s为样本数据集中的数据总数。
[0060]
将样本数据集中每个数据的残余误差取绝对值后与3σ进行比较，若满足下式，则认为x
p
为奇异数据。
[0061]
|v
p
|≥3σ。
[0062]
将以上异常数据采用前后时刻的负荷平均值来替代。
[0063]
负荷曲线分时段傅里叶变换；离散傅里叶变换的表达式如下所示：
[0064][0065]
上式中，n和k两者都是整数，是序列x(n)和x(k)的采样值序号。x(n)是一个长度为n的有限长时域序列，x(k)是对x(n)进行离散傅里叶变换后的有限长频域序列。根据欧拉公式，上式可以展开为：
[0066][0067]
由上式，离散傅里叶变换就是将离散时间信号与不同频率的正弦波和余弦波相乘
求和，k表示离散时间信号和某一频率正弦量的相关度，而n表示在一个正弦周期内的采样点数，采样间隔为n则代表步进值。离散时间信号经过离散傅里叶变换，实质上可以等同于对时域信号进行了一次正交分解，其变换结果表示原始信号中所包含的正弦信号分量的频率和幅值。当我们用某一频率的正弦信号去等效负荷曲线中包含的agc备用分量时，其响应时间对应了正弦信号的全周期的1/4。故响应时间所对应的频率应该是响应时间四倍(即正弦信号全周期时间)的倒数，所以我们利用离散傅里叶的方法可以方便地根据响应时间的不同对系统备用进行分类。根据响应时间可将备用精细化划分为表1中的六类。
[0068]
表1系统备用分类及其对应频段
[0069][0070][0071]
由表1所示，我们只关心agc备用频段上的信号，在分析时可以将其他频段的信号置0。此外，agc备用的对应的频段范围为(1/720,1/120]，根据nyquist-shannon采样定理，采样系统的最低采样频率必须大于1/60hz，也即采样周期必须小于1min。
[0072]
负荷agc备用容量的分时段计算；帕塞瓦尔定理(parseval’stheorem)认为，一个信号所含有的能量恒等于此信号在完备正交函数集中的各分量能量之和。这表明原始信号用傅里叶变换进行时-频转换之后其总能量保持不变，信号在时域内的总能量等于在频域内的总能量。因此，频域[f1,f2]内的信号能量可由下式得到：
[0073][0074]
x(f)表示各频谱分量，他的模值代表实际频率为f的频谱分量的幅值，由此可以得到不同频段内的功率值p(f1,f2)如下所示：
[0075][0076]
具体地，对于负荷agc备用频段的范围取为(1/720,1/120]，综上所述，使用频谱分析的方法计算负荷agc备用容量的步骤可概括如下：
[0077]
使用实际负荷作为原始数据输入。
[0078]
将原始负荷信号进行筛选、对于异常值进行替换。
[0079]
对处理后的负荷分时段进行傅里叶变换，并提取agc所属频段上的频谱信息，将其他频段的频谱置0。
[0080]
采用帕塞瓦尔定理分时段计算agc备用所需容量。
[0081]
将上述分时段取为15mn，计算得到的agc备用需求按照时间顺序组合，到一天96点备用需求曲线。
[0082]
待预测日的agc备用序列的相关因素分析；最大化信息系数法(mic)具有计算复杂度低、鲁棒性高，被广泛地应用于神经网络模型中的特征选择。互信息(mutual information)是信息论中一种有用信息的度量，它可以看成是一个随机变量中包含另一个随机变量的信息，可表示如下：
[0083][0084]
p(x,y)为变量x和y之间的联合概率。mic针对两个变量之间的关系，将其离散在二维空间中，以网格划分的方法进行计算，通过网格的边际概率密度函数和联合概率密度函数计算互信息数值，经过归一化后的最大统计量即为mic，可表示如下：
[0085][0086]
上式中，b为变量，其大小一般设置为数据量的0.6次方。0mic1，当两个变量相互独立时，mic(x,y)＝0；当存在函数关系y＝f(x)时，mic(x,y)＝1。具体地，可将全天的agc备用容量序列作为变量x，其他可能影响因素序列作为变量y，采用mic法进行相关性分析。
[0087]
图2绘制了2018年7月某日的归一化负荷序列和归一化后的agc备用容量序列。根据图2所示，agc备用容量序列整体而言具有更强的波动性，且具有更大的峰谷差值。负荷序列在时间维度上前后具有承接关系，即相邻时间段内的负荷值不会有较大突变。而负荷agc备用序列则不具备这种承接特性，相邻时段的数据之间具有明显的跳跃性。这与agc备用的投入与退出有很大的关系。agc备用容量序列还具有明显的尖峰特性，尖峰时段的数据波动更加剧烈，数据的非正常跳跃性和尖峰特性也给预测带来了很大的挑战。
[0088]
由图2可知，agc备用容量序列的尖峰时间段大多出现在负荷攀升或负荷下降的时间段如上午5时至7时、上午8时至9时、中午11时至13时、下午16时至17时、晚上22时至23时等。agc备用主要用于应对由电炉、压延机械、电气机车等带有冲击性的工业负荷波动，上述时间段也正好对应了工厂一天中开工、午休、停工的时间段。由此可见采用频谱分析的方法不仅原理上可行，计算结果也符合实际情况。由于agc序列的尖峰时段与负荷变化剧烈的时段大致吻合，在此引入负荷的阶段波动标准差s
t
和阶段变化率m
t
如下式所示：
[0089][0090][0091]
上式中，n为时间段t内的负荷采样点总数，li(i＝1,2,...n)为时间段t的负荷采样点，u
t
为时间段t内的负荷均值，t为时间段t的时长，单位为min。在这里，取时间段t的长度为15min，得到一天内的负荷波动标准差序列s(si∈s,i＝1,2,...,96)和负荷变化率序列m(mi∈m,i＝1,2,...,96)。此外，负荷的周期性也会使agc备用容量序列也具有较强的自相关特性。本文选用最大互信息系数法mic来对输入数据的相关性进行分析，选取历史日的agc备用容量序列、负荷波动标准差序列s、负荷变化率序列m作为影响因素并计算相关性。
[0092]
以2018年8月1日当日的agc备用序列为例说明，具体相关系数如下表所示。表中a表示历史日agc备用序列、s表示历史日负荷标准差序列、m表示历史日负荷变化率序列，数
字代表历史日距离该天的天数。
[0093]
表2输入样本与待预测日agc备用序列的相关性系数
[0094][0095][0096]
由表2可知，待预测日的agc备用序列与历史日agc序列、历史日负荷标准差序列、历史日负荷变化率序列都具有很高的相关性。进一步地，观察可得出待预测日与前一日的序列和前七日的相关性最强，呈现出明显的日周期特性和周周期特性。因此设置时间滑窗的长度为7天，即选择前7日的每一日的agc序列、日负荷标准差序列、日负荷变化率序列作为预测模型的特征数据。
[0097]
负荷日前agc备用需求预测；根据所有待预测日当天的agc备用容量序列、待预测日当天的负荷标准差序列以及待预测日当天的负荷负荷变化率序列构成的数据集按照设定的比例分为训练集和验证集；采用滑动川口的方式从训练集和验证集中构建出负荷日前agc备用预测模型的输入与输出。
[0098]
模型的输入是一个二维矩阵，该二维矩阵的每一行代表一类特征分量。以第m个待预测日所对应的特征分量为例，这些特征分量所包含的具体元素如下表3所示。为使后续预测模型能够从广泛的特征数据中学习得到agc备用与特征之间的序列关联信息，以时间滑窗长度7天
×
96
×
特征维度4的时间窗口大小，以时间步长为1天，从二维特征数据矩阵滑窗构建备用预测的输入矩阵，每个时间窗口的输入矩阵会对应一个待预测日的日前备用需求序列。
[0099]
表3所用特征量
[0100][0101]
根据双向长短期记忆神经网络bilstm、以及注意力机制构建负荷日前agc备用需求预测模型。即构建能够有效挖掘时序数据长期宏观以及短期局部变化特性的时间注意力网络，具体描述如下：
[0102]
首先，设置双层bilstm网络用于对输入信息进行长期宏观特征的提取，一层tam层旨在分配注意力权重，聚焦关键特征信息，加强对漫长时间信息的记忆；双层bilstm网络的神经元个数设置为32、64；在两层bilstm网络中插入一层随机失活层，随机失活率为0.2；tam层的输出维度设置为96。
[0103]
全连接dense层。共有两层dense网络层，用于对tam层融合输出的信息进行降维：第一层全连接层神经元数为21，第二层全连接层作为输出层，设置神经元数为1，采用prelu激活函数为输出数据添加非线性成分。整个模型采用adam优化器进行优化。
[0104]
模型训练与预测：输入训练集与验证集进行模型参数的训练，每次迭代训练后会在验证集样本中检验模型的训练效果，设置迭代次数100次，并以验证集损失函数最小为目标设置modelcheckpoint最优模型保存函数，保存训练过程中效果最好的模型参数。最后输入特征数据完成对未来待预测日的负荷日前agc备用需求预测。
[0105]
实例仿真；将南方电网某省2018年1月1日至2021年12月31日共1461天的真实负荷数据进行算例分析，负荷的采样间隔为30s，满足1.2小节中所提的数据采样要求，一天共有2880个数据点，数据集内共具有4207680个数据点。将2018年1月至2021年6月共30个月的负荷agc备用及相关特征数据作为训练集，2021年7月至12月共6个月的负荷agc备用数据作为测试集。
[0106]
实例分为两大部分：连续周预测与单日预测。其中，周预测是指输出连续一周的agc备用需求曲线，单日预测是输出指定单日的agc备用需求曲线。本文选取bp、lstm、bilstm作为对比模型，对2021年下半年每个月分别进行周预测和单日预测。图3展示了2021年8月3日至8月9日的周预测结果，图4展示了2021年10月22日的单日预测效果。
[0107]
预测效果的评价；为了评估负荷预测模型的预测精度，本发明选取均方根误差rmse和平均百分比误差mape，以及准确度r2三个指标进行衡量。计算公式如下：
[0108][0109][0110][0111]
上式中，n表示预测结果的总个数；和yi分别为预测结果中第i个点的预测值和实
际值；y
ave
为预测结果中实际值的均值。mape的单位为％，rmse的单位为mw，r2无单位。
[0112]
2021年下半年各月份周预测结果如下表4所示，下半年各月份单日预测结果如下表5所示。
[0113]
表4 2021下半年不同模型周预测结果
[0114][0115]
表5 2021年下半年不同模型单日预测结果
[0116]
[0117][0118]
如图5所示，本发明还提供.一种负荷日前agc备用容量需求预测系统，包括：
[0119]
数据获取和预处理模块201，用于从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理；所述预处理包括：缺失值补全、异常值修正、数据标准化以及数据筛选和替换。
[0120]
傅里叶分解和agc备用容量计算模块202，用于对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列。
[0121]
agc备用序列相关因素分析模块203，用于根据一天内agc备用容量需求序列与agc备用需求曲线进行联合特征分析，提取全天备用需求的影响因素，并利用最大互信息系数法衡量相关性程度；并根据相关性程度确定特征因素。
[0122]
负荷日前agc备用需求预测模块204，用于根据历史日agc备用容量需求序列以及对应的特征因素，采用以attrntion机制和双向长短期记忆网络构成的负荷日前agc备用容量需求预测模型，确定待预测日的agc备用容量需求序列。
[0123]
作为另一个具体的实施例，本发明还提供一种负荷日前agc备用容量需求预测设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。
[0124]
所述存储器为计算机可读存储介质。
[0125]
基于上述描述，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备
等)执行本发明各个实施例方法的全部或部分步骤。而前述的计算机存储介质包括：u盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
[0126]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种负荷日前agc备用容量需求预测方法，其特征在于，包括：从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理；所述预处理包括：缺失值补全、异常值修正、数据标准化以及数据筛选和替换；对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列；根据一天内agc备用容量需求序列与agc备用需求曲线进行联合特征分析，提取全天备用需求的影响因素，并利用最大互信息系数法衡量相关性程度；并根据相关性程度确定特征因素；根据历史日agc备用容量需求序列以及对应的特征因素，采用以attrntion机制和双向长短期记忆网络构成的负荷日前agc备用容量需求预测模型，确定待预测日的agc备用容量需求序列。2.根据权利要求1所述的一种负荷日前agc备用容量需求预测方法，其特征在于，所述从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理，具体包括：根据nyquist-shannon采样定理从调度中心获取固定时间间隔的负荷采样数据；采用3sigma原则对于异常的负荷采样数据进行筛选和替换。3.根据权利要求1所述的一种负荷日前agc备用容量需求预测方法，其特征在于，所述对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列，具体包括：对预处理后的负荷采样数据进行分时段散傅里叶变换，得到不同时段的频谱图；根据响应时间划分agc备用的响应时间段，帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求，将每个时段的agc备用容量进行拼接得到一天的agc备用容量需求序列。4.一种负荷日前agc备用容量需求预测系统，其特征在于，包括：数据获取和预处理模块，用于从调度中心获取固定时间间隔的负荷采样数据；并对负荷采样数据进行预处理；所述预处理包括：缺失值补全、异常值修正、数据标准化以及数据筛选和替换；傅里叶分解和agc备用容量计算模块，用于对预处理后的负荷采样数据进行离散傅里叶变换，根据时-频对应关系确定agc备用的响应时间段；利用帕塞瓦尔定理确定傅里叶变换后的agc备用的响应时间段内的功率需求；并将一天内不同时段的功率需求进行拼接确定一天内agc备用容量需求序列；agc备用序列相关因素分析模块，用于根据一天内agc备用容量需求序列与agc备用需求曲线进行联合特征分析，提取全天备用需求的影响因素，并利用最大互信息系数法衡量相关性程度；并根据相关性程度确定特征因素；负荷日前agc备用需求预测模块，用于根据历史日agc备用容量需求序列以及对应的特征因素，采用以attrntion机制和双向长短期记忆网络构成的负荷日前agc备用容量需求预测模型，确定待预测日的agc备用容量需求序列。
5.一种负荷日前agc备用容量需求预测设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-3中任一项所述的方法。6.根据权利要求5所述的一种负荷日前agc备用容量需求预测设备，其特征在于，所述存储器为计算机可读存储介质。

技术总结
本发明公开一种负荷日前AGC备用容量需求预测方法、系统及设备，涉及电力系统调度领域，该方法包括对预处理后的负荷采样数据进行离散傅里叶变换；利用帕塞瓦尔定理确定傅里叶变换后的AGC备用的响应时间段内的功率需求；将一天内不同时段的功率需求进行拼接；根据一天内AGC备用容量需求序列与AGC备用需求曲线进行联合特征分析，利用最大互信息系数法衡量相关性程度；根据相关性程度确定特征因素；根据历史日AGC备用容量需求序列以及对应的特征因素，采用以Attrntion机制和双向长短期记忆网络构成的负荷日前AGC备用容量需求预测模型，确定待预测日的AGC备用容量需求序列。本发明能够提高负荷日前AGC备用需求预测的准确度。能够提高负荷日前AGC备用需求预测的准确度。能够提高负荷日前AGC备用需求预测的准确度。


技术研发人员：梁振成 李滨 宁阳天 李浩然 谢代钰 阳育德 李凌 李佩杰 李黎 孙艳 靳岳超 熊莉 梁阳豆 李光明
受保护的技术使用者：广西大学
技术研发日：2023.05.16
技术公布日：2023/10/8