【技术实现步骤摘要】
本专利技术涉及电力系统负荷预测，特别涉及一种基于transformer模型的家庭负荷短期预测方法、系统、设备及介质。
技术介绍
1、负荷预测一直是贯穿现代电力系统发展的一项重要任务。可根据预测时间分为长期、中期、短期、超短期预测。长期负荷预测旨在协助电力系统基础设施规划，而中期和短期负荷预测是制定发电计划、交易计划和调度计划的基础。现代电力系统现在正朝着更具可持续性的方向发展，随着可再生能源、电动汽车的日益普及以及配电网中随时间变化的负载需求，电力系统的复杂性和不确定性不可避免地大幅增长，系统稳定性正面临前所未有的挑战。为此，对用户进行准确的短期电力负荷预测可以显着促进电力系统的运行。通过有效的负荷预测，可以通过灵活使用储能系统或智能需求响应技术来实现调峰。
2、关于短期负荷预测方法，现有技术很少直接面对个人客户。与大规模的家庭总负荷不同，单个能源用户的电力负荷具有高波动性和不确定性，对单个能源用户进行短期负荷预测具有挑战性。因此，短期家庭负荷预测的问题仍然悬而未决。
3、近年，深度学习已成为许多研究领域中最活跃的技术之一。相对于浅层学习，深度学习通常是指堆叠多层神经网络并依靠随机优化来执行机器学习任务。不同数量的层可以提供不同级别的抽象，以提高学习能力和任务性能。对比传统机器学习方法，近期提出的一些深度学习模型在长期数据预测上取得了不少进步，应用至负荷预测领域具有很高的可行性。
4、g zhang,c wei,cjing,y wang在“short-term electrical load
技术实现思路
1、为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于transformer模型的家庭负荷短期预测方法、系统、设备及介质，通过获取家庭历史负荷以及对应的气象影响因子历史数据，选取与负荷数据相关性较高的气象类型，构建多元时序数据集；通过序列分解模块提取历史序列的趋势性与周期性分量；通过自相关模块学习序列时间上的依赖关系并聚合时延子序列信息；最终得到细化的周期性与趋势性分量之和作为负荷预测的结果；降低了算法的计算复杂度，为可再生能源的发电计划和能源系统的能量管理和优化调度提供基础，对能源系统的稳定、安全、经济运行起到重要作用。
2、为了实现上述目的，本专利技术采取的技术方案如下：
3、一种基于transformer模型的家庭负荷短期预测方法，包括以下步骤：
4、步骤1，获取历史数据，所述历史数据包括地区用户家庭负荷历史数据和影响用户用电情况的气象类型的历史数据，对历史数据进行预处理得到标准历史数据，建立标准历史数据集，所述标准历史数据集包括地区用户个人家庭的历史负荷数据和该地区对应的历史气象数据；
5、步骤2，分析步骤1中历史负荷数据与不同类型的历史气象数据的相关性，选择与负荷数据相关性较高的气象类型，即相关性气象类型；根据待预测日的天气预报，确定在相关性气象类型上与待预测日相似的历史日，使用这些历史日的负荷和气象数据作为模型输入数据；
6、步骤3，构建基于transformer模型的家庭负荷短期预测模型；
7、步骤4，将步骤2得到的模型输入数据输入步骤3构建的基于transformer模型的家庭负荷短期预测模型进行预测，得到目标家庭的短期负荷预测值。
8、所述步骤1的具体过程为：
9、步骤1.1，获取历史数据，所述历史数据包括地区用户家庭负荷历史数据和影响用户用电情况的气象类型的历史数据；
10、步骤1.2，利用缺失值的前后各n个非缺失数据，对步骤1.1中历史数据的缺失值进行填充，具体为：
11、对于某项数据序列x＝{x1,x2,…,xnan,…}，xnan表示数据中的一个缺失值，将该缺失值填充为：
12、
13、其中，n是一个事先指定的正整数；xnan-i,xnan+i分别为缺失值xnan的前第i个和后第i个非缺失值；
14、步骤1.3，对步骤1.1历史数据中对应的时间进行处理，得到每项数据对应的在一天内的时间段i、在一周中的星期数d和节假日标志h，填补至历史数据中；其中i取值范围为1到24，表示该数据对应的时间是一天中的哪一小时；d的取值范围为1到7，表示该数据对应的天数是一周中的星期几；h的取值为0或1，表示该数据对应的日期是否为节假日，1表示节假日，0表示非节假日；
15、步骤1.4，利用步骤1.2和步骤1.3处理后的历史数据建立标准历史数据集，所述标准历史数据集包括地区用户个人家庭的历史负荷数据和该地区对应的历史气象数据。
16、所述步骤2的具体过程为：
17、步骤2.1，对步骤1.4中的历史气象数据进行归一化互相关性计算，得到不同气象类型与用户用电负荷的相关性，去除与负荷数据相关性较低的气象类型，保留相关性较高的气象类型，即相关气象类型；
18、步骤2.2，根据待预测日的天气预报，分别计算待预测日与历史日的步骤2.1得到的相关气象类型的欧氏距离，得到待预测日与历史日在各相关气象类型上的相似性，根据步骤2.1得到的欧氏距离进行加权求和，表征历史日与待预测日的加权相似性，选择相似性最高的历史日的负荷和气象数据，即相似历史日数据，作为待预测日对应的历史数据，即模型输入数据。
19、所述步骤3中基于transformer模型的家庭负荷短期预测模型包括输入模块和注意力机制；
20、输入模块：对历史负荷数据和历史气象数据添加气象特征、时间特征和计算得到的序列中各元素在序列中的相对位置信息；所述输入模块包括时间信息编码层、全连接层和位置信息编码层；
21、自注意力机制：输入为离散时间序列，所述离散时间序列的特征空间中包括历史负荷特征、历史气象特征、时间特征；通过计算点积的方式建模序列内部复杂的依赖关系，得到一个权重矩阵以表示序列内每个元素之间的关联。
22、所述步骤4的具体过程为：
23、步骤4.1，将步骤2.2得到的相似历史日数据输入输入模块，对历史日数据中的历史负荷数本文档来自技高网...
【技术保护点】
1.一种基于Transformer模型的家庭负荷短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于Transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤1的具体过程为：
3.根据权利要求1或2所述的一种基于Transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求1所述的一种基于Transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤3中基于Transformer模型的家庭负荷短期预测模型包括输入模块和注意力机制；
5.根据权利要求1或3所述的一种基于Transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤4的具体过程为：
6.根据权利要求3所述的一种基于Transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤2.1的具体过程为：
7.根据权利要求3或6所述的一种基于Transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤2.2的具体过程为：
8.一种基于T
9.一种基于Transformer模型的家庭负荷短期预测设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于：
...【技术特征摘要】
1.一种基于transformer模型的家庭负荷短期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤1的具体过程为：
3.根据权利要求1或2所述的一种基于transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求1所述的一种基于transformer模型的家庭负荷短期预测方法，其特征在于，所述步骤3中基于transformer模型的家庭负荷短期预测模型包括输入模块和注意力机制；
5.根据权利要求1或3所述的一种基于t...
【专利技术属性】
技术研发人员：夏小芳，祖航，胡雪姣，周文扬，王蒙，李辉，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。