CN119026450A - 一种配电网超短期分布式能源出力预测方法及系统 - Google Patents

Abstract

本发明公开了一种配电网超短期分布式能源出力预测方法及系统包括：获取目标配电网原始的分布式风电数据；预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将目标配电网原始的分布式风电数据作为该模型的输入；获取该模型的以目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。设计的窗口概率稀疏自注意力机制，通过优化观测点内积相关性的计算过程，显著减轻了计算负担，实现了计算效率的大幅提升。不仅考虑了高重要性时间点的特征，还融入了观测点附近时间片段的短期特征于自注意力机制中，深化了对数据特征的挖掘，进而增强了预测模型的性能。

Description

一种配电网超短期分布式能源出力预测方法及系统

技术领域

本发明涉及配电网超短期分布式能源出力预测技术领域，尤其涉及一种配电网超短期分布式能源出力预测方法及系统。

背景技术

在配电网中，随着大量分布式能源如风力发电设备的接入，由环境变化引发的风电功率的随机性和波动性，向配电网的稳定运行提出了挑战。为了应对这一挑战，精准预测分布式能源出力显得尤为重要。通过准确预测分布式能源出力，一方面可以有效减轻配电网在分布式能源大规模接入时面临的不确定波动所带来的调峰调频压力，从而确保源荷端的供需平衡。另一方面，还能减少常规电源的旋转备用需求，提高分布式能源的消纳能力，进而保证配电网的安全稳定运行。因此，对配电网超短期分布式能源出力预测展开研究是很有必要的。

分布式能源出力预测以风电为例，目前的分布式风电预测方法主要分为两类，分别是物理方法和统计方法。物理方法往往以气候条件、地理环境和分布式电源运行状态为影响因素建立物理模型，结合分布式能源出力曲线进行出力预测。统计方法主要分为浅层学习模型及深度学习模型。浅层学习模型主要包括支持向量机、随机森林法和灰度关联分析模型。深度学习模型主要以长短时记忆(long short-term memory，LSTM)神经网络、门控循环单元(gate recurrent unit，GRU)这2种循环神经网络和Transformer模型为主。

(1)物理方法涉及诸多影响因素，其建模过程尤为复杂，且求解耗时长，因此在短期内进行预测时并不适用。

(2)浅层学习模型的结构相对简单，这限制了其捕捉分布式风电功率序列中复杂非线性关系的能力。

(3)LSTM和GRU这两种基于梯度下降的递归神经网络，由于其固有的串行结构特性，只能逐一读取序列数据。当处理时间跨度较大的序列数据时，这类模型容易出现梯度爆炸或梯度消失的问题，导致难以准确捕捉长期依赖关系。

(4)Transformer模型中的多头自注意力机制虽然能够计算时间点之间的特征相关性，但它缺乏对特定时间片段特征(如风电激增、跌落和剧烈波动等)的有效处理。因此，在风电功率状态模式发生快速变化时，该模型可能无法迅速作出反映。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种配电网超短期分布式能源出力预测方法及系统，能够解决背景技术中提到的问题。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明提供了一种配电网超短期分布式能源出力预测方法，包括：

获取目标配电网原始的分布式风电数据；

预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将所述目标配电网原始的分布式风电数据作为该模型的输入；

获取该模型的所述目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。

作为本发明所述的配电网超短期分布式能源出力预测方法的一种优选方案，其中：所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型包括：

将原始的分布式风电数据导入卷积池化层，通过维度映射生成新的时间序列矩阵；

通过一维卷积层对时间特征进行维度转换，将处理后的时间特征矩阵与位置编码矩阵、原有的时间序列矩阵进行合并，形成综合特征矩阵。

作为本发明所述的配电网超短期分布式能源出力预测方法的一种优选方案，其中：所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

采用TCN网络提取所述综合特征矩阵的时间片段特征信息，捕获综合特征矩阵间的全局依赖关系；

所述TCN网络的因果膨胀卷积表达式为：

其中，H(l)表示TCN网络第t个神经元的输出，h(s)表示卷积核中的第s个元素，x_l-dm·s为从l时刻向过去平移dm·s时刻对应的输入值，dm是扩张因子，k是卷积核大小，当dm＝1时，扩张因果卷积转变为标准因果卷积。

作为本发明所述的配电网超短期分布式能源出力预测方法的一种优选方案，其中：所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

在编码层中，TCN网络的输出矩阵与综合特征矩阵被同时引入，其中，TCN的输出矩阵通过特定的权值矩阵进行转换，分别形成自注意力机制所需的查询向量和键向量；

综合特征矩阵经过权值矩阵的转换，形成值向量；

所述查询向量和键向量以及值向量通过注意力机制函数运算，生成矩阵A(Q,K,V)；

矩阵A(Q,K,V)经过层规范化处理、残差网络的连接、归一化调整以及前馈神经网络的加工，得出中间特征矩阵。

作为本发明所述的配电网超短期分布式能源出力预测方法的一种优选方案，其中：所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

经过掩蔽处理，综合特征矩阵被引入TCN网络以生成输出矩阵；

该输出矩阵与掩蔽处理后的综合特征矩阵一同进入解码层；

在解码层中，通过掩蔽窗口稀疏多头自注意力机制、残差连接以及归一化得到query向量；

解码层还生成了key向量和value向量，这三个向量key、value和query，随后被传递到解码器的下一个子层中，经过全连接层的处理，输出超短期分布式风电功率的预测结果。

作为本发明所述的配电网超短期分布式能源出力预测方法的一种优选方案，其中：所述前馈神经网络包括：

F(k)＝max(0,kW₁+b₁)W₂+b₂

其中，F(·)表示前馈神经网络函数，W₁和W₂分别为第一个线性层和第二个线性层的权重矩阵，b₁和b₂分别为第一个线性层和第二个线性层的偏置向量，k表示规范化层的输出。

作为本发明所述的配电网超短期分布式能源出力预测方法的一种优选方案，其中：所述窗口稀疏多头自注意力机制包括：

其中，和是与原始Transformer模型中自注意力矩阵维度相同的稀疏矩阵，Q表示查询矩阵，K表示键矩阵，V表示值矩阵，d表示每个时刻的输入维度和输出维度。

第二方面，本发明提供了一种配电网超短期分布式能源出力预测系统，包括：

数据获取模块，用于获取目标配电网原始的分布式风电数据；

模型设计模块，用于预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将所述目标配电网原始的分布式风电数据作为该模型的输入；

预测模块，用于获取该模型的所述目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。

第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

与现有技术相比，本发明的有益效果：本发明提出一种配电网超短期分布式能源出力预测方法及系统，获取目标配电网原始的分布式风电数据；预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将所述目标配电网原始的分布式风电数据作为该模型的输入；获取该模型的以所述目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。结合了TCN与自注意力机制，强化了时间片段间的关联性，使其能够精准捕捉风电功率的各类动态变化，如跌落、上升或骤变，从而显著提升了模型的预测准确性。设计的窗口概率稀疏自注意力机制，通过优化观测点内积相关性的计算过程，显著减轻了计算负担，实现了计算效率的大幅提升。不仅考虑了高重要性时间点的特征，还融入了观测点附近时间片段的短期特征于自注意力机制中，深化了对数据特征的挖掘，进而增强了预测模型的性能。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的方法流程图；

图2为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的风电数据、时间季节性信息与位置编码拼接示意图；

图3为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的TCN-Wpsformer混合模型示意图；

图4为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的时间卷积神经网络示意图；

图5为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的窗口稀疏自注意力机制模型示意图；

图6为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的概率稀疏自注意力机制模型示意图；

图7为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的窗口概率稀疏自注意力机制模型示意图；

图8为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的基于TCN-Wpsformer混合模型的超短期风电功率预测流程图；

图9为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的不同模型下的分布式风电功率预测结果示意图。

图10为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的上升期、下降期和快速波动期的分布式风电功率预测结果示意图，(a)上升期、(b)下降期、(c)快速波动期；

图11为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的TCN-Transformer和Transformer模型的风电功率预测结果示意图；

图12为本发明一个实施例提供的一种配电网超短期分布式能源出力预测方法及系统的计算机设备的内部结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

实施例1

参照图1-图12，为本发明的第一个实施例，该实施例提供了一种配电网超短期分布式能源出力预测方法及系统，包括：

在相关技术中，物理方法涉及诸多影响因素，其建模过程尤为复杂，且求解耗时长，因此在短期内进行预测时并不适用。浅层学习模型的结构相对简单，这限制了其捕捉分布式风电功率序列中复杂非线性关系的能力。LSTM和GRU这两种基于梯度下降的递归神经网络，由于其固有的串行结构特性，只能逐一读取序列数据。当处理时间跨度较大的序列数据时，这类模型容易出现梯度爆炸或梯度消失的问题，导致难以准确捕捉长期依赖关系。Transformer模型中的多头自注意力机制虽然能够计算时间点之间的特征相关性，但它缺乏对特定时间片段特征(如风电激增、跌落和剧烈波动等)的有效处理。因此，在风电功率状态模式发生快速变化时，该模型可能无法迅速作出反映。

本申请提供了可以有效解决上述提到的问题，接下来将结合多个实施例来详细阐述如何实现该配电网超短期分布式能源出力预测方法；

图1示出了一种配电网超短期分布式能源出力预测方法及系统的方法流程图，包括：

S101，获取目标配电网原始的分布式风电数据；

在一个可选的实施例中，目标配电网原始的分布式风电数据可以包括实时发电数据：这是最基本的数据，包括每个风电机组在不同时间点的即时发电功率。数据通常以分钟、秒或者更小的时间间隔记录，以捕捉风电出力的动态变化。气象数据：包括但不限于风速、风向、气温、气压、湿度等，因为这些气象因素直接影响风力发电的效率和出力。这些数据通常从安装在风电场的气象站实时采集。地理位置与环境信息：风电场的经纬度、海拔高度、地形地貌特征等，这些信息有助于评估风资源的可用性以及风电出力的空间分布特性。风机运行状态数据：包括风机的工作状态(如运行、停机、维护)、故障记录、转速、叶片角度等，这些数据有助于分析风电出力受限或波动的原因。电网调度指令与反馈：包括调度中心对风电场的出力调度指令、电网频率、电压水平等，这些数据对于理解风电如何被集成到配电网中，以及对电网稳定性的影响至关重要。时间序列数据：考虑到风电的季节性和日常变化，长期的历史发电数据对于模型训练和验证非常重要，可以帮助模型学习风电出力的周期性规律。设备参数与配置：每个风电机组的额定功率、叶轮直径、塔筒高度等硬件配置信息，以及相关的控制策略和运行参数。电网拓扑结构：配电网的结构信息，包括输电线路、变压器、开关设备等的布局，以及分布式风电接入点的位置，这对理解风电接入后电网的潮流分布和稳定性有重要影响等。

S102，预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将目标配电网原始的分布式风电数据作为该模型的输入；

其中，预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型包括：

将原始的分布式风电数据导入卷积池化层，通过维度映射生成新的时间序列矩阵；

通过一维卷积层对时间特征进行维度转换，将处理后的时间特征矩阵与位置编码矩阵、原有的时间序列矩阵进行合并，形成综合特征矩阵。

更进一步的，预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

采用TCN网络提取综合特征矩阵的时间片段特征信息，捕获综合特征矩阵间的全局依赖关系；

TCN网络的因果膨胀卷积表达式为：

其中，H(l)表示TCN网络第t个神经元的输出，h(s)表示卷积核中的第s个元素，x_l-dm·s为从l时刻向过去平移dm·s时刻对应的输入值，dm是扩张因子，k是卷积核大小，当dm＝1时，扩张因果卷积转变为标准因果卷积。

更进一步的，预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

在编码层中，TCN网络的输出矩阵与综合特征矩阵被同时引入，其中，TCN的输出矩阵通过特定的权值矩阵进行转换，分别形成自注意力机制所需的查询向量和键向量；

综合特征矩阵经过权值矩阵的转换，形成值向量；

查询向量和键向量以及值向量通过注意力机制函数运算，生成矩阵A(Q,K,V)；

矩阵A(Q,K,V)经过层规范化处理、残差网络的连接、归一化调整以及前馈神经网络的加工，得出中间特征矩阵。

更进一步的，预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

经过掩蔽处理，综合特征矩阵被引入TCN网络以生成输出矩阵；

该输出矩阵与掩蔽处理后的综合特征矩阵一同进入解码层；

在解码层中，通过掩蔽窗口稀疏多头自注意力机制、残差连接以及归一化得到query向量；

解码层还生成了key向量和value向量，这三个向量key、value和query，随后被传递到解码器的下一个子层中，经过全连接层的处理，输出超短期分布式风电功率的预测结果。

更进一步的，前馈神经网络包括：

F(k)＝max(0,kW₁+b₁)W₂+b₂

其中，F(·)表示前馈神经网络函数，W₁和W₂分别为第一个线性层和第二个线性层的权重矩阵，b₁和b₂分别为第一个线性层和第二个线性层的偏置向量，k表示规范化层的输出。

更进一步的，窗口稀疏多头自注意力机制包括：

其中，和是与原始Transformer模型中自注意力矩阵维度相同的稀疏矩阵，Q表示查询矩阵，K表示键矩阵，V表示值矩阵，d表示每个时刻的输入维度和输出维度。

在本申请实施例中，循环神经网络模型因其串行结构而在训练过程中自然地保留了序列中的顺序信息；相比之下，Transformer神经网络则采用了并行处理的结构框架，导致其无法捕获时间位置特征。为此，Transformer神经网络通常引入绝对位置编码，从而有效地捕获并利用数据中的位置信息。编码公式为：

其中，j∈{1,…,[d_model/2]}，d_model表示预设数据维度，本申请中取512，s表示数据点所在序列绝对位置信息，L表示数据预处理分割后的时间序列长度，P表示处理后的绝对位置编码数据，P_(s,2j)和PP_(s,2j+1)分别代表第s位数据的2j维度和2j+1维度位置数值，其中2j和2j+1表示三角函数的奇偶性。

在本申请实施例中，在处理时间序列数据时，除了直接的位置信息，时间隐藏特征也同样重要。为了充分捕捉这些时间特征，可以借鉴位置编码的思想，对时间特征进行细致的处理。具体而言，可以从每个时间戳中提取全局性的时间特征，如时刻编码、整点编码、日期编码和月份编码等，并将它们按照各自的维度进行归一化处理，最后将这些编码拼接在一起，以全面反映时间序列数据的时间特性，如图2所示。图中：u_n为分布式风电数据序列；p_n为绝对位置编码数据；t_n为时刻编码数据；h_n为整点编码数据；d_n为日期编码数据；m_n为月份编码数据；c_n为分布式风电数据序列和以上所有编码拼接后的数据。

具体的，将三部分拼接后得到cn，公式为：

其中，表示第t次序列输入的第i列数据，表示第t次序列输入的第i列分布式风电原始数据归一化向量，P_i ^t表示第t次序列输入的第i列数据的绝对位置编码向量，表示第t次序列输入的第i列数据按z时间维度归一化处理的编码向量，其拼接后表示时刻、整点、日期和月份编码归一化处理后的数据，α是平衡向量μ和嵌入位置编码、时间编码大小的因子。c_n为第n次序列输入数据组成的矩阵。

在本申请实施例中，基于TCN-Wpsformer的超短期分布式风电功率预测模型，具体模型网络结构如图3所示。

在本申请实施例中，TCN网络在CNN模型的基础上进行了创新，主要体现在因果卷积和膨胀卷积两个方面。在进行长时间序列数据预测时，首要关注的是避免“信息泄露”。如图4所示，TCN采用的因果卷积有别于传统的CNN卷积，关键在于其单向性。因果卷积确保了当提取l时刻的特征时，该特征值仅依赖于当前时刻以及之前的数据，而不会受到l+1、l+2等后来时刻的原始数据的影响。此外，TCN中的膨胀卷积允许在卷积过程中间隔采样，使得感受野的大小随着网络层数的增加呈指数级增长，TCN网络能够在保持较少层数的同时，获得更大的感受野，从而更有效地处理时间序列数据。其因果膨胀卷积表达式为：

其中，H(l)表示TCN网络第t个神经元的输出，h(s)表示卷积核中的第s个元素，x_l-dm·s为从l时刻向过去平移dm·s时刻对应的输入值，dm是扩张因子，k是卷积核大小，当dm＝1时，扩张因果卷积转变为标准因果卷积。一个层所能提取的有效历史信息为(k-1)d。

应说明的是，在Transformer模型中，查询(query)、键(key)和值(value)的生成依赖于编码后的初始向量与特定的权值矩阵相乘。这种计算方式主要用于评估时间点之间的数据相关性，但往往忽略了邻近时间片段的特征。

在超短期分布式风电功率预测中，鉴于极端天气、昼夜及季节变迁的影响，风电功率这一时间序列模式会随时间动态变化。因此，判断当前风电功率状态，很大程度上依赖于当前环境状况。TCN网络可以通过网络层数的增加来扩大模型的感受野，更有效地提取时间片段特征信息。此外，引入TCN网络也是为了克服类Transformer模型的一些固有局限性。Transformer中的查询(query)、键(key)和值(value)是由c_n向量分别与三个不同权值矩阵W^Q、W^K和W^V点乘得到的三个不同向量。此时，query和value的点积主要用于评估时间点之间的数据相关性，但却忽略了邻近时间片段的特征信息。图4所示，TCN网络的引入改变了自注意力机制的结构，使得它能够将包含不同时间片段特征信息的时间序列数据作为query和key的输入，而value则仍旧保持原始的时间序列数据输入。通过这种设计，TCN网络能够更精确地计算query和key之间的相关性，建立各时间片段之间的联系，捕获重要历史时间片段的特征信息。

在本申请实施例中，经过TCN处理后的分布式风电数据被进一步输入到Wpsformer模型中。在处理长时间序列数据时，传统的Transformer模型中的多头注意力机制常因序列长度过长而面临计算复杂度高、计算速度慢的挑战。为此，本申请提出窗口概率稀疏多头自注意力机制。从本质上讲，窗口概率稀疏多头自注意力机制是将窗口大小值固定的局部注意力机制和面向相对重要query向量的概率稀疏自注意力机制相结合，在面对长时间序列数据的处理时，降低计算复杂度的同时仍能保持良好的计算精度。

原始Transformer的多头自注意力公式为：

其中，A(·)表示注意力函数，softmax(·)为固定的归一化指数函数，Q表示查询矩阵，K表示键矩阵，V表示值矩阵，d_k表示每个时刻的输入维度和输出维度。

多头自注意力机制如下所示，多头自注意力机制中第d个自注意力的函数结构如下第二个公式所示。

M(Q,K,V)＝Concat(H₁,...,H_d)W^o

其中，M(·)表示多头自注意力函数；H_d表示第d个自注意力函数；Concat(·)表示拼接函数；W^o为多头自注意力函数的线性映射矩阵；QW_d ^Q、KW_d ^K、VW_d ^V为第d个自注意力函数中Q、K、V的线性映射矩阵。

在本申请实施例中，窗口稀疏自注意力机制的注意力矩阵结构如图5所示。在超短期分布式风电功率预测中，相比距离预测点较远的观测点，在短时间尺度内、距离预测点更近的数据往往更具参考价值。与原始Transformer模型中需计算任意两个观测点之间的相关性所不同，窗口稀疏自注意力机制通过固定窗口大小的局部注意力机制，仅对每一个观测点附近的固定数量观测点进行关注和处理。在图5的自注意力矩阵中，每一个观测点仅对固定窗口大小附近的观测点采用局部注意力机制进行处理，窗口外的白色部分使用零向量填充。n表示输入序列的长度，w表示设定的窗口大小。原始Transformer模型的计算复杂度为O(n²)0，随着序列长度n的增加，其计算复杂度会呈指数级增长。相较之下，窗口稀疏自注意力机制的计算复杂度仅为O(nw)，计算效率大大提升。

在窗口稀疏自注意力机制中，当机制的层数为l且窗口大小w固定时，其最顶层的感受野将达到lw。这一点在图5的右侧得到了直观的展示：在第一层，观测点a₂的注意力覆盖范围是从a₁到a₃，其窗口大小为w；而在第二层，观测点b₂的注意力覆盖范围是从b₁到b₃，窗口大小同样为w。值得注意的是，第二层的b₁已经包括了来自第一层a₂所捕获的局部信息，同样地，b₃也涵盖了a₄所捕获的信息。因此，位于第二层的b₂实际上能够利用从a₁到a₅的全部信息。这一机制使得底层虽然只能捕获到有限的信息，但随着层级的递增，顶层的感受野会逐步拓宽，综合更多信息。

概率稀疏自注意力机制的自注意力矩阵如图6所示。由前述分析可知：窗口稀疏自注意力机制中每层的窗口大小值均固定，因此便无法灵活地根据时序数据的变化进行自适应调整。并且，除了观测点临近时间片段的短期特征，重要性较高的时间序列理应被考虑。为了弥补窗口稀疏自注意力机制的不足，本申请提出概率稀疏自注意力机制。实际上，在计算自注意力时，只有少数特征数据的点积对主要注意力有显著贡献，而其他点积的影响则相对微弱，可以忽略不计。因此，概率稀疏自注意力机制首先会根据重要性对query向量排序，筛选出较为重要的query向量后进行点积计算。通过这种方式，每个key向量将只关注o个占主导地位的query向量，由此构建出概率稀疏自注意力矩阵。图6中深色部分代表o个主导query向量与各个key向量的进行点积运算以计算观测点间的相关性，其余白色部分则通过零向量填充来避免不必要的更新。

最后，将窗口稀疏自注意力矩阵与概率稀疏自注意力矩阵拼接叠加，得到窗口概率稀疏自注意力机制模型，如图7所示。其模型函数如下所示：

其中，和是与原始Transformer模型中自注意力矩阵维度相同的稀疏矩阵，表示图5中窗口稀疏自注意力矩阵，表示图6中概率稀疏自注意力矩阵与图5中窗口稀疏矩阵不重叠的部分，即图7中的橙色部分。

进一步，将得到窗口概率稀疏自注意力矩阵通过层规范化技术处理以稳定内部特征分布，并结合残差连接策略，缓解深度神经网络在层数增加时可能引发的梯度消失和网络性能退化问题，提升模型预测结果的收敛速度和稳定性。之后进入前馈神经网络，计算公式如下所示：

F(k)＝max(0,kW₁+b₁)W₂+b₂

其中，F(·)表示前馈神经网络函数，W₁和W₂分别为第一个线性层和第二个线性层的权重矩阵，b₁和b₂分别为第一个线性层和第二个线性层的偏置向量，k表示规范化层的输出。

最后，TCN-Wpsformer模型通过全连接层输出超短期分布式风电功率预测值。

在本申请实施例中，整体技术方案可总结如下：

(1)首先将原始的分布式风电数据导入卷积池化层，通过维度映射生成新的时间序列矩阵。随后，一维卷积层对时间特征进行维度转换，最终将处理后的时间特征矩阵与位置编码矩阵、原有的时间序列矩阵进行合并，形成综合特征矩阵。

(2)采用TCN提取综合特征矩阵的时间片段特征信息，捕获综合特征矩阵间的全局依赖关系。

(3)在编码层中，TCN网络的输出矩阵与综合特征矩阵被同时引入。其中，TCN的输出矩阵通过特定的权值矩阵WQ和WK进行转换，分别形成自注意力机制所需的查询向量Q和键向量K。同时，综合特征矩阵经过权值矩阵WV的转换，形成值向量V。这些向量Q、K、V进一步通过注意力机制函数运算，生成矩阵A(Q，K，V)。接着，矩阵A(Q，K，V)经过层规范化处理、残差网络的连接、归一化调整以及前馈神经网络的加工，最终得出中间特征矩阵。

(4)经过掩蔽处理，综合特征矩阵被引入TCN模块以生成输出矩阵。随后，该输出矩阵与掩蔽处理后的综合特征矩阵一同进入解码层。在解码层中，通过掩蔽窗口稀疏多头自注意力机制、残差连接以及归一化技术，得到query向量。同时，解码层还生成了key向量和value向量。这三个向量——key、value和query，随后被传递到解码器的下一个子层中。最终，经过全连接层的处理，输出超短期分布式风电功率的预测结果。

S103，获取该模型的以目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。

综上所述，本发明提出一种配电网超短期分布式能源出力预测方法，获取目标配电网原始的分布式风电数据；预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将所述目标配电网原始的分布式风电数据作为该模型的输入；获取该模型的所述目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。结合了TCN与自注意力机制，强化了时间片段间的关联性，使其能够精准捕捉风电功率的各类动态变化，如跌落、上升或骤变，从而显著提升了模型的预测准确性。设计的窗口概率稀疏自注意力机制，通过优化观测点内积相关性的计算过程，显著减轻了计算负担，实现了计算效率的大幅提升。不仅考虑了高重要性时间点的特征，还融入了观测点附近时间片段的短期特征于自注意力机制中，深化了对数据特征的挖掘，进而增强了预测模型的性能。

本实施例中还提供一种配电网超短期分布式能源出力预测系统，包括：

数据获取模块，用于获取目标配电网原始的分布式风电数据；

模型设计模块，用于预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将目标配电网原始的分布式风电数据作为该模型的输入；

预测模块，用于获取该模型的以目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。

上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本实施例还提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种配电网超短期分布式能源出力预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取目标配电网原始的分布式风电数据；

预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将目标配电网原始的分布式风电数据作为该模型的输入；

获取该模型的以目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。

实施例2

参照图2-图11，为本发明的一个实施例，提供了一种配电网超短期分布式能源出力预测方法及系统，为了验证本发明的有益效果，通过实验进行科学论证。

为了验证本申请所提风电功率超短期预测模型的有效性，本节首先将本申请所提出的TCN-Wpsformer方法与其他经典深度模型在单步预测下的效果对比；接着分析本申请方法在多步风电功率数据预测过程中的优势；最后设计以Transformer模型为基础的消融实验，分析TCN网络和窗口概率稀疏自注意力机制对预测精度的提升。

本申请采用昆明某配电网2018年3月1日到2018年12月31日的实际分布式风电数据进行实验分析，采样周期为20分钟，配电网总装机容量为200MW。分布式风电数据其中80％数据作为训练集数据，20％作为测试集数据。本申请首先对数据进行归一化处理，公式如下：

其中，y_train是归一化之后的数据，y是实际数据值，y_min和y_max分别是原始数据集中的最小值和最大值。

本申请选择平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为评价模型预测效果的指标。各表达式如下：

其中，m表示预测的数据维度，y＝{y₁,y₂,…,y_m}代表原始数据的实际值，y＝{y₁,y₂,...,y_m}代表预测值。

为了全面评估本申请提出的TCN-Wpsformer模型在风电功率预测中的性能，将其与LSTM、GRU及原始Transformer模型进行了对比实验。如图9所示，即使在风电功率波动较大的情况下，本申请的模型仍能展现出精确的预测能力。图10详细展示了在上升期、下降期及快速波动期，各模型对风电功率的预测结果。

为了更直观地比较各模型的预测精度，统计了TCN-Wpsformer、Transformer、LSTM和GRU模型在单步(15分钟)、4步(1小时)和16步(4小时)预测下的EMAE、EMAPE、ERMSE及计算时间，并列于表1中。以EMAE为例，本申请模型相较于其他模型在预测精度上展现出了显著优势。具体而言，如表1所示，TCN-Wpsformer模型和Transformer模型相对于LSTM和GRU模型的EMAE指标分别下降了59.045％和63.778％，以及46.149％和52.321％。

从图10的(a)和(b)部分可以看出，当风电功率出现急剧上升或下降时，本申请提出的模型以及Transformer模型均能有效地跟踪风电功率的真实值，并做出准确的预测。此外，当风电功率达到极值时，TCN-Wpsformer与原始Transformer模型均能紧密贴合真实功率值，这充分证明了Transformer网络中的编码器-解码器并行结构与多头自注意力机制在挖掘历史数据特征方面的有效性。

在如图10(c)所示的分布式风电功率快速波动期可以观察到TCN-Wpsformer模型的预测精度要明显高于Transformer模型，正如表所示，TCN-Wpsformer模型相对于Transformer模型的EMAE、EMAPE、ERMSE指标分别下降24.078％、21.712％和26.539％。与原始Transformer模型的全局自注意力机制相比，TCN-Wpsformer引入了窗口稀疏多头自注意力机制，尽管放弃了一部分观测点之间的相关性计算，但它在模型表现上却展现出了更高的准确性。这是因为传统Transformer模型在全局自注意力计算时，包含了大量重要性较低的历史数据特征，增加了模型过拟合的风险。相反，TCN-Wpsformer则侧重于提取那些重要性较高的时间点特征和邻近时间段的短期特征，并纳入自注意力机制中。此外，通过利用TCN网络来构建时间片段之间的联系，取代了传统Transformer模型中时间点间的联系，使得模型在预测极值等特殊时间节点时表现出更高的精确度和效率。

表1不仅直观地比较了四种方法在单步预测下的精度，还深入评估了本申请提出的方法在连续多步风电功率数据预测中的效能。以EMAE指标为例，TCN-Wpsformer模型和Transformer模型在4步预测时相较于单步预测的性能分别下降了16.797％和22.322％，而当预测步数增加到16步时，相对于4步预测的性能又分别下降了39.226％和42.422％。值得注意的是，TCN-Wpsformer在EMAE、EMAPE和ERMSE等多项指标上的下降幅度均小于传统Transformer模型。这一优势主要源于本申请所提方法采用的改进编码器-解码器结构，该结构能够一步输出所有预测值，从而避免了传统Transformer模型迭代输出时每一步预测误差的累积效应。随着预测时间步数的增加，传统Transformer模型的预测效果逐渐下降，而TCN-Wpsformer则能维持相对稳定的性能。在模型训练速度方面，本申请提出的方法仅需9.52分钟，相较于传统Transformer方法的13.25分钟，显著减少了计算负担和时间，并且预测精度也大幅提升。这是因为TCN-Wpsformer在扩大观测点感受野的同时，通过舍弃重要程度较低的query值来减轻计算负担。使得模型在捕捉长时间距离重要特征的同时，也能有效关注到短时间距离特征。虽然本申请所提方法的计算时间相较于某些类RNN方法略长，但其性能足以满足超短期分布式风电功率预测的时间要求。

表1不同模型单步与多步风电功率预测值对比

本申请设计的TCN-Wpsformer模型由多个模块组成，其中核心部分包括TCN网络和融入窗口概率自注意力机制的Wpsformer模块。鉴于这些模块在提升预测精度方面各有侧重，为了验证TCN网络和窗口概率自注意力机制对于提高预测准确性和减少计算时间的有效性，基于Transformer模型展开消融实验。

如表2所示，TCN-Transformer和Wpsformer模型在EMAE指标上相较于原始的Transformer模型分别实现了11.79％和8.13％的下降。这一结果明确表明了TCN网络的集成和自注意力机制的改进能够有效提升风电功率预测精度，并且TCN网络的引入在其中起到了更为显著的效果。进一步观察图11中TCN-Transformer模型与Transformer模型的预测对比，可以发现，在风电功率出现剧烈波动时，TCN-Transformer模型能够更准确地跟踪实际功率变化，特别是在峰谷值点，其预测效果明显优于Transformer模型。这主要归功于TCN网络对时间片段特征的精准捕捉和片段间联系的有效建立，与Transformer模型仅依赖时间点联系的自注意力机制形成了鲜明对比。最终，本申请的TCN-Wpsformer模型在EMAE指标上相对于Transformer模型实现了21.66％的大幅下降，这充分证明了TCN网络和窗口概率稀疏自注意力机制的结合使用能够产生优于各模块单独使用时的显著效果，极大地提升了预测精度。此外，除消融实验外，本申请还与SVM和BP神经网络模型进行了对比，本申请提出的TCN-Wpsformer模型在三种评价指标上均大幅超越了现有的朴素模型，展现了其卓越的性能和广泛的应用潜力。

表2不同组织模块下的模型预测性能与朴素模型性能对比

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种配电网超短期分布式能源出力预测方法，其特征在于，包括：

获取目标配电网原始的分布式风电数据；

预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将所述目标配电网原始的分布式风电数据作为该模型的输入；

获取该模型以所述目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。

2.如权利要求1所述的配电网超短期分布式能源出力预测方法，其特征在于，所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型包括：

将原始的分布式风电数据导入卷积池化层，通过维度映射生成新的时间序列矩阵；

通过一维卷积层对时间特征进行维度转换，将处理后的时间特征矩阵与位置编码矩阵、原有的时间序列矩阵进行合并，形成综合特征矩阵。

3.如权利要求2所述的配电网超短期分布式能源出力预测方法，其特征在于，所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

采用TCN网络提取所述综合特征矩阵的时间片段特征信息，捕获综合特征矩阵间的全局依赖关系；

所述TCN网络的因果膨胀卷积表达式为：

其中，H(l)表示TCN网络第t个神经元的输出，h(s)表示卷积核中的第s个元素，x_l-dm·s为从l时刻向过去平移dm·s时刻对应的输入值，dm是扩张因子，k是卷积核大小，当dm＝1时，扩张因果卷积转变为标准因果卷积。

4.如权利要求3所述的配电网超短期分布式能源出力预测方法，其特征在于，所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

在编码层中，TCN网络的输出矩阵与综合特征矩阵被同时引入，其中，TCN的输出矩阵通过特定的权值矩阵进行转换，分别形成自注意力机制所需的查询向量和键向量；

综合特征矩阵经过权值矩阵的转换，形成值向量；

所述查询向量和键向量以及值向量通过注意力机制函数运算，生成矩阵A(Q,K,V)；

矩阵A(Q,K,V)经过层规范化处理、残差网络的连接、归一化调整以及前馈神经网络的加工，得出中间特征矩阵。

5.如权利要求4所述的配电网超短期分布式能源出力预测方法，其特征在于，所述预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型还包括：

经过掩蔽处理，综合特征矩阵被引入TCN网络以生成输出矩阵；

该输出矩阵与掩蔽处理后的综合特征矩阵一同进入解码层；

在解码层中，通过掩蔽窗口稀疏多头自注意力机制、残差连接以及归一化得到query向量；

解码层还生成了key向量和value向量，这三个向量key、value和query，随后被传递到解码器的下一个子层中，经过全连接层的处理，输出超短期分布式风电功率的预测结果。

6.如权利要求5所述的配电网超短期分布式能源出力预测方法，其特征在于，所述前馈神经网络包括：

F(k)＝max(0,kW₁+b₁)W₂+b₂

其中，F(·)表示前馈神经网络函数，W₁和W₂分别为第一个线性层和第二个线性层的权重矩阵，b₁和b₂分别为第一个线性层和第二个线性层的偏置向量，k表示规范化层的输出。

7.如权利要求6所述的配电网超短期分布式能源出力预测方法，其特征在于，所述窗口稀疏多头自注意力机制包括：

其中，和是与原始Transformer模型中自注意力矩阵维度相同的稀疏矩阵，Q表示查询矩阵，K表示键矩阵，V表示值矩阵，d表示每个时刻的输入维度和输出维度。

8.一种配电网超短期分布式能源出力预测系统，其特征在于，包括：

数据获取模块，用于获取目标配电网原始的分布式风电数据；

模型设计模块，用于预设基于时间卷积神经网络和窗口概率稀疏混合模型的超短期分布式能源出力预测模型，并将所述目标配电网原始的分布式风电数据作为该模型的输入；

预测模块，用于获取该模型的所述目标配电网原始的分布式风电数据作为输入时对应的输出作为超短期分布式风电功率的预测结果。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。