本發明涉及一種用于泛臺區綜合負荷的特征選擇和預測方法、設備及介質，屬于新能源及節能。

背景技術：

1、在新型配電系統中，隨著分布式可再生發電電源、電動車(充電樁、充電站)等分布式源荷資源不斷涌入。在這些分布式不確定源荷的影響下，對新型配電系統實施主配微協同、配網分層分區聚合調控與分區內資源自律控制結合的新技術方案的趨勢越發明顯。這里說的“分區”可以是配電網的固有臺區，也可以是按照多種分布式資源與區域內負荷的平衡情況劃分的包括含多個物理臺區甚至饋線的“泛臺區”。這些“泛化的臺區”，在一定的持續時間內，能通過區塊內源儲荷的自我調控，實現供需平衡或供需差穩定。由此可知，這種針對配電網新控制模式下的“臺區”，已經不只限于傳統臺區，可能會時變。下面，對傳統臺區和泛臺區不做區分，統一稱為臺區。

2、目前，針對臺區內的綜合負荷(區域內負荷與區域內發電的代數和)預測的工作不多。第一，已有的研究成果都是固定臺區設計的，它們先分別預測負荷和區域內的光伏發電，然后再將兩個預測值做代數和，即通過間接法獲得；第二，目前的預測對象，還多是“固定分區+各區定制化的特征變量”，甚至對不同分區使用相同的用特征變量，這樣顯然不能更好適應新型配電網，既需要適時重新分區進行調控，又希望每個分區的負荷預測能盡量精準的需求。即以往的研究都忽略了臺區組成及臺區間的時空變化，所以在特征選擇和預測模型上，都缺少可支持“時變臺區”負荷預測的特殊設計。

3、目前在新型配電系統中，還多是“固定分區+各區定制化的特征變量”，甚至對不同分區的負荷預測使用相同的特征變量。其實，即便是一個固定的電力臺區，在不同的時段，其用于預測的主要特征也應該是不盡相同的。以往的這些方式，顯然不能很好適應新型配電網的“需要適時重新分區進行調控，又不能實現每個分區的負荷預測能盡量精準”的需求。

技術實現思路

1、技術目的：為了克服現有技術中存在的不足，本發明提供一種用于泛臺區綜合負荷的特征選擇和預測方法、設備及介質、設備及介質。

2、一種用于泛臺區綜合負荷的特征選擇和預測方法、設備及介質，包括如下步驟：

3、步驟a:提前搜集處理數據、訓練和使用預測網絡，并提前完成每個電力臺區的待選特征集及特征向量初選，獲取包含特征向量的歷史數據作為歷史臺區數據；提前訓練好預測網絡，并在電力調度前，完成預測配套的預測任務；整理總結歷史過往的各臺區的特征向量和預測模型，建立各臺區歷史優質特征經驗參考表；

4、步驟b:在日內調度中，每隔固定時間間隔t，判別一下每個分區aareai是否有必要重新進行特征選擇，對需要重新進行特征選擇的分區實施步驟c；否則，繼續使用原有的預測模型和多元特征進行綜合負荷預測；

5、步驟c:對重新進行特征選擇的分區實施三階段貫序特征選擇；

6、步驟d:實施過渡期的新的預測模型的訓練和使用(訓練在1-2個固定時間間隔t內完成)，隨后在臨時過渡期內，應用此預測模型作為臨時模型，臨時模型的運行停止時間是步驟e訓練的模型開始使用的起始時刻；在此階段內，在其他的計算資源中，同期開始基于互注意力機制的模型訓練，

7、步驟e:實施互注意力機制的精準模型訓練，訓練好后，替換臨時模型，實施綜合負荷預測應用。

8、進一步地，所述步驟a中的待選特征集從該區域的歷史負荷數據、氣象和地理人文數據、時間及周期類數據中獲取，對每類數據根據需要提取直接特征和間接特征，作為待選特征。

9、進一步地，所述步驟a包括：

10、步驟a1:構建歷史電源/負荷類數據特征的待選集；讀取清洗后的臺區電源/負荷歷史數據，并生成電源/負荷類特征變量，原始特征主要是預測時刻t之前i時刻的負荷值l(t-i)，i＝1,2,3,.....和風光等分布式電源前序功率；負荷類間接特征主要為7天內每天同一時刻歷史負荷的中位數值、均值、最大值等，原始特征和間接特征均可通過處理原始數據獲得；

11、步驟a2:構建氣象與地理人文類數據特征的待選集；讀取免費或購買的關聯數值天氣預報和當地氣象人文類數據，氣象變量包括溫度、濕度、地面氣壓、不同高度風速、輻照度、最高溫度、平均溫度和最低溫度等，地理人文變量包括pm2.5、蒸發量、體感溫度、降雨量和人口數量等；

12、步驟a3:時間及周期類數據特征對的待選集；臺區負荷數據具有一定的周期性，為保留時間特征的周期循環特性，這里使用sin(t)和cos(t)函數同時對時間特征進行編碼，以此來抓住其周期趨勢的特性，如對月份(month)、星期(week)、小時(hour)、分鐘(minute)。對節假日使用獨熱編碼，對特殊節假日(春節、五一、十一等連續放假不小于5天的)前后3天也進行標識；

13、步驟a4:采用三階段貫序特征選擇方法或其他特征選擇方法進行特征選擇，和預測模型訓練；

14、步驟a5:整理總結歷史過往經驗，建立各臺區歷史優質特征經驗參考表；

15、步驟a6:利用當前的綜合負荷預測模型，實施預測任務，并提供預測結果給調度環節。

16、進一步地，所述步驟b包括：

17、步驟b1：采用dtw距離進行預測趨勢度計算及判定；

18、步驟b11：假設有兩個綜合負荷時間序列ppre＝a1,a2,...,ai，ptru＝b1,b2,...,bj

19、式中ai和bj分別是綜合負荷預測值時間序列ppre和實際值時間序列ptru在相應時刻的功率數據；

20、步驟b12：計算兩個時間序列中每一對點之間的距離,構建一個距離矩陣h(ppre,ptru)

21、

22、其元素d(ai,bj)具體計算為：

23、

24、式中，d(ai,bj)表示兩個時間序列的歐氏距離；

25、步驟b13：計算dtw距離dtw(ppre,ptru)；

26、先通過動態規劃，尋找一條從矩陣的左上角到右下角的路徑，這條路徑通過的格點表示兩個序列中對齊的點，路徑的總距離最小；沿著找到的最佳路徑，計算累積距離，得到的最終值即為兩個序列之間的dtw距離；

27、步驟b14：若dtw(ppre,ptru)>ε1，則認為趨勢性量值越界，需要重新選擇特征和更新預測模型，；

28、步驟b2：利用weedie偏差衡量評價預測值與實際值之間的持續性偏差，其中考慮了模型的方差結構和分布；

29、衡量weedie偏差的計算公式如下：

30、

31、式中n是考慮的持續時間間隔數量；

32、yi是真實值；

33、是預測值；

34、p是可以根據實際選擇一個較小的正整數，例如其為2時，weedie偏差相當于平均gamma偏差；

35、當則認為持續性偏差越界，需要重新選擇特征和更新預測模型；

36、若步驟b1或步驟b2判定為需要重新選擇特征和更新預測模型，則進入步驟c；否則返回，并等待下一次執行步驟b。

37、進一步地，所述步驟c包括：

38、步驟c1:在各臺區歷史優質特征經驗參考表中，并通過其他外部因素(如季節、天氣狀況等)字段，進行組合查詢，判別在同樣地理區域和同樣外部因素下，是否存在歷史優質特征；

39、步驟c11:若存在同樣內外因素下的歷史優質特征組，則再判斷是否與步驟a用的特征組完全一致，若完全一致則執行c111；若不完全一致則執行c112；

40、步驟c111：跳到步驟c2；

41、步驟c112：將歷史優質特征組提取保留，后續用來與步驟c235的結果比較，二者擇優進入步驟d和步驟e；本步驟還可以在后續步驟中指導構建樣本集或直接調用對應的負荷預測模型；

42、步驟c12：若不存在同樣內外因素下的歷史優質特征組，則跳到步驟c2；

43、步驟c2、實施三階段貫序特征選擇方法

44、步驟c21：實施第一階段特征選擇:使用spearman系數法，對問題臺區的歷史負荷數據特征進行篩選，歷史負荷特征包括：待預測時刻點前1個時刻點至前14個時刻點的臺區歷史負荷，前89個時刻點至前102個時刻點的臺區歷史負荷，前191個時刻點至前193個時刻點的臺區歷史負荷；一共有31個臺區歷史負荷特征；

45、步驟c22：實施第二階段特征選擇：對問題臺區經過步驟c21仍留下的歷史負荷特征、氣象與地理人文類數據特征、時間及周期類數據特征，使用集成式integrated特征選擇方法，如將初篩特征集輸入到構造的lightgbm模型后得到各個特征的重要性得分；

46、步驟c23：實施第三階段特征選擇：通過構建一個有標簽的虛擬樣本集，以d的標號為循環變量，從i＝1做步進為1的循環，并保留每次循環中測試集得到的r2值，依據n個r2值變化，保留部分對應的重要性得分標號，等同保留了相應的特征變量；

47、步驟c231：將步驟c22得到的n個特征，按照重要性得分從大到小的順序排序，重要性得分最高的特征標號為1，重要性得分最低的特征標記為n；

48、步驟c232：構造輸入特征集和標簽集，輸入特征集是步驟c231中提及的標號1至標號i的特征，其中1≤i≤n；標簽集為臺區負荷值，另外，輸入特征集和標簽集按照70％、10％和20％的比例劃分出訓練集、驗證集和測試集；

49、步驟c233：將步驟c232構造的數據集送入lightgbm模型進行訓練和預測，保留測試集的r2值；

50、步驟c234：令i＝i+1，再次執行步驟c232和步驟c233，直至i＝n；

51、步驟c235：根據n個r2值，當輸入特征集每多增加一個特征后，若測試集r2值相較于上一次的r2值變大，則保留這個特證；將所有的保留特征組成的集合命名為保存特征集，將r2值最高時及其之前保留的特征視為模型輸入的最佳特征集。

52、步驟c236：將步驟c112保留的歷史優質特征組進行提取并與步驟c235最佳特征值比較，二者擇優，進入步驟d；若步驟c235結果更好，則更新各臺區歷史優質特征經驗表。

53、進一步地，所述步驟d包括：

54、步驟d1：制作分布式風電、分布式光伏等編碼器的樣本數據集，用于后面的基于多頭注意力機制編碼器結構網絡的綜合訓練；

55、步驟d11：原始輸入特征集：分別是歷史風電功率、歷史光伏功率，這些數據在時刻點上與c236的最佳特征集中歷史負荷的時刻點是一一對應的；

56、步驟d12：位置編碼：采用基于正弦函數和余弦函數的方式進行位置編碼,生成位置向量；

57、步驟d13：與步驟d11形成的歷史特征向量進行拼接，共同作為多頭注意力編碼器的輸入x＝[x1,x2,...xn]；

58、步驟d2：構建兩個基于多頭注意力編碼器的特征提取模型；

59、步驟d21：將步驟d13制作的風電功率、光伏功率分別作為兩個編碼器的輸入，多頭注意力機制在對模型輸入信息進行處理時可以更多地提取有效信息并且降低特征維度；

60、步驟d22：保存全連接層的輸出信息，記為提取信息，其中提取信息包含的特征f1至特征fn一共有ndims個，等于全連接層的輸出維度out_dim；

61、步驟d23：輸出層由一層全連接層構成，損失函數均設為均方誤差損失函數；

62、步驟d3：利用步驟d1形成的數據集對步驟d2構建的模型進行訓練與注意力提取；

63、步驟d4：將提取信息中的特征f1至fn分別與對應的臺區源荷序列進行spearman相關系數計算并取絕對值，保留大于0.7的特征，記為保留特征，該操作既保留了強相關的特征，又可防止特征冗余；

64、步驟d5：構建臺區綜合負荷預測所需要的輸入特征集和標簽集，輸入特征集除了兩組保留特征外，還包含出步驟c236選出的最佳特征集(包括臺區歷史負荷特征、日期特征以及氣象特征)在內的特征；標簽集由綜合負荷數據組成；

65、步驟d6：構建用于預測臺區綜合負荷的tcn-lstm模型；該模型由輸入層、兩層tcn層、一層dropout層、一層lstm層以及輸出層組成；其中，輸出層由一層全連接層構成，損失函數設置為均方誤差函數；

66、步驟d7：應用訓練的模型在過渡期內進行預測；在應用模型期間，輸入特征為步驟c236最佳特征集特征與經過步驟d4得到的2組保留特征。

67、進一步地，所述步驟e包括：

68、步驟e1：制作分布式風電、分布式光伏和電負荷的編碼器的樣本數據集，用于后面的多頭互注意力機制編碼器結構網絡的綜合訓練；

69、步驟e11：原始輸入特征集：分別是歷史風電功率、歷史光伏功率和歷史負荷功率，這些數據在時刻點上與步驟c236的最佳特征集中歷史負荷的時刻點是一一對應的；歷史負荷數據使用最佳特征集中歷史負荷；

70、步驟e12：位置編碼：采用基于正弦函數和余弦函數的方式進行位置編碼,生成位置向量。

71、步驟e13：與步驟e11形成的歷史特征向量進行拼接，共同作為多頭注意力編碼器的輸入x＝[x1,x2,...xn]；

72、步驟e2：構建三個基于多頭互注意力編碼器的特征提取模型；

73、步驟e21：將步驟e13制作的風電功率、光伏功率和歷史負荷功率分別作為三個編碼器的輸入，多頭注意力機制在對模型輸入信息進行處理時，可以更多地提取有效時間域信息并且降低特征維度；

74、步驟e22：保存全連接層的輸出信息，記為提取信息，其中提取信息包含的特征f1至特征fn一共有ndims個，等于全連接層的輸出維度out_dim；

75、步驟e23：輸出層由一層全連接層構成，損失函數均設為均方誤差函數；

76、步驟e3：利用步驟e1形成的數據集對步驟e2構建的模型進行訓練與注意力提取；

77、步驟e4：將提取信息中的特征f1至fn分別與對應的臺區源荷序列進行spearman相關系數計算并取絕對值，保留大于0.7的特征，記為保留特征，該操作既保留了強相關的特征，又可防止特征冗余；

78、步驟e5：構建臺區綜合負荷預測所需要的輸入特征集和標簽集，輸入特征集除了三組保留特征外，還包含步驟c236選出的最佳特征集的一部分(去掉臺區歷史負荷特征后，剩余的日期特征以及氣象特征，后面簡稱其為最佳特征集剩余特征)在內的特征；標簽集由綜合負荷數據組成；

79、步驟e6：構建用于預測臺區綜合負荷的tcn-lstm模型；該模型由輸入層、兩層tcn層、一層dropout層、一層lstm層以及輸出層組成，其中，輸出層由一層全連接層構成，損失函數設置為均方誤差函數；

80、步驟e7：應用訓練的模型在過渡期內進行預測，應用模型期間，輸入特征為步驟c236的最佳特征集剩余特征以及經過步驟e4得到的3組保留特征。

81、一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時，基于所述的用于泛臺區綜合負荷的特征選擇和預測方法、設備及介質。

82、一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時，基于所述的用于泛臺區綜合負荷的特征選擇和預測方法、設備及介質。

83、與現有技術相比，本發明的技術效果如下：

84、1、本發明適于配電系統的動態分區管理模式，能根據臺區源荷內部因素和天氣等外部因素的時間變化，適應性地改變預測模型和特征變量，可以自動快速實現臺區的綜合負荷預測和最佳的特征選擇。

85、2、本發明可對各種類型臺區(含動態/靜態泛臺區,也包括傳統固定電力臺區)直接精準預測其綜合負荷，可以更好地支撐日前調度不同時段的“多電力臺區”合并成一個調度中的“分區”，并且可以自動關注預測網絡輸入的特征信息。

86、3、本發明給出預測模型過渡和自更新的方法，精準預測模型能提取的不再是外部特征們同一時刻的特征信息，充分地考慮了時間對這些特征的漸變影響。

87、4、本發明提出了一套三階段貫序特征選擇方法。通過順次實施，可以較好地選擇出與區域負荷關聯較強的特征變量集，因其算力需求小，所以速度快，可以改變現今普遍采用的“在特征集選擇上忽視特征在不同時段的效果時變”、特征變量長期固化的頑疾。通過本方法，即使臺區的物理地域邊界變化，也能快速得到新臺區的最佳特征集。因為新臺區的歷史綜合負荷和源荷很容易得到，即可以通過本發明實施方案中的步驟c，快速得到“新臺區”多源強相關特征集。

88、5、本發明同時考慮了歷史負荷數據、氣象和地理人文數據、時間及周期類數據這些多源數據，并同時考慮了直接和間接特征，適合含分布式電源(可以是風、光、風+光)和電動車的臺區綜合負荷預測，并能直接輸出臺區綜合負荷預測值，因為不再是間接代數疊加得到的，所以規避了累積誤差。

89、6、本發明給出預測模型過渡和自更新的方法，使得在精準模型完成訓練前，用一個較佳的模型來代班，降低了新老綜合負荷模型交替之間那部分時段的預測誤差

90、7、本發明精準預測模型能提取的不再是外部特征們同一時刻的特征信息，充分地考慮了時間對這些特征的漸變影響。

91、8、本發明從預測曲線的趨勢性和預測誤差的累積性兩方面，更全面地做出是否需要變更的決定。