(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211176681.8 (22)申请日 2022.09.26 (71)申请人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 刘丽军　胡鑫　陈俊生　徐韩伟　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 郭东亮　蔡学俊 (51)Int.Cl. G06K 9/62(2022.01) G06F 17/10(2006.01) G06F 17/16(2006.01) G06K 9/00(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 多头自注意力的深度卷积嵌入聚类风光荷 联合场景方法 (57)摘要 本发明提出多头自注意力的深度卷积嵌入 聚类风光荷联合场景方法， 包括以下步骤； 步骤 一、 以多策略融合改进黏菌算法优化VMD模型参 数组合， 并基于最优参数组合， 清洗风光荷时序 数据； 步骤二、 建立基于多头自注意力的卷积自 编码器， 利用卷积解码器重构原始时序信号； 步 骤三、 基于手肘法得出合适的聚类簇数， 并针对 特征利用Kmean s初始聚类中心； 调整网络 结构参 数与更新聚类结果， 基于均值法求取各类场景的 聚类中心作为该类的典型场景， 为电力系统的优 化运行和规划提供基础； 本发明能精 准捕捉风光 荷数据间耦合特征信息， 将特征提取过程与聚类 过程相结合， 保障嵌入空间特征的代表性， 可 以 生成风光荷联合场景并精确捕捉风光荷数据间 耦合特征信息。 权利要求书6页 说明书12页 附图2页 CN 115496153 A 2022.12.20 CN 115496153 A 1.多头自注意力的深度卷积嵌入聚类风光荷联合场景方法， 用于生成风光荷耦合场 景， 其特征在于： 所述方法通过精准捕捉风光荷数据间耦合特征信息， 将特征提取过程与聚 类过程相结合， 以保障嵌入空间特 征的代表性， 包括以下步骤； 步骤一、 以多策略融合改进黏菌算法优化VMD模型参数组合， 并基于最优参数组合， 清 洗风光荷时序数据， 削弱噪声信号对数据特 征提取过程的影响； 步骤二、 建立基于多头自注意力的卷积自编码器， 提取处理后的风光荷数据的深层特 征信息， 同时， 利用卷积解码器重构原 始时序信号； 步骤三、 基于手肘法得出合适的聚类簇数， 并针对特征利用Kmeans初始聚类中心； 然后 基于编码器重构损失与聚类损失之和构成的联合损失函数， 调整网络结构参数与更新聚类 结果， 基于均值法求取各类场景 的聚类中心作为该类的典型场景， 为电力系统的优化运行 和规划提供基础。 2.根据权利要求1所述的多头自注意力的深度卷积嵌入聚类风光荷联合场景方法， 其 特征在于： 步骤一中， 对历史风光荷数据进 行异常数据检测及清洗， 数据为一年内的风光荷 时序数据f(t)， 以天为单位， 每个样本包含24个时刻的风电、 光伏出力及负荷数据； 方法具 体为： 步骤S1、 采用非线性的时域分解方法—VMD模型， 将原始风光荷数据f(t)分解成K个具 有中心频率的IMF本征模态分量uk(t)， 同时求取K个uk(t)的有限带宽之和， 并使其最小， 从 而得到VMD模型表达式为： 式中： ωk为第k个uk(t)的中心频率； δ(t)为单位脉冲函数； 为偏导数运算符； 引入 Lagrange算子 λ和二次项惩罚因子α， 以精简式公式一的求 解过程， 运 算后模型表达式为： 基于交替方向乘数法， 对式(5.2)进行求解， 不断寻优迭代 和 λ， 迭代表达式 为： 权　利　要　求　书 1/6 页 2 CN 115496153 A 2式中： n为迭代次数； 和 分别为u(t)、 λ(t)和f(t)的傅里 叶变换； 步骤S2、 所述VMD模型确定参数K和α 的预设值时， 若参数K取值过大， 则出现过分解， 导 致模态重叠； 若参数α 取值过大， 则导致中心频率的丢失， 本步骤基于KL散度的多策略融合 改进黏菌算法搜寻VMD的最优参数组合， KL散度用于度量本征模态 分量uk(t)与原始风光荷 数据f(t)之间的相似性， 数 学表达式为： 式中： R越接近0， 则说明本 征模态分量uk(T)与原始风光荷数据f(t)相似度越高； 作为目 标函数适应值， 当R最小时， 说明此时参数 K与α 为最优参数组合； 步骤S3、 所述黏菌算法通过建立模型来模拟黏菌分散觅食行为， 即黏菌最初接近食物 时依据食物浓度的高低来选择 是否要接 近该食物， 位置更新的数 学表达式为： 式中： X(T)为第T次迭代中黏菌的位置； Xb(T)为当前发现的最佳位置； W为权重系数； XA (T)和XB(T)分别为第T次迭代中随机选择的黏菌个体； r为[0， 1]中的随机数； vc为反馈因子， 其值从1线性 递减至0； vb为控制参数， 取值范围为[ ‑a， a]； p为 位置更新控制参数； 其中： p、 a及W数 学模型为： p＝tanh|S(i) ‑DF|     公式八； 式中： S(i)为第i个黏菌个体的适应值； DF为全部迭代中最优适应值； Tmax为最大迭代次 数； bF和wF分别为第T次迭代 中最优适应值和最差适应值； condition为适应值排序在前一 半的个体； 黏菌算法中， 基于搜寻高质量食物的目的， 黏菌会分割出部分个体用于探索剩余区域， 位置更新的数 学式为：权　利　要　求　书 2/6 页 3 CN 115496153 A 3