一种基于多源信息时间融合的电力负荷预测方法技术

本发明专利技术公开了一种基于多源信息时间融合的电力负荷预测方法；包括有以下步骤：S1、电力系统负荷相关数据数据处理；S2、电力系统负荷相关数据特征提取；S3、构建多源时间融合Transformer(Temporal Fusion Transformer，TFT)模型；S4、通过TFT模型的预测流程减少了对于数据手动的观察、筛选、评估工作以及调整各种参数，而是由模型本身自动计算并生成；充分利用与分析电力负荷的不同特征，应用TFT模型对不同特征下的电力负荷进行预测，并获得不同类型的额外数据(温度、风力等级等28种其他相关数据)对于电力负荷的影响程度。关数据)对于电力负荷的影响程度。关数据)对于电力负荷的影响程度。

【技术实现步骤摘要】
一种基于多源信息时间融合的电力负荷预测方法


[0001]本专利技术属于电力负荷预测
，具体涉及基于多源时间融合Transformer(Temporal Fusion Transformer，TFT)模型的电力负荷预测方法。

技术介绍

[0002]2015年，中发9号文下发，我国多个省份重新开始建立电力现货市场。截至目前，多个省份的电力现货市场已经正式开始试运行。电力市场特别是现货市场开始运行后，发、输、配、售、用等各个环节将产生海量数据/大数据。大数据技术的发展已对我们的工作与生活产生了深远的影响。电力商品与普通商品不同，电力储存成本很高，因此电力系统的安全稳定运行需要生产和消费之间的持续平衡。同时，电力需求取决于天气(温度、风速、降水等)以及商业和日常活动的强度(高峰期与非高峰期，工作日、周末和法定节假日等)。这些独特的特征使得电力负荷预测与传统负荷预测有着明显区别。
[0003]负荷预测是电力市场运行的核心环节之一，在电力市场中由于电力现货的交易频率高，各市场主体需要比较准确的电力负荷的走势，从而辅助其制定交易策略以进行风险规本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源信息时间融合的电力负荷预测方法，包括有以下步骤：S1、电力系统负荷相关数据数据处理；从系统运营商、电力调度机构或者监管机构等获取于电力负荷相关的影响因素的数据，作为实验数据测试不同的模型的预测效果，包括电力消费、发电和天气数据等各种类型的详细数据。对数据进行预处理，包括缺失值、异常值和空值的处理；S2、电力系统负荷相关数据特征提取；为了获取有意义的数据特征，将上述所有涉及的特征进行可视化，并观察期数据分布。所有数据特征中可分为连续变量特征和离散变量特征，根据实际情况选取相应的数据特征作为输入模型的主要特征；S3、构建多源时间融合Transformer(Temporal Fusion Transformer，TFT)模型；S4、通过TFT模型的预测流程减少了对于数据手动的观察、筛选、评估工作以及调整各种参数，而是由模型本身自动计算并生成；充分利用与分析电力负荷的不同特征，应用TFT模型对不同特征下的电力负荷进行预测，并获得不同类型的额外数据(温度、风力等级等28种其他相关数据)对于电力负荷的影响程度。2.根据权利要求1所述的一种基于多源信息时间融合的电力负荷预测方法，其特征在于：从系统运营商、电力调度机构或者监管机构等获取于电力负荷相关的影响因素的数据，作为实验数据测试不同的模型的预测效果。包括电力消费、发电和天气数据等各种类型的详细数据。3.根据权利要求1所述的一种基于多源信息时间融合的电力负荷预测方法，其特征在于：S201选择数据特征，为了获取有意义的数据特征，将上述所有涉及的特征进行可视化，并观察期数据分布。所有数据特征中可分为连续变量特征和离散变量特征，根据实际情况选取相应的数据特征作为输入模型的主要特征；S202数据归一化与正则化并对选择的电力负荷预测所涉及的数据进行预处理，预处理方法为归一化。4.根据权利要求1所述的一种基于多源信息时间融合的电力负荷预测方法，其特征在于：S301多源信息时间融合Transformer模型的计算流程：对于一个给定的时间段t，一个回溯窗口k和一个超前窗口τ
max
，其中t∈[t
‑
k，
…
，t+τ
max
]，则该模型的输入是：在[t
‑
k，
…
，t]时间段内观察到的过去输入x，在[t+1，
…
，t+τ<...

【专利技术属性】
技术研发人员：陈飞，李付林，何明锋，叶国庆，李毓，黄健，黄红辉，季克勤，侯健生，沃建栋，王珂，张波，叶宏，贺燕，吴峰，王赢聪，金坚锋，杨艳天，
申请(专利权)人：国网浙江省电力有限公司金华供电公司，
类型：发明
国别省市：