【技术实现步骤摘要】
本专利技术涉及数据分析和优化，尤其涉及一种基于粒子群算法优化融合模型的电力负荷预测方法。
技术介绍
1、电力负荷预测涉及对未来一段时间内的电力负荷需求进行准确的预测，以便实现有效的能源调度、负荷平衡和资源管理。传统的电力负荷预测方法通常基于统计模型或机器学习算法，但它们面临着预测精度不高、对数据特征提取不充分和对复杂时序关系的建模能力有限等挑战。为了克服这些挑战，近年来，基于深度学习的方法在电力负荷预测中获得了广泛关注。其中，informer-fedformer融合模型是一种基于transformer架构的深度学习模型，具有良好的序列建模能力和对时序关系的捕捉能力。然而，仅仅使用informer-fedformer融合模型可能无法达到最优的预测性能，因为模型参数的选择和调整对于模型的准确性和性能至关重要。
2、为了优化informer-fedformer融合模型的性能，本专利技术采用了粒子群算法作为优化工具。粒子群算法是一种启发式优化算法，受到鸟群觅食行为的启发而设计。它通过模拟鸟群中个体之间的合作与竞争来搜索最优解。在该方法中，粒子群算法被用于调整informer-fedformer融合模型的参数，以获得最佳的电力负荷预测结果。
技术实现思路
1、鉴于上述现有存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于粒子群算法优化融合模型的电力负荷预测方法，以用于电力负荷预测问题，本专利技术在电力负荷预测任务上取得了较好的效果。
3、为
4、采集数据，并根据采集到的数据进行数据预处理；构建informer模型，并进行负荷预测；构建fedformer模型，并进行负荷预测；构建融合模型informer-fedformer；通过粒子算法确定融合模型参数，输出最终的负荷预测结果。
5、作为本专利技术所述的基于粒子群算法优化融合模型的电力负荷预测方法的一种优选方案，其中：所述预处理包括，获取不同时刻对应的电价、环境温度、湿度、日期属性以及电力负荷数据，针对缺失或异常的数据，使用相应时间段的前后负荷数据进行均值填充修正；
6、对电价、环境温度、湿度、日期属性、电力负荷数据等特征维度进行去均值和方差归一化，使用标准差标准化去均值和方差归一化，使得经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为:
7、
8、式中，μ为所有样本数据的均值，σ为所有样本数据的标准差，x为处理前的样本数据，x*为处理后的样本数据。
9、作为本专利技术所述的基于粒子群算法优化融合模型的电力负荷预测方法的一种优选方案，其中：所述构建informer模型包括，informer模型的由编码器和解码器组成，其中编码器由两层的多头稀疏概率自注意力块组成，多头稀疏概率自注意力块结构完全相同，上层自注意力块的输入数据量是下层自注意力块输入数据量的两倍，解码器则由两个相同的多头注意力层组成。
10、作为本专利技术所述的基于粒子群算法优化融合模型的电力负荷预测方法的一种优选方案，其中：所述构建informer模型还包括，
11、输入预处理后的数据x*至编码器，x*如下所示：
12、x*＝{x0,…,xt}
13、
14、其中，xt即t时刻的输入数据，表示t时刻第i个特征维度，r表示实数，dx表示维度特征数；
15、将输入数据x*进行一层线性变化得到查询矩阵q，键矩阵k和值矩阵v,公式如下：
16、q＝w_qx*
17、k＝w_kx*
18、v＝w_vx*
19、式中，q是查询矩阵表示需要关注的信息或特征，k是键矩阵表示输入数据中的关键信息，v是值矩阵包含了输入数据中的具体数值，w_q、w_k、w_v表示对应线性变换的权重矩阵；
20、q、k、v在进入多头稀疏概率自注意力块进行提取特征时，由于中只有少部分点积对注意力机制有较大的贡献，所以需要先使用kullback-leibler散度度量q的稀疏性，将m评价值最大的u个qi组成新的查询矩阵是和q同型的矩阵，矩阵的其余位置由0向量补充，其中第i个查询向量的稀疏性的评价公式为：
21、其中，第一项是qi对于所有的键向量的一个log－sum－exp，log－sum－exp是对一组数值进行求和并进行对数运算的一种方式，第二项则是所有键向量的算数平均值，式中m表示评价结果，qi表示q中第i个查询向量，k表示键矩阵，ln表示自然对数，∑表示求和操作，表示表示查询向量qi与键矩阵k中的第j个向量的转置的点积，d表示向量的维度；
22、q、k、v经过多头稀疏概率自注意力块进行特征提取，多头稀疏概率自注意力块如下所示：
23、
24、其中，softmax表示归一化操作，d表示向量的维度，表示构建的查询矩阵与键矩阵k的转置的点积；
25、得到注意力矩阵a后进行j到j+1层的自注意力蒸馏，操作的过程如下:
26、
27、其中，表示第t时刻第j层的自注意力矩阵，conv1d表示的是时间序列上的一维卷积操作，并通过用elu作为激活函数，表示j+1层t时刻的输入x，使得下一层解码器的输入是本层解码器输入的一半，最后一层编码器输出的特征矩阵为xt；
28、将xfeed_de输入解码器，公式如下：
29、
30、式中，xfeed_de表示解码器的输入向量，concat表示连接操作，xtoken表示编码器输入x*的前面一半数据，即0.5x*，xo表示要预测的特征维度，表示xfeed_de的实数域r，ltoken表示xtoken的数据长度，ly表示xo的数据长度，dmodel表示x*的特征维度数。
31、作为本专利技术所述的基于粒子群算法优化融合模型的电力负荷预测方法的一种优选方案，其中：所述构建informer模型还包括，将输入数据xfeed_de进行一层线性变化得到查询矩阵q1，键矩阵k1和值矩阵v1,公式如下：
32、q1＝w_qxfeed_de
33、k1＝w_kxfeed_de
34、v1＝w_vxfeed_de
35、式中，q1是查询矩阵表示需要关注的信息或特征，k1是键矩阵表示输入数据中的关键信息，v1是值矩阵包含了输入数据中的具体数值，w_q、w_k、w_v表示对应线性变换的权重矩阵；
36、q1、k1、v1经过多头自注意力块进行特征提取，得到注意力权重矩阵a，多头自注意力块如下所示：
37、
38、其中，softmax表示归一化操作，d表示向量的维度，q1k1t表示构建的查询矩阵q1与键矩阵k1的转置的点积；
39、将权重矩阵a与编码器的输出xt相乘，得到加权聚合的结果c：
本文档来自技高网...
【技术保护点】
1.一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：包括，
2.如权利要求1所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述预处理包括，获取不同时刻对应的电价、环境温度、湿度、日期属性以及电力负荷数据，针对缺失或异常的数据，使用相应时间段的前后负荷数据进行均值填充修正；
3.如权利要求2所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建Informer模型包括，Informer模型的由编码器和解码器组成，其中编码器由两层的多头稀疏概率自注意力块组成，多头稀疏概率自注意力块结构完全相同，上层自注意力块的输入数据量是下层自注意力块输入数据量的两倍，解码器则由两个相同的多头注意力层组成。
4.如权利要求3所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建Informer模型还包括，
5.如权利要求4所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建Informer模型还包括，将输入数据Xfeed_de进行一层线性变化得到查询
6.如权利要求5所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建FEDformer模型包括，FEDformer模型由N个编码器Encoder和H个解码器Decoder组成，FEDformer模型包括频率增强块、连接编码器和解码器的频率增强注意力块以及混合专家分解块。
7.如权利要求6所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建FEDformer模型还包括，输入预处理后的数据x*至编码器，x*如下所示：
8.如权利要求7所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建FEDformer模型还包括，
9.如权利要求8所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建融合模型Informer-FEDformer包括，
10.如权利要求9所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述确定融合模型参数包括，通过粒子算法确定融合模型参数ω1、ω2，粒子群优化算法通过赋予粒子速度与位置属性，对群个体进行模拟，粒子之间相互共享个体极值，在搜索空间中确定全局最优解并调整自身的速度与位置，从而探索搜索空间中的最优位置；
...【技术特征摘要】
1.一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：包括，
2.如权利要求1所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述预处理包括，获取不同时刻对应的电价、环境温度、湿度、日期属性以及电力负荷数据，针对缺失或异常的数据，使用相应时间段的前后负荷数据进行均值填充修正；
3.如权利要求2所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建informer模型包括，informer模型的由编码器和解码器组成，其中编码器由两层的多头稀疏概率自注意力块组成，多头稀疏概率自注意力块结构完全相同，上层自注意力块的输入数据量是下层自注意力块输入数据量的两倍，解码器则由两个相同的多头注意力层组成。
4.如权利要求3所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建informer模型还包括，
5.如权利要求4所述的一种基于粒子群算法优化融合模型的电力负荷预测方法，其特征在于：所述构建informer模型还包括，将输入数据xfeed_de进行一层线性变化得到查询矩阵q1，键矩阵k1和值矩阵v1,公式如下：
6.如权利要求5所述的一...
【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。