System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及变电设备负荷预测,具体涉及一种基于分段注意力机制的变电设备负荷预测方法及系统。
技术介绍
1、变电设备是电力网络系统中不可或缺的一个重要环节,它主要负责变换和调整电压、接受和分配电力资源、以及控制电力的整体流向。变电设备通过变压器将各级电压的电网联系起来,从而构建一个完整的电力网络系统,应用范围相当宽泛。同时变电设备造价昂贵、工作负荷大,一旦发生过载,造成影响面积大、检修成本高昂、恢复周期长,所以变电设备运行的可靠程度,关乎整个电网的稳定性和安全性。因此,合理准确地预测变电设备负荷、分析其季节趋势特征、实施精确监控和预警,能够极大地提升电网的安全运行能力,辅助电力从业人员进行有效管理,是当前研究的一个热点问题。
2、变电设备的负荷数据集是一个典型的多元时序数据类型,鉴于其数据特征多、数据体量大、变化性状不确定等特点,传统的统计分析模型表现效果欠佳,所以首选基于深度学习的时序预测模型对其进行建模和分析。在此之前,大量学者对时间序列预测问题做出了详细的研究。主要是基于监督学习范式,对序列进行分解,学习序列的邻域和全局特征等方法。
3、现有预测方法均取得了较好的结果,但是对数据的特征学习局限于单个batchsize或者整个序列长度,即使做了分段,减小细粒度后,也只在段间捕获依赖关系,忽略了数据局部的趋势性,且使用的网络结构过于复杂,计算时间过长,降低了对变电设备负荷的预测结果的准确度。
技术实现思路
1、针对现有技术中的上述不足,本专利技术提供的一种
2、为了达到上述专利技术目的,本专利技术采用的技术方案为:
3、提供了一种基于分段注意力机制的变电设备负荷预测方法,其包括以下步骤:
4、s1、获取变电设备的历史负荷数据以及对应的特征信息;对变电设备的历史负荷数据进行归一化处理,得到归一化后的历史负荷数据;
5、s2、构建负荷预测模型;将归一化后的历史负荷数据、特征信息输入至负荷预测模型并进行训练,得到训练后的负荷预测模型;
6、s3、将待预测负荷数据进行归一化处理后输入至训练后的负荷预测模型,得到对应的预测结果,完成对变电设备负荷的预测。
7、进一步地,步骤s1中的变电设备的特征信息包括时间戳、高可用负荷、高无用负荷、中可用负荷、中无用负荷、低可用负荷、低无用负荷和油温。
8、进一步地,步骤s2中的负荷预测模型包括依次串联的时间协变量嵌入层、线性模块、段内注意力网络模块、段间注意力网络模块、路由注意力网络模块、输出结果预测模块;
9、线性模块包括两个串联的线性插入层;
10、段内注意力网络模块包括依次串联的激活函数层、段内加性注意力层、激活函数层;
11、段间注意力网络模块包括依次串联的段间缩放点积注意力层、归一化层、多层前馈神经网络、归一化层;
12、路由注意力网络模块包括依次串联的两个路由注意力机制层、归一化层、多层前馈神经网络、归一化层;
13、输出结果预测模块采用编码器-解码器架构。
14、进一步地,步骤s2进一步包括:
15、s2-1、对将归一化后的历史负荷数据、特征信息输入至时间协变量嵌入层,对归一化后的历史负荷数据进行提取,得到时间信息并与特征信息进行融合,得到融合后的时间特征数据;
16、s2-2、将融合后的时间特征数据输入至线性模块进行线性变换和组合,得到变换后的时间特征数据;
17、s2-3、将变换后的时间特征数据输入至段内注意力网络模块进行分段,得到分段后的时间特征数据;对分段后的时间特征数据进行处理,得到对应的第一输出数据;
18、s2-4、将第一输出数据、变换后的时间特征数据输入至段间注意力网络模块,得到对应的第二输出数据;
19、s2-5、将第二输出数据输入至路由注意力网络模块,得到预测向量表征数据;
20、s2-6、将预测向量表征数据输入至编码器-解码器,得到预测结果;
21、s2-7、根据预测结果对负荷预测模型进行迭代,直至得到最小化目标损失函数;
22、s2-8、根据最小化目标损失函数对负荷预测模型的参数进行调整,得到训练后的负荷预测模型。
23、进一步地,步骤s2-1的时间协变量嵌入层的公式为:
24、
25、
26、其中,t表示时间协变量矩阵,即融合后的时间特征数据,et11、et1n、etm1、etmn分别表示时间协变量矩阵t的第1行第1列的时间索引、第1行第n列的时间索引、第m行第1列的时间索引、第m行第n列的时间索引,ei表示时间协变量矩阵的第i列嵌入的向量表示,即时间协变量嵌入层的输出,ti表示时间协变量矩阵的第i列,min(ti)表示时间协变量矩阵的第i列的最小值,max(ti)表示时间协变量矩阵的第i列的最大值。
27、进一步地,步骤s2-2的公式为:
28、
29、
30、其中,表示第二个线性插入层的输出,即变换后的时间特征数据,表示第一个线性插入层的输出,t表示融合后的时间特征数据,即时间协变量嵌入层的输出,w1、w2表示线性插入层的权重参数,b1、b2表示线性插入层的偏置参数。
31、进一步地,步骤s2-3的段内注意力网络模块中的段内加性注意力层的公式为:
32、
33、x't=relu(wxseg+b)
34、x't=wvx't·tanh(wqx't+(wkx't)
35、x=xseg+relu(x't)
36、其中,xl表示线性模块的输出,即变换后的时间特征数据,lseg表示每段大小,xseg表示分段后的各段内的时间特征数据,x't表示变换的中间向量,w表示段内加性注意力层权重参数,b表示段内加性注意力层偏置参数,relu(·)表示激活函数,wv表示值向量v的权重矩阵,tanh(·)表示双曲正切函数,wq表示查询向量q的权重矩阵,wk表示键向量k的权重矩阵,x表示各段经过段内特征学习后的向量表示,即第一输出数据。
37、进一步地,步骤s2-4的公式为:
38、
39、
40、
41、其中,t表示时域维度,表示段间注意力网络模块在第f时间特征数据维度上的第一个归一化层的输出,表示段间注意力网络模块在第1时间特征数据维度上的第一个归一化层的输出,x:,f表示时间特征数据f在所有时间步上的向量表征,即第一输出数据、变换后的时间特征数据,msat(·)表示时域维度上的多头自注意力机制,即段间缩放点积注意力层的输出,layernorm(·)表示归一化函数,表示段间注意力网络模块在所有时间特征维度上的归一本文档来自技高网...
【技术保护点】
1.一种基于分段注意力机制的变电设备负荷预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤S1中的变电设备的特征信息包括时间戳、高可用负荷、高无用负荷、中可用负荷、中无用负荷、低可用负荷、低无用负荷和油温。
3.根据权利要求1所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤S2中的负荷预测模型包括依次串联的时间协变量嵌入层、线性模块、段内注意力网络模块、段间注意力网络模块、路由注意力网络模块、输出结果预测模块;
4.根据权利要求3所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤S2进一步包括:
5.根据权利要求4所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤S2-1的时间协变量嵌入层的公式为:
6.根据权利要求4所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤S2-2的公式为:
7.根据权利要求4所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:
8.根据权利要求4所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤S2-4的公式为:
9.根据权利要求4所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤S2-5的公式为:
10.一种基于权利要求1至9任一所述的基于分段注意力机制的变电设备负荷预测方法的预测系统,其特征在于:包括数据采集和预处理模块、嵌入时间协变量模块、线性插入调整模块、时域维度段内特征学习模块、时域维度段间特征学习模块、变量维度特征学习模块、输出预测结果模块;
...【技术特征摘要】
1.一种基于分段注意力机制的变电设备负荷预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤s1中的变电设备的特征信息包括时间戳、高可用负荷、高无用负荷、中可用负荷、中无用负荷、低可用负荷、低无用负荷和油温。
3.根据权利要求1所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤s2中的负荷预测模型包括依次串联的时间协变量嵌入层、线性模块、段内注意力网络模块、段间注意力网络模块、路由注意力网络模块、输出结果预测模块;
4.根据权利要求3所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤s2进一步包括:
5.根据权利要求4所述的基于分段注意力机制的变电设备负荷预测方法,其特征在于:所述步骤s2-1的时间协变量嵌入层的公式为:...
【专利技术属性】
技术研发人员:胡节,胡展傲,杜圣东,李天瑞,李凯,刘斌,王慧斌,
申请(专利权)人:西南交通大学,
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。