【技术实现步骤摘要】
本专利技术涉及一种基于深度学习的电力终端负荷预测方法，属于电力预测。
技术介绍
1、电力是重要的资源，电力终端负荷预测可以保证电网稳定、安全运行。但随着生产水平、人口密度的不断变化，人们的用电需求正在不断增加，电力终端负荷预测呈现出随机性高、稳定性低、建模环节复杂程度高等特点。日前负荷预测其重要意义在于能指导电力公司优化发电机组的启停与检修计划，从而提高电力系统运行的经济性。目前，随着智能电网的发展，负荷预测问题遇到了新挑战。智能电表的广泛接入使得通过智能电表数据改进日前负荷预测精度成为可能。通过深度学习方法，基于收集得到大量智能电表数据信息，对信息和数据进行分析、处理和反馈，可以充分利用多源异构的海量数据，为传统物理建模方法难以处理的问题提供了新的解决思路。开展人工智能技术在负荷预测中的应用，促进智能电表大数据与人工智能技术的结合，满足智能配用电对负荷预测的新需求，对智能配用电的发展建设具有重要意义。现有智能配用电通过收集电力短期、中期与长期数据并进行预处理，利用数据挖掘方法挖掘电力终端数据并进行聚类分析，利用偏最小二乘回归分析方法对挖掘后数据进行筛选与提取，该方法实现较为容易，计算简单，但预测精度较低。
技术实现思路
1、针对现有负荷预测方法预测精度低的问题，本专利技术提供一种基于深度学习的电力终端负荷预测方法。
2、本专利技术的一种基于深度学习的电力终端负荷预测方法：
3、s1、获取待预测负荷的居民用户的历史智能电表负荷数据的时间序列，作为训练集；p>
4、s2、建立负荷预测模型，采用transformer模型实现，其中解码模块的输出右移一位之后作为解码模块的下一时刻预测的输入，且其中解码模块的编码部分的多头注意力机制为遮挡多头注意力机制；编码模块的输入为智能电表负荷数据的时间序列，解码模块的输入为标签或上一时刻的预测输出；
5、s3、利用训练集对负荷预测模型进行训练，其中计算transformer模型解码模块的输出与标签的损失调整负荷预测模型；
6、s4、将待预测负荷的居民用户的实时电表负荷数据输入至训练完成的待负荷预测模型进行电力预测。
7、作为优选，transformer模型的编码模块的多头注意力机制为缩放点积注意力。
8、作为优选，编码模块包括依次连接的多头注意力机制、1号相加及层归一化、1号前馈神经网络和2号相加及层归一化，且输入信号同时输入至1号相加及层归一化，1号相加及层归一化的输出同时输入至2号相加及层归一化，2号相加及层归一化的输出作为编码模块的输出。
9、作为优选，解码模块包括依次连接的遮挡多头注意力机制、3号相加及层归一化、2号多头注意力机制、4号相加及层归一化、2号前馈神经网络、5号相加及层归一化和全连接网络；
10、解码模块的输入同时输入至3号相加及层归一化，编码模块的输出同时输入至4号相加及层归一化，4号相加及层归一化的输出同时输入至5号相加及层归一化，全连接网络的输出为预测结果。
11、作为优选，前馈神经网络为：
12、ffn(x)＝w2relu(w1x+b1)+b2
13、其中，ffn(x)为前馈神经网络的输出，x为输入，w1、w2为权重矩阵，b1、b2为偏置项，relu()为激活函数。
14、本专利技术的有益效果，本专利技术基于编码模块-解码模块结构tranformer模型的电力终端负荷预测，能够更好地挖掘出输入的智能电表负荷数据与预测结果之间复杂映射关系，使得预测更为准确。
本文档来自技高网...【技术保护点】
1.基于深度学习的电力终端负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的电力终端负荷预测方法，其特征在于，Transformer模型的编码模块的多头注意力机制为缩放点积注意力。
3.根据权利要求1所述的基于深度学习的电力终端负荷预测方法，其特征在于，编码模块包括依次连接的多头注意力机制、1号相加及层归一化、1号前馈神经网络和2号相加及层归一化，且输入信号同时输入至1号相加及层归一化，1号相加及层归一化的输出同时输入至2号相加及层归一化，2号相加及层归一化的输出作为编码模块的输出。
4.根据权利要求3所述的基于深度学习的电力终端负荷预测方法，其特征在于，解码模块包括依次连接的遮挡多头注意力机制、3号相加及层归一化、2号多头注意力机制、4号相加及层归一化、2号前馈神经网络、5号相加及层归一化和全连接网络；
5.根据权利要求4所述的基于深度学习的电力终端负荷预测方法，其特征在于，1号前馈神经网络和2号前馈神经网络均为：
【技术特征摘要】
1.基于深度学习的电力终端负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的电力终端负荷预测方法，其特征在于，transformer模型的编码模块的多头注意力机制为缩放点积注意力。
3.根据权利要求1所述的基于深度学习的电力终端负荷预测方法，其特征在于，编码模块包括依次连接的多头注意力机制、1号相加及层归一化、1号前馈神经网络和2号相加及层归一化，且输入信号同时输入至1号相加及层归一化，1号相加及...
【专利技术属性】
技术研发人员：刘芳铭，曲佳楠，孟祥龙，
申请(专利权)人：国网黑龙江省电力有限公司绥化供电公司，
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。