电力负荷预测方法、装置、设备与存储介质制造方法及图纸

本发明专利技术公开了一种电力负荷预测方法、装置、设备以及计算机可读存储介质，所述方法通过将预设时间段的非结构化数据输入卷积神经网络中后用Transformer编码器模型进行特征赋权，能够给予重要特征更多的权重，并采用引入attention机制的双向LSTM对结构化数据进行特征提取，能够从众多信息中选择出对当前任务目标更关键的信息，最后采用特征向量拼接的方式将第一特征向量和第二特征向量拼接输入到全连接神经网络中来预测电力负荷，有效提高了电力负荷预测结果的准确性。力负荷预测结果的准确性。力负荷预测结果的准确性。

【技术实现步骤摘要】
电力负荷预测方法、装置、设备与存储介质


[0001]本专利技术涉及电力
，尤其涉及一种电力负荷预测方法、装置、设备与存储介质。

技术介绍

[0002]随着我国经济进入新的阶段，节约能源成为电力行业的发展方向，对于电力负荷的预测和精准把控是保障系统正常稳定运行的重要步骤，也能辅助用电系统的用电指定计划。
[0003]传统的电力负荷预测采用时间序列ARIMA的方式进行电力负荷预测，虽能在一定程度上预测电力负荷的趋势，但无法很好表达天气因素、气压等多因素对电力负荷的影响。据统计，影响电力负荷的因素高达32种，即有32维的数据。因此，传统的方法无法已经无法满足数据拟合。
[0004]随着机器学习的发展，支持向量机算法的出现可以解决多维度特征拟合、非线性、局部最小值等问题，但是支持向量机仅对小样本拟合较好，在大样本条件下，特征量较多的数据则会出现过拟合现象。而前馈神经网络虽能拟合多维数据，但其缺少对时间序列的数据相关性的考虑，需要人工构造时序特征，这样会导致预测不精确。

技术实现思路

[0005]本专利技术的目的是提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，包括：对采集到的预设时间段的电力负荷数据进行预处理，得到第一特征数据和第二特征数据；其中，所述第一特征数据是对预设时间段的第一非结构化负荷数据预处理得到的，所述第二特征数据是对预设时间段的第一结构化负荷数据预处理得到的；将所述第一特征数据输入到预先训练的卷积神经网络进行特征提取，得到第一一特征向量，并将所述第一一特征向量输入到预先训练的Transformer编码器模型中，得到第一特征向量；将所述第二特征数据输入到预先训练的LSTM
‑
Attention网络模型中，得到第二特征向量；其中，所述LSTM
‑
Attention网络模型为引入注意力机制的双向LSTM模型；将所述第一特征向量和所述第二特征向量进行拼接，得到拼接特征向量，并将所述拼接特征向量输入到预先训练的全连接神经网络进行预测，得到电力负荷预测结果。2.如权利要求1所述的电力负荷预测方法，其特征在于，所述对采集到的预设时间段的电力负荷数据进行预处理，得到第一特征数据和第二特征数据，具体包括：对预设时间段的电力负荷数据进行过滤、填充、标准化和归一化处理，并根据数据类型，将处理后的数据分为第二结构化负荷数据和第二非结构化负荷数据；对所述第二非结构化负荷数据进行向量化处理，得到第一特征数据；对所述第二结构化负荷数据进行降维处理，得到第二特征数据。3.如权利要求2所述的电力负荷预测方法，其特征在于，所述对预设时间段的电力负荷数据进行过滤、填充、标准化和归一化处理，并根据数据类型，将处理后的数据分为第二结构化负荷数据和第二非结构化负荷数据，具体包括：将所述预设时间段的电力负荷数据整理成数据表，其中，所述数据表的每一列用于存放影响因素名称和相关联的数据；遍历所述数据表的每一列，查找并删除数据缺失率大于第一预设缺失率的所在列、查找并删除与前一列影响因素名称相同的所在列、查找并填充数据缺失率小于第二预设缺失率的所在列、查找并删除存在异常数据的所在行，得到过滤填充后的数据表；将过滤填充后的数据表中的数据进行标准化和归一化处理，并根据数据类型，将过滤填充后的数据表中的数据分为第二结构化负荷数据和第二非结构化负荷数据。4.如权利要求2所述的电力负荷预测方法，其特征在于，所述对所述第二非结构化负荷数据进行向量化处理，得到第一特征数据，具体为：采用One
‑
hot编码、BOW模型、TF
‑
IDF算法或N
‑
Gram模型对所述第二非结构化负荷数据进行向量化处理，得到第一特征数据。5.一种电力负荷预测装置，其特征在于，包括：数据预处理模块，对采集到的预设时间段的电力负荷数据进行预处理，得到第一特征数据和第二特征数据；其中，所述第一特征数据是对预设时间段的第一结构...

【专利技术属性】
技术研发人员：周挺辉，苏寅生，周保荣，赵利刚，甄鸿越，黄冠标，王长香，吴小珊，徐原，翟鹤峰，涂思嘉，
申请(专利权)人：中国南方电网有限责任公司，
类型：发明
国别省市：