6-1 大规模分布式光伏下高精度可信负荷预测实践.pdf

《6-1 大规模分布式光伏下高精度可信负荷预测实践.pdf》由会员分享，可在线阅读，更多相关《6-1 大规模分布式光伏下高精度可信负荷预测实践.pdf（22页珍藏版）》请在三个皮匠报告上搜索。

1、高精度可信电力负荷预测实践陈纬奇阿里巴巴-达摩院-决策智能实验室2022/09/24演讲总览p 电力负荷预测背景和挑战p支撑高精度预测时序分析与预测算法介绍p电力负荷预测实践与落地p可解释人工智能技术助力可信预测高精度可信电力负荷预测实践电力负荷预测背景及其重要性感知电网态势 难人工/算法决策电网调整控制唯一的不确定性是未来的用电负荷，用电规律突出，负荷预测简单传统电力系统用电规律被分布式电源干扰，新能源功率预测难度极大，发电的计划性大大降低新型电力系统未来电网态势用电发电计划检修计划不确定确定确定未来电网态势用电新能源/电力市场检修计划不确定不确定确定电力负荷预测是电网调度计算分析、控制决策

2、的基础电力市场健康稳定的基础电力负荷预测挑战挑战1:长期依赖、多重周期年周期周周期天周期电力负荷预测挑战挑战2:电力负荷数据高度异构复杂电力负荷预测挑战挑战3:影响电力负荷的外部因子复杂时间序列分析算法时序分析算法用于预测前置数据处理，包括：1.检测是否具有周期及多周期2.趋势突变检测3.去噪时序预测算法用于进行复杂场景下的高精度预测，包括：1.多重周期时序预测2.极端事件下的预测时间序列分析算法时间序列分解（RobustSTL）原始数据=趋势+周期信号+噪音算法框架1 Q.Wen,J.Gao,X.Song,L.Sun,H.Xu,and S.Zhu,RobustSTL:A Robust Sea

3、sonal-Trend Decomposition Algorithm for Long Time Series,AAAI 2019.（基本 RobustSTL 算法）2 Q.Wen,Z.Zhang,Y.Li,and L.Sun,Fast RobustSTL:Efficient and Robust Seasonal-Trend Decomposition for Time Series with Complex Patterns,KDD 2020.（适用于多重周期且具有加速GADMM算法的 RobustSTL 算法）3 L.Yang,Q.Wen,B.Yang,and L.Sun,A Robu

4、st and Efficient Multi-Scale Seasonal-Trend Decomposition,ICASSP 2021.（适用于多尺度数据的 RobustSTL 算法）优势：有效处理趋势突变和复杂周期（多重周期、周期偏移等）对噪音鲁棒性高计算效率高，可大规模部署复杂周期时序预测算法（Quatformer）挑战：大多数时序数据都是周期数据如何在预测中处理复杂的周期模式，包括 多周期 可变周期 相位偏移Quatformer:一种面向复杂周期时间序列预测的 Transformer 模型提出 learning-to-rotate attention 利用可旋转的四元数表征嵌入可学习

5、的周期/相位信息 四元数是复数的推广：+i+j+k提出 trend normalization，对 hidden layer 中趋势正则化提出 decoupling attention 机制，将 Transformer 计算复杂度由 O(n2)降低至 O(n)主要架构复杂周期数据实例0.2590.211最优基线Quatformer多个数据集上平均MSE降低8.1%Weather数据集上降低18.5%复杂度降低至线性4 Weiqi Chen,Wenwei Wang,Bingqing Peng,Qingsong Wen,Tian Zhou,Liang Sun.Learning to Rotate:

6、Quaternion Transformer for Complicated Periodical Time Series Forecasting.In Proceedings of the 28th ACM SIGKDDInternational Conference on Knowledge Discovery&Data Mining(KDD 2022),2022电力负荷预测实践（平台）将原子算法进行组织，构建电力预测决策平台，使用该平台，我们可以为每个场景快速开发一个鲁棒、精准、可解释的算法工作流数据组织数据