气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法及系统

1.气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤如下：（1）进行负荷与气象因素相关性分析，将全年负荷序列划分为气象敏感季节负荷和非气象敏感季节负荷；（2）针对气象敏感季节负荷，进行负荷分解，构建气温累积效应模型、多变量灰色系统模型和CNN-BiLSTM-Attention模型，生成气象敏感季节负荷时序场景；（3）针对非气象敏感季节负荷，选取负荷日特性指标，进行负荷指标概率分布拟合及抽样，获取目标年非气象敏感季节负荷特性指标，基于日特性指标生成非气象敏感季节负荷时序场景；（4）将气象敏感季节负荷与非气象敏感季节负荷组合得到目标年负荷时序场景。 2.如权利要求1所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（1）中，依据当年5天滑动平均气温序列，在首次连续5个满足某一气候季节指标阈值的滑动平均值所对应的日平均气温序列中，第一个大于或等于10℃的日期为春季起始日；第一个大于或等于22℃的日期为夏季起始日；第一个小于22℃的日期为秋季起始日；第一个小于10℃的日期为冬季起始日，各季节起始日的前一日为上一季节的终止日；将夏冬季负荷划分为气象敏感季节负荷，将春秋季负荷划分为非气象敏感季节负荷。 3.如权利要求2所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（2）中，具体步骤如下：（2-1）选取历史年中全天气温在16℃~25℃、且无降雨的春秋季负荷均值作为该年度春秋季的日基础负荷，再对该年度春秋季日基础负荷取均值作为该年度的年度基础负荷，夏冬季省域日负荷曲线与年度基础负荷曲线逐个做差得到夏冬季气象敏感负荷序列；（2-2）构建气象敏感负荷峰值、年度基础负荷与经济指标之间的多变量灰色系统模型；（2-3）构建日最高气温与日最大气象敏感负荷的温度累积效应修正模型；（2-4）构建气象敏感负荷占比与气象数据之间的CNN-BiLSTM-Attention模型。 4.如权利要求3所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（2-1）中，年度基础负荷与气象敏感负荷序列的计算公式为： （1）其中， 分别为春季a月和秋季c月第i天第j（ ）时刻省域负荷， 为第j时刻年度基础负荷值，m与n分别为春、秋季符合适宜温度的天数， 为夏冬季省域日负荷曲线值， 为气象敏感负荷序列。 5.如权利要求4所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（2-2）中，多变量灰色系统模型为： （2）式中， 为原始特征序列，即历史年度基础负荷序列或气象敏感负荷峰值序列； 为原始特征序列 的1阶AGO累加序列； 为影响因素序列，即对应历史年社会经济指标序列，下标 表示第 个经济人文指标， ， 为指标总数； 为 的1阶AGO累加序列； 为时刻值；a，b i ，c，d为模型参数，通过最小二乘法进行估计； 为背景值系数；模型训练完成，给定目标年经济指标，即可生成目标年年度基础负荷与气象敏感负荷峰值。 6.如权利要求5所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（2-3）中，温度累积效应修正模型为： （3）式中： 为待预测日的最高温度， ， 为界限温度； 为待预测日前 日的最高温度； 为最大累计天数； 为累积效应系数；采用温升曲线确定界限温度，温升曲线为日最高温度与日最大气象敏感负荷所拟合出来的曲线，该曲线斜率最大值所对应的温度即为界限温度，超过界限温度开始考虑温度累积效应，并采用试探法确定最大累积天数，即计算不同的最大累积天数的气象敏感负荷与最高温度的相关系数，相关系数最大值所对应的天数即为最大累积天数；采用相关系数求解k，满足修正后的最高温度与气象负荷的相关系数最大，在选定的最大累积天数p下，累积效应系数序列的优化求解模型如下： （4） （5）其中， 为修正后的最高温度向量，对应的最高气象敏感负荷向量为 ，约束条件表示修正后的日平均气温是由目标日到目标日前 日温度数据的加权平均，且距离目标日越近，当日气温对负荷的影响越强；基于历史最高气温记录及其对应的24小时气温序列，构建省域日最高气温与省域24小时内各个小时的线性回归模型，通过修正后的省域日最高气温对省域24小时气温逐点修正，线性回归模型如下： （6）式中， 是截距项， 是最高气温的系数， 是误差项， 为第i天省域最高温度， 为第 天第 小时的省域平均气温；分别计算各个地市的各小时气温数据与对应小时的全省平均气温之间的相关系数，并据此计算出各个地市每小时的权重系数，进而对各个地市逐小时气温进行精准修正，计算公式如下： （7） （8） （9）式中， 表示第 个城市第 个小时与全省第 个小时之间的相关系数， 表示第 天第 个城市第 个小时的气温， 表示第 个城市第 个小时的权重系数， 表示第 天第 个城市第 个小时修正后的气温。 7.如权利要求6所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（2-4）中，CNN-BiLSTM-Attention模型包括卷积神经网络、双向长短期记忆网络和注意力机制；卷积神经网络由卷积层、池化层和全连接层构成，卷积层的功能在于特征提取，卷积核在特征图上进行滑动，并在每个位置执行卷积运算，以捕获特征图中相邻元素间所蕴含的特定信息，从而有效地挖掘和提取出关键的特征信息，卷积运算公式如下： （10）式中， 表示卷积层l中的第i个卷积核， 表示输入到卷积层l中的第j个特征图，J表示输入到卷积层l中的特征图数量， 表示卷积运算， 为偏置项，f（）表示卷积层l的激活函数， 表示经卷积运算后卷积层l输出的第i个特征图；在卷积特征提取之后，输出的特征图传递至池化层进行特征选择和信息过滤；全连接层位于卷积神经网络的最后部分，将卷积层、池化层计算得到结果进行非线性组合，转化成一维的向量输出；双向长短期记忆网络由前向LSTM和后向LSTM组成，前向LSTM是正向去处理输入序列，后向LSTM是反向处理序列，处理完成后将两个LSTM的输出拼接起来得到双向长短期记忆网络的输出结果，在处理时间序列数据时捕捉变量间的前后依赖关系，对于t时刻的输入，其计算公式如下： （11） （12） （13）式中， 、 分别为当前时刻前向和后向传递的输出； 、 分别为上一时刻前向和后向传递的输出； 、 、 、 、 、 为权重； 为偏置；在双向长短期记忆网络后面添加注意力机制层，注意力机制层对各个特征赋予不同的权重，并通过softmax函数对注意力得分进行权重计算，最后输出气象敏感负荷占比序列；注意力机制的计算公式如下： （14）式中， 为经双向长短期记忆网络输出的特征矩阵； 为特征矩阵 经 函数运算的结果； 为权重矩阵； 为归一化后权重矩阵； 为经过注意力机制层分配权重后的输出向量；最后，将各个地市逐小时天气数据以及相应的气象敏感负荷占比一同输入到CNN-BiLSTM-Attention模型中，利用典型年进行训练，得到气象数据与气象敏感负荷占比之间的映射关系，根据此映射关系，使用历史天气数据驱动生成目标年气象敏感负荷占比，将气象敏感负荷占比与气象敏感负荷峰值相乘，再叠加年度基础负荷得到目标年气象敏感季节负荷。 8.如权利要求7所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（3）中，具体步骤如下：(3-1)统计历史非气象敏感季节负荷特性指标，包括日负荷均值、峰值、峰谷差、峰期负载率和谷期负载率；(3-2)利用Copula函数构建日负荷特性指标的联合概率密度函数并进行随机抽样；(3-3)分析负荷特性指标，对有规律变化的负荷特性指标进行目标年估算；(3-4)基于得到的日负荷特性指标，从历史负荷序列中选取与生成的日负荷特性指标之间欧氏距离最小的日负荷序列作为基准负荷序列，构建优化模型，对基准负荷序列进行优化调整，得到目标负荷曲线。 9.如权利要求8所述的气象数据驱动下计及积温效应的中长期省域负荷时序场景生成方法，其特征在于，步骤（3-2）中，Copula函数描述多元随机变量之间的相关关系，其主要思想是将多元变量的联合分布函数拆分成多个边缘分布函数，再通过一个Copula函数将其连接，由Sklar定理可知：若随机变量 的边缘累积分布函数（CDF）为 联合分布函数为G，则必存在一个Copula函数C，有： （15）上式中， 为每一个日负荷特性指标构成的随机变量，具体为日负荷均值、峰值、峰谷差、峰期负载率和谷期负载率； 为对应的边缘累积分布函数；联合概率密度函数即为使用Copula函数将各个边缘累积分布函数进行联合，如上式中的 ，随机抽样是指随机抽取多组日负荷特性指标，每组日负荷特性指标代表某一天的日负荷特性指标；步骤（3-3）中，通过统计历史负荷特性指标变化规律，发现日负荷均值，日负荷峰值、日负荷峰谷差随时间变化有明显的上升趋势，而峰期负载率和谷期负载率无明显规律性变化，因此，通过多变量灰色系统模型生成目标年的这三个负荷特性指标中位数变化情况，构建以中位数偏差为均值，标准差为1的正态分布，进而得到目标年的负荷特性指标，负荷特性指标X的分布表示为： （16）其中， 为中位数偏差，即目标年负荷特性指标的中位数与典型年中位数的差值； 为方差，且 ；步骤（3-4）中，优化模型如下： （17）式中：L(t)为生成的日负荷序列； 为选取的基准负荷序列；优化模型约束条件的基本思想为生成序列的日特性指标与抽样得到的日特性指标一致，即：式中， 分别对应日负荷均值、日负荷峰值、日负荷峰谷差、日峰期负载率和日谷期负载率， 和 分别代表基准负荷曲线中最大负荷和最小负荷出现的时刻； 和 分别代表负荷峰期时段和负荷峰期时段数目； 和 分别代表负荷谷期时段和负荷谷期时段数目，上述优化模型为二次规划模型，求解该优化问题，即可得到满足负荷指标要求的最优日负荷序列。 10.气象数据驱动下计及积温效应的中长期省域负荷时序场景生成系统，其特征在于，包括：分析模块，用于进行负荷与气象因素相关性分析，将全年负荷序列划分为气象敏感季节负荷和非气象敏感季节负荷；气象敏感季节负荷时序场景生成模块，用于针对气象敏感季节负荷，进行负荷分解，构建气温累积效应模型、多变量灰色系统模型和CNN-BiLSTM-Attention模型，生成气象敏感季节负荷时序场景；非气象敏感季节负荷时序场景生成模块，用于针对非气象敏感季节负荷，选取负荷日特性指标，进行负荷指标概率分布拟合及抽样，获取目标年非气象敏感季节负荷特性指标，基于日特性指标生成非气象敏感季节负荷时序场景；目标年负荷时序场景生成模块，用于将气象敏感季节负荷与非气象敏感季节负荷组合得到目标年负荷时序场景。