【技术实现步骤摘要】
本专利技术涉及智能电网，具体涉及一种融合图结构表征的电力负荷预测方法及装置。
技术介绍
1、确保可持续性和降低碳足迹是现代能源政策的重要目标。为了实现这些目标，可再生能源的广泛采纳和智能电网的推广与建设被视为新一代能源革命的核心途径。在这个大背景下，电力负荷预测不仅是智能电网的核心组件，而且对于电网的稳定性、能源管理以及降低总体能源消耗起到至关重要的作用。
2、传统的电力负荷预测技术也存在其局限性：传统的热负荷预测技术主要基于静态模型，而忽略了实际场景中电力需求的动态特性，导致预测不准确。此外，某些基于经验或统计模型的方法在处理复杂的非线性电力系统时表现不佳。基于图神经网络的方法，尽管在某些场景下很有潜力，但需要大量的计算资源和数据样本，且大多难以处理数据存在的不确定性，缺乏推广到复杂场景进行多区域多目标客户电力负荷预测的能力，难以满足现代智能电网的准确和高效的需求。
技术实现思路
1、为了克服上述缺陷，本专利技术提出了一种融合图结构表征的电力负荷预测方法及装置。
2、第一方面，提供一种融合图结构表征的电力负荷预测方法，所述融合图结构表征的电力负荷预测方法包括：
3、获取目标客户在历史时间段内的电力负荷时间序列数据；
4、对所述电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到多个目标区域的多个目标客户在未来设定时间段内的电力负荷预测数据；
5、其中，所述电力负荷预测模型是通过多个目标区域的多个目标客户的历
6、优选的，所述预先训练的电力负荷预测模型的训练过程包括：
7、获取多区域内的多个目标客户的历史电力负荷数据，按照相等时间间隔统计为电力负荷时间序列数据，得到多区域内的多个目标客户的历史电力负荷时序数据样本；
8、采用动态时间规整方式来重构历史电力负荷时序数据样本，并计算样本间关系距离，构建稀疏关系图结构；
9、将所述重构后的历史电力负荷时序数据样本和所述稀疏关系图结构输入融合图结构表征的深度学习模型进行训练，在达到预设训练截至条件后得到所述预先训练的电力负荷预测模型。
10、进一步的，所述获取多区域内的多个目标客户的历史电力负荷数据，按照相等时间间隔统计为电力负荷时间序列数据，得到多区域内的多个目标客户的历史电力负荷时序数据样本，包括：
11、获取多目标区域内的多个目标客户的历史电力负荷数据；
12、将所述历史电力负荷数据根据预设的时间粒度进行数据组织，时间粒度可以是小时、日、周、月等不同的时间间隔，得到多区域内的多个目标客户的历史电力负荷时序数据样本。
13、优选的，所述预处理包括采用动态时间规整对历史电力负荷时序数据样本进行重建，以及数据归一化处理。
14、进一步的，所述融合图结构表征的深度学习模型包括顺序连接的稀疏图学习模块、时间表征增强模块、以及预测器模块；
15、所述稀疏图学习模块包括：两个图卷积网络单元，用于学习所述稀疏关系图结构中的结点动态关联信息；
16、所述时间表征增强模块包括：一维卷积组件、时间注意力机制组件和循环学习组件，所述一维卷积组件用于提取电力负荷时间序列数据中关键的特征信息，所述时间注意力机制组件用于在时间维度上增强重要时间点在神经网络模型中的权重，所述循环学习组件用于学习时间维度上时间点之间的动态关联。
17、所述预测器模块包括两个多层感知机网络，用于将学习到的深层表征映射到预测目标所需的输出形状，并且获得最终的预测结果。
18、进一步的，所述训练目标函数被定义为均方误差损失函数，并结合l2正则化项以避免过拟合。
19、第二方面，提供一种融合图结构表征的电力负荷预测装置，所述融合图结构表征的电力负荷预测装置包括：
20、获取模块，用于获取目标客户在历史时间段内的电力负荷时间序列数据；
21、预测模块，用于对所述电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到多个目标区域的多个目标客户在未来设定时间段内的电力负荷预测数据；
22、其中，所述电力负荷预测模型是通过多个目标区域的多个目标客户的历史电力负荷时序数据样本对融合图结构表征的深度学习模型进行训练得到的。
23、优选的，还包括：训练模块，用于按照以下方式预先训练所述电力负荷预测模型：
24、获取多区域内的多个目标客户的历史电力负荷数据，按照相等时间间隔统计为电力负荷时间序列数据，得到多区域内的多个目标客户的历史电力负荷时序数据样本；
25、采用动态时间规整方式来重构历史电力负荷时序数据样本，并计算样本间关系距离，构建稀疏关系图结构；
26、将所述重构后的历史电力负荷时序数据样本和所述稀疏关系图结构输入融合图结构表征的深度学习模型进行训练，在达到预设训练截至条件后得到所述预先训练的电力负荷预测模型。
27、进一步的，所述训练模块，具体用于：将所述多区域内的多个目标客户的历史电力负荷数据样本转换为有监督数据，得到历史电力负荷时序有监督数据，并得到融合图结构表征的深度学习模型的初始化参数。
28、第三方面，提供一种计算机设备，包括：一个或多个处理器；
29、所述处理器，用于存储一个或多个程序；
30、当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的融合图结构表征的电力负荷预测方法。
31、第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的融合图结构表征的电力负荷预测方法。
32、本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：
33、本申请提供了一种融合图结构表征的电力负荷预测方法。该方法通过采集多区域内多个目标客户在历史时间段内的电力负荷时序数据，经过适当的预处理后，将数据输入预先训练的电力负荷预测模型，得到多区域内多个目标客户在未来设定的时间段内的电力负荷预测数据。这个电力负荷预测模型是通过使用目标区域内多个目标客户的历史电力负荷时序数据样本来训练融合图结构表征的深度学习模型得到的，所述历史电力负荷时序数据样本包含部分缺失数据。可见，本申请的电力负荷预测模型是基于不完整电力负荷历史数据样本训练融合图结构表征的深度学习模型得到的，能够用于同时对多个目标区域的多个目标客户进行电力负荷预测，提高多目标电力负荷预测的高效性、鲁棒性和精准性。
本文档来自技高网...【技术保护点】
1.一种融合图结构表征的电力负荷预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述预先训练的电力负荷预测模型的训练过程包括：
3.如权利要求2所述的方法，其特征在于，所述获取多区域内的多个目标客户的历史电力负荷数据，按照相等时间间隔统计为电力负荷时间序列数据，得到多区域内的多个目标客户的历史电力负荷时序数据样本，包括：
4.如权利要求1所述的方法，其特征在于，所述预处理包括采用动态时间规整对历史电力负荷时序数据样本进行重建，以及数据归一化处理。
5.如权利要求2所述的方法，其特征在于，所述融合图结构表征的深度学习模型包括顺序连接的稀疏图学习模块、时间表征增强模块、以及预测器模块；
6.如权利要求2所述的方法，其特征在于，所述训练目标函数被定义为均方误差损失函数，并结合L2正则化项以避免过拟合。
7.一种融合图结构表征的电力负荷预测装置，其特征在于，所述装置包括：
8.如权利要求7所述的装置，其特征在于，还包括：训练模块，用于按照以下方式预先训练所述电力负荷预测模型：
9.如权利要求8所述的装置，其特征在于，所述训练模块，具体用于：将所述多区域内的多个目标客户的历史电力负荷数据样本转换为有监督数据，得到历史电力负荷时序有监督数据，并得到融合图结构表征的深度学习模型的初始化参数。
10.一种计算机设备，其特征在于，包括：一个或多个处理器；
11.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至6中任意一项所述的融合图结构表征的电力负荷预测方法。
...【技术特征摘要】
1.一种融合图结构表征的电力负荷预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述预先训练的电力负荷预测模型的训练过程包括：
3.如权利要求2所述的方法，其特征在于，所述获取多区域内的多个目标客户的历史电力负荷数据，按照相等时间间隔统计为电力负荷时间序列数据，得到多区域内的多个目标客户的历史电力负荷时序数据样本，包括：
4.如权利要求1所述的方法，其特征在于，所述预处理包括采用动态时间规整对历史电力负荷时序数据样本进行重建，以及数据归一化处理。
5.如权利要求2所述的方法，其特征在于，所述融合图结构表征的深度学习模型包括顺序连接的稀疏图学习模块、时间表征增强模块、以及预测器模块；
6.如权利要求2所述的方法，其特征在于，所述训练目标...
【专利技术属性】
技术研发人员：吴秋伟，潘博，陈健，田昀，秦鹏，张峰，陈匡伟，唐星，邵中华，薛燕彬，
申请(专利权)人：嘉兴国电通新能源科技有限公司，
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。