园区能源调度量预测方法和装置与流程

本技术属于能源调度预测，尤其涉及园区能源调度量预测方法和装置。

背景技术：

1、园区是指采用新一代信息技术和智能化技术，以节能减排、智能安防等技术手段来提高生产效率、优化资源配置的现代化城市园区。其能源调度模式众多，随着新能源的广泛使用，微电网成为园区的供电主要载体，以分布式的形式接入风电等间歇式能源，实现新能源的有效消纳。但以光伏、风电为代表的间歇式新能源由于发电过程与环境气候相关，电能供给具有不稳定性，且存在电能浪费的情况。

2、因为电能供给存在不稳定性，所以电网对园区的调度量呈现出非平稳非线性的情况，根据这样的非平稳非线性的复杂数据去预测未来的调度量就十分困难，现有技术中的预测方法大多采用神经网络的融合注意力机制进行预测，但是其预测结果的精度普遍不高，依旧存在电能浪费的情况。

技术实现思路

1、本技术实施例提供了园区能源调度量预测方法和装置，以能够更加准确的预测园区能源调度量，能够更好地节约能源。

2、本技术是通过如下技术方案实现的：

3、第一方面，本技术实施例提供了一种园区能源调度量预测方法，包括：

4、获取预设历史时段内电网向园区进行电力调度的历史能源调度量。

5、基于变分模态分解法vmd对历史能源调度量进行自适应分解，得到多阶模态分量imf，每阶模态分量imf形成一个目标电力数据序列。

6、针对每个目标电力数据序列，基于该目标电力数据序列进行预测，得到该目标电力数据序列对应的目标时段的目标能源调度分量；目标时段在预设历史时段之后。

7、计算各个目标电力数据序列对应的目标时段的目标能源调度分量的和，作为目标时段内电网向园区进行电力调度的能源调度量。

8、结合第一方面，在一些可能的实现方式中，基于变分模态分解法vmd对历史能源调度量进行自适应分解，得到多阶模态分量imf，每阶模态分量imf形成一个目标电力数据序列，包括：

9、基于鲸鱼优化算法woa，以适应度函数最小为目标函数对变分模态分解法vmd的参数进行参数寻优，获得最优参数组合。

10、将最优参数组合作为变分模态分解法vmd的参数组合，对历史能源调度量进行自适应分解，得到多阶模态分量imf，每阶模态分量imf形成一个目标电力数据序列。

11、结合第一方面，在一些可能的实现方式中，基于鲸鱼优化算法woa，以适应度函数最小为目标函数对变分模态分解vmd法的参数进行参数寻优，获得最优参数组合，包括：

12、将变分模态分解法vmd的各个参数作为鲸鱼优化算法woa中各个鲸鱼的初始位置。

13、预设鲸鱼优化算法woa的最大迭代次数。

14、计算每个鲸鱼的适应度，找到当前最优鲸鱼的位置并记录。

15、计算收敛因子、捕食机制概率和系数向量。

16、若捕食机制概率不小于第一预设阈值，则基于第一公式对最优鲸鱼的位置进行更新，得到更新后的最优鲸鱼的位置。

17、若捕食机制概率小于第一预设阈值，判断系数向量的绝对值是否小于第二预设阈值，若系数向量小于第二阈值，则基于收敛因子和第二公式对最优鲸鱼的位置进行更新，得到更新后的最优鲸鱼的位置，若系数向量不小于第二预设阈值，则基于收敛因子和第三公式对最优鲸鱼的位置进行更新，得到更新后的最优鲸鱼的位置。

18、在最优鲸鱼的位置完成更新后，计算更新后的每个鲸鱼的适应度，并与更新前的每个鲸鱼的适应度进行比较，若更新后的每个鲸鱼的适应度更高，则将更新后的每个鲸鱼的位置作为最优解，若更新前的每个鲸鱼的适应度更高，则将更新前的每个鲸鱼的位置作为最优解。

19、判断计算是否达到最大迭代次数，若达到最大迭代次数，则将最优解作为最优参数组合，若未达到最大迭代次数，则返回计算计算收敛因子、捕食机制概率和系数向量的步骤。

20、结合第一方面，在一些可能的实现方式中，收敛因子为：

21、

22、其中，a表示收敛因子，t表示当前迭代次数，tmax表示最大迭代次数。

23、结合第一方面，在一些可能的实现方式中，第一公式为：

24、

25、其中，w(t+1)表示t+1次迭代次数时的最优鲸鱼的位置，t表示当前迭代次数，tmax表示最大迭代次数，w*(t)表示t次迭代次数时的猎物位置，dp表示最优鲸鱼的位置和当前最优位置之间的距离，表示t次迭代次数时的最佳鲸鱼的位置向量，b表示控制螺旋形状的常量参数，l表示[-1，1]范围内的随机数。

26、结合第一方面，在一些可能的实现方式中，第二公式为：

27、

28、a＝2a×r1-a

29、d＝|cw*(t)-w(t)|

30、c＝2r2

31、其中，w(t+1)表示t+1次迭代次数时的最优鲸鱼的位置，t表示当前迭代次数，tmax表示最大迭代次数，w*(t)表示t次迭代次数时的猎物位置，w(t)表示t次迭代次数时最优鲸鱼的位置，ad表示包围步长，a表示收敛因子，r1表示0到1之间的随机数，r2表示0到1之间的随机数。

32、结合第一方面，在一些可能的实现方式中，第三公式为：

33、

34、a＝2a×r1-a

35、d＝|cw*(t)-w(t)|

36、c＝2r2

37、其中，wrand(t)表示t次迭代次数时的随机选取的最优鲸鱼的位置，w(t+1)表示t+1次迭代次数时的最优鲸鱼的位置，w*(t)表示t次迭代次数时的猎物位置，w(t)表示t次迭代次数时最优鲸鱼的位置，t表示当前迭代次数，tmax表示最大迭代次数，ad表示包围步长，a表示收敛因子，r1表示0到1之间的随机数，r2表示0到1之间的随机数。

38、结合第一方面，在一些可能的实现方式中，基于变分模态分解法vmd对历史能源调度量进行自适应分解，得到多阶模态分量imf，每阶模态分量imf形成一个目标电力数据序列，包括：

39、对历史能源调度量进行重复数据清理、缺失数据补全和数据归一化处理，得到完成数据清洗的历史能源调度量。

40、基于变分模态分解法vmd对完成数据清洗的历史能源调度量进行自适应分解，得到多阶模态分量imf，每阶模态分量imf形成一个目标电力数据序列。

41、结合第一方面，在一些可能的实现方式中，在获取预设历史时段内电网向园区进行电力调度的历史能源调度量之前，还包括：

42、获取目标时段的风速。

43、基于目标时段的风速，在园区历史数据库中筛选出与目标时段的风速相同的多个历史时段；其中，历史时段与目标时段时长相同。

44、将多个历史时段中的任意一个历史时段作为预设历史时段。

45、第二方面，本技术实施例提供了一种园区能源调度量预测装置，包括：

46、数据获取模块，用于获取预设历史时段内电网向园区进行电力调度的历史能源调度量。

47、分解模块，用于基于变分模态分解法vmd对历史能源调度量进行自适应分解，得到多阶模态分量imf，每阶模态分量imf形成一个目标电力数据序列。

48、预测模块，用于针对每个目标电力数据序列，基于该目标电力数据序列进行预测，得到该目标电力数据序列对应的目标时段的目标能源调度分量；目标时段在预设历史时段之后。

49、结果输出模块，用于计算各个目标电力数据序列对应的目标时段的目标能源调度分量的和，作为目标时段内电网向园区进行电力调度的能源调度量。

50、可以理解的是，上述第二方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

51、本技术实施例与现有技术相比存在的有益效果是：

52、本技术通过将电网对园区的调度量中非平稳非线性的复杂数据进行自适应分解，得到多个目标电力数据序列，之后分别基于目标电力数据序列计算目标时段的目标能源调度分量，进而得到目标时段内电网向园区进行电力调度的能源调度量，避免了非平稳非线性的复杂数据对预测的干扰，提高了预测结果的准确度，进而能够更好地节约能源。

53、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。