基于层次残差自注意力神经网络的长期电力负荷预测方法技术

本发明专利技术公开了一种基于层次残差自注意力神经网络的长期电力负荷预测方法。本发明专利技术包括三部分的内容：第一，自适应的提取历史负荷数据中的趋势项，周期项，节假日项，天气项的混合特征数据并与历史负荷序列数据融合。第二，对融合后的序列数据进行时间分量递归分解，并利用层次残差自注意力网络块对时间分量进行编码，第三，重建时间分量，进行生成式解码，预测未来一段时间的电力负荷波动。本发明专利技术通过层次化的对负荷序列进行拆解，重建，预测，有效的捕捉了序列的长短期特征，提升了模型在长序列负荷预测场景下的预测精度。荷预测场景下的预测精度。荷预测场景下的预测精度。

【技术实现步骤摘要】
基于层次残差自注意力神经网络的长期电力负荷预测方法


[0001]本专利技术涉及电力能源系统的负荷预测
，具体涉及一种基于层次残差自注意力神经网络的长期电力负荷预测方法

技术介绍

[0002]电力负荷预测技术是智能电网系统组成中不可或缺的一部分业务，活跃的应用到许多场景下，如何有效去控制电能负荷达到供需平衡，已经成为现代化电力系统运行和管理中的一个重要的研究方向，电力系统的存在旨在为各类用户提供经济，可靠和高质量的电能，应随时满足客户的负荷需要，同时，未来将以新能源为新型的电力行业改革目标,这使得如何有效的保障电网的稳定运行，合理的制定发电计划成为了未来负荷预测的一大挑战。负荷预测的核心问题是如何获得预测对象的历史变化规律及其与某些影响因素的关系，预测模型实际上就是表达这种变化规律的数学函数，而负荷预测的挑战在于其会受到诸多的外部因素的影响，包括电力交易市场因素，国家政策因素，天气因素，居民用电习惯因素等等，这是待要解决的问题
[0003]用于负荷预测的模型本质上可以归类为用于时间序列预测的数学模型，常用的方法可以分为：传统统计学方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于层次残差自注意力神经网络的长期电力负荷预测方法，其特征在于该方法包括以下步骤：步骤1. 从时序数据库中获取机组负荷序列的源数据和传感器监测到的天气数据；步骤2. 对源数据进行数据清洗，从清洗后的历史负荷数据与天气数据中进行特征提取，分别提取出负荷波动的趋势项，周期项，节假日项，天气项四大特征；将历史负荷序列数据与天气特征数据进行数据融合得到融合向量，用于下一步神经网络建模的输入；步骤3. 利用层次残差自注意力神经网络对输入序列进行编码，提取并挖掘其中的重要特征，进行模型训练；步骤4. 对待预测的源历史负荷数据提取出来的特征进行生成式编码，预测下一个时间步范围内的负荷序列；其中步骤2具体包括:使用卷积神经网络在原始负荷序列中提取出整体趋势项和周期项特征；使用独热编码方式对节假日项与天气项进行特征提取，最后使用加性思想对源负荷序列与所有提取出的特征数据进行水平拼接，通过一个全连接层进行转换即可得到融合后的时序特征向量；步骤3具体包括:采用递归的思想，层次性地对时序特征向量进行特征降采样分解，使用残差自注意力网络对每层分解后的时序分量进行特征挖掘，在达到分解深度的基础上，将挖掘出的特征按照原相对位置进行重新组合，通过一个一维卷积层转换为预测结果，...

【专利技术属性】
技术研发人员：占翔昊，寇亮，张纪林，周丽，袁俊峰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：