(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 202210948038.6 (22)申请日 2022.08.08 (71)申请人 国电南瑞科技股份有限公司 地址 211106 江苏省南京市江宁经济技 术 开发区诚信大道19号2幢 申请人 国网电力科 学研究院有限公司 　 国网甘肃省电力公司 　 国网甘肃省电力公司电力科 学研究 院　 东南大学　国家电网有限公司 (72)发明人 胡平昭　戴则梅　张凯锋　胡殿刚　 王琛　司晓峰　闪鑫　王毅　 罗玉春　付嘉渝　陆娟娟　张元觉　 宋霄霄　杨杰　何欣　彭龙　 曹国芳　(74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 范青青 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01) (54)发明名称 一种源荷组合概率预测方法、 装置及 存储介 质 (57)摘要 本发明公开了一种源荷组合概率预测方法、 装置及存储介质， 方法包括： 采集源荷历史数据 及对应的气象数据， 并进行预处理， 获得完整可 用的数据组合； 将预处理后的数据组合输入训练 好的多个ConvMT预测模型中， 获得多个预测结 果； 将各源荷组合预测结果与各自对应的权重相 乘， 并将乘积进行求和运算， 获得最终的源荷组 合概率预测结果； 其中， 所述ConvMT预测模型是 采用CNN特征提取模块替换Transformer模型中 编码器原有的多头注意力模块后， 再采用源荷历 史数据及同时间尺度的气象数据训练获取的； 所 述权重是以Pinball损失函数最小为目标， 通过 遗传算法进行优化后获取的。 本发 明可以增强源 荷预测的准确性。 权利要求书3页 说明书10页 附图4页 CN 115375014 A 2022.11.22 CN 115375014 A 1.一种源荷组合 概率预测方法， 其特 征在于， 包括： 采集源荷历史数据及对应的气象数据； 对所述源荷历史数据及气象数据进行 预处理， 获得完整可用的数据组合； 将预处理后的数据组合输入至预构建并训练好的多个ConvMT预测模型中， 获得多个源 荷组合预测结果； 将各源荷组合预测结果与各自对应的权重相乘， 并将乘积进行求和运算， 获得最终的 源荷组合 概率预测结果； 其中， 所述ConvMT预测模型是采用CNN特征提取模块替换Transformer模型中编码器原 有的多头注意力模块后， 再采用源荷历史数据及同时间尺度的气象数据训练获取 的； 所述 权重是以Pi nball损失函数最小为目标， 通过遗传算法进行优化后获取的。 2.根据权利 要求1所述的源荷组合概率预测方法， 其特征在于， 所述ConvMT预测模型的 训练方法包括： 依据预设的时间 间隔采集多组源荷历史数据及对应的气象数据； 根据所采集的多组源荷历史数据及对应的气象数据构建原 始数据集； 对原始数据集进行预处理， 获得多组完整可用的包含源荷历史数据及对应的气象数据 的数据组合， 形成样本集； 按照数据组合的采样时间将所述样本集划分为训练集和测试集， 所述测试集中数据组 合的采样时间均晚于所述训练集中数据组合的采样时间； 从训练集中选取多组数据组合分别输入至多个ConvMT预测模型中进行训练， 获取多个 ConvMT预测模型的训练集源荷预测结果； 将测试集中的源荷历史数据作为真实值， 将同一 时刻的训练集源荷预测结果作为预测 值， 根据真实值与预测值计算MAPE值； 以MAPE值最小为优化目标对ConvMT预测模型进行参数优化， 获取最终训练好的ConvMT 预测模型。 3.根据权利要求1或2所述的源荷组合 概率预测方法， 其特 征在于， 所述预处 理包括： 对源荷历史数据及对应的气象数据进行异常值检测， 若存在异常值， 则采用邻近正常 值代替所述异常值； 对源荷历史数据及对应的气象数据处理异常数据后进行归一化处理， 线性变换到(1， 2)范围内。 4.根据权利要求2所述的源荷组合概率预测方法， 其特征在于， 所述原始数据集是采用 Bootstrap方法从所采集的源荷历史数据及对应的气象数据中选取多组数据组合而构建 的。 5.根据权利要求1所述的源荷组合概率预测方法， 其特征在于， 所述Pinball损失函数 的表达式如下： 式中： 为Pinball损失函数值； I为指示函数； α 为在预设的分位数下源荷组合概率 预测结果的分布函数； yi,t为负荷的真实值； 为所求分位点； 当 时， 即等价为平权　利　要　求　书 1/3 页 2 CN 115375014 A 2均绝对误差， 所求得的分位 点即为中位数； N 为样本个数； T为日前 预测的输出长度。 6.权利要求5所述的源荷组合概率预测方法， 其特征在于， 分布函数α 的值通过下述方 法确定： (1)αnMAX+αnMIN＝1 (2)αnMAX‑αnMIN＝n％ 式中， αnMAX为nMAX曲线对应的α 值， αnMIN为nMIN曲线对应的α 值， n介于0 ‑100之间， n％表 示真实值 落在nMIN和nMAX曲线之间的概 率。 7.根据权利要求1所述的源荷组合概率预测方法， 其特征在于， 所述源荷历史数据包括 电网发电侧的风力发电量和 光伏发电量、 以及电网负荷侧的用电量； 所述气象数据包括与 源荷数据相关的温度、 湿度、 压强、 辐照度和风速 。 8.根据权利要求1所述的源荷组合概率预测方法， 其特征在于， 所述CNN特征提取模块 为3×3的CNN特征提取模块， 相应的， 所述ConvMT预测模 型的编码器的输入采用13 ×72的数 据矩阵， 所述数据矩阵是由以下8种数据组成的13维矩阵： 风电、 光伏、 负荷、 压强、 湿度、 温度、 风速、 辐照度。 9.一种源荷组合 概率预测装置， 其特 征在于， 包括： 采集模块： 用于采集源荷历史数据及对应的气象数据； 预处理模块： 用于对所述源荷历史数据及气象数据进行预处理， 获得完整可用的数据 组合； 预测模块： 用于将预处理后的数据组合输入至预构 建并训练好的多个ConvMT预测模型 中， 获得多个源荷组合预测结果； 获取模块： 用于将各源荷组合预测结果与各自对应的权重相乘， 并将乘积进行求和运 算， 获得最终的源荷组合 概率预测结果； 其中， 所述ConvMT预测模型是采用CNN特征提取模块替换Transformer模型中编码器原 有的多头注意力模块后， 再采用源荷历史数据及同时间尺度的气象数据训练获取 的； 所述 权重是以Pi nball损失函数最小为目标， 通过遗传算法进行优化后获取的。 10.根据权利要求9所述的源荷组合概率预测装置， 其特征在于， 该装置还包括所述训 练模块， 所述训练模块包括： 数据集构建单元： 用于依据预设的时间间隔采集多组源荷历史数据及对应的气象数 据， 并根据所采集多组源荷历史数据及对应的气象数据构建原 始数据集； 样本集形成单元： 用于对原始数据集进行预处理， 获得多组完整可用的包含源荷历史 数据及对应的气象数据的数据组合， 形成样本集； 样本集划分单元： 用于按照数据组合的采样时间将所述样本集划分为训练集和测试 集， 所述测试集中数据组合的采样时间均晚于所述训练集中数据组合的采样时间； 训练单元： 用于从训练集中选取多组数据组合分别输入至多个ConvMT预测模型中进行 训练， 获取多个Co nvMT预测模型的训练集源荷预测结果； MAPE值计算单元： 用于将测试集中的源荷历史数据作为真实值， 将同一时刻的训练集 源荷预测结果作为预测值， 根据真实值与预测值计算MAPE值； 参数优化单元： 用于以MAPE值最小为优化目标对ConvMT预测模型进行参数优化， 获取 最终训练好的Co nvMT预测模型。权　利　要　求　书 2/3 页 3 CN 115375014 A 3