CN119398279A 基于多层感知器的工业园区净负荷预测方法及系统 （国网浙江省电力有限公司台州供电公司）

基于多层感知器的工业园区净负荷预测方本申请公开了基于多层感知器的工业园区声频老化相关性训练得到工业园区净负荷预测源运行数据、工业园区负荷净预测模型以及声频老化相关性获取工业园区净负荷预测数据。2于多层感知器的神经网络模型训练得到工业园S4：获取当前工业园区运行数据以及当前分布式获取历史工业园区运行数据，对历史工业园区声频数据进行模数根据声频采集区域划分人声筛除处理后的历史工业园区运行数据所述对模数转换后的历史工业园区声频数据进行人声筛除根据一次人声筛除后的历史工业园区声频数据基于重复次数阈值以及重复周期阈值对于每个聚类结果，计算聚类结果内工业设备的连续运行时间，根根据声频波动特征与连续运行时间的对应关系得到声频波动根据各个聚类结果内工业设备的连续运行时间得到声频波动根据历史工业园区声频数据以及历史时序根据声频波动特征平缓权重以及声频波动利用历史工业园区运行数据、历史分布式能3根据概率预测模型以及分位数回归模型构建基于多层感知器的神史分布式能源运行数据对基于多层感知器的神经网络模型训练得到工业园区净负荷预测基于历史特征以及未来协变量构建历史特征编码器以及未所述根据概率预测模型以及分位数回归模型构建基于多层感知器的神经网络模型还基于Huber函数以及1Wasserstein度量构建分位数损失基于概率预测模型、分位数回归模型分位数损失函数以及约束条件构获取当前工业园区运行数据，对当前工业园区运行数据中的当根据当前分布式能源运行数据以及分布式能源出力预测模型输出预设时段内的分布4融合分析模块，根据当前工业园区运行数据以及当前分布式能5负荷预测模型对子序列分量进行预测得到预测值，将若干个子序列对应的预测值叠加重[0007]本申请针对现有技术中存在工业园区净负荷预测纳入设备老化因素数据量过大6[0010]进一步的，所述对模数转换后的历史工业园区声频数据进行人声筛除处理还包区声频数据基于重复次数阈值以及重复周期阈值进行史分布式能源运行数据以及波动参数对基于多层感知器的神经网络模型训练得到工业园行数据以及历史分布式能源运行数据对基于多层感知器的神经网络模型训练得到工业园7[0017]进一步的，所述根据概率预测模型以及分位数回归模型构建基于多层感知器的设时段内的环境数据以及预设时段内的波动参数作为工业园区负荷净预测模型的未来协[0021]本申请提供的另一种技术方案是，基于多层感知器的工据以及当前分布式能源运行数据输出工业园区净[0023]2.根据工业园区声频数据中声音重复次数阈值以及重复周期阈值进行二次人声8据以及历史分布式能源运行数据对基于多层感知器的神经网络模型训练得到工业园区净对基于多层感知器的神经网络模型训练得到工业园区净负荷[0029]由于工业园区内存在大量的工业设备，而工业设备运行9因此对应于每个厂房存在一个声频采集点，或是对应于一个生产方存在一个声根据一次人声筛除后的历史工业园区声频数据基于重复次数阈值以及重复周期声音标注后的历史工业园区声频数据对人声筛除模型进行训练，训练得到重复次数阈值、不同老化程度下的声频波动特征以及老化状态下[0045]由于在S1中已经对所有历史工业园区运行数据中的历史工业园区声频数据进行根据声频波动特征与连续运行时间的对应关系得到声频波动根据各个聚类结果内工业设备的连续运行时间得到声频波动根据历史工业园区声频数据以及历史时序根据声频波动特征平缓权重以及声频利用历史工业园区运行数据以及波动参数对基于多层感知器的神经网络模型训;;A时序距离前一次声频波动特征变化的时间，m为老化影次声频波动特征变化时的声频波动特征突变权重大于第一次声频波动特征变化时的声频波动特征突变权重，而如果工业设备在第三次声频波动特征变化后就进行了维护或者更并根据当前分布式能源运行数据以及工业园区负荷预测数据的差值得到工业园区净负荷根据概率预测模型以及分位数回归模型构建基于多层感知器的神及历史分布式能源运行数据对基于多层感知器的神经网络模型训练得到工业园区净负荷[0053]分位数回归模型能够直接对预测结果的不确定性进行量化，通过建立分位数与到温度和太阳辐照度对光伏发电和负荷需求的综合作用。[0057]在本实施例中，采用基于MLP的深度神经网络预测架构作为概率预测模型，如基于历史特征以及未来协变量构建历史特征编码器以及未据）重构为一维特征表示。然后，这一维特征数据依次经过一组MLP块、Batchn[0063]通过构建历史特征编码器以及未来协变量编码器使得模型能够分别对历史信息;[0066]具体的，历史特征编码器以及未来协变量编码器生成的特征表示输入到分位建[0067]分位值网络（QVN）接收FPN生成的分位数比率以及编码器生成的特征表示。园区运行数据以及历史分布式能源运行数据对基于多层感知器的神经网络模型训练得到基于Huber函数以及1Wasserstein度量构建分位数损失;其中，r是误差项，代表第n个观测值t时刻在分位数r下的残差；τ是一个介于0[0074]由于pinball损失在原点处存在不可微点，采用Huber函数进行平滑近似，得到;;[0078]其中，Huber分位数损失中的参数调整通过改变参数值来控制模型对小误差的以人声筛除后的当前工业园区声频数据以及声频_老化相关性得到预设时段内的根据当前分布式能源运