【技术实现步骤摘要】
本专利技术涉及母线负荷预测，特别涉及一种基于注意力机制的可解释性母线负荷预测方法。
技术介绍
1、母线负荷预测可用于电网动态状态评估、电网安全校核、无功优化、节能发电调度等方面，它是提高电网调度的精细化、智能化水平的重要支撑手段。母线的数量众多，传统母线负荷预测模型采用传统的机器学习或者深度学习模型，模型复杂难以解释，难以进行根因分析和总结。
2、鉴于此，需要一种基于注意力机制的可解释性母线负荷预测方法。
技术实现思路
1、针对现有技术中母线的数量众多，传统母线负荷预测模型采用传统的机器学习或者深度学习模型，模型复杂难以解释，难以进行根因分析和总结的问题，本专利技术提供了一种基于注意力机制的可解释性母线负荷预测方法，能够基于云计算高性能引擎，采用基于注意力机制的算法，实现高精度、可解释性强的推理性能。具体技术方案如下：
2、一种基于注意力机制的可解释性母线负荷预测方法，包括以下步骤：
3、s1：收集相关的母线负荷数据，所述母线负荷数据包括历史负荷数据、时间、温度、湿度，随后进行数据预处理；
4、s2：选取历史负荷数据以及与其相关的多个特征变量作为输入，利用注意力机制对不同特征变量的重要性进行自适应调整；
5、s3：构建一个包含多个特征变量的时间序列模型，并利用训练数据对其进行训练；
6、s4：根据训练好的模型对未来的母线负荷进行预测，并输出预测结果和各特征变量的权重值；
7、s5：对预测结果进行分析
8、优选的，所述步骤s1中的所述数据预处理包括特征变换、数据插值和异常值处理；
9、所述特征变换具体包括：应用归一化方法将每个特征的取值范围缩放到[0,1]之间；应用标准化的方法将每个特征转换为均值为0，标准差为1的标准正态分布；
10、所述数据插值包括线性插值和多项式差值，所述线性插值具体为对于两个已知点之间的缺失数据，用这两点确定的直线段上的点作为插值结果；所述多项式差值具体为根据给定的n个数据点，构造一个次数为n-1的多项式，然后用该多项式估计缺失数据；
11、所述异常值处理包括删除法、替换法和转换法，所述删除法具体为直接删除异常值；所述替换法具体为用包括中位数和平均数在内的特定值替换异常值；所述转换法具体为使用包括对数和指数在内的函数将异常值转换到正常范围内。
12、优选的，所述利用注意力机制对不同特征变量的重要性进行自适应调整具体为：将特征向量分别送入多个独立的注意力头，每个注意力头负责提取一个特定维度的信息，随后在每个注意力头上，计算特征向量与当前时间步长的关系权重，并将这些权重用于加权求和，得到一个新的特征向量。
13、优选的，所述步骤s3具体如下：
14、根据实际需求选择合适的时间序列模型，所述时间序列模型包括循环神经网络、长短时记忆网络或门控循环单元；
15、定义模型的输入和输出，输入包括时间、温度、湿度，输出为未来的母线负荷预测值；
16、对输入的特征变量进行嵌入操作，将其转换为高维向量表示；
17、将嵌入后的特征向量送入时间序列模型进行建模，模型根据当前和历史的信息来更新内部状态，并计算出当前时刻的输出值；
18、在时间序列模型中引入注意力机制，以自适应调整不同特征变量的重要性，具体为将特征向量分别送入多个独立的注意力头，然后将所有注意力头的输出进行融合，得到最终的特征向量；
19、利用训练数据对模型进行训练，通过反向传播算法计算梯度并更新模型参数。
20、优选的，所述步骤s5中所述评估的方式具体如下：以母线为对象、以自然日为分割，分别计算各母线每一天负荷预测准确率，需要使用t-7、t-3、t-1这3个模型的推理结果计算准确率，并将准确率数据按天保存至数据库表。
21、优选的，所述准确率的计算公式具体如下：
22、
23、
24、其中，pi为母线i的日综合预测精度，ei,k为母线i在时段k的负荷预测偏差率，l'i,k为母线负荷i在时段k的负荷预测值，li,k为单母线负荷i在时段k的负荷实际值，l为负荷基准值。
25、一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于注意力机制的可解释性母线负荷预测方法。
26、一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行如上所述的基于注意力机制的可解释性母线负荷预测方法。
27、与现有技术相比，本专利技术的有益效果为：
28、本专利技术通过选取历史负荷数据以及与其相关的多个特征变量作为输入，利用注意力机制对不同特征变量的重要性进行自适应调整，实现了高精度、可解释性强的推理性能，最终构建一个包含多个特征变量的时间序列模型进而实现对未来的母线负荷进行预测。此外，本专利技术对预测结果进行分析，评估模型的性能和鲁棒性。进一步调整模型结构或参数，以提高预测精度和稳定性。
本文档来自技高网...【技术保护点】
1.一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述步骤S1中的所述数据预处理包括特征变换、数据插值和异常值处理；
3.根据权利要求1所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述利用注意力机制对不同特征变量的重要性进行自适应调整具体为：将特征向量分别送入多个独立的注意力头，每个注意力头负责提取一个特定维度的信息，随后在每个注意力头上，计算特征向量与当前时间步长的关系权重，并将这些权重用于加权求和，得到一个新的特征向量。
4.根据权利要求3所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述步骤S3具体如下：
5.根据权利要求1所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述步骤S5中所述评估的方式具体如下：以母线为对象、以自然日为分割，分别计算各母线每一天负荷预测准确率，需要使用t-7、t-3、t-1这3个模型的推理结果计算准确率，并将准确率数据按天保存至数据库表
6.根据权利要求5所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述准确率的计算公式具体如下：
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的基于注意力机制的可解释性母线负荷预测方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的基于注意力机制的可解释性母线负荷预测方法。
...【技术特征摘要】
1.一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述步骤s1中的所述数据预处理包括特征变换、数据插值和异常值处理；
3.根据权利要求1所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述利用注意力机制对不同特征变量的重要性进行自适应调整具体为：将特征向量分别送入多个独立的注意力头，每个注意力头负责提取一个特定维度的信息，随后在每个注意力头上，计算特征向量与当前时间步长的关系权重，并将这些权重用于加权求和，得到一个新的特征向量。
4.根据权利要求3所述的一种基于注意力机制的可解释性母线负荷预测方法，其特征在于，所述步骤s3具体如下：
5.根据权利要求1所述的一种基于注意力机...
【专利技术属性】
技术研发人员：张雄宝，陈权崎，阮诗迪，刘欣然，韦昌福，江雄烽，曹伟，徐忠文，何伊妮，韦洪波，龚舒，舒民豪，叶桂南，
申请(专利权)人：广西电网有限责任公司，
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。