一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于ST
‑
Transformer模型的短期负荷预测方法及系统


[0001]本专利技术属于短期电力负荷预测
，尤其涉及一种基于
ST
‑
Transformer
模型的短期负荷预测方法及系统
。

技术介绍

[0002]随终端消费电气化水平逐步提升，部分地区电力供需形势日趋紧张，在此情形下，根据电力负荷预测对未来电力供应形势进行分析预判，及时采用临时购电
、
需求响应等保供措施成为保障电网高效
、
安全
、
稳定运行以及民生用电需求的关键，因此对负荷预测的精度也提出更高要求，需同时考虑节假日
、
不同时期的气象等多时间尺度，以及各地区生产总值
、
人口数量
、
地域面积等多空间维度的影响因素
。
[0003]目前人工智能算法由于本身具有较强非线性数据的拟合能力，随机森林
RF、BP
神经网络
、
长短时记忆神经网络（<br/>LSTM...

【技术保护点】

【技术特征摘要】
1.
一种基于
ST
‑
Transformer
模型的短期负荷预测方法，其特征在于，包括：获取待预测区域不同历史时刻的目标数据，并根据所述目标数据构造样本数据集，所述样本数据集中包含训练数据集和测试数据集；将所述训练数据集划分为第一训练数据组和第二训练数据组，并将所述第一训练数据组和所述第二训练数据组输入至预设的
ST
‑
Transformer
模型中，并分别经过编码和解码输出当前的预测值，其中，所述
ST
‑
Transformer
模型中包含编码器和解码器，所述编码器中包含长期空间卷积网络
、
长期时间分组自注意力融合模块以及长期时空融合网络，所述解码器中包含短期空间网络
、
短期时间分组自注意力融合模块以及短期时空融合网络；基于预设的损失函数计算当前的预测值和真实值的误差，并基于自适应动量随机优化方法更新所述
ST
‑
Transformer
模型的超参数以得到预测值和真实值的最小误差；将与所述最小误差对应的超参数作为最优超参数，并得到最优超参数下的目标
ST
‑
Transformer
模型；将待预测区域的实时目标数据输入至所述目标
ST
‑
Transformer
模型中，得到所述目标
ST
‑
Transformer
模型输出的短期负荷预测值
。2.
根据权利要求1所述的一种基于
ST
‑
Transformer
模型的短期负荷预测方法，其特征在于，所述获取待预测区域不同历史时刻的目标数据，并根据所述目标数据构造样本数据集包括：获取待预测区域的历史时期
n
个时间节点的电力负荷数据和与所述电力负荷数据相对应的相关数据，所述相关数据包括对
n
个时间节点的电力负荷数据造成影响的气象数据
、
时间日期属性数据和行业负荷数据；将每个时点的电力负荷数据和与所述电力负荷数据相对应的相关数据合并构成一组数据向量，为第组数据向量，为每小时最大电力负荷，为相关数据；将各组数据向量构造为样本数据集
。3.
根据权利要求1所述的一种基于
ST
‑
Transformer
模型的短期负荷预测方法，其特征在于，所述将所述训练数据集划分为第一训练数据组和第二训练数据组，并将所述第一训练数据组和所述第二训练数据组输入至预设的
ST
‑
Transformer
模型中，并分别经过编码和解码输出当前的预测值包括：将所述训练数据集划分为第一训练数据组和第二训练数据组；将所述第一训练数据组输入至预设的
ST
‑
Transformer
模型中，通过长期空间卷积网络将所述第一训练数据组中的各组数据向量进行特征融合，通过赋权多层神经网络得到新的隐藏层，将提取的隐藏特征
H1
输入长期时间位置编码模块，根据时间的周期性和连续性进行相似性比较，并进行分组融合得到分组后的时间位置分组特征向量
J1
以及与时间位置分组特征向量
J1
对应的自注意力权重
W1
，并将隐藏特征
H1、
时间位置分组特征向量
J1
以及自注意力权重
W1
输入长期时空融合网络，采用
GCN...

【专利技术属性】
技术研发人员：戴奇奇，王岭荆，熊惠敏，张雪婷，宫嘉炜，李映雪，王敏，吴浩，王伟，马修愚，王际飞，夏鹞轩，
申请(专利权)人：江西腾达电力设计院有限公司，
类型：发明
国别省市：