一种基于模式提取的负荷预测方法及设备技术

本发明专利技术涉及一种基于模式提取的负荷预测方法，包括：获取多维时间序列；将多维时间序列转换为多维标签序列；构建并训练负荷预测模型，所述负荷预测模型包括特征提取模块和预测模块；将多维标签序列输入至负荷预测模型，得到负荷预测结果

【技术实现步骤摘要】
一种基于模式提取的负荷预测方法及设备


[0001]本专利技术涉及一种基于模式提取的负荷预测方法及设备，属于负荷预测领域
。

技术介绍

[0002]电力负荷预测是各种电力系统分析的基础，在电力系统运行和管理中发挥着关键作用
。
其中，短期负荷预测一般是从小时前到周前的预测，广泛用于电网，以确保电网的可靠运行
。
电力负荷数据为多维度时间序列具有高维性和波动性，预测难度较大
。
[0003]近年来，许多短期负荷预测方法采用了先进的深度学习架构，如深度卷积神经网络
、
多层循环神经网络
、
注意力机制等
。
此外，由于电力负荷受到外部因素
(
即价格
、
天气
、
节假日等
)
的高度影响，许多研究将这些外部因素与电力负荷数据结合，捕捉电力负荷与外部因素之间的时间关系，如直接在特征向量中插入与能耗行为相关的外部信息
(
星期几
、
日期，用户类型等
)。
但这些方法也不足以捕捉高度波动的多变量时间序列的时间与维度关系
。
因此，需要一种能更好提取时间与维度关系的方法，以提升负荷预测精度
。
[0004]专利
WO2018161723A1《
基于长短时记忆神经网络的电力负荷预测系统
》
公开了：通过
LSTM
网络层对历史时刻的电力负荷数据和区域特征因素进行训练建模，生成深度神经网络负荷预测模型；利用深度神经网络负荷预测模型对区域内的电力负荷进行预测，并通过连接至
LSTM
网络层的回归器产生该区域内的电力负荷预测结果
。

技术实现思路

[0005]为了克服现有技术中存在的问题，本专利技术设计了一种基于模式提取的负荷预测方法，通过聚类算法提取多维时间序列中的重复模式，捕捉时间与维度关系，将其转换为更稠密的多维标签序列；利用一组1×
D
×
K
的卷积滤波器提取多维标签序列的特征，进一步提取时间与维度间关系，提高后续负荷预测的准确度，适用于多种不同类型的电力系统应用
。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]技术方案一
[0008]一种基于模式提取的负荷预测方法，包括以下步骤：
[0009]获取多维时间序列；
[0010]将多维时间序列转换为多维标签序列：将多维时间序列分割为多个单维度子序列；对各单维度子序列进行模式提取；根据提取得到的模式，对各单维度子序列赋标签值，得到对应多维时间序列的多维标签序列；
[0011]构建并训练负荷预测模型，所述负荷预测模型包括特征提取模块和预测模块；所述特征提取模块包括依次连接的编码层
、
卷积层
、
平均池化层
、
全连接层；所述卷积层包括若干形状为1×
D
×
K
的卷积滤波器；
[0012]将多维标签序列输入至负荷预测模型，得到负荷预测结果
。
[0013]进一步地，所述对各单维度子序列进行模式提取，具体为：
[0014]通过
k
‑
means
算法，将同一维度下的单维度子序列划分至
k
个聚类，得到该维度下
单维度子序列的
k
个模式
。
[0015]进一步地，对各单维度子序列赋标签值，具体为：
[0016]各聚类均分配有一标识符为标签；将聚类标签作为单维度子序列标签，按子序列顺序排列标签，得到对应多维时间序列的多维标签序列
。
[0017]进一步地，所述特征提取模块的训练步骤如下：
[0018]构建训练样本集，训练样本包括目标标签序列和该目标标签序列的上下文序列集合；
[0019]输入上下文序列集合至编码层进行独热编码，编码结果输入至卷积层；卷积层利用若干卷积滤波器对每一列输入张量进行卷积操作，得到若干一维特征向量；若干一维特征向量经平均池化层展平输入至全连接层；全连接层输出目标标签序列预测值；计算目标标签序列的真实值与预测结果的损失值，通过梯度下降法更新特征提取模块中的参数，最小化所有维度上目标标签序列真实值与预测值之间的交叉熵
。
[0020]进一步地，所述负荷预测模块包括依次连接的双向
LSTM
层
、
自注意力层和全连接层
。
[0021]技术方案二
[0022]一种基于模式提取的负荷预测设备，包括存储器和处理器，所述存储器存储有指令和预测模型，所述指令适于由处理器加载并执行如下步骤：
[0023]获取多维时间序列；
[0024]将多维时间序列转换为多维标签序列：将多维时间序列分割为多个单维度子序列；对各单维度子序列进行模式提取；根据提取得到的模式，对各单维度子序列赋标签值，得到对应多维时间序列的多维标签序列；
[0025]将多维标签序列输入至负荷预测模型，得到负荷预测结果；所述负荷预测模型包括特征提取模块和预测模块，所述特征提取模块包括依次连接的编码层
、
卷积层
、
平均池化层
、
全连接层；所述卷积层包括若干形状为1×
D
×
K
的卷积滤波器
。
[0026]进一步地，所述对各单维度子序列进行模式提取，具体为：
[0027]通过
k
‑
means
算法，将同一维度下的单维度子序列划分至
k
个聚类，得到该维度下单维度子序列的
k
个模式
。
[0028]进一步地，对各单维度子序列赋标签值，具体为：
[0029]各聚类均分配有一标识符为标签；将聚类标签作为单维度子序列标签，按子序列顺序排列标签，得到对应多维时间序列的多维标签序列
。
[0030]进一步地，所述特征提取模块的训练步骤如下：
[0031]构建训练样本集，训练样本包括目标标签序列和该目标标签序列的上下文序列集合；
[0032]输入上下文序列集合至编码层进行独热编码，编码结果输入至卷积层；卷积层利用若干卷积滤波器对每一列输入张量进行卷积操作，得到若干一维特征向量；若干一维特征向量经平均池化层展平输入至全连接层；全连接层输出目标标签序列预测值；计算目标标签序列的真实值与预测结果的损失值，通过梯度下降法更新特征提取模块中的参数，最小化所有维度上目标标签序列真实值与预测值之间的交叉熵
。
[0033]进一步地，所述负荷预测模块包括依次连接的双向
LSTM
层
、
自注意力层和全连接
层
。...

【技术保护点】

【技术特征摘要】
1.
一种基于模式提取的负荷预测方法，其特征在于，包括以下步骤：获取多维时间序列；将多维时间序列转换为多维标签序列：将多维时间序列分割为多个单维度子序列；对各单维度子序列进行模式提取；根据提取得到的模式，对各单维度子序列赋标签值，得到对应多维时间序列的多维标签序列；构建并训练负荷预测模型，所述负荷预测模型包括特征提取模块和预测模块；所述特征提取模块包括依次连接的编码层
、
卷积层
、
平均池化层
、
全连接层；所述卷积层包括若干形状为1×
D
×
K
的卷积滤波器；将多维标签序列输入至负荷预测模型，得到负荷预测结果
。2.
根据权利要求1所述的一种基于模式提取的负荷预测方法，其特征在于，所述对各单维度子序列进行模式提取，具体为：通过
k
‑
means
算法，将同一维度下的单维度子序列划分至
k
个聚类，得到该维度下单维度子序列的
k
个模式
。3.
根据权利要求2所述的一种基于模式提取的负荷预测方法，其特征在于，对各单维度子序列赋标签值，具体为：各聚类均分配有一标识符为标签；将聚类标签作为单维度子序列标签，按子序列顺序排列标签，得到对应多维时间序列的多维标签序列
。4.
根据权利要求1所述的一种基于模式提取的负荷预测方法，其特征在于，所述特征提取模块的训练步骤如下：构建训练样本集，训练样本包括目标标签序列和该目标标签序列的上下文序列集合；输入上下文序列集合至编码层进行独热编码，编码结果输入至卷积层；卷积层利用若干卷积滤波器对每一列输入张量进行卷积操作，得到若干一维特征向量；若干一维特征向量经平均池化层展平输入至全连接层；全连接层输出目标标签序列预测值；计算目标标签序列的真实值与预测结果的损失值，通过梯度下降法更新特征提取模块中的参数，最小化所有维度上目标标签序列真实值与预测值之间的交叉熵
。5.
根据权利要求1所述的一种基于模式提取的负荷预测方法，其特征在于，所述负荷预测模块包括依次连接的双向
LSTM
层
、
自注意力层和全连接层
。6.
一种基于模式提取的负荷预...

【专利技术属性】
技术研发人员：叶强，朱玲玲，郑鹏，陈吴晓，蔡雨晴，胡泽延，林涵，姜志筠，张晨瀚，蔡加鑫，柳絮莹，吕鹏，林性清，李淅，
申请(专利权)人：国网福建省电力有限公司营销服务中心，
类型：发明
国别省市：