基于注意力机制融合特征的电力中期负荷预测方法及系统技术方案

本公开实施例公开了一种基于注意力机制融合特征的电力中期负荷预测方法及系统，旨在解决现有的预测方法滚动预测过程中累计误差大、预测精度低的问题；其中方法包括：对电力负荷历史数据进行预处理，基于获取的预处理数据构建训练集、验证集和测试集；构建负荷预测模型，负荷预测模型包括依次串联的输入层、特征提取层、注意力层、特征融合层和特征输出层；在训练集上对负荷预测模型进行训练，并在验证集上对训练的负荷预测模型进行验证；在测试集上构建预测序列，采用递归预测法对训练模型进行测试，获得电力中期负荷预测值；本申请提供的方案专用于电力中期负荷预测，有效减少信息的冗余，提高负荷预测的准确率。提高负荷预测的准确率。提高负荷预测的准确率。

【技术实现步骤摘要】
基于注意力机制融合特征的电力中期负荷预测方法及系统


[0001]本公开涉及电力负荷预测
，尤其涉及一种基于注意力机制融合特征的电力中期负荷预测方法及系统。

技术介绍

[0002]电力负荷预测在电力系统调度、规划和安全稳定运行等方面有至关重要的作用，对指导电网规划建设和改善电力系统资源配置具有重要的意义。近年来，随着经济的不断发展，电力系统用户侧负荷结构日益复杂，负荷数据呈现强非线性和波动性，电力负荷预测面临很大的困难。另一方面，在新能源发电并网运行和电力市场逐渐开放的背景下，发电企业对负荷预测的精度要求越来越高，精准的负荷预测可以经济合理的安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转备用容量，合理安排机组检修计划，有效降低发电成本，提高经济效益和社会效益。
[0003]目前负荷预测方法可分为统计学方法和基于机器学习的方法；基于统计学方法的负荷预测建立在时间序列分解的基础之上，通过对时间序列进行乘性分解和加性分解，对分解后的序列进行统计学分析和处理，建立对应的回归模型，以此达到预测目的。该方法适用于短期负荷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制融合特征的电力中期负荷预测方法，其特征在于，包括：对电力负荷历史数据进行预处理，基于获取的预处理数据构建训练集、验证集和测试集；构建负荷预测模型，所述负荷预测模型包括依次串联的输入层、特征提取层、注意力层、特征融合层和特征输出层；在所述训练集上对所述负荷预测模型进行训练，并在所述验证集上对训练的所述负荷预测模型进行验证；在所述测试集上构建预测序列，采用递归预测法对训练模型进行测试，获得电力中期负荷预测值。2.根据权利要求1所述的方法，其特征在于，所述对电力负荷历史数据进行预处理包括：对所述电力负荷历史数据进行异常值检测，对异常值采用均值替代，获得第一数据集；对所述第一数据集中的缺失数据进行补全，并进行数据的时间粒度转化，获得第二数据集；对所述第二数据集进行归一化处理，获得预处理数据。3.根据权利要求2所述的方法，其特征在于，所述电力负荷历史数据的所述时间粒度为15分钟，时间跨度为4年，数据为单变量时间序列；所述异常值检测的方法为箱线图法；所述第一数据集中的缺失数据的补全方法为线性插值法。4.根据权利要求1所述的方法，其特征在于，所述训练集、所述验证集和所述测试集的构建方法具体为：基于所述预处理数据和模型步长构建总数据集，按照预设比例构建训练集、验证集和测试集；所述模型步长包括时间步长和预测步长，所述时间步长为24h，预测步长为1h；所述预设比例为8:2:1。5.根据权利要求1所述的方法，其特征在于，所述特征提取层包括多层LSTM网络；所述注意力层用于建立单变量时序特征之间的软链接；所述特征融合层包括卷积神经网络和前馈神经网络，所述卷积神经网络与所述注意力层连接；所述前馈神经网络包括非线性整流层、第一全连接神经网络和第二全连接神经网络，所述非线性整流层设置于所述第一全连接神经网络、所述第二全连接神经网络之间，且所述第一全连接神经网络的输出维度大于所述第二全连接神经网络的输出维度；所述卷积神经网络与所述第一全连接神经网络连接；所述第二全连接神经网络与所述特征输出层连接。6.根据权利要求5所述的方法，其特...

【专利技术属性】
技术研发人员：续欣莹，徐利美，邢吉伟，贺卫华，李远，朱燕芳，赵文娜，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：