基于transform与TCN组合模型的智能负荷预测方法技术

本发明专利技术涉及深度学习技术领域，具体为基于transform与TCN组合模型的智能负荷预测方法，包括以下步骤：对时间序列的负荷数据集进行清洗并划分验证集测试集；将待训练数据输入编码层中的Transformer模块；将待训练数据输入编码层中的TCN模块；对编码层中两个模块的输出进行加权求和；有益效果为：本发明专利技术提出的基于transform与TCN组合模型的智能负荷预测方法，采用了Transformer与TCN组成的复合模型来进行智能电网种的负荷预测。TCN作为时间序列预测中的卷积网络，通过卷积核能够很好的捕捉局部特征信息。部特征信息。部特征信息。

【技术实现步骤摘要】
基于transform与TCN组合模型的智能负荷预测方法


[0001]本专利技术涉及深度学习
，具体为基于transform与TCN组合模型的智能负荷预测方法。

技术介绍

[0002]随着电力市场的不断发展，越来越多种的发电方式逐渐接入电力系统，给电网中用电负荷的计算造成了一定的压力。所以准确的电力负荷预测能够时的电网能够更稳定安全的运行，并且能对电网中的电力划分起到重要作用。
[0003]现有技术中，在一个智能电网中，提高多种供电方式下的负荷预测精度能够更有效地对电能进行调度分配。负荷预测属于机器学习中的时间序列预测问题。深度学习在时间序列预测领域也有较多的应用，传统的时序问题一般采用循环神经网络RNN来进行建模，因为RNN拥有循环自回归结构，对于时间序列能有很好的表示。由于基础的神经网络只在层与层之间建立了权重连接，但是RNN在隐藏层的神经元之间也建立了权重连接，可以让前面的隐藏层影响后续的隐藏层。但由于这种循环结构，RNN只能进行短期记忆，无法处理长序列数据的输入。而LSTM作为一种RNN的改进，具备了长期记忆的能力，能够进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于transform与TCN组合模型的智能负荷预测方法，其特征在于：所述智能负荷预测方法包括以下步骤：对时间序列的负荷数据集进行清洗并划分验证集测试集；将待训练数据输入编码层中的Transformer模块；将待训练数据输入编码层中的TCN模块；对编码层中两个模块的输出进行加权求和；计算出输出层Out与真实值的MAE损失，并对模型进行调优，得到最优的组合模型组合。2.根据权利要求1所述的基于transform与TCN组合模型的智能负荷预测方法，其特征在于：对时间序列的负荷数据集进行清洗并划分验证集测试集具体包括：对负荷数据集进行清洗，筛选出其中有缺失的数据，通过移动平均法进行填充，并对异常值进行删除；对清洗完成的数据集进行归一化处理，并把归一化后的数据按照7比3的比例划分训练集与测试集。3.根据权利要求1所述的基于transform与TCN组合模型的智能负荷预测方法，其特征在于：将待训练数据输入编码层中的Transformer模块具体包括：Transformer仅采用的Encoder部分，并在最后连接一个全连接层将输出张量投影为N*[X1,X1,
……
,X
n
‑1,X
n
]的形式，其中N为批大小；将训练数据N*[X1,X1,
……
,X
n
‑1,X
n
]，进行掩码填充(Padding Mask),使模型能够有效处理不等长数据，之后通过嵌入层embedding输出尺寸为N*[X1,X1,
……
,X
n
‑1,X
n
]*d
model
，d
model
为嵌入层embedding的维度；对数据通过不同频率的正弦(1)和余弦函数(2)进行位置编码Positional encoding，并将位置编码添加到训练序列中(3)，让Transformer模型中的多头注意力机制捕捉到数据的时间序列信息；其中p代表该字符在时序数据中的位置；的时间序列信息；其中p代表该字符在时序数据中的位置；X
embedding
＝X
embedding
+X
pos
ꢀꢀꢀꢀꢀꢀ
(3)通过残差连接将输...

【专利技术属性】
技术研发人员：李旭东，魏金雷，潘心冰，何彬彬，伊文超，朱利霞，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：