本技術(shù)涉及電力負荷預測，特別涉及一種極端天氣事件的電力負荷預測方法。本技術(shù)同時涉及一種極端天氣事件的電力負荷預測裝置、一種計算設(shè)備，以及一種計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、目前，全球極端天氣事件正顯著增多和加劇，表現(xiàn)為持續(xù)高溫、干旱、暴風雪以及更頻繁的極端氣候事件如熱浪和寒潮。極端天氣具有概率小、風險高、危害大的特征，常常導致電力需求急劇變化或可再生能源產(chǎn)出波動，對風力和光伏發(fā)電系統(tǒng)的正常運行和電力供應構(gòu)成了重大挑戰(zhàn)。此外，極端天氣事件可能會對基礎(chǔ)設(shè)施造成重大破壞，并立即增加或減少電力需求，嚴重影響電網(wǎng)的穩(wěn)定供電和調(diào)度決策。

2、電力負荷預測已形成了較為完善的技術(shù)體系，其中組合模型能夠克服單一模型的缺陷，實現(xiàn)優(yōu)勢互補，因此被廣泛使用。但目前極端天氣條件下負荷預測的研究相對有限，大部分研究主要將天氣因素視為特征變量考慮，而缺少對具體天氣預測場景的研究。熱浪、寒潮與正常天氣對負荷的影響機理并不一致。寒潮導致輸電線路因冰凍而斷裂或因積雪和冰重而塌陷，進而影響到負荷的正常供應。持續(xù)高溫條件下，工業(yè)區(qū)空調(diào)負荷激增。

3、由于極端天氣導致電力負荷序列的波動性大且突變性強，其中不僅包括趨勢和周期性成分，還含有大量的白噪聲，導致電力負荷預測精度受到嚴重影響。為此，信號分解技術(shù)被廣泛應用于電力負荷預測領(lǐng)域中。rubasinghe等人采用改進的自適應噪聲完全集成經(jīng)驗模態(tài)分解(improved?complete?ensemble?empirical?mode?decomposition?withadaptive?noise，iceemdan)技術(shù)，消除原始凈負荷的高頻分量后，輸入長短期記憶(longshort-term?memory，lstm)網(wǎng)絡(luò)預測，得到準確日前預測。但在處理復雜信號時，尤其是信號成分頻率接近或重疊時，仍然可能出現(xiàn)模態(tài)混疊，導致預測出現(xiàn)較大的誤差。mokarram等人引入了一種結(jié)合了多輸入lstm、模糊系統(tǒng)以及離散小波變換的技術(shù)，通過離散小波變換，該技術(shù)將凈負荷分解為不同頻率的分量，這些分量在時間和頻率上展示出顯著的局部化特征。此外，這種方法還能夠揭示潛在的細節(jié)，從而有助于預測復雜系統(tǒng)中的高度不確定性點。但由于極端高溫和極端低溫下負荷波動性強，現(xiàn)有的單一預測模型很難準確預測負荷趨勢。此外，使用帶有手動調(diào)整的單一分解模型不能有效地選擇超參數(shù)，導致分解性能不佳。

4、為了更準確地預測電力需求，研究人員提出了各種負荷預測方法。通常，短期負荷預測模型可分為三類：統(tǒng)計模型、深度學習模型和組合模型。每種方法都有其獨特的優(yōu)勢，適用于處理不同的預測情景和需求。統(tǒng)計方法依賴于對歷史數(shù)據(jù)的數(shù)學分析，強調(diào)模型的穩(wěn)定性和解釋能力，如線性回歸、指數(shù)平滑、自回歸綜合移動平均；深度學習模型傾向于從數(shù)據(jù)中學習復雜的模式和關(guān)聯(lián)，這提高了預測的準確性和靈活性，特別是卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、門控循環(huán)單元、長短期記憶和循環(huán)神經(jīng)網(wǎng)絡(luò)已被廣泛使用，然而統(tǒng)計方法和單一深度學習方法在面對復雜極端天氣場景和數(shù)據(jù)量稀疏場景時，?往往表現(xiàn)出較差的預測性能。大部分傳統(tǒng)預測方法的非線性時間依賴性提取能力較差并且提取特征方式較為單一，局限于提取時間特征和提取空間特征，不能在頻域中有效、全面地學習更多的時間信息，無法有效獲取氣象特征和負荷特征之間的信息，從而在復雜的極端天氣預測任務中表現(xiàn)較差。

技術(shù)實現(xiàn)思路

1、有鑒于此，本技術(shù)實施例提供了一種極端天氣事件的電力負荷預測方法，以解決現(xiàn)有技術(shù)中存在的技術(shù)缺陷。本技術(shù)實施例同時提供了一種極端天氣事件的電力負荷預測裝置，一種計算設(shè)備，以及一種計算機可讀存儲介質(zhì)。

2、根據(jù)本技術(shù)實施例的第一方面，提供了一種極端天氣事件的電力負荷預測方法，包括：

3、采集電力負荷數(shù)據(jù)與氣象預報數(shù)據(jù)；

4、基于相關(guān)系數(shù)法，確定所述電力負荷數(shù)據(jù)與所述氣象預報數(shù)據(jù)之間的相關(guān)性，并剔除冗余特征，得到負荷數(shù)據(jù)序列；

5、通過粒子群算法優(yōu)化的變模態(tài)分解，處理所述負荷數(shù)據(jù)序列，得到高頻分量、低頻分量與殘差分量；

6、通過預訓練的第一模型對所述高頻分量進行處理，得到第一序列，通過預訓練的第二模型對所述低頻分量進行處理，得到第二序列；

7、通過預訓練的第三模型對所述殘差分量進行處理，并將處理結(jié)果結(jié)合所述第一序列與所述第二序列，確定電力負荷預測數(shù)據(jù)。

8、可選地，還包括：

9、基于線性插值和多項式插值，填充所述電力負荷數(shù)據(jù)的缺失值；

10、基于標準分數(shù)與箱根圖方法，處理所述電力負荷數(shù)據(jù)的異常值。

11、可選地，所述通過預訓練的第一模型對所述高頻分量進行處理，得到第一序列，包括：

12、通過所述第一模型中包含的時間卷積網(wǎng)絡(luò)，對所述高頻分量進行特征提取，并將特征提取結(jié)果與所述氣象預報數(shù)據(jù)對應的特征進行特征融合，得到輸入特征；

13、沿著所述第一模型的通道維度，通過頻域注意力機制將所述輸入特征劃分為多個子序列，并通過多個所述子序列，確定頻率信道向量；

14、根據(jù)所述第一模型中包含的門控脈沖神經(jīng)p模型，對所述頻率信道向量進行處理，得到所述第一序列。

15、可選地，所述通過預訓練的第二模型對所述低頻分量進行處理，得到第二序列，包括：

16、基于itransfomer模型架構(gòu)的所述第二模型中，包含的歸一化層、前饋網(wǎng)絡(luò)以及自注意力機制，對所述低頻分量進行處理，得到所述第二序列。

17、可選地，所述通過預訓練的第三模型對所述殘差分量進行處理，并將處理結(jié)果結(jié)合所述第一序列與所述第二序列，確定電力負荷預測數(shù)據(jù)，包括：

18、根據(jù)informer模型架構(gòu)的所述第三模型中，包含的多頭稀疏自注意力機制、解碼器以及informer模型蒸餾機制，對所述殘差分量進行處理，得到殘差負荷分量預測數(shù)據(jù)；

19、結(jié)合所述第一序列、所述第二序列與所述殘差負荷分量預測數(shù)據(jù)，確定所述電力負荷預測數(shù)據(jù)。

20、可選地，所述變模態(tài)分解的確定過程為：

21、基于hilbert變換，確定全部模態(tài)函數(shù)的解析信號，并根據(jù)全部的所述解析信號，確定全部所述解析信號的單邊頻譜與中心頻率；

22、根據(jù)所述中心頻率，將所述單邊頻譜調(diào)制到相應的基頻帶，構(gòu)造受約束的變模態(tài)分解問題；

23、基于引入的二次懲罰因子，將受約束的所述變模態(tài)分解問題，轉(zhuǎn)化為非約束的所述變模態(tài)分解問題，得到擴展的拉格朗日表達式；

24、通過交替方向乘子迭代算法逐步優(yōu)化所述拉格朗日表達式，確定所述變模態(tài)分解。

25、可選地，通過所述粒子群算法優(yōu)化所述變模態(tài)分解的過程，包括：

26、將所述變模態(tài)分解的潛在解初始化為多個粒子；

27、計算任一所述粒子的歷史最優(yōu)位置，并記錄全部所述粒子的歷史最優(yōu)位置；

28、基于全部所述粒子的歷史最優(yōu)位置，確定任一所述粒子的個體歷史最優(yōu)適應值，與全部所述粒子的群體歷史最優(yōu)適應值；

29、基于所述個體歷史最優(yōu)適應值與所述群體歷史最優(yōu)適應值，對全部所述粒子的位置與速度進行更新；

30、重復所述確定任一所述粒子的個體歷史最優(yōu)適應值，與全部所述粒子的群體歷史最優(yōu)適應值步驟，直至達到最大迭代次數(shù)，得到所述粒子群算法優(yōu)化的所述變模態(tài)分解。

31、根據(jù)本技術(shù)實施例的第二方面，提供了一種極端天氣事件的電力負荷預測裝置，包括：

32、采集模塊，被配置為采集電力負荷數(shù)據(jù)與氣象預報數(shù)據(jù)；

33、剔除模塊，被配置為基于相關(guān)系數(shù)法，確定所述電力負荷數(shù)據(jù)與所述氣象預報數(shù)據(jù)之間的相關(guān)性，并剔除冗余特征，得到負荷數(shù)據(jù)序列；

34、分解模塊，被配置為通過粒子群算法優(yōu)化的變模態(tài)分解，處理所述負荷數(shù)據(jù)序列，得到高頻分量、低頻分量與殘差分量；

35、第一處理模塊，被配置為通過預訓練的第一模型對所述高頻分量進行處理，得到第一序列，通過預訓練的第二模型對所述低頻分量進行處理，得到第二序列；

36、第二處理模塊，被配置為通過預訓練的第三模型對所述殘差分量進行處理，并將處理結(jié)果結(jié)合所述第一序列與所述第二序列，確定電力負荷預測數(shù)據(jù)。

37、根據(jù)本技術(shù)實施例的第三方面，提供了一種計算設(shè)備，包括：

38、存儲器和處理器；

39、所述存儲器用于存儲計算機可執(zhí)行指令，所述處理器執(zhí)行所述計算機可執(zhí)行指令時實現(xiàn)所述極端天氣事件的電力負荷預測方法的步驟。

40、根據(jù)本技術(shù)實施例的第四方面，提供了一種計算機可讀存儲介質(zhì)，其存儲有計算機可執(zhí)行指令，該指令被處理器執(zhí)行時實現(xiàn)所述極端天氣事件的電力負荷預測方法的步驟。

41、根據(jù)本技術(shù)實施例的第五方面，提供了一種芯片，其存儲有計算機程序，該計算機程序被芯片執(zhí)行時實現(xiàn)所述極端天氣事件的電力負荷預測方法的步驟。

42、本技術(shù)提供的極端天氣事件的電力負荷預測方法，通過采集電力負荷數(shù)據(jù)與氣象預報數(shù)據(jù)；基于相關(guān)系數(shù)法，確定所述電力負荷數(shù)據(jù)與所述氣象預報數(shù)據(jù)之間的相關(guān)性，并剔除冗余特征，得到負荷數(shù)據(jù)序列；通過粒子群算法優(yōu)化的變模態(tài)分解，處理所述負荷數(shù)據(jù)序列，得到高頻分量、低頻分量與殘差分量；通過預訓練的第一模型對所述高頻分量進行處理，得到第一序列，通過預訓練的第二模型對所述低頻分量進行處理，得到第二序列；通過預訓練的第三模型對所述殘差分量進行處理，并將處理結(jié)果結(jié)合所述第一序列與所述第二序列，確定電力負荷預測數(shù)據(jù)。在減輕特征冗余度和信息計算量的前提下，以高可靠性的信號分解，削弱數(shù)據(jù)處理復雜度，完成復雜的極端天氣預測任務，進一步通過精確預測極端天氣下的負荷，有效協(xié)助電網(wǎng)運營商優(yōu)化資源配置，從而確保電網(wǎng)的穩(wěn)定運行。