(19)中华 人民共和国 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 202111499644.6 (22)申请日 2021.12.09 (71)申请人 国网山西省电力公司电力科 学研究 院 地址 030001 山西省太原市青年路6号 申请人 国网山西省电力公司晋城供电公司 　 国电南瑞科技股份有限公司 (72)发明人 暴悦爽　程雪婷　王金浩　王玮茹　 郑惠萍　刘新元　李瑞　李蒙赞　 皮军　张一帆　高宏　郑涛　 金玉龙　窦迅　薄利明　王锬　 段伟文　陈丹阳　芦耀辉　翟文娟　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 代理人 邵斌(51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种电源 型虚拟电厂功 率预测方法、 系统及 存储介质 (57)摘要 本发明公开了电源型虚拟电厂功率率预测 技术领域的一种电源型虚拟电厂功率预测方法、 系统及存储介质。 所述方法包括对电源型虚拟电 厂的原始功率序列进行预处理； 对 预处理后的原 始功率序列进行分解， 得到长、 短时间尺度下的 主成分序列； 使用宽网络， 得出长时间尺度下待 预测的电源型虚拟电厂功率数据与输入主成分 序列的映射 关系， 并输出预测结果； 使用深网络， 得出短时间尺度下待预测的电源型虚拟电厂功 率数据与输入主成分序列的映射 关系， 并输出预 测结果； 运用全 连接层将宽网络的预测结果与 深 网络的预测结果进行融合， 得到最终的电源型虚 拟电厂功率预测结果。 本发明能够减少电源型虚 拟电厂功率预测误差， 提高预测结果的精度和稳 定性。 权利要求书4页 说明书11页 附图3页 CN 114139828 A 2022.03.04 CN 114139828 A 1.一种基于 宽深神经网络的电源型虚拟电厂功率预测方法， 其特 征在于， 包括： 对电源型虚拟电厂的原 始功率序列进行 预处理； 对预处理后的原 始功率序列进行分解， 分别得到 长、 短时间尺度下的主成分序列； 使用宽网络TCN， 得出长时间尺度下待预测的电源型虚拟电厂功率数据与输入主成分 序列的映射关系， 并输出宽网络TCN的预测结果； 使用深网络LSTM， 得出短时间尺度下待预测的电源型虚拟电厂功率数据与输入主成分 序列的映射关系， 并输出深网络LSTM的预测结果； 运用全连接层将宽网络TCN的预测结果与深网络LSTM的预测结果进行融合， 得到最终 的电源型虚拟电厂功率预测结果。 2.根据权利要求1所述的基于宽深神经网络的电源型虚拟电厂功率预测方法， 其特征 在于， 所述对电源型虚拟电厂的原始功 率序列进 行预处理， 包括： 采用直接置零的方式对负 值进行处理、 利用前后两个时刻的电源型虚拟电厂功率值对超满发值和乱码进行修正、 对 空缺值进行填充、 对原 始功率序列进行归一 化处理， 所述归一 化处理表达式为： 其中， Pt”为归一化 处理后t时刻的电源型虚拟电厂功率， Pt'为归一化 处理前t时刻的电 源型虚拟电厂功率， max(P')预处理后的电源型虚拟电厂功率序列中的最大值， min(P')预 处理后的电源型虚拟电厂功率序列中的最小值。 3.根据权利要求1所述的基于宽深神经网络的电源型虚拟电厂功率预测方法， 其特征 在于， 所述对预处理后的原始功率序列进行分解， 分别得到长、 短时间尺度下的主成分序 列， 包括： 对预处理后的原 始功率序列进行约束变分； 通过引入拉格朗日乘子和二次罚函数， 将约束变分结果转化转换为非约束性变分问 题； 利用交替方向乘子法迭代算法结合帕塞瓦尔、 普朗歇尔定理和傅里叶等距变换， 优化 非约束性变分问题， 分别得到 长、 短时间尺度下主成分序列的各模态分量和中心频率。 4.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法， 其特征 在于， 所述约束变分的约束条件为所有模态之和与原始信号相等， 分解序列为具有中心频 率的有限带宽的模态分量， 且各模态的估计带宽之和最小， 约束变分表达式为： 其中， um＝{u1,u2,...,um}为分解电源型虚拟电厂功率序列的各模态分量， 为二范 数的平方表达式， δ(t)为冲激函数， 为对时间t的一阶偏导， f(t)为电源型虚拟电厂原始 功率序列， m为不同时间尺度下的分量数， 长时间尺度下m为200维， 短时间尺度下m为96维， 为傅里叶变换基。 5.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法， 其特征权　利　要　求　书 1/4 页 2 CN 114139828 A 2在于， 所述非约束性变分问题的表达式为： 其中， um(t)＝{u1(t),u2(t),...,um(t)}为t时刻分解电源型虚拟电厂功率序列的各模 态分量， ωm＝{ω1,ω2,...,ωm}为各模态分量的中心频率， 为二范数的平方表达式， δ (t)为冲激函数， 为对时间t的一阶偏导， f(t)为电源型虚拟电厂原始功率序列， m为不同 时间尺度下的分量数， 长时间尺度下m为200维， 短时间尺度下m为96维， α 为引入的二次惩罚 因子参数， λ(t)为t时刻的拉格朗日乘子 。 6.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法， 其特征 在于， 所述长、 短时间尺度下主成分序列的各模态分量和中心频率的表达式为： 其中， τ为噪声容忍度， 满足电源型虚拟电厂功率序列分解的保真度， 和 分别为ums+1(t)、 ui(t)、 f(t)和 λ(t)的傅里叶变换， 为当前频 率与第s次迭代所得中心频率的L2距离， α 为引入的二次惩罚因子参数， 为第s+1次迭代 后的各模态分量的中心频率， 为第s+1次迭代后拉格朗日乘子， f(t)为电源型虚拟电 厂原始功率序列， ui(t)为t时刻第i个模态分量， ums+1(t)为第s+1次迭代后的各模态分量， λ (t)为t时刻的拉格朗日乘子 。 7.根据权利要求3所述的基于宽深神经网络的电源型虚拟电厂功率预测方法， 其特征 在于， 所述使用宽网络TCN， 得出长时间尺度下待 预测的电源型虚拟电厂功 率数据与输入主 成分序列的映射关系， 包括： 将输入主成分序列经约束变分后得到的输出序列Ps， 通过堆叠 空洞卷积挖掘长时间尺度下虚拟电厂功 率与主成分序列的映射关系， 输出下一时刻的电源 型虚拟电厂功率 值Pt， 其中， t时刻电源型虚拟电厂功率 值Pt的空洞卷积为：权　利　要　求　书 2/4 页 3 CN 114139828 A 3