一种电量负荷预测方法及装置制造方法及图纸

本发明专利技术适用于能源技术领域，提供了一种电量负荷预测方法及装置，该方法包括：获取待预测时刻对应的时间序列数据与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时间序列数据进行处理，获取时间序列数据的语义数据特征；采用自编码器对外部因素数据进行处理，获取外部因素数据的外部因素特征；根据语义数据特征和外部因素特征获取组合特征；采用神经网络对组合特征进行处理，获取待预测时刻的电量负荷预测结果。两种预测方法的结合使用弥补了单一负荷预测准确性差的缺点，解决了预测偏差大的问题，准确的预测结果利于后续工作的调度优化；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，节约了处理资源。

【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问题。本专利技术实施例的第一方面，提供了一种电量负荷预测方法，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；r>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。本专利技术实施例的第二方面，提供了一种电量负荷预测装置，包括：数据获取模块，用于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；第一特征获取模块，用于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；第二特征获取模块，用于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；组合特征获取模块，用于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；结果获取模块，用于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。本专利技术实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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所述电量负荷预测方法步骤。本专利技术实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电量负荷预测方法方法步骤。本专利技术实施例提供的电量负荷预测方法的有益效果至少在于：本专利技术实施例通过两种预测方法的配合使用弥补了单一负荷预测准确性差的缺点，解决了预测偏差大的问题，同时准确的预测结果利于后续工作的调度优化；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，提升了整体处理速度，节约了处理资源。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例提供的电量负荷预测方法的实现流程示意图一；图2是本专利技术实施例提供的电量负荷预测方法中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的实现流程示意图；图3是本专利技术实施例提供的电量负荷预测方法中获取预设规则的实现流程示意图；图4是本专利技术实施例提供的电量负荷预测方法中语义数据特征获取的实现流程示意图；图5是本专利技术实施例提供的电量负荷预测方法的实现流程示意图二；图6是本专利技术实施例提供的电量负荷预测方法中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的实现流程示意图；图7是本专利技术实施例提供的电量负荷预测方法中采用所述测试数据对所述经过训练的残差注意力网络、经过训练的自编码器和所述经过训练的神经网络进行测试的实现流程示意图；图8是本专利技术实施例提供的电量负荷预测装置的示意图一；图9是本专利技术实施例提供的电量负荷预测装置中数据获取模块的示意图；图10是本专利技术实施例提供的电量负荷预测装置中规则确定单元的示意图；图11是本专利技术实施例提供的电量负荷预测装置中第一特征获取模块的示意图；图12是本专利技术实施例提供的电量负荷预测装置的示意图二；图13是本专利技术实施例提供的电量负荷预测装置中训练模块的示意图；图14是本专利技术实施例提供的电量负荷预测装置中测试单元的示意图；图15是本专利技术实施例提供的终端设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。基于所描述的本专利技术的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。参阅图1，是本专利技术实施例提供的电量负荷预测方法的实现流程示意图一，该方法可以包括：步骤S10：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。进一步地，为了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，需要获取时间序列的电量负荷数据本文档来自技高网...

【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