基于时序注意力网络的多日供热负荷预测方法及装置与流程

本申请涉及智慧供热与人工智能，具体而言，涉及基于时序注意力网络的多日供热负荷预测。

背景技术：

1、在城镇集中供热系统中，精准的多日连续热负荷预测是热源机组启停规划、燃料储备及管网水力热力预调节的核心基础。现有的供热负荷预测技术主要依赖于长短期记忆网络（lstm）或卷积神经网络与lstm的混合模型。然而，在实际工程应用中，现有技术普遍存在以下问题：一方面，传统时序模型对历史数据往往进行均等化处理或仅关注短期瞬时特征，缺乏对多日长时序数据中关键突变节点（如寒潮、降温转折）与长期趋势特征的差异化提取能力，导致在进行未来3至7天多日连续预测时，无法有效兼顾短时波动细节与长周期演化规律；另一方面，现有模型多为静态离线训练或仅支持单日校正，缺乏针对多日滚动预测过程中误差累积效应的在线反馈机制，随着预测天数的增加，偏差逐日叠加放大，极易造成长周期趋势拟合失效，无法满足极端天气工况下超前调度与多热源协同优化的精度需求。

技术实现思路

1、针对现有技术存在的多日连续供热负荷预测中长短时序特征兼顾不足、关键节点失焦以及误差逐日累积导致长周期趋势失真的问题，本申请通过基于时序注意力网络的多日供热负荷预测方法及装置，实现了多日供热负荷的高精度滚动预测与自适应校正。

2、第一方面，提供了一种基于时序注意力网络的多日供热负荷预测方法，该方法可以包括：

3、获取历史多日时序数据，按时间粒度拆分为多尺度时序序列，并通过对应的特征提取分支提取多尺度时序特征；基于时序注意力机制，根据所述多尺度时序特征的特征变化程度进行动态权重分配，得到注意力权重，并基于所述注意力权重进行融合，得到全局时序特征；基于所述全局时序特征输出多日供热负荷预测结果，并基于多日连续预测的累积误差对所述时序注意力机制的权重参数进行在线滚动校正。

4、作为一种可选实施方式，所述多尺度时序序列包括表征短时波动特征的第一尺度时序序列和表征多日长期趋势特征的第二尺度时序序列；所述通过对应的特征提取分支提取多尺度时序特征，包括：通过第一提取分支对所述第一尺度时序序列进行特征提取，并通过第二提取分支对所述第二尺度时序序列进行特征提取。

5、作为一种可选实施方式，所述第一提取分支和所述第二提取分支均采用长短期记忆网络；所述通过第一提取分支对所述第一尺度时序序列进行特征提取，包括：通过所述第一提取分支输出第一尺度隐藏特征向量；所述通过第二提取分支对所述第二尺度时序序列进行特征提取，包括：通过所述第二提取分支输出第二尺度隐藏特征向量。

6、作为一种可选实施方式，所述特征变化程度包括气象突变程度和负荷波动程度；所述根据所述多尺度时序特征的特征变化程度进行动态权重分配，得到注意力权重，包括：根据所述特征变化程度计算注意力权重，对大于预设阈值的时序节点提升所述注意力权重，并对小于所述预设阈值的时序节点抑制所述注意力权重。

7、作为一种可选实施方式，所述多尺度时序特征包括第一尺度隐藏特征向量和第二尺度隐藏特征向量；所述基于所述注意力权重进行融合，得到全局时序特征，包括：利用所述注意力权重对所述第一尺度隐藏特征向量和所述第二尺度隐藏特征向量进行加权融合，生成兼顾短时波动与多日长期趋势的全局时序特征矩阵。

8、作为一种可选实施方式，所述基于多日连续预测的累积误差对所述时序注意力机制的权重参数进行在线滚动校正，包括：在滚动预测周期内统计所述多日连续预测的累积误差；基于所述多日连续预测的累积误差，通过反向传播算法更新所述时序注意力机制的所述权重参数以及所述特征提取分支的网络参数。

9、作为一种可选实施方式，所述方法还包括：当检测到连续多日极端气象特征时，自适应提升对应气象特征与所述历史多日时序数据对应的所述注意力权重；所述通过反向传播算法更新所述时序注意力机制的所述权重参数以及所述特征提取分支的网络参数，包括：通过梯度下降算法反向更新所述时序注意力机制的所述权重参数。

10、第二方面，提供了一种基于时序注意力网络的多日供热负荷预测装置，该装置可以包括：特征提取模块，用于获取历史多日时序数据，按时间粒度拆分为多尺度时序序列，并通过对应的特征提取分支提取多尺度时序特征；注意力加权融合模块，用于基于时序注意力机制，根据特征变化程度进行动态权重分配，得到注意力权重，并基于所述注意力权重进行融合，得到全局时序特征；预测与校正模块，用于基于所述全局时序特征输出多日供热负荷预测结果，并基于多日连续预测的累积误差对所述时序注意力机制的权重参数进行在线滚动校正。

11、第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

12、存储器，用于存放计算机程序；

13、处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。

14、第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。

15、本申请提供的一种基于时序注意力网络的多日供热负荷预测方法、装置、电子设备及存储介质，通过按时间粒度将历史多日时序数据拆分为多尺度时序序列，并利用对应的特征提取分支分别提取特征，能够从物理意义上解耦供热负荷的短时随机波动与多日长期热惰性趋势，解决了单一尺度模型难以同时兼顾细节与趋势的矛盾；在此基础上，引入基于特征变化程度的时序注意力机制进行动态权重分配与融合，能够自主识别并强化寒潮突变、连续降温等关键时序节点的贡献度，同时抑制平稳冗余信息的干扰，显著提升了模型对极端工况和多日长时序依赖关系的捕捉能力；进一步地，建立基于多日连续预测累积误差的在线滚动校正机制，通过反向传播算法实时更新注意力权重与网络参数，形成了“预测-反馈-修正”的闭环自适应体系，有效克服了传统静态模型在多日滚动预测中误差逐日累积、长周期趋势失真的缺陷，从而为城镇集中供热系统的多日产能规划、蓄热调峰及超前调度提供了高精度、高鲁棒性的数据支撑。

1.一种基于时序注意力网络的多日供热负荷预测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述多尺度时序序列包括表征短时波动特征的第一尺度时序序列和表征多日长期趋势特征的第二尺度时序序列；

3.根据权利要求2所述的方法，其特征在于，第一提取分支和所述第二提取分支均采用长短期记忆网络；

4.根据权利要求1所述的方法，其特征在于，特征变化程度包括气象突变程度和负荷波动程度；

5.根据权利要求3所述的方法，其特征在于，多尺度时序特征包括第一尺度隐藏特征向量和第二尺度隐藏特征向量；

6.根据权利要求1所述的方法，其特征在于，基于多日连续预测的累积误差对所述时序注意力机制的权重参数进行在线滚动校正，包括：

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

8.一种基于时序注意力网络的多日供热负荷预测装置，其特征在于，所述装置包括：

9.一种电子设备，其特征在于，所述电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

10.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。