本发明属于电力管理，具体是涉及到一种基于迁移学习的新型电力系统能源供给预测方法及系统。
背景技术：
1、随着社会经济的发展和电力需求的不断增长，电力系统的规模和复杂性也在不断增加，电力调度系统面临着越来越多的挑战。同时，随着智能电网和可再生能源的广泛应用，电力系统中数据的种类和数量急剧增加，这为电力调度系统提供了丰富的数据资源，但也提出了更高的数据处理和分析要求。
2、电力系统本身具有高度的复杂性和不确定性，突发事件如自然灾害、设备故障等都会对供电系统产生重大影响，故障区域的突发事件会导致故障区域出现电力供给缺口，此时需要及时调度整个电力系统的电力，在最小化其他所有区域供电影响的情况下补足故障区域的电力供给缺口，这就需要在突发事件发生时就能准确预测电力供给缺口的大小。然而电力系统传统的预测方法大多依赖于单一的数据源，如历史用电数据或简单的实时监测数据，而这些数据源无法全面反映电力系统的动态变化和复杂性，因此缺乏足够的灵活性和适应性，导致无法及时调整和响应这些突发事件。另一方面，现有的统计模型和简单的预测算法难以捕捉电力系统中存在的复杂时序特征和区域之间的相互影响，导致对电力供给缺口的预测结果准确性不足。
技术实现思路
1、本发明提供一种基于迁移学习的新型电力系统能源供给预测方法及系统，以解决电力供给缺口的预测结果准确性不足的问题。
2、第一方面，本发明提供一种基于迁移学习的新型电力系统能源供给预测方法，应用于目标地区的电力调度系统，所述目标地区中包含多个不同的供电区域，包括如下步骤：
3、响应于所述电力调度系统所接收到的区域供电风险信息，确定所述目标地区中出现应急供电风险的风险供电区域，从确定所述风险供电区域开始，缓存预设时间段内所述风险供电区域的区域实时电力数据，所述区域实时电力数据包括区域供电拓扑数据和区域实时电力运转数据；
4、通过所述电力调度系统获取所述目标地区的地区供电拓扑数据和地区历史电力运转数据；
5、预处理所述区域实时电力运转数据和所述地区历史电力运转数据，结合多尺度卷积神经网络和迁移学习技术从预处理后的所述区域实时电力运转数据和所述地区历史电力运转数据中提取到电力运转时序特征；
6、基于所述地区供电拓扑数据生成所述目标地区的地区电力图网络，并根据所述区域供电拓扑数据从所述地区电力图网络中截取出所述风险供电区域的区域电力图网络；
7、结合所述地区电力图网络和所述区域电力图网络并利用图神经网络提取出电力拓扑结构特征；
8、将所述电力运转时序特征和所述电力拓扑结构特征融合为电力综合特征，并将所述电力综合特征输入至预设的gcn-lstm预测模型中，通过所述gcn-lstm预测模型输出所述风险供电区域的电力供给缺口预测结果。
9、可选的，所述预处理所述区域实时电力运转数据和所述地区历史电力运转数据，结合多尺度卷积神经网络和迁移学习技术从预处理后的所述区域实时电力运转数据和所述地区历史电力运转数据中提取到电力运转时序特征包括如下步骤：
10、基于灰色预测模型理论预处理所述区域实时电力运转数据，得到预处理后的区域实时电力时序数据；
11、利用模糊熵算法预处理所述地区历史电力运转数据，得到预处理后的地区历史电力时序数据；
12、基于所述区域实时电力时序数据和所述地区历史电力时序数据并利用多尺度卷积神经网络和迁移学习技术提取得到电力运转时序特征。
13、可选的，所述基于灰色预测模型理论预处理所述区域实时电力运转数据，得到预处理后的区域实时电力时序数据包括如下步骤：
14、基于所述区域实时电力运转数据构建区域实时电力运转矩阵；
15、将所述区域实时电力运转数据进行一次累加计算，得到一次累加序列数据；
16、基于灰色预测模型理论并根据所述一次累加序列数据获取一次累加邻近序列数据；
17、根据所述一次累加邻近序列数据所述构建一次累加邻近序列矩阵；
18、结合所述区域实时电力运转矩阵和所述一次累加邻近序列矩阵计算得到灰色预测模型的灰色系数；
19、利用所述灰色系数构建所述灰色预测模型的微分方程及对应的系统响应函数；
20、通过所述系统响应函数对所述一次累加序列数据进行累减计算，得到还原电力运转数据；
21、对所述还原电力运转数据进行残差检验处理和残差修正处理，得到区域实时电力时序数数据。
22、可选的，所述基于所述区域实时电力时序数据和所述地区历史电力时序数据并利用多尺度卷积神经网络和迁移学习技术提取得到电力运转时序特征包括如下步骤：
23、将所述区域实时电力时序数据输入至预设的局部特征提取器中，通过所述局部特征提取器进行局部特征提取，得到区域实时局部时序特征；
24、将所述地区历史电力时序数据输入至预设的全局特征提取器中，通过所述全局特征提取器进行全局特征提取，得到初始地区历史全局时序特征并更新所述全局特征提取器中的所有提取器参数；
25、初始化所述全局特征提取器中最后一层全连接层的全连接层参数，冻结所述全局特征提取器中其他所有所述提取器参数；
26、将所述区域实时电力时序数据输入至所述全局特征提取器中，利用所述区域实时电力时序数据实现所述全局特征提取器的迁移学习，并更新最后一层全连接层的全连接层参数，得到迁移学习后的所述全局特征提取器；
27、通过迁移学习后的所述全局特征提取器从所述地区历史电力时序数据中提取出地区历史全局时序特征；
28、采用预设的融合参数将所述区域实时局部时序特征和所述地区历史全局时序特征融合为电力多尺度时序特征；
29、按照所述电力多尺度时序特征的特征尺度配置多尺度卷积神经网络的卷积层级，将所述电力多尺度时序特征输入至配置完成的所述多尺度卷积神经网络中，经过所述多尺度卷积神经网络的分层迁移学习处理后输出电力运转时序特征。
30、可选的，所述按照所述电力多尺度时序特征的特征尺度配置多尺度卷积神经网络的卷积层级，将所述电力多尺度时序特征输入至配置完成的所述多尺度卷积神经网络中，经过所述多尺度卷积神经网络的分层迁移学习处理后输出电力运转时序特征包括如下步骤：
31、基于所述电力多尺度时序特征中所有时序特征的平均特征尺度配置多尺度卷积神经网络的公共卷积层；
32、将所述电力多尺度时序特征中的所有所述时序特征按照特征尺度由大至小的顺序排序；
33、基于所述特征尺度的尺度种类数量并按照所述时序特征的排序结果依次配置所述多尺度卷积神经网络中多个不同尺度的标准卷积层，所述标准卷积层的数量与所述尺度种类数量相同；
34、根据所述排序结果将首位的所述时序特征作为目标时序特征，将所述目标时序特征输入至所述公共卷积层和对应尺度的目标标准卷积层，更新并保留所述公共卷积层的公共参数以及所述目标标准卷积层的目标标准参数；
35、根据所述排序结果依次将下一位的所述时序特征作为所述目标时序特征，将所述目标时序特征输入至所述多尺度卷积神经网络中并基于分层迁移学习方法执行参数更新步骤，直至每个所述标准卷积层的标准参数均被更新；
36、将每个所述标准卷积层所输出的优化时序特征整合为电力运转时序特征。
37、可选的，所述将所述目标时序特征输入至所述多尺度卷积神经网络中并基于分层迁移学习方法执行参数更新步骤包括如下步骤：
38、将所述目标时序特征输入至所述公共卷积层，基于当前的所述公共参数输出公共提取特征，同时更新并保留所述公共参数；
39、将所述目标时序特征输入至对应尺度的目标标准卷积层，在所述目标标准卷积层中加载上一尺度所述标准卷积层的上层标准参数，基于所述上层标准参数输出标准提取特征；
40、计算所述公共提取特征与所述标准提取特征之间的特征相似度；
41、若所述特征相似度小于预设的相似度阈值，则重置所述目标标准卷积层中的标准参数，重新将所述目标时序特征输入至所述目标标准卷积层中，利用所述目标时序特征更新并保留所述目标标准卷积层的所述标准参数；
42、若所述特征相似度大于等于所述相似度阈值，则将所述上层标准参数保留为所述目标标准卷积层的标准参数。
43、可选的，所述方法还包括如下步骤：
44、将所述区域实时局部时序特征输入至预设的arma模型中，通过所述arma模型输出第一初预测结果；
45、将所述电力运转时序特征输入至预设的lstm模型中，通过所述lstm模型输出第二初预测结果；
46、结合所述第一初预测结果和所述第二初预测结果计算得到初预测结果差值；
47、基于所述初预测结果差值并通过参数调整算法调整所述融合参数，以及所述arma模型和所述lstm模型的模型参数。
48、可选的，所述基于所述地区供电拓扑数据生成所述目标地区的地区电力图网络，并根据所述区域供电拓扑数据从所述地区电力图网络中截取出所述风险供电区域的区域电力图网络包括如下步骤：
49、遍历所述地区供电拓扑数据，提取出所述地区供电拓扑数据中的所有供电节点和用电节点，并识别出所有所述供电节点和所有所述用电节点之间的供给关系；
50、结合所有所述供电节点、所有所述用电节点和所述供给关系构建所述目标地区的地区电力图网络；
51、遍历所述区域供电拓扑数据，根据所述区域供电拓扑数据中拓扑节点的节点属性提取出所有区域边缘供电节点和区域边缘用电节点；
52、利用所有所述区域边缘供电节点和所有所述区域边缘用电节点在所述地区电力图网络中确定并截取出所述风险供电区域的区域电力图网络。
53、可选的，所述结合所述地区电力图网络和所述区域电力图网络并利用图神经网络提取出电力拓扑结构特征包括如下步骤：
54、将所述地区电力图网络输入至预设的图神经网络中，利用所述图神经网络中的图卷积层和图池化层依次对所述地区电力图网络进行卷积处理和池化处理，得到初始拓扑特征；
55、将所述初始拓扑特征输入至所述图神经网络中的图全连接层，更新所述图全连接层中的图全连接参数；
56、将所述区域电力图网络输入至所述图全连接层中并微调所述图全连接参数；
57、重新将所述初始拓扑特征输入至参数微调后的所述图全连接层中，通过参数微调后的所述图全连接层输出电力拓扑结构特征。
58、第二方面，本发明还提供一种基于迁移学习的新型电力系统能源供给预测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于迁移学习的新型电力系统能源供给预测方法。
59、本发明的有益效果是：
60、通过响应电力调度系统接收到的区域供电风险信息，能够及时确定目标地区中出现应急供电风险的风险供电区域，并在预设时间段内缓存该区域的实时电力数据，为后续分析提供详实的数据基础。然后获取目标地区的供电拓扑数据和历史电力运转数据，并对这些数据进行预处理，结合多尺度卷积神经网络和迁移学习技术提取出的电力运转时序特征能够更准确地反映电力系统的动态变化。结合地区电力图网络和区域电力图网络，利用图神经网络提取出电力拓扑结构特征有助于全面了解电力系统的结构特性。最终，将电力运转时序特征和电力拓扑结构特征融合为电力综合特征，并输入至预设的gcn-lstm预测模型中，通过该模型输出风险供电区域的电力供给缺口预测结果，能够显著提高预测的准确性和响应速度，从而有效评估和应对供电风险，保障电力系统的稳定运行。
1.一种基于迁移学习的新型电力系统能源供给预测方法，其特征在于，应用于目标地区的电力调度系统，所述目标地区中包含多个不同的供电区域，包括如下步骤：
2.根据权利要求1所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述预处理所述区域实时电力运转数据和所述地区历史电力运转数据，结合多尺度卷积神经网络和迁移学习技术从预处理后的所述区域实时电力运转数据和所述地区历史电力运转数据中提取到电力运转时序特征包括如下步骤：
3.根据权利要求2所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述基于灰色预测模型理论预处理所述区域实时电力运转数据，得到预处理后的区域实时电力时序数据包括如下步骤：
4.根据权利要求2所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述基于所述区域实时电力时序数据和所述地区历史电力时序数据并利用多尺度卷积神经网络和迁移学习技术提取得到电力运转时序特征包括如下步骤：
5.根据权利要求4所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述按照所述电力多尺度时序特征的特征尺度配置多尺度卷积神经网络的卷积层级，将所述电力多尺度时序特征输入至配置完成的所述多尺度卷积神经网络中，经过所述多尺度卷积神经网络的分层迁移学习处理后输出电力运转时序特征包括如下步骤：
6.根据权利要求5所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述将所述目标时序特征输入至所述多尺度卷积神经网络中并基于分层迁移学习方法执行参数更新步骤包括如下步骤：
7.根据权利要求4所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述方法还包括如下步骤：
8.根据权利要求1所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述基于所述地区供电拓扑数据生成所述目标地区的地区电力图网络，并根据所述区域供电拓扑数据从所述地区电力图网络中截取出所述风险供电区域的区域电力图网络包括如下步骤：
9.根据权利要求8所述的基于迁移学习的新型电力系统能源供给预测方法，其特征在于，所述结合所述地区电力图网络和所述区域电力图网络并利用图神经网络提取出电力拓扑结构特征包括如下步骤：
10.一种基于迁移学习的新型电力系统能源供给预测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的基于迁移学习的新型电力系统能源供给预测方法。
