加载失败
本技术涉及电力系统技术，旨在解决源荷预测模型中神经网络参数无法自动调整的问题。该方法包括构建模型、调整参数、预测源荷等步骤，以提高预测准确性和系统效率。
背景技术
随着太阳能、风能等可再生能源的大规模应用，其波动性和不确定性给电力系统带来了挑战。因此，提高源荷预测的准确性成为了研究热点。基于深度学习神经网络等先进技术手段可以有效处理非线性、高维度的数据的特点，为了提升源荷预测的稳定性和可靠性，提高可再生能源和负荷的预测精度，通常先观察源荷数据特征，再基于该数据特征构建构成源荷预测模型。上述源荷预测模型的神经网络参数固定不变，无法根据预测样本集的变化自动调整参数，更换样本集后，必须重新手动调整神经网络参数，整个过程存在大量的试错时间成本。
实现思路
本技术提供一种虚拟电厂源荷预测模型构建方法、源荷预测方法及装置，以至少解决相关技术中源荷预测模型的神经网络参数固定不变，无法根据预测样本集的变化自动调整参数，更换样本集后，必须重新手动调整神经网络参数，整个过程存在大量的试错时间成本的问题。本技术的技术方案如下：
根据本技术实施例的第一方面，提供了一种虚拟电厂源荷预测模型构建方法，将多个场景下的历史源荷数据以及对应的历史天气因素数据作为样本数据；获取表征样本数据与多个场景中各个场景的源荷曲线之间映射关系一一对应的各个初始模型；初始模型包括第一初始优化层和第二初始优化层；第一初始优化层用于对从多个模态分解算法中选取初始模型所关联的模态分解算法，并基于选取的所关联的模态分解算法对样本数据进行第一优化调整，以从样本数据中提取与初始模型对应场景适配的关键特征数据；第二初始优化层用于基于关键特征数据对初始模型的模型结构和模型参量进行第二优化调整；针对各个场景对应的各个初始模型中任一初始模型，依据样本数据，反复执行第一优化调整和执行第二优化调整，直至满足对应的第一优化条件和第二优化条件，对应得到任一初始模型所对应场景匹配的预测模型和预测模型所关联的预设模态分解算法。
在一种实现方式中，第一优化条件为执行第一优化调整的第一调整次数到达调整阈值以及预设模态分解算法为第一优化调整的调整时间最短的模态分解算法；第二优化条件为执行第二优化调整的第二调整次数到达调整阈值以及预测模型为第一优化调整和第二优化调整后的任一初始模型输出的源荷曲线与实际源荷曲线相差范围在预设误差范围内；实际源荷曲线为任一初始模型在对应场景和历史天气因素下的真实源荷曲线。
另一种实现方式中，将多个场景下的历史源荷数据以及对应的历史天气因素数据作为样本数据，包括：对历史源荷数据进行拟合得到拟合曲线，将拟合曲线和历史天气因素数据，作为样本数据。
另一种实现方式中，执行第一优化调整，包括：采用选取的所关联的模态分解算法，将历史源荷数据的拟合曲线分解为多个子序列；基于多个子序列的权重，将多个子序列中噪声序列去除，得到多个有用序列；以及，基于初始模型对应场景的天气因素特征的权重，从历史天气因素数据分别选取与初始模型对应场景相关联的历史天气特征因素；天气因素特征包括温度、湿度、风速、气压、降水；将历史天气特征因素和多个有用序列作为关键特征数据，或，将历史天气特征因素和多个有用序列进行归一化处理得到关键特征数据。
另一种实现方式中，在基于多个子序列的权重，将多个子序列中噪声序列去除，得到多个有用序列；以及，基于初始模型对应场景的天气因素特征的权重，从历史天气因素数据分别选取与初始模型对应场景相关联的历史天气特征因素之前，方法还包括：调用改进鲸鱼优化算法，分别确定初始模型对应场景的天气因素特征的权重和多个子序列的权重；改进鲸鱼优化算法是采用混沌算子、Levy飞行策略、“观察者”策略优化后的。
另一种实现方式中，初始模型为神经网络模型，初始模型的模型结构包括卷积层、池化层、全连接层、注意力机制中的一种或多种，以及，基础长短期记忆神经网络或双向长短时记忆神经网络；初始模型的模型参量包括卷积核的大小、步长、零填充、过滤器数量、池化步长、过滤器大小、池化类型、输入层与隐藏层间的权重和各层神经元个数。
另一种实现方式中，执行第二优化调整具体包括：调用改进鲸鱼优化算法，分别确定初始模型的模型结构的权重和初始模型的模型参量的权重；基于初始模型的模型结构的权重，确定第二优化调整过程中初始模型的模型结构；以及，基于初始模型的模型参量的权重，确定第二优化调整过程中初始模型的模型参量。