本发明涉及人工智能与电网调度优化交叉领域，具体为一种基于深度学习的电网调度优化方法。
背景技术：
1、在现代电力系统中，电网调度优化是确保电网稳定、提高能源利用效率的关键要素。传统的电网调度方法依赖于预设的规则和人工决策，这在处理可再生能源，尤其是风力发电的不稳定性和不可预测性时，常常显得力不从心。随着可再生能源占电力系统中比重的不断增加，传统方法由于缺乏实时性和灵活性，往往难以最大化风力发电的潜力，并有效整合进电网中。
2、随着机器学习和人工智能技术的快速发展，深度学习技术被广泛研究和应用于电力系统的预测和优化任务中。然而，现有的深度学习模型在处理风力发电数据时通常只考虑时间序列预测，忽视了发电机的空间位置关系，而这些空间关系会因为风资源的空间分布并不均匀、尾流效应、干扰效应等因素对预测精度有重要影响。因此，研究如何综合利用时间序列与空间位置信息，以提升风力发电预测的准确性和电网调度的效率，成为了当前电力系统管理中的一个研究方向。
3、公开号为cn 117709502 a的中国专利公开了“一种基于ceemdan-ihba-xgboost模型的风力发电功率预测方法”，提出一种通过对风电功率的多模态分解和优化预测，可以有效处理和预测风电场的功率输出。该方法能够利用最大信息系数(mic)进行特征选择，并通过ceemdan算法增强数据的信噪比，最终使用xgboost进行精确预测。然而，此方法主要依赖于传统的时间序列预测技术，并未充分利用风力发电站的空间位置数据，这在高度动态和复杂的风力场景下可能限制了预测模型的全面性和准确性。此外，虽然引入了ihba算法对xgboost的超参数进行优化，但该方法在处理高维度数据和复杂网络结构时的灵活性和实时性可能不及使用深度学习和注意力机制的方法。
技术实现思路
1、针对现有技术存在的不足，本发明目的是提供一种基于深度学习的电网调度优化方法，以解决上述背景技术中提出的问题，本发明提供一种新型的多模态网络，该网络能够综合利用风力发电机的时空数据，通过将空间位置数据转换为2d图像，并结合时间序列信息的一维信号处理，全面捕捉风场内各个发电机的空间关系及其动态变化。该方法利用深度学习中的注意力机制，优化了对关键信息的聚焦，提升了风力发电功率预测的准确性。
2、为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于深度学习的电网调度优化方法，包括如下步骤：
3、s1、采集风力发电厂内每个风力发电机的历史功率输出数据和时空数据，对数据进行预处理。
4、s2、设计适用于风力发电功率预测的多模态网络结构，包括一维信息特征提取模块和多通道图像空间特征提取模块及特征融合模块；
5、s3、设计损失函数训练多模态网络，得到训练好的网络模型；
6、s4、使用训练好的模型对风力发电功率进行即时预测，实现对电网调度的优化。
7、进一步的，步骤s1具体包括如下内容：
8、s1-1、获取风力发电厂每个风力发电机历史1年内，每4小时的发电功率数据、风速、风向、气压及每个发电机的经纬度信息；
9、s1-2、对获得的数据进行数据清洗，首先使用加权线性插值方法处理风速、风向的缺失值，其公式为：
10、xmissing＝w1·xbefore+w2·xafter
11、
12、其中，xmissing是缺失时间点的预测值；xbefore和xafter分别是缺失点前后的已知值；w1和w2是权重，基于时间距离计算；tbefore，tafter，tmissing是对应的时间点。
13、然后使用iqr法则对风速的异常值进行处理，其公式为：
14、iqr＝q3-q1
15、lowerbound＝q1-k×iqr
16、upperbound＝q3+k×iqr
17、其中q1是数据集中所有数值中的下四分位数(25％)；q3是数据集中所有数值中的上四分位数(75％)；iqr为四分位距；k是一个可以调整的参数，根据数据的分布敏感度进行设置；upper bound和lower bound分别为上界和下界，任何低于下界或高于上界的值需要被剔除。
18、s1-3、对获得的数据进行数据转换，将风向从角度(0-360度)转换为正弦和余弦值，其公式如下：
19、
20、其中，“wind direction”是以度为单位的风向角度。
21、s1-4、通过归一化去除数据中的比例效应，其公式为：
22、
23、其中，x[n]是原始数据，xnormalized[n]是归一化后的数据，min(x)是数据中的最小值，max(x)是数据中的最大值，α和β是可调整的缩放因子和偏移量。
24、s1-5、将风力发电机的经纬度坐标进行正弦和余弦变换，首先将度数转为弧度，其公式如下：
25、
26、其中，radianslat、long分别为纬度和经度对应的弧度；degreeslat、long分别为纬度和经度；π为圆周率。
27、然后计算正弦和余弦值，其公式如下：
28、latitudecos＝cos(radianslat)
29、latitudesin＝sin(radianslat)
30、longitudecos＝cos(radianslong)
31、longitudesin＝sin(radianslong)
32、其中，latitudecos为维度的余弦值；latitudesin为维度的正弦值；longitudecos为经度的余弦值；longitudesin为经度的正弦值。
33、s1-6、将所有数据按时间序列格式整理，以便可以输入到一维特征提取模块中。
34、进一步的，所述s1还包括：
35、s1-7、定义一个m×n的网格，将每个风力发电机的地理坐标映射到网格坐标，公式为：
36、
37、其中x和y是发电机的网格坐标；n和m分别是网格的列数和行数，由发电机具体分布情况及数量决定；longitude和latitude是发电站实际的经度和纬度；max_longitude、min_latitude分别是所有发电机经度和纬度的最大值；min_longitude、min_latitude分别是所有发电机经度和纬度的最小值。
38、s1-8、对于每个发电机，使用上述计算的x和y作为网格坐标，将风速、风向、大气压、发电量数据映射到对应的网格单元。
39、s1-9、根据网格上的数据值生成图像，图像有5个通道，分别由风速、风向的正弦和余弦、大气压、发电量这5个参数进行分配。
40、进一步的，所述s2中多模态网络结构具体包括：
41、s2-1、设计多通道图像空间特征提取模块，具体如下：
42、s2-1-1、输入多通道2d图像，使用3×3的卷积核进行初始卷积，后跟批归一化和leakyrelu激活函数，然后使用1×1的卷积核进行深层特征提取，再次经过批归一化和leakyrelu激活函数；
43、s2-1-2、引入通道和空间双重注意力机制，首先是通道注意力机制，具体为通过挤压操作，将每个通道的二维特征图压缩成一个单一的数值，公式如下：
44、
45、其中zc表示第c个通道的全局特征，它是该通道所有特征的全局平均值；uc是第c个通道的特征图，uc(i,j)是该特征图在位置(i,j)的值；h和w是特征图的高度和宽度；∑为求和符号，用于累加整个特征图的值；为进行平均操作的归一化因子。
46、然后是激励操作，使用一个小型的全连接神经网络来学习每个通道的权重，用于强化重要通道的特征，公式如下：
47、sc＝σ(w2δ(w1zc))
48、其中sc表示第c个通道的权重向量；z是来自挤压操作的全局特征向量，输入到激励网络中；w1和w2代表两个全连接层的权重矩阵，第一个全连接层用于降维，第二个全连接层用于恢复维度；δ为relu激活函数，用于增加非线性；σ为sigmoid激活函数，用于将权重限制在0到1之间。
49、最后是重标定操作，用于将计算得到的通道权重与原始特征图进行逐通道的乘法运算，以强调重要通道的特征，其公式为：
50、
51、其中sc是通道c的权重，是加权后的特征图。
52、然后是空间注意力机制，公式如下：
53、
54、其中as为生成的空间注意力图；conv3×3为3×3卷积核，用于跨通道聚合特征；σ为sigmoid函数；为通道注意力机制处理后的特征图。
55、最后应用空间注意力机制，公式如下：
56、
57、表示经过空间注意力调整后的特征图；⊙为元素乘法操作，表示as中的每个空间权重与中相应位置的值相乘。
58、s2-1-3、在注意力机制后加入全局平均池化层、dropout层、全连接层，应用自适应激活函数，并输出最终的特征向量；所述自适应参数化relu(aprelu)激活函数表示如下：
59、
60、其中x是激活函数的输入，α，β，γ，δ是可学习的参数，这些参数可以在训练过程中根据输入特征动态调整。
61、进一步的，所述s2中还包括以下内容：
62、s2-2、设计一维信息特征提取模块，具体如下：
63、s2-2-1、输入预处理后的时间序列数据，首先使用3×1的卷积核进行卷积，捕获短期依赖，然后经过relu激活函数，再采用5×1的卷积核进行卷积，捕获更长期的依赖关系。
64、s2-2-2、在卷积后应用2×2平均池化，然后应用批归一化层。
65、s2-2-3、引入时间注意力机制，使用一个小型卷积网络生成时间注意力权重，公式如下：
66、at＝σ(conv1×1(fconv2))
67、其中at为时间注意力图；fconv2是经过第二次卷积的特征图；conv1×1为生成时间注意力权重的小型卷积层；σ为sigmoid激活函数。
68、然后应用注意力权重，公式如下：
69、
70、表示经过时间注意力调整后的特征图；⊙为元素乘法操作。
71、s2-2-4、在应用时间注意力机制后，将结果输入到lstm层，捕捉时间序列中不连续的模式。
72、s2-2-5、在lstm之后对输出进行全局平均池化，然后应用elu激活函数，最后应用dropout层、全连接层。
73、s2-3、设计多通道图像空间特征提取，将一维信息特征提取模块和多通道图像空间特征提取模块的输出进行特征融合，具体如下：
74、s2-3-1、对两个模块的输出特征分别进行全局平均池化，以确保维度相同，随后使用z-score进行特征标准化。
75、s2-3-2、将处理后的一维和二维特征向量进行串联，公式如下：
76、fcombined＝[f1d；f2d]
77、其中fcombined表示串联后的联合特征向量；f1d和f2d分别代表一维特征提取模块和多通道图像空间特征提取模块输出的特征。
78、然后使用一个全连接层从fcombined中学习特征权重，公式如下：
79、w1d,w2d＝softmax(w·fcombined+b)
80、其中w1d,w2d是得到的权重；w是全连接层的权重矩阵；b是偏置项；fcombined表示联合特征向量；softmax激活函数确保输出权重的和为1。
81、然后进行加权特征融合，公式如下：
82、ffused＝w1d·f1d+w2d·f2d
83、其中ffused表示融合后的特征；w1d和w2d是通过训练得到的权重；f1d和f2d分别代表一维特征提取模块和多通道图像空间特征提取模块输出的特征。
84、s2-3-3、完成特征融合后应用第一个全连接层，使用relu激活函数；然后加入dropout层；随后应用第二个全连接层，使用relu激活函数。最后输出预测值。
85、进一步的，所述s3中设计的损失函数如下：
86、s3-1、损失函数由三部分组成：预测误差损失、模态协调损失、正则化项。
87、s3-1-1、预测误差损失部分通过均方误差来衡量预测值与实际值之间的差异，公式如下：
88、
89、其中yi是样本i的实际功率值，是模型预测的功率值，n是样本总数。
90、s3-1-2、模态协调损失旨在优化不同模态特征(图像和时间序列数据)之间的协调，公式如下：
91、
92、其中，f1d,j和f2d,j分别表示在第j个样本上提取一维和二维特征；corr表示相关系数；m是模态的数量。
93、s3-1-3、正则化项用于控制模型复杂度，防止过拟合，公式如下：
94、
95、其中wk表示模型各层的权重，λ是正则化系数。
96、进一步的，三部分的最终损失函数表示如下：
97、l＝lpred+αlmodal+lreg
98、其中，α是一个可调节的超参数，用于平衡预测误差损失和模态协调损失的重要性。
99、进一步的，所述s4中进行实时预测并进行电网调度优化的详细步骤如下：
100、s4-1、在进行实时预测之前，需要确保所有相关的实时数据源都已准备好并能实时接入。这些数据包括：每个发电机的风速和风向数据、气压和温度数据、发电数据及经纬度数据。
101、s4-2、与训练阶段相同，所有实时数据都必须经过相同的预处理步骤，以保证数据的一致性和模型的有效性。这包括数据清洗、数据转换、特征提取。
102、s4-3、使用预处理后的数据通过训练好的多模态网络模型进行实时预测。模型将输出未来7天的预测发电功率。
103、s4-4、预测得到的风力发电功率数据将直接输入到电网调度系统。系统根据预测结果和当前电网的负荷需求，动态调整电网中的发电资源分配。
104、进一步的，所述s4-4中优化以下方面：
105、s4-4-1、发电效率：根据风力发电的预测结果调整风电场的输出，以提高发电效率。
106、s4-4-2、供电可靠性：通过预测数据减少因风力不稳定带来的供电中断风险。
107、s4-4-3、成本控制：优化电源组合，减少昂贵的调峰电站的使用，降低发电成本。
108、本发明的有益效果：
109、1.该基于深度学习的电网调度优化方法采用了高级的数据预处理技术，如风向的正弦余弦转换和iqr异常值处理，有效地提高了输入数据的质量。这种精细化处理帮助模型更好地理解和利用数据，从而减少预测误差。
110、2.该基于深度学习的电网调度优化方法通过同时处理时间序列和空间图像数据，本发明的多模态网络能够全面分析风力发电机的动态和空间分布。这种整合方法为模型提供了更丰富的信息，有助于更准确地预测未来几个小时到一周的风力发电量。
111、3.本发明通过将风力发电机的空间位置转换为2d图像，本发明能够捕捉发电机之间的相对位置和潜在的相互作用。这种空间关系的考量显著提高了模型对整体风场动态的预测准确性；模型集成的通道和空间注意力机制使得模型能够自动识别并聚焦于对预测最重要的数据特征，如风速突变区域。这种动态关注能力使预测更为精准，响应更加迅速。
112、4.本发明设计了包含模态协调损失的复合损失函数，不仅优化了预测误差，还强化了不同数据模态之间的一致性。这种方法确保了模型在不同数据源之间达到最优的协调，从而提高整体预测的稳定性和准确性；通过算法优化和硬件加速等技术的应用，能够在资源受限的环境下快速部署并保持高效运行。这对于需要实时调度的电网操作尤为关键，使得模型不仅准确而且实用。
113、5.本发明通过实时处理和分析风力发电机的时空数据，能够快速响应环境变化和电网需求。这种快速的数据处理能力使得电网运营者可以即时调整电网负载和发电计划，以应对风速和风向的突变，从而减少因发电不足或过剩造成的能源浪费。
114、6.本发明的预测结果可以帮助运营者更有效地分配和利用可再生能源，特别是风能。通过准确预测未来几天甚至几小时的风力发电量，电网可以更精细地调整不同能源之间的比例，优化整体能源组合，减少对传统化石燃料的依赖。
1.一种基于深度学习的电网调度优化方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于深度学习的电网调度优化方法，其特征在于，步骤s1具体包括如下内容：
3.根据权利要求2所述的一种基于深度学习的电网调度优化方法，其特征在于，所述s1还包括：
4.根据权利要求1所述的一种基于深度学习的电网调度优化方法，其特征在于，所述s2中多模态网络结构具体包括：
5.根据权利要求4所述的一种基于深度学习的电网调度优化方法，其特征在于，所述s2中还包括以下内容：
6.根据权利要求1所述的一种基于深度学习的电网调度优化方法，其特征在于，所述s3中设计的损失函数如下：
7.根据权利要求6所述的一种基于深度学习的电网调度优化方法，其特征在于：三部分的最终损失函数表示如下：
8.根据权利要求1所述的一种基于深度学习的电网调度优化方法，其特征在于：所述s4中进行实时预测并进行电网调度优化的详细步骤如下：
9.根据权利要求8所述的一种基于深度学习的电网调度优化方法，其特征在于：所述s4-4中优化以下方面：
