(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210906679.5 (22)申请日 2022.07.29 (71)申请人 国网上海市电力公司 地址 200122 上海市浦东 新区源深路1 122 号 (72)发明人 郑真　朱峰　黄晨宏　马小丽　 时珊珊　姚尚坤　杜洋　颜华敏　 肖远兵　肖文渊　李建宁　牟锴　 张冠花　汪笃红　马晔晖　邢海军　 黄一楠　田书欣　 (74)专利代理 机构 上海兆丰知识产权代理事务 所(有限合 伙) 31241 专利代理师 章蔚强 (51)Int.Cl. H02J 3/00(2006.01)G06Q 10/04(2012.01) G06N 3/04(2006.01) G06F 17/18(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于IEMD-TA-LSTM模型的主动配电网 运行态势预测方法 (57)摘要 本发明公开了一种基于IEMD ‑TA‑LSTM模型 的主动配电网运行态势预测方法， 包括输入单 元、 数据处理单元、 态势预测单元和输出单元； 输 入单元构建组合模型的输入数据集； 数据处理单 元将分布式电源出力和负荷功率原始时序数据 分解成若干特征不同的时序分量， 并对网络超参 数进行优化； 态势预测单元使用融合残差卷积注 意力、 空间注意力、 时间注意力三重注意力机制 的TA‑LSTM神经网络， 归纳外源数据与 时序信息 的时空特征； 输出单元将各个分量的预测结果进 行合并， 继而从节点电压、 支路负载角度建立态 势评估指标， 得到最终的态势预测结果。 本发明 能够优化配电网运行态势预测水平， 提升预测的 精度。 权利要求书6页 说明书15页 附图2页 CN 115275991 A 2022.11.01 CN 115275991 A 1.一种基于IEMD ‑TA‑LSTM模型的主动配电网运行态势预测方法， 其特征在于， 包括输 入单元、 数据处 理单元、 态势预测单 元和输出 单元； 输入单元获取分布式能源出力时序数据、 配电网负荷数据的内部要素数据和气象数 据、 电力市场数据的外源时序数据， 共同构建组合模型的输入数据集； 数据处理单元根据输入单元提供的数据， 利用完全自适应噪声集合经验模态分解IEMD 算法将分布式电源出力和负荷功 率原始时序数据分解成若干特征不同的时序分量， 并引入 改进蝠鲼优化 IMRFO算法对网络超参数进行优化； 态势预测单元基于数据处理单元输出的时序 数据和网络超参数， 使用融合残差卷积注 意力、 空间注意力、 时间注意力三重注意力机制的TA ‑LSTM神经网络， 归纳外源数据与时序 信息的时空特 征； 输出单元将各个分量的预测结果进行合并， 继而从节点电压、 支路负载角度建立态势 评估指标， 得到最终的态 势预测结果。 2.根据权利要求1所述的一种基于IEMD ‑TA‑LSTM模型的主动配电网运行态势预测方 法， 其特征在于， 所述输入 单元是指分布式能源出力的历史和实测时序数据、 配电网负荷的 历史和实测数据的内部要素数据， 以及气象数据、 电力 市场数据的历史和实测外源时序数 据。 3.根据权利要求1所述的一种基于IEMD ‑TA‑LSTM模型的主动配电网运行态势预测方 法， 其特征在于， 所述的数据处 理单元由IEMD分解单 元和IMRFO优化单 元构成； 所述IEMD分解单元使用 IEMD算法将风电出力、 负荷功率原始时序分量分解为特征单 一、 明显的若干分量， 其 流程为： 步骤1， 加入高斯白噪音于原 始时间序列， 得到第i次待分解信号xi(t)； xi(t)＝x(t)+ ε0E1(ωi(t))， i＝1,2,...,n 式中， ωi(t)为零均值单位方差高斯白噪声， ε0为噪声大小， E1(ωi(t))为ωi(t)的第一 个EMD分量； 步骤2， 通过EMD分解计算xi(t)的局部平均值， 得到第一次分解的残差r1(t)和第一个模 态分量 式中， M( 〃 )为局部均值操作符； 步骤3， 计算第二个残差r2(t)和第二个模态分量 步骤4， 对于其余每个阶段， 即k＝1,2,...,n， 根据上述步骤， 计算第k个剩余信号和第k 个模态分量， 得到：权　利　要　求　书 1/6 页 2 CN 115275991 A 2步骤5， 重复步骤4， 直到余量信号无法再分解， 最终得到n个模态分量和最终剩余信号 Re(t)。 原 始信号序列x(t)可表示 为: 所述IMRFO优化单元是依据IEMD分解单元所得到的不同时序分量特征， 利用改进的蝠 鲼优化算法对神经网络超参数进行优化执 行策略； 对于蝠鲼的链式寻食过程， 其 位置更新的数 学表达式为： 式中， 和 为第t代的第i个个体和最优个体在d维空间 的位置； r为[0， 1]均匀 分布的随机数； α 为权 重因子； 对于蝠鲼的螺 旋式寻食过程， 其 位置更新的数 学表达式为： 当t/T>rand时 式中， β 为权 重因子； r1为[0， 1]均匀分布的随机数； T为 最大迭代次数； 当t/T≤rand时 式中， 为随机产生的一个新位置， xu和xl为搜索空间的上下限， rj为[0， 1]均匀分 布的随机数； 对于翻筋斗式寻食策略， 其 位置更新表达式为：权　利　要　求　书 2/6 页 3 CN 115275991 A 3