【技术实现步骤摘要】
一种电量负荷预测方法及装置
本专利技术属于能源
，尤其涉及一种电量负荷预测方法及装置。
技术介绍
光伏是太阳能光伏发电系统的简称，是一种利用太阳电池半导体材料的光伏效应，是能将太阳光辐射直接转换为电能的一种新型发电系统，同时，基于太阳能光伏发电系统的分类，一种是集中式，如大型西北地面光伏发电系统；一种是分布式，如工商企业厂房屋顶光伏发电系统。目前电量供应用户分为工业、商业、居民、办公等，不同用户的电量负荷、负荷量级、负荷特点都不尽相同，负荷预测的准确性难度也不尽相同。光伏电量负荷预测的方法很多，比如指数平滑、差分整合移动平均自回归模型(AutoregressiveIntegratedMovingAveragemodel)等，但均存在负荷预测准确性欠佳、预测偏差较大的现状。针对上述这一问题，亟需一种解决光伏电量负荷预测准确性差的新方法。
技术实现思路
有鉴于此，本专利技术实施例提供了一种电量负荷预测方法、装置、终端设备及计算机可读存储介质，以解决现有技术中无法准确预测电量负荷、尤其是光伏电量负荷的技术...
【技术保护点】
1.一种电量负荷预测方法，其特征在于，包括：/n获取待预测时刻对应的时间序列数据与所述时间序列数据相对应的外部因素数据；/n采用残差注意力网络对所述时间序列数据进行处理，以获取所述时间序列数据的语义数据特征；/n采用自编码器对所述外部因素数据进行处理，以获取所述外部因素数据的外部因素特征；/n根据所述语义数据特征和所述外部因素特征，获取组合特征；/n采用神经网络对所述组合特征进行处理，获取所述待预测时刻的电量负荷预测结果。/n
【技术特征摘要】
1.一种电量负荷预测方法，其特征在于，包括：
获取待预测时刻对应的时间序列数据与所述时间序列数据相对应的外部因素数据；
采用残差注意力网络对所述时间序列数据进行处理，以获取所述时间序列数据的语义数据特征；
采用自编码器对所述外部因素数据进行处理，以获取所述外部因素数据的外部因素特征；
根据所述语义数据特征和所述外部因素特征，获取组合特征；
采用神经网络对所述组合特征进行处理，获取所述待预测时刻的电量负荷预测结果。
2.如权利要求1所述的电量负荷预测方法，其特征在于，所述获取待预测时刻对应的时间序列数据与所述时间序列数据相对应的外部因素数据，包括：
获取时间序列的电量负荷数据；
根据预设规则，从所述时间序列的电量负荷数据中提取与待预测时刻对应的时间序列数据，所述时间序列数据包括趋势性数据、周期性数据和邻近性数据；
根据所述时间序列数据，获取外部因素数据，所述外部因素数据至少包括温度数据和天气数据。
3.如权利要求2所述的电量负荷预测方法，其特征在于，所述根据预设规则，从所述时间序列的电量负荷数据中提取与待预测时刻对应的时间序列数据，所述时间序列数据包括趋势性数据、周期性数据和邻近性数据步骤中，所述趋势性数据为所述待预测时刻前预设周数每周同一时刻的电量负荷数据；
所述周期性数据为所述待预测时刻前预设天数每天同一时刻的电量负荷数据；
所述邻近性数据为所述待预测时刻前预设小时数每小时同一时刻的电量负荷数据。
4.如权利要求1所述的电量负荷预测方法，其特征在于，所述语义数据特征包括趋势性数据特征、周期性数据特征和邻近性数据特征；
所述采用残差注意力网络对所述时间序列数据进行处理，以获取所述时间序列数据的语义数据特征，包括：
采用第一残差注意力网络对所述趋势性数据进行处理，获取所述趋势性数据对应的趋势性数据特征；
采用第二残差注意力网络对所述周期性数据进行处理，获取所述周期性数据对应的周期性数据特征；
采用第三残差注意力网络对所述邻近性数据进行处理，获取所述邻近性数据对应的邻近性数据特征。
5.如权利要求1所述的电量负荷预测方法，其特征在于，所述采用残差注意力网络对所述时间序列数据进行处理，以获取所述时间序列数据的语义数据特征步骤前，还包括：
对初始残差注意力网络、初始自编码器和初始神经网络进行训练，以获取满足预设要求的残差注意力网络、自编码器和神经网络，包括：
对时间序列数据和外部因素数据进行分割，以获取训练数据和测试数据，所述训练数据包括趋势性训练数据、周期性训练数据、邻近性训练数据和外部因素训练数据，所述测试数据包括趋势性测试数据、周期性测试数据、邻近性测试数据和外部因素测试数据；
采用所述训练数据对所述初始残差注意力网络和所述初始自编码器进行训练，以获取经过训练的残差注意力网络、经过训练...
【专利技术属性】
技术研发人员：刘胜伟，
申请(专利权)人：新奥数能科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。