[发明专利]一种基于排产计划的虚拟电厂负荷预测方法

权利要求书

1.一种基于排产计划的虚拟电厂负荷预测方法，其特征在于，包括：

确定训练样本，以及所述训练样本的输入点数；所述训练样本包括虚拟电厂中各工业用户在历史时期内任一时段的排产数据和所述任一时段的负荷功率数据；

基于所述输入点数，以及预设的网络调度函数，确定LSTM网络模块的训练数量，其中，所述LSTM网络模块用于预测负荷功率数据；

对所述训练数量的LSTM网络模块串并联排布，获得待训练神经网络模型；

基于所述训练样本，对所述待训练神经网络模型进行迭代训练，得到训练好的DTLSTM网络模型；其中，所述DTLSTM网络模型输入排产数据输出预测的负荷功率数据；

所述确定训练样本，包括：获取所述虚拟电厂中各工业用户在历史时期内各生产线的生产任务列表，以及历史负荷功率数据；基于所述生产任务列表，确定所述历史时期内各生产线的工时信息，并基于所述历史时期内各生产线的工时信息，确定所述历史时期内多个时段的排产数据；识别所述历史负荷功率数据中的毛刺，并进行去除和修复，得到历史时期内多个时段的负荷功率数据；基于所述多个时段中任一时段的排产数据，以及所述任一时段的负荷功率数据，确定训练样本。

2.根据权利要求1所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述基于所述训练样本，对所述待训练神经网络模型进行迭代训练，得到训练好的DTLSTM之后，还包括：

获取所述虚拟电厂中各工业用户在预设时段的排产计划，并基于所述预设时段的排产计划，以及所述训练好的DTLSTM网络模型，预测得到所述虚拟电厂中各工业用户在所述预设时段的负荷功率数据。

3.根据权利要求2所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述基于所述预设时段的排产计划，以及所述训练好的DTLSTM网络模型，预测得到所述预设时段的负荷功率数据之后，还包括：

基于预设时段之前多个时段的毛刺数据，确定所述预设时段的毛刺数据；

基于所述预设时段的毛刺数据，以及所述预设时段的负荷功率数据，确定所述预设时段的工业负荷数据。

4.根据权利要求1所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述生产任务列表包括任务种类、任务工时和任务重要程度；

所述基于所述生产任务列表，确定所述历史时期内各生产线的工时信息，并基于所述历史时期内各生产线的工时信息，确定所述历史时期内多个时段的排产数据，包括：

遍历所述各生产线的生产任务列表，基于任务种类和任务工时，得到所述各生产线中各种任务的工时；

基于各种任务的任务重要程度，确定各种任务的加权系数，其中，加权系数与任务重要程度呈正相关；

基于所述各生产线中各种任务的工时，以及各种任务的加权系数，进行加权求和，得到各生产线的工时信息，所述工时信息包括工时总和；

基于历史时期内各时段每条生产线的工时总和，进行聚类分析，得到历史时期内多个时段的排产数据。

5.根据权利要求1所述的基于排产计划的虚拟电厂负荷预测方法，其特征在于，所述识别所述历史负荷功率数据中的毛刺，并进行去除修复，得到历史时期内多个时段的负荷功率数据，包括：

基于所述历史负荷功率数据，进行时间划分，得到多个时间颗粒的负荷功率数据；

对所述多个时间颗粒中的每个时间颗粒的负荷功率数据进行积分运算，得到多个时间颗粒的负荷功率值；

基于所述多个时间颗粒的负荷功率值，进行均值运算和比较分析，确定所述多个时间颗粒中存在毛刺的时间颗粒；

在所述历史负荷功率数据中，去除存在毛刺的时间颗粒的负荷功率数据，并进行修复，得到修复后的多个时间颗粒的负荷功率数据；

基于所述修复后的多个时间颗粒的负荷功率数据，确定历史时期内多个时段的负荷功率数据，其中，每个时段包括多个时间颗粒。