本發明涉及移動儲能調控，具體為一種鄉村移動儲能負荷預測誤差補償優化系統及方法。
背景技術：
1、鄉村地區用電結構日益多元化，分布式新能源滲透率逐年提高，對配電網運行調控與規劃提出了更高要求。鄉村典型用電場景涵蓋居民生活、農業灌溉、水產養殖、電動汽車充電等多種負荷類型，同時受光伏、風電等分布式發電出力及氣象條件的顯著影響，呈現出強波動性、間歇性與季節性特征。
2、實現對其電力負荷的精準預測，是保障鄉村電網安全穩定運行、促進新能源消納、提升供電質量的關鍵技術支撐。
技術實現思路
1、本發明的目的在于提供一種鄉村移動儲能負荷預測誤差補償優化系統及方法，以解決現有技術中提出的問題。
2、為實現上述目的，本發明提供如下技術方案：一種鄉村移動儲能負荷預測誤差補償優化方法，所述方法包括以下步驟：
3、步驟s100：采集鄉村典型場景的特征數據，所述特征數據包括負荷數據、發電數據、氣象數據，構建多維度數據集，覆蓋1個完整年度以包含季節性特征；將采集的特征數據按時間順序劃分為訓練集和驗證集，采用dbscan算法識標記異常數據點；對缺失數據點采用拉格朗日插值多項式進行填補；對不同量綱的數據進行min-max歸一化，作為后續時序預測的基礎；
4、步驟s101：收集鄉村典型場景的用電負荷數據、發電數據、氣象數據，所述負荷數據包括居民生活用電負荷、農業灌溉用電負荷、水產養殖用電負荷、電動汽車充電負荷，所述發電數據包括光伏、風電發電量、所述氣象數據包括風速、光照強度、溫度、降雨量，構建多維度數據集，時間粒度為15分鐘，覆蓋1個完整年度以包含季節性特征；
5、步驟s102：將采集的數據按時間順序劃分為訓練集和驗證集，所述訓練集占比80%、驗證集占比20%，使訓練集包含完整的季節周期和典型場景負荷特征，所述訓練集用于后續模型的訓練，所述驗證集用于模型驗證與誤差分析；采用dbscan算法遍歷所有訓練集和驗證集，將所述dbscan算法識別出的噪聲點判別為異常數據點，去除所述異常數據點；對缺失數據點采用拉格朗日插值多項式進行填補，生成平滑的時序數據；對所述時序數據進行min-max歸一化；將所述時序數據與氣象、季節、場景特征標簽進行特征融合，構建特征矩陣，作為后續時序預測的基礎。
6、步驟s200：構建基于transformer的時序預測模型，所述時序預測模型的核心由三層編碼器堆疊而成，每層均包含一個關鍵的多頭自注意力模塊與一個前饋神經網絡，使用訓練集對所述時序預測模型進行訓練：以均方誤差作為損失函數，采用adam優化器迭代更新，訓練完成后，將驗證集輸入所述時序預測模型，得到對應的初始負荷預測值序列，最后將所述初始負荷預測值序列與歷史真實負荷值逐點比較，計算出預測誤差序列，所述誤差序列量化了transformer模型在未知數據上的偏差，作為后續步驟中進行誤差預測、插值聚類與補償修正的基礎輸入數據；
7、步驟s201：構建基于transformer架構的時序預測模型，所述時序預測模型接收所述特征矩陣作為輸入，通過一個線性嵌入層將所述特征矩陣映射至一個256維的向量空間，形成嵌入向量矩陣e，由于所述時序預測模型本身不包含循環和卷積結構，為保留輸入序列的時間順序信息，采用正弦和余弦函數生成位置編碼矩陣pe，向嵌入向量矩陣e中添加位置編碼，所述位置編碼矩陣pe公式為：
8、；
9、；
10、公式中，pos為時間步，i為維度索引，pe(pos,2i)表示第pos個時間步偶數索引維度對應的位置編碼值，pe(pos,2i+1)表示第pos個時間步奇數索引維度對應的位置編碼值；100002i/dmodel表示位置編碼的縮放因子，用于控制不同維度位置編碼的變化頻率；
11、將嵌入向量矩陣e與位置編碼矩陣pe逐元素相加，得到融合內容與順序信息的輸入序列，作為所述時序預測模型編碼器層的輸入，所述編碼器層包含3層，每層設有一個8頭自注意力機制模塊和一個前饋神經網絡，用于從多尺度、多角度捕捉輸入序列的復雜依賴關系；
12、步驟s202：使用所述訓練集對所述時序預測模型進行訓練，具體為，將所述訓練集的特征矩陣輸入模型，通過均方誤差作為損失函數，采用adam優化器，學習率設為0.001，最大迭代次數為100輪，所述時序預測模型訓練完成后，將所述驗證集的特征矩陣輸入模型，得到對應的初始負荷預測值序列ppred，將所述初始負荷預測值序列ppred與所述驗證集中對應的歷史真實負荷值序列pactual進行逐點比較，計算出預測誤差序列，記為loss，計算公式為loss=ppred-pactual。
13、步驟s300：構建多類型誤差預測模型對所述時序預測模型預測誤差進行補償，所述多類型誤差預測模型包括bilstm誤差模型、gru誤差模型、xgboost誤差模型；使用所述訓練集訓練所述多類型誤差預測模型，訓練完成后，將驗證集對應的誤差序列輸入訓練好的多類型誤差預測模型，得到多個誤差預測值序列；
14、步驟s301：構建多類型誤差預測模型對所述時序預測模型的預測誤差進行序列補償，所述多類型誤差預測模型包括bilstm誤差模型、gru誤差模型、xgboost誤差模型；使用訓練集對所述多類型誤差預測模型進行獨立訓練，以訓練集對應的預測誤差序列loss為輸入，未來對應時刻的誤差值作為輸出進行訓練，以平均絕對誤差作為所述訓練的評價指標，通過模型超參數優化篩選出所述多類型誤差預測模型的最優參數配置，完成訓練與參數固化；
15、步驟s302：將所述驗證集所對應的預測誤差序列loss序列，輸入至訓練好的多類型誤差預測模型中，分別進行前向計算，得到與驗證集時間步相對應的多組誤差預測值序列，所述誤差預測值序列值記為cx，所述cx包括cbilstm、cgru、cxgboos，所述cbilstm、cgru、cxgboos分別是bilstm誤差模型、gru誤差模型、xgboost誤差模型輸出的預測值，代表對應誤差預測模型對未來誤差的獨立計算結果，為后續步驟中進行數據配對、插值與最優模型篩選提供直接的輸入數據基礎。
16、步驟s400：將所述預測誤差序列loss與各誤差預測模型的輸出cx按時間序列配對，具體為：以時間戳為匹配依據，將同一時間步下的預測誤差序列與對應時間步下的誤差預測值序列值cx一一對應綁定，形成時間步+loss值+cx值的三元數據組；對每兩個相鄰三元數據組之間采用拉格朗日插值多項式插入1個中間值，提升數據的時間分辨率與平滑性。
17、步驟s500：構建以loss值為縱軸、cx值為橫軸的二維數據點，表征不同模型組合下的誤差匹配狀態，基于所述各二維數據點到最優決策線的歐氏距離，劃分為近優類和遠優類，從所述近優類和遠優類中選取初始點進行la-kmeans聚類，經迭代更新后得到三個簇，每個簇對應一種多類型誤差預測模型，選取最優模型，將其所述最優模型輸出的cx值確定為最優誤差補償值copt；
18、步驟s501：以插值后的loss值作為縱坐標，對應三元數據組的cx值作為橫坐標，形成二維數據點，所述二維數據點表征了在特定時刻不同模型組合下的誤差匹配狀態，計算所有二維數據點到最優決策線的歐氏距離，所述最優決策線為loss=c的直線，所述c表示表示預測誤差和誤差預測值相等的理想情況，由專業人員設定，將所述歐氏距離從小到大排序，將所有二維數據點劃分為近優類和遠優類，近優類取所述歐氏距離前50%二維數據點，遠優類是所述歐氏距離后50%二維數據點；
19、步驟s502：從近優類和遠優類中分別隨機選取k/2數據點作為作為la-kmeans聚類的初始聚類中心，k取3，計算每個數據點到各初始聚類中心的歐氏距離，分配到距離最近的聚類中心所屬的簇，對每個簇，計算內部所有數據點在loss縱坐標軸和cx橫坐標軸上的均值，將所述均值點作為當前簇的新聚類中心，完成la-kmeans聚類的一次迭代更新，重復所述迭代更新，直至聚類中心的位置變化小于預設閾值，此時la-kmeans聚類收斂，得到k=3個最終簇，每個簇對應一種多類型誤差預測模型，選取所述歐式距離最短的多類型誤差預測模型為最優模型，所述最優模型對應的多類型誤差預測模型在當前時刻輸出的cx值，選定為最優誤差補償值copt。
20、步驟s600：根據公式pfinal=ppred-copt，對所述基于transformer架構的時序預測模型的初始負荷預測值ppred進行修正，得到經誤差補償后的最終負荷預測值pfinal。
21、一種鄉村移動儲能負荷預測誤差補償優化系統，所述系統包括數據采集與預處理模塊、時序預測模型構建與訓練模塊、多模型誤差預測模塊、誤差數據對齊與插值模塊、最優模型選擇模塊、最終預測修正模塊；
22、所述數據采集與預處理模塊采集鄉村典型場景下全年的多維度特征數據，包括負荷、發電及氣象數據，通過數據清洗、歸一化及特征融合，構建出時序對齊的特征矩陣，為后續預測模型提供標準化輸入；
23、所述時序預測模型構建與訓練模塊構建基于transformer架構的時序預測模型，利用訓練集進行模型訓練，在驗證集上生成初始負荷預測值序列，通過對比預測值與真實值，計算出關鍵的預測誤差序列，為后續誤差補償提供基礎；
24、所述時序預測模型構建與訓練模塊包括模型架構構建單元、模型訓練與誤差序列生成單元；
25、所述模型架構構建單元負責構建transformer預測模型的核心結構，將所述特征矩陣通過線性嵌入層映射為高維向量，加入正弦和余弦位置編碼保留時序信息，所述預測模型采用三層編碼器，每層包含多頭自注意力機制與前饋神經網絡，以捕捉復雜的時序依賴關系；
26、所述模型訓練與誤差序列生成單元負責所述預測模型的訓練與初步評估，使用訓練集，以均方誤差為損失函數、adam為優化器對所述預測模型進行訓練，訓練完成后，將驗證集輸入模型得到初始預測值序列，與真實值序列逐點比較，計算出作為后續分析基礎的預測誤差序列。
27、所述多模型誤差預測模塊構建并訓練多類型誤差預測模型，旨在預測前述transformer模型產生的誤差序列，通過獨立訓練各誤差模型，得到對未來誤差的多組誤差預測值序列，為選擇最優補償策略提供候選數據；
28、所述誤差數據對齊與插值模塊負責數據的對齊與精細化處理，以時間戳為基準，將原始預測誤差序列與各誤差模型的預測值序列進行配對，形成三元數據組，在相鄰數據組間進行拉格朗日插值，提升數據的時間分辨率與平滑性，為后續聚類分析準備高質量的數據集；
29、所述最優模型選擇模塊基于插值后的數據構建二維空間，通過計算數據點到理想決策線的距離進行初篩，采用la-kmeans聚類算法將數據點劃分為三個簇，最終選出歐氏距離最短的模型作為最優模型，確定所述最優模型輸出為最優誤差補償值；
30、所述最優模型選擇模塊包括誤差匹配狀態劃分單元、聚類分析與最優模型確定單元；
31、所述誤差匹配狀態劃分單元以插值后的預測誤差序列值為縱軸、誤差預測值序列值為橫軸，形成表征誤差匹配狀態的二維數據點，計算所有所述二維數據點到理想決策線的歐氏距離，所述理想決策線代表預測誤差與誤差預測值相等的理想狀態，將所述二維數據點劃分為近優類與遠優類，為后續聚類提供高質量的初始樣本；
32、所述聚類分析與最優模型從近優類與遠優類中選取初始中心，使用la-kmeans算法進行迭代聚類，得到三個穩定簇，每個簇對應一個誤差預測模型，通過比較各簇數據點到決策線的平均距離，選出最優模型，將所述最優模型輸出值確定為當前時刻的最優誤差補償值。
33、所述最終預測修正模塊利用所述最優誤差補償值，對初始負荷預測值進行修正，得到最終負荷預測值，完成從初始預測到誤差補償的完整閉環。
34、與現有技術相比，本發明的有益效果是：
35、1、提升鄉村能源負荷預測精度：通過構建基于transformer的時序預測模型并結合bilstm、gru、xgboost三種誤差預測模型進行聯合補償，從多角度捕捉負荷變化的復雜依賴關系與誤差特征，降低預測偏差，實現對鄉村多場景用電負荷的高精度預測。
36、2、增強模型對復雜場景的適應性：采用多維度數據集覆蓋全季節，結合dbscan異常檢測、拉格朗日插值及數據歸一化預處理，保障數據質量與一致性，通過la-kmeans聚類動態篩選最優誤差補償模型，提升在鄉村多變環境下的預測穩定性。
37、3、智能化誤差補償與決策優化：引入以預測誤差與誤差預測值為坐標的二維數據點構建機制，結合歐氏距離分析與聚類方法，實現誤差補償模型的動態優選與自適應融合，增強系統在實際應用中的可操作性與可靠性。