电力系统短期负荷预测方法和电力系统短期负荷预测装置制造方法及图纸

本发明专利技术提供一种电力系统短期负荷预测和电力系统短期负荷预测装置，涉及电力技术领域，包括：基于每个预测场景各自的短期负荷历史曲线，结合每个短期负荷历史曲线的时序和分布相似性进行聚类，得到最优聚类结果；根据目标应用场景的不同，建立基于Transformer的不同负荷预测模型，并利用短期负荷历史曲线和已知特征，对每个类别中的负荷预测模型进行模型训练和评估得到每个类别各自的性能最佳模型；对每个类别各自的性能最佳模型进行模型迁移，以使得每个性能最佳模型各自应用于类间其它应用场景中进行短期负荷预测。本发明专利技术简洁地对任意应用场景进行短期负荷预测。提升低层级负荷预测精度，运算量小、运算速度较快。运算速度较快。运算速度较快。

【技术实现步骤摘要】
电力系统短期负荷预测方法和电力系统短期负荷预测装置


[0001]本专利技术涉及电力
，特别是一种电力系统短期负荷预测和电力系统短期负荷预测装置。

技术介绍

[0002]电力数据分析已经进入了大数据时代，通过先进的计量基础设施(Advanced Metering Infrastructure，AMI)采集的大量实时细粒度能耗数据为电力供需平衡分析提供了更可靠的信息。准确的短期负荷预测(Short
‑
term Load Forecasting，STLF)可以为电力卖方、调度员和用户提供参考，制定更合理的电力销售计划、调度计划和用电计划。因此，在大量相似负荷预测场景下，研究减少预测模型的训练时间成本，同时保证一定的预测精度，以及研究提高小样本下的负荷预测，具有重要意义。
[0003]在过去的几十年里，研究人员设计了各种各样的短期预测模型(Short
‑
term Load Forecasting Model，SLFM)，例如：自回归模型(自回归移动平均、自回归积分移动平均)、支持向量机等。大量的研究文献表明了它们在STLF领域的有效性。然而，与系统级的负荷相比，低层级，尤其是居民配电变压器这类层级的负荷，其负荷非线性特性更加明显，目前已提及的方法预测精度受到限制，导致预测精度降低。

技术实现思路

[0004]鉴于上述问题，本专利技术提出了一种电力系统短期负荷预测和电力系统短期负荷预测装置。
[0005]本专利技术实施例提供了一种电力系统短期负荷预测方法，所述电力系统短期负荷预测方法包括：
[0006]基于每个预测场景各自的短期负荷历史曲线，结合每个短期负荷历史曲线的时序和分布相似性进行聚类，得到最优聚类结果，所述最优聚类结果包括：多个最优聚类的类别；
[0007]根据目标应用场景的不同，建立基于Transformer的不同负荷预测模型，并利用所述短期负荷历史曲线和已知特征，对每个类别中的负荷预测模型进行模型训练和评估，得到每个类别各自的性能最佳模型；
[0008]对每个类别各自的性能最佳模型进行模型迁移，以使得每个性能最佳模型各自应用于类间其它应用场景中，进行短期负荷预测。
[0009]可选地，不同所述负荷预测模型包括：单个编码器和多个解码器，或者包括：单个编码器和单个解码器；
[0010]建立基于Transformer的不同负荷预测模型，包括：
[0011]单个所述编码器接收已知历史特征和已知预报特征，利用Transformer的特性进行编码运算，得到输出特征并传输至单个解码器或者多个所述解码器，一个所述解码器对应一个预测场景；
[0012]单个所述解码器，对所述输出特征利用所述Transformer的特性进行解码运算，得到一个对应预测场景的短期负荷预测曲线；
[0013]多个所述解码器，对所述输出特征利用所述Transformer的特性进行解码运算，得到各自对应预测场景的短期负荷预测曲线。
[0014]可选地，所述编码器接收已知历史特征和已知预报特征，利用Transformer的特性进行编码运算，得到输出特征，包括：
[0015]预设所述已知历史特征为X
h
∈R
h
×
n
，所述已知预报特征为X
p
∈R
p
×
n
，其中h表示已知历史特征时间长度，p表示已知预报特征时间长度，n表示用于预测的特征个数；
[0016]将所述已知历史特征和所述已知预报特征各自输入至多头注意力层，通过线性映射、点积以及归一化，得到每个注意力层的输出，多个注意力层堆叠得到多头注意力层的输出Multihead(Q，K，V)，表示如下：
[0017]Multihead(Q，K，V)＝concat(head1，...，head
m
)W
O
[0018][0019]上式中，m表示注意力头的个数，W
O
表示融合多头注意力，并映射到合适维度的线性映射权重，Q＝XW
Q
，K＝XW
K
，V＝XW
V
，X表示注意力层的输入数据X
h
和X
p
，分别表示线性映射权重，Q、K、V分别表示值矩阵、键矩阵、查询矩阵；
[0020]将所述多头注意力层的输出Multihead(Q，K，V)与注意力层的输入X相加并进行层归一化得到Norm
out1
，表示为：
[0021]Norm
out1
＝Norm(X+Multihead(Q，K，V))
[0022]将所述Norm
out1
输入到前馈神经网络得到前馈神经网络输出特征，再将该所述Norm
out1
与所述前馈神经网络的输出特征相加并进行层归一化得到Norm
out2
，表示为：
[0023]Norm
out2
＝Norm(Norm
out1
+FC(Norm
out1
))
[0024]上式中，FC(
·
)表示全连接神经网络；
[0025]对所述已知历史特征的输出特征和所述已知预报特征的输出特征为进行堆叠得到Encoder
out
，表示为：
[0026][0027]上式中，所述已知历史特征X
h
的输出特征为所述已知预报特征X
p
的输出特征为
[0028]可选地，基于每个预测场景各自的短期负荷历史曲线，结合每个短期负荷历史曲线的时序和分布相似性进行聚类，得到最优聚类结果，包括：
[0029]对每个短期负荷历史曲线进行Z
‑
SCORE标准化，得到标准化曲线；
[0030]设定峰高和峰宽，对每个标准化曲线提取序列峰谷点；
[0031]将峰谷点横轴进行拉伸，并在纵轴上利用DBSCAN进行密度聚类，进行峰谷点对齐，提取每个标准化曲线的序列关键点，忽略离群点；
[0032]利用欧式距离作为进行时序相似性的度量，进行相似性度量计算，以及进行层次
聚类和相似性指标计算；
[0033]基于相似性度量计算结果，以及层次聚类和相似性指标计算结果，结合预设分布相似性阀值，得到所述最优聚类结果。
[0034]可选地，利用欧式距离作为进行时序相似性的度量，进行相似性度量计算，以及进行层次聚类和相似性指标计算，包括：
[0035]计算不同序列关键点之间的欧氏距离矩阵：D
E
∈R
m
×
m
；
[0036]利用核密度估计短期负荷预测曲线的概率分布，将KL散度，作为序列分布相似性的度量，计算不同短期负荷预测曲线之间的KL散度矩阵；
[0037]计算在聚类个数n下，层次聚类的结果：C＝{c本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力系统短期负荷预测方法，其特征在于，所述电力系统短期负荷预测方法包括：基于每个预测场景各自的短期负荷历史曲线，结合每个短期负荷历史曲线的时序和分布相似性进行聚类，得到最优聚类结果，所述最优聚类结果包括：多个最优聚类的类别；根据目标应用场景的不同，建立基于Transformer的不同负荷预测模型，并利用所述短期负荷历史曲线和已知特征，对每个类别中的负荷预测模型进行模型训练和评估，得到每个类别各自的性能最佳模型；对每个类别各自的性能最佳模型进行模型迁移，以使得每个性能最佳模型各自应用于类间其它应用场景中，进行短期负荷预测。2.根据权利要求1所述的电力系统短期负荷预测方法，其特征在于，不同所述负荷预测模型包括：单个编码器和多个解码器，或者包括：单个编码器和单个解码器；建立基于Transformer的不同负荷预测模型，包括：单个所述编码器接收已知历史特征和已知预报特征，利用Transformer的特性进行编码运算，得到输出特征并传输至单个解码器或者多个所述解码器，一个所述解码器对应一个预测场景；单个所述解码器，对所述输出特征利用所述Transformer的特性进行解码运算，得到一个对应预测场景的短期负荷预测曲线；多个所述解码器，对所述输出特征利用所述Transformer的特性进行解码运算，得到各自对应预测场景的短期负荷预测曲线。3.根据权利要求2所述的电力系统短期负荷预测方法，其特征在于，所述编码器接收已知历史特征和已知预报特征，利用Transformer的特性进行编码运算，得到输出特征，包括：预设所述已知历史特征为X
h
∈R
h
×
n
，所述已知预报特征为X
p
∈R
p
×
n
，其中h表示已知历史特征时间长度，p表示已知预报特征时间长度，n表示用于预测的特征个数；将所述已知历史特征和所述已知预报特征各自输入至多头注意力层，通过线性映射、点积以及归一化，得到每个注意力层的输出，多个注意力层堆叠得到多头注意力层的输出Multihead(Q，K，V)，表示如下：Multihead(Q，K，V)＝concat(head1，...，head
m
)W
O
上式中，m表示注意力头的个数，W
O
表示融合多头注意力，并映射到合适维度的线性映射权重，Q＝XW
Q
，K＝XW
K
，V＝XW
V
，X表示注意力层的输入数据X
h
和X
p
，分别表示线性映射权重，Q、K、V分别表示值矩阵、键矩阵、查询矩阵；将所述多头注意力层的输出Multihead(Q，K，V)与注意力层的输入X相加并进行层归一化得到Norm
out1
，表示为：Norm
out1
＝Norm(X+Multihead(Q，K，V))将所述Norm
out1
输入到前馈神经网络得到前馈神经网络输出特征，再将该所述Norm
out1
与所述前馈神经网络的输出特征相加并进行层归一化得到Norm
out2
，表示为：
Norm
out2
＝Norm(Norm
out1
+FC(Norm
out1
))上式中，FC(
·
)表示全连接神经网络；对所述已知历史特征的输出特征和所述已知预报特征的输出特征为进行堆叠得到Encoder
out
，表示为：上式中，所述已知历史特征X
h
的输出特征为所述已知预报特征X
p
的输出特征为4.根据权利要求1所述的电力系统短期负荷预测方法，其特征在于，基于每个预测场景各自的短期负荷历史曲线，结合每个短期负荷历史曲线的时序和分布相似性进行聚类，得到最优聚类结果，包括：对每个短期负荷历史曲线进行Z
‑
SCORE标准化，得到标准化曲线；设定峰高和峰宽，对每个标准化曲线提取序列峰谷点；将峰谷点横轴进行拉伸，并在纵轴上利用DBSCAN进行密度聚类，进行峰谷点对齐，提取每个标准化曲线的序列关键点，忽略离群点；利用欧式距离作为进行时序相似性的度量，进行相似性度量计算，以及进行层次聚类和相似性指标计算；基于相似性度量计算结果，以及层次聚类和相似性指标计算结果，结合预设分布相似性阀值，得到所述最优聚类结果。5.根据权利要求4所述的电力系统短期负荷预测方法，其特征在于，利用欧式距离作为进行时序相似性的度量，进行相似性度量计算，以及进行层次聚类和相似性指标计算，包括：计算不同序列关键点之间的欧氏距离矩阵：D
E
∈R
m
×
m
；利用核密度估计短期负荷预测曲线的概率分布，将KL散度，作为序列分布相似性的度量，计算不同短期负荷预测曲线之间的KL散度矩阵；计算在聚类个数n下，层次聚类的...

【专利技术属性】
技术研发人员：耿华，江博臻，
申请(专利权)人：清华大学，
类型：发明
国别省市：