一种应用于光储充领域的时间序列预测方法与流程

本公开涉及光储充，具体地，涉及一种应用于光储充领域的时间序列预测方法。

背景技术：

1、随着能源需求的增长和可再生能源的普及，光伏发电以及光储充技术在能源领域扮演着越来越重要的角色。其中，光储充系统作为一种新兴的能源管理技术，能够有效地整合太阳能发电和电池储能，以提高能源利用效率和系统稳定性。

2、应可以理解，通过对用电量进行有效预测，光储充系统可以基于此预测信息来更好地规划和管理能源的生产、存储和使用，从而实现能源的高效利用。例如，通过对用电量进行预测分析，可以帮助光储充系统在高峰期合理分配能源，降低能源浪费。

3、然而，由于现有技术中对时间序列的预测方式存在许多问题。例如，传统的时间序列预测方法往往难以捕捉用电负荷数据中的复杂动态特性和周期性变化规律，导致针对于用电量的预测结果并不准确，无法有效提升光储充系统的运行管理效率。因此，期待一种优化的应用于光储充领域的时间序列预测方法。

技术实现思路

1、提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

2、第一方面，本公开提供了一种应用于光储充领域的时间序列预测方法，所述方法包括：

3、获取历史用电负荷数据；

4、使用多尺度电负荷时序关联分析模块对所述历史用电负荷数据进行处理以得到第一时间尺度用电负荷数据时序关联特征向量和第二时间尺度用电负荷数据时序关联特征向量；

5、使用多尺度特征融合与校正模块对所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行处理以得到校正后多时间尺度用电负荷数据时序关联特征向量；以及

6、基于所述校正后多时间尺度用电负荷数据时序关联特征向量来确定预测用电量。

7、可选地，使用多尺度电负荷时序关联分析模块对所述历史用电负荷数据进行处理以得到第一时间尺度用电负荷数据时序关联特征向量和第二时间尺度用电负荷数据时序关联特征向量，包括：基于不同时间尺度对所述历史用电负荷数据进行数据预处理以得到历史用电负荷数据第一局部时序尺度输入向量的序列和历史用电负荷数据第二局部时序尺度输入向量的序列；以及，利用深度学习网络模型对所述历史用电负荷数据第一局部时序尺度输入向量的序列和所述历史用电负荷数据第二局部时序尺度输入向量的序列进行特征提取以得到所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量。

8、可选地，基于不同时间尺度对所述历史用电负荷数据进行数据预处理以得到历史用电负荷数据第一局部时序尺度输入向量的序列和历史用电负荷数据第二局部时序尺度输入向量的序列，包括：以第一时间尺度对所述历史用电负荷数据进行数据切分和数据规整以得到所述历史用电负荷数据第一局部时序尺度输入向量的序列；以及，以第二时间尺度对所述历史用电负荷数据进行数据切分和数据规整以得到所述历史用电负荷数据第二局部时序尺度输入向量的序列。

9、可选地，以第一时间尺度对所述历史用电负荷数据进行数据切分和数据规整以得到所述历史用电负荷数据第一局部时序尺度输入向量的序列，包括：基于所述第一时间尺度对所述历史用电负荷数据进行数据切分以得到历史用电负荷数据第一局部数据集的序列；以及，将各个所述历史用电负荷数据第一局部数据集按照时间维度进行排列以得到由各个所述历史用电负荷数据第一局部时序尺度输入向量组成的所述历史用电负荷数据第一局部时序尺度输入向量的序列。

10、可选地，利用深度学习网络模型对所述历史用电负荷数据第一局部时序尺度输入向量的序列和所述历史用电负荷数据第二局部时序尺度输入向量的序列进行特征提取以得到所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量，包括：将所述历史用电负荷数据第一局部时序尺度输入向量的序列通过基于转换器结构的用电负荷数据时序上下文编码器以得到所述第一时间尺度用电负荷数据时序关联特征向量；以及，将所述历史用电负荷数据第二局部时序尺度输入向量的序列通过所述基于转换器结构的用电负荷数据时序上下文编码器以得到所述第二时间尺度用电负荷数据时序关联特征向量。

11、可选地，使用多尺度特征融合与校正模块对所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行处理以得到校正后多时间尺度用电负荷数据时序关联特征向量，包括：使用多时间尺度特征融合器对所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行处理以得到多时间尺度用电负荷数据时序关联特征向量；以及，对所述多时间尺度用电负荷数据时序关联特征向量进行特征分布校正以得到所述校正后多时间尺度用电负荷数据时序关联特征向量。

12、可选地，使用多时间尺度特征融合器对所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行处理以得到多时间尺度用电负荷数据时序关联特征向量，包括：以如下多时间尺度特征融合公式对所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行处理以得到所述多时间尺度用电负荷数据时序关联特征向量；其中，所述多时间尺度特征融合公式为：；其中，为所述第一时间尺度用电负荷数据时序关联特征向量，为所述第二时间尺度用电负荷数据时序关联特征向量，为所述多时间尺度用电负荷数据时序关联特征向量，，为门限值，表示将所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行级联，是变换向量，是偏置参数，表示激活函数。

13、可选地，对所述多时间尺度用电负荷数据时序关联特征向量进行特征分布校正以得到所述校正后多时间尺度用电负荷数据时序关联特征向量，包括：对所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行融合校正以得到校正特征向量；以及，融合所述校正特征向量与所述多时间尺度用电负荷数据时序关联特征向量以得到所述校正后多时间尺度用电负荷数据时序关联特征向量。

14、可选地，基于所述校正后多时间尺度用电负荷数据时序关联特征向量来确定预测用电量，包括：将所述校正后多时间尺度用电负荷数据时序关联特征向量通过基于解码器的预测器以得到预测值，所述预测值用于表示未来n小时内的预测用电量。

15、可选地，将所述校正后多时间尺度用电负荷数据时序关联特征向量通过基于解码器的预测器以得到预测值，所述预测值用于表示未来n小时内的预测用电量，用于：使用所述基于解码器的预测器以如下解码公式对所述校正后多时间尺度用电负荷数据时序关联特征向量进行解码回归以得到所述预测值；其中，所述解码公式为：，其中，表示所述校正后多时间尺度用电负荷数据时序关联特征向量，表示所述预测值，表示权重矩阵，表示偏置向量，表示矩阵乘。

16、采用上述技术方案，通过使用多尺度电负荷时序关联分析模块对获取的历史用电负荷数据进行处理以得到第一时间尺度用电负荷数据时序关联特征向量和第二时间尺度用电负荷数据时序关联特征向量；使用多尺度特征融合与校正模块对所述第一时间尺度用电负荷数据时序关联特征向量和所述第二时间尺度用电负荷数据时序关联特征向量进行处理以得到校正后多时间尺度用电负荷数据时序关联特征向量；以及，基于所述校正后多时间尺度用电负荷数据时序关联特征向量来确定预测用电量。这样，为光储充系统的能源调度和优化提供强有力的支持。

17、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。