基于多模态时序学习的负荷预测模型、方法和系统技术方案

本发明专利技术涉及人工智能和电力负荷预测技术领域，尤其是一种基于多模态时序学习的负荷预测模型、方法和系统。本发明专利技术提出的负荷预测模型用于根据监测时间段上的电网历史数据预测监测时间段之后的目标时间段上的负荷值；负荷预测模型包括顺序连接的数据预处理模块、模态权重计算模块、模态融合模块、时间特征融合模块和负荷预测模块。本发明专利技术提出的基于多模态时序学习的负荷预测方法，引入多模态时序学习的方法，从多源时序数据中提取关键特征，建立计及储能的负荷预测模型，更好地利用储能站所采集的各种数据，提高预测的精准度。

【技术实现步骤摘要】

本专利技术涉及人工智能和电力负荷预测，尤其是一种基于多模态时序学习的负荷预测模型、方法和系统。

技术介绍

1、负荷预测是电网调度中的关键一环，它指的是根据历史负荷数据、天气、市场因素等多种信息，预测未来一段时间内的电网需求侧的负荷需求。新能源储能站通过储存多余的电能并在需要时释放，可以帮助平衡电网负荷，缓解电力系统调度压力，提高供电的可靠性和稳定性。在储能端进行负荷预测是新能源储能站的重要组成部分，因而负荷预测对于新能源储能站的规划、运行、控制以及调度具有十分重大的意义。

2、在新能源储能站参与的情况下，单一历史负荷数据已经不再能够满足准确预测的需求，电力负荷数据还会受到气象因素、节假日、季节性等多种因素的复杂影响。现有技术中针对负荷预测问题提出了很多解决方案，但主要还存在以下问题：现有方法中大多数仅仅利用了某一个监测源的数据，并未考虑到多种监测源对电力系统负荷的共同影响，也没有考虑到哪个监测源对负荷的影响比较大，可能会导致所用监测源数据与用电负荷情况相关度不高等问题。同时，多种数据源的时间依赖性较强，采集频率也不同，并且不同数据之间也可能存在本文档来自技高网...

【技术保护点】

1.一种基于多模态时序学习的负荷预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于多模态时序学习的负荷预测方法，其特征在于，模态权重计算模块包括隐藏状态提取网络和第一注意力计算网络，隐藏状态提取网络用于提取多模态时序特征数据X的隐藏状态{ht}Qt=1，ht表示X在第t个时隙上的隐藏特征；第一注意力计算网络结合X在第t-1个时隙上的隐藏特征生成各时隙上各模态的注意力特征；模态权重计算模块结合注意力特征计算注意力权重α={αmt|1≤m≤M,1≤t≤Q}；

3.如权利要求2所述的基于多模态时序学习的负荷预测方法，其特征在于，隐藏状态提取网络采用BiLS...

【技术特征摘要】

1.一种基于多模态时序学习的负荷预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于多模态时序学习的负荷预测方法，其特征在于，模态权重计算模块包括隐藏状态提取网络和第一注意力计算网络，隐藏状态提取网络用于提取多模态时序特征数据x的隐藏状态{ht}qt=1，ht表示x在第t个时隙上的隐藏特征；第一注意力计算网络结合x在第t-1个时隙上的隐藏特征生成各时隙上各模态的注意力特征；模态权重计算模块结合注意力特征计算注意力权重α={αmt|1≤m≤m,1≤t≤q}；

3.如权利要求2所述的基于多模态时序学习的负荷预测方法，其特征在于，隐藏状态提取网络采用bilstm，emt的生成过程公式表示如下：

4.如权利要求1所述的基于多模态时序学习的负荷预测方法，其特征在于，模态融合模块包括多模态融合门和与模态一一对应的门控单元，模态融合模块的计算过程可公式表示如下：

5.如权利要求1所述的基于多模态时序学习的负荷预测方法，其特征在于，负荷预测模块包括lstm网络和多层感知器，lstm网络基于时间特征融合数据tfi、隐藏状态di-1和第i-1个预测时间步上的负荷预测值y'i-1生成第i个预测时间步上的隐藏状态di，多层感知器基于...

【专利技术属性】
技术研发人员：魏振春，彭磊，向念文，吕增威，陈志伟，王超群，李科杰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：