【技术实现步骤摘要】
本专利技术涉及数据分析和预测，具体为基于关联特征融合的生成式电力负荷预测方法及系统。
技术介绍
1、在数据分析和预测领域中，电力负荷预测旨在根据历史数据和其他相关因素，预测未来某个时间段内电力系统的负荷需求。这对电力系统的规划、供应和稳定运行至关重要。尽管已有的电力负荷预测在时序数据编码、隐藏特征捕获等方面开展了大量的研究工作，也有效提升了电力负荷预测的效果。但由于影响电力负荷的影响因素有很多，如：温度、降雨量、是否节假日、区域gdp、煤炭价格、大宗商品期货价格等都会对电力负荷的预测产生影响且这些影响因素之间是存在关联关系的。现有的预测模型往往无法全面考虑到所有可能的影响因素，并且无法捕捉到这些因素之间的复杂关系。同时，自回归模型的特点是当前时刻的预测结果依赖于之前时刻的预测结果，因此如果之前的预测存在误差，那么这些误差会随着时间的推移不断累积，导致预测结果与实际情况偏离较大。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有的电力负荷预测方法存在预测结果与实际情况偏离较大的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：基于关联特征融合的生成式电力负荷预测方法，包括：
4、采集电力负荷数据以及影响因素数据，对采集的数据进行预处理并构建多影响因素电力负荷预测数据集；
5、不同的子网络对不同的所述影响因素进行编码表示并通过桥接层关联融合不同的子网络；
6、通过共
7、利用时序注意模块构建不同时序周期的时间依赖关系并通过一个线性层输出预测序列。
8、作为本专利技术所述的基于关联特征融合的生成式电力负荷预测方法的一种优选方案，其中：所述电力负荷数据包括从互联网上下载和采集相关的电力负荷数据以及相关的影响因素数据；
9、对采集的数据处理缺失值、异常值，将时间序列数据进行重采样将不同特征的时间序列数据转换为相同的时间尺度，并将数据集划分为训练集、验证集、测试集。
10、作为本专利技术所述的基于关联特征融合的生成式电力负荷预测方法的一种优选方案，其中：所述子网络包括；所述子网络包括；网络hi对影响因素输入序列x进行编码，在隐藏层经由权值矩阵w1和映射函数做非线性变换，其编码映射得到隐含表征hi：
11、
12、子网络上添加了一个桥接层，使用权值tm进行连接；在微调过程中，所述桥接层的参数与已完成预训练的子网络一起进行调整；ft＝concatenate(tm·hi)。
13、作为本专利技术所述的基于关联特征融合的生成式电力负荷预测方法的一种优选方案，其中：所述共享网络包括，通过bilstm层对历史电力负荷y的每个元素yi进行编码并得到每个输入元素的时序特征ct；
14、
15、
16、
17、其中，表示第i个时间步在向上的时间方向的隐状态，表示第i个时间步在向下的时间方向的隐状态，表示上一个时间步的隐状态，表示下一个时间步的隐状态，yi表示当前时间步的输入，ct表示第i个时间步在两个方向上的拼接表示。
18、作为本专利技术所述的基于关联特征融合的生成式电力负荷预测方法的一种优选方案，其中：所述共享网络还包括，在特征ct的基础上将融合后的影响因素特征拼接来得到最终的输入元素特征zt；
19、
20、其中，ft表示已完成预训练的子网络通过桥接层调整后的表示。
21、作为本专利技术所述的基于关联特征融合的生成式电力负荷预测方法的一种优选方案，其中：所述时间注意力模块包括，模块采用树形结构对不同时序周期的时间依赖关系进行建模，以此来挖掘不同时序周期中潜在的特征；
22、
23、其中，ni表示第i层，qn表示第n个token作为query，kl表示第1个token作为key，vl表示第1个token作为value，dk表示key的维度；
24、直接连接一个线性层，输出结果即为预测值a：
25、a＝xw+b
26、其中，x是线性层的输入，w是线性层的参数，b是偏置。
27、作为本专利技术所述的基于关联特征融合的生成式电力负荷预测方法的一种优选方案，其中：考虑节点之间的关注机制，上层的每个节点仅关注下层有限的一组键；设第i层的第j个节点nodei，j希望关注下一层的三个相邻节点nodei+1，j-1，nodei+1，j和nodei+1，j+1；
28、将所述三个相邻节点作为nodei，j的查询项；
29、对于第i层的第j个节点nodei，j，对下一层的第k个节点nodei+1，k的注意力分数sj，k表示为：
30、sj，k＝query(nodei，j)·key(nodei+1，k)
31、通过将nodei+1，k的特征向量乘以相应的注意力权重wj，k，得到nodei，j对三个相邻节点的加权和，实现节点之间的局部关注机制：
32、attention(nodei，j)＝σkwj，k·value(nodei+1，k)
33、其中，query表示，key表示查询，nodei，j表示第i层第j个节点，wj，k表示注意力权重。
34、一种基于关联特征融合的生成式电力负荷预测系统，其特征在于：
35、数据采集模块，采集电力负荷数据以及影响因素数据，对采集的数据进行预处理并构建多影响因素电力负荷预测数据集；
36、网络融合模块，不同的子网络对不同的所述影响因素进行编码表示并通过桥接层关联融合不同的子网络；通过共享网络将高维特征映射到低维空间中实现关联特征降维并以拼接的方式嵌入到编码表示中；
37、时序注意模块，利用时序注意模块构建不同时序周期的时间依赖关系并通过一个线性层输出预测序列。
38、一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本专利技术中任一项所述的方法的步骤。
39、一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本专利技术中任一项所述的方法的步骤。
40、本专利技术的有益效果：本专利技术提供的基于关联特征融合的生成式电力负荷预测方法将不同影响因素通过不同的子网络进行编码，并通过桥接层联合微调多个子网络，学习多影响因素之间的关联关系，有效提升了模型性能。针对迭代式生成会造成误差累积的问题，用直接多步的生成方法，通过一个线性层直接生成预测序列，有效解决了该问题。
本文档来自技高网...【技术保护点】
1.基于关联特征融合的生成式电力负荷预测方法，其特征在于，包括：
2.如权利要求1所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述电力负荷数据包括从互联网上下载和采集相关的电力负荷数据以及相关的影响因素数据；
3.如权利要求2所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述子网络包括；所述子网络包括；网络hi对影响因素输入序列x进行编码，在隐藏层经由权值矩阵W1和映射函数做非线性变换，其编码映射得到隐含表征hi:
4.如权利要求3所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述共享网络包括，通过BiLSTM层对历史电力负荷y的每个元素yi进行编码并得到每个输入元素的时序特征Ct；
5.如权利要求4所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述共享网络还包括，
6.如权利要求5所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述时间注意力模块包括，模块采用树形结构对不同时序周期的时间依赖关系进行建模，以此来挖掘不同时序周期中潜在的特征；
<...【技术特征摘要】
1.基于关联特征融合的生成式电力负荷预测方法，其特征在于，包括：
2.如权利要求1所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述电力负荷数据包括从互联网上下载和采集相关的电力负荷数据以及相关的影响因素数据；
3.如权利要求2所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述子网络包括；所述子网络包括；网络hi对影响因素输入序列x进行编码，在隐藏层经由权值矩阵w1和映射函数做非线性变换，其编码映射得到隐含表征hi:
4.如权利要求3所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述共享网络包括，通过bilstm层对历史电力负荷y的每个元素yi进行编码并得到每个输入元素的时序特征ct；
5.如权利要求4所述的基于关联特征融合的生成式电力负荷预测方法，其特征在于：所述共享网络还包括，
6.如权利要求5所述的基于关联特征融合的生成式电力负荷...
【专利技术属性】
技术研发人员：杨茗，杨晓华，杨子阳，代盛国，赵永辉，杨昊，张益鸣，刘兴龙，茶建华，任建宇，李家浩，艾渊，
申请(专利权)人：云南电网有限责任公司，
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。