本发明属于源荷预测，具体的为一种多场景聚类的乡村生产消费型不确定净负荷区间预测方法。
背景技术：
1、随着“双碳”目标的提出，新能源大规模接入配电网，例如分布式光伏和生物质能，给乡村配电网的运行安全和可靠性带来了前所未有的挑战。源荷水平直接反映了配电网的实时运行状态，因此准确预测源荷的变化成为确保配电网合理调度规划和可靠性评估的关键前提。受到新能源发电随机波动和负荷多变性的影响，高渗透率乡村配电网中源荷之间的复杂耦合关系使得预测变得更加挑战性，配电网运行场景也变得更加复杂，直接预测的准确度大幅度降低。
2、当前的源荷预测方法都没有完全考虑到时序预测任务能获取到的全部输入，包括非时变的静态数据、过去时变数据和未来的已知信息，也没有考虑到高渗透率配电网预测场景多变的问题。此外，目前的时序预测网络模型多是“黑箱”模型，不具可解释性和可信度，无法根据其预测结果及时做出针对性的模型调整。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种多场景聚类的乡村生产消费型不确定净负荷区间预测方法，基于可解释异质tft网络和分位数预测获取乡村配电网的生产消费型不确定净负荷波动区间，能够为配电网的运行规划作数据支撑。
2、为达到上述目的，本发明提供如下技术方案：
3、一种多场景聚类的乡村生产消费型不确定净负荷区间预测方法，包括如下步骤：
4、s1：通过乡村配电网各负荷点的日波动规律，分季节进行同类负荷聚合，实现预测场景降维；
5、s2：根据光伏、沼气、负荷特征设置能够全面概括配电网运行状态的场景归一化指标；
6、s3：以日均归一化指标数值作单个场景样本，使用无监督聚类算法进行典型场景聚类，分离非典型场景，获取不同场景类别的归一化样本特征；
7、s4：将场景聚类结果和台区编号、历史动态数据、未来已知数据的多源异质信息共同作为可解释异质tft模型的输入，基于分位数预测获取乡村生产消费型不确定净负荷的波动区间。
8、进一步，所述步骤s1中，实现预测场景降维的方法步骤为：
9、s1.1：分季节获取各节点的日均负荷曲线，则负荷点k的日均负荷曲线表示为：
10、
11、第n个采样时刻的日均负荷功率ln表示为：
12、
13、式中：s表示季节，取值为1～4；n表示每日采样时刻的数量；lni表示第i天的第n个采样时刻测得的瞬时负荷功率；t表示对应季节的时间尺度；
14、s1.2：对原日均负荷曲线进行标准化放缩以防止负荷规模的影响，则负荷点k的标准化日均负荷曲线表示为：
15、
16、第n个采样时刻的标准化日均负荷功率ln0表示为：
17、
18、式中：表示负荷点k在同一日的所有采样时刻的日均负荷功率的平均值；
19、s1.3：依据标准化日均负荷曲线划分负荷类别，选取欧氏距离衡量两负荷点的相似程度，并使用k-means聚类算法寻找最优聚类簇数，最终获得m个类别的负荷，将同类负荷进行聚合以获取每类负荷的功率。
20、进一步，所述步骤s2中，运行场景的聚类归一化指标包括：
21、辐照度指标e：用于反映光伏功率大小的同时反映光伏出力的稳定程度，表示为：
22、
23、式中：gr为该地区的当日日均辐照度，不包括黑夜；(gr)max和(gr)min表示当月最高和最低日均辐照度，用于解决同一地区不同月份的昼夜长短、全晴日辐照度的差异问题；
24、沼气发电指标s：用于量化配电网需求和沼气调控状态，表示为：
25、
26、式中：pq为日均沼气发电量；(pq)max和(pq)min分别表示全年最高和最低日均沼气发电量；第i类负荷的日均负荷水平指标：用于将每类负荷的水平进行量化，表示为：
27、
28、式中：i为负荷类别，取值为1～m，m为符合的类别数量；loadi为对应类别负荷的日均功率；(loadi)max和(loadi)min分别为对应类别负荷年最高和最低日均功率。
29、进一步，所述步骤s3中，单个场景样本表示为：
30、si＝(ei,si,load1i*,…,loadmi*,…,loadmi*)
31、式中：si表示第i个场景样本；loadmi*表示场景中第m类负荷的负荷水平指标；ei表示分布式光伏一维场景；si表示分布式沼气一维场景。
32、进一步，使用无监督聚类算法进行典型场景聚类时的预定义参数包括：
33、采用样本距离ds：衡量任意两场景样本si和sj的相似程度，表示为：
34、
35、式中：ddim(·,·)表示两样本每维特征绝对距离的最大值；do(·,·)表示两样本的欧氏距离；
36、领域半径：设置为指标变化α，且0＜α＜1；
37、聚类主簇：设定为t天及以上的相似场景，即minpts＝t。
38、进一步，还包括：
39、s5：设置波动区域平均宽度作为模型区间预测的额外指标，用于评价模型捕捉净负荷波动趋势的能力，基于模型的可解释性获取各类输入对净负荷输出数值的重要度，剔除对模型预测无影响的输入，得到优化后的模型输入；
40、s6：将优化有的模型输入作为可解释异质tft模型的输入，基于分位数再次预测获取乡村生产消费型不确定净负荷的波动区间。
41、进一步，所述可解释异质tft模型由tft网络进行适应性改进得到，以用于多源异质信息的可解释时序预测任务，包括如下步骤：
42、(1)使用单独的grn对静态非时变数据即配电台区编号进行编码，生成四个上下文向量，用于连接到变量筛选网络、时序特征信息补充和时序特征局部处理网络结构中；
43、(2)使用对应单独的grn和softmax激活层，对静态、过去及未来输入进行变量筛选，抑制无关输入的影响；
44、(3)使用多个头注意力加权平均共享的方式，对普通transformer的多头注意力进行可解释性修改。
45、进一步，基于分位数预测获取乡村生产消费型不确定净负荷的波动区间的方法为：
46、以台区编号、过去观测所得的辐照度数据、过去观测所得的温度数据、过去的时间点以及未来时间点作为模型基本输入，再将预测场景类别作为过去输入和未来输入的信息补充，以不确定性光伏及负荷组成的不确定性净负荷作为模型预测目标，利用分位数损失和可解释异质tft模型，预测得到由预测区间下限分位数和预测区间上限分位数构成的不确定波动区间，以及位于不确定波动区间内特定分位数的确定性预测数值。
47、进一步，所述步骤s5中，波动区域平均宽度awfr表示为：
48、
49、式中：r是预测值的变化范围；hlb为预测区间的上限与下限之差；q为波动转折点个数；j为真实值波动转折点。
50、本发明的有益效果在于：
51、本发明多场景聚类的乡村生产消费型不确定净负荷区间预测方法，考虑多场景聚类对乡村生产消费型不确定净负荷波动区间进行预测，首先通过同类负荷聚合实现预测场景降维，根据光伏、沼气、负荷特征设置配电网运行状态的场景归一化指标，使用无监督聚类算法进行场景聚类，其次将多源异质信息和场景聚类结果共同作为可解释异质tft模型的输入，预测获取乡村生产消费型不确定净负荷的波动区间，用波动区域平均宽度评价模型捕捉净负荷波动趋势的能力，最后能够基于模型的可解释性获取各类输入对净负荷输出数值的重要度；即本发明能够有效提炼乡村配电网的运行场景，使将未来已知数据和静态数据作为可解释异质tft模型输入信息补充，同时加入场景类别信息，有效捕捉了不确定性净负荷的变化趋势，在提高点预测精度的同时缩小了预测区间的宽度，模型的可解释性能够衡量输入变量的重要度，筛选出输入变量中贡献较高的部分，以提高预测精度。
1.一种多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：所述步骤s1中，实现预测场景降维的方法步骤为：
3.根据权利要求1所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：所述步骤s2中，运行场景的聚类归一化指标包括：
4.根据权利要求1所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：所述步骤s3中，单个场景样本表示为：
5.根据权利要求4所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：使用无监督聚类算法进行典型场景聚类时的预定义参数包括：
6.根据权利要求1-5任一项所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：还包括：
7.根据权利要求6所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：所述可解释异质tft模型由tft网络进行适应性改进得到，以用于多源异质信息的可解释时序预测任务，包括如下步骤：
8.根据权利要求6所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：基于分位数预测获取乡村生产消费型不确定净负荷的波动区间的方法为：
9.根据权利要求6所述多场景聚类的乡村生产消费型不确定净负荷区间预测方法，其特征在于：所述步骤s5中，波动区域平均宽度awfr表示为：
