一种电力负荷预测方法及相关设备与流程

本技术涉及电力系统负荷预测，尤其涉及一种电力负荷预测方法及相关设备。

背景技术：

1、准确的电力负荷预测是保障电网安全稳定运行、优化发电计划、配置备用容量以及支撑电力市场交易的关键基础技术。然而，电力系统运行面临更多不确定性，对负荷预测的精度和鲁棒性提出了更高要求。

2、目前，电力负荷预测方法主要分为两类。第一类为纯数据驱动方法，该类方法以历史负荷和气象等数值时间序列为输入，通过挖掘时序依赖关系进行预测，但缺乏对新闻、政策文件、电网检修公告等非结构化文本信息的语义理解能力，当遇到突发事件或政策调整时预测偏差较大。第二类为多模态预测方法，该类方法尝试融合文本信息与数值信息以弥补上述不足，然而，现有方法在处理文本信息时存在一个突出问题：缺乏时间尺度区分。具体而言，不同文本信息（如即时新闻、周度报告、年度规划）对负荷的影响时效各不相同，但现有方法对所有类型的文本采用统一的压缩强度，未考虑其有效时间跨度的差异。这种未区分文本有效时间跨度的统一压缩策略，容易导致短期高价值信息被过度滤除，而长期文本中的冗余背景信息却未能充分压缩，从而降低了文本信息的利用率，最终影响负荷预测的准确性。

技术实现思路

1、本技术实施例的主要目的在于提出一种电力负荷预测方法、装置、电子设备、存储介质及程序产品，旨在为电力系统运行调度和电力市场运营提供更加准确、可靠的负荷预测结果。

2、为实现上述目的，本技术实施例的一方面提出了一种电力负荷预测方法，所述方法包括：

3、获取历史窗口内的电力负荷数据，对所述电力负荷数据进行分块处理并输入时序编码器进行特征编码，得到负荷时序表示；

4、采集与各负荷时段相对应的多源异构外部信息，所述多源异构外部信息包括外生文本信息和天气数据；

5、对所述多源异构外部信息进行编码及融合处理，得到融合后的多模态特征表示；

6、根据各文本信息的有效时间跨度，将全部文本信息划分为至少两个时间尺度类别；

7、针对不同时间尺度类别的文本信息，分别设置对应的门控系数，使短时间尺度类别的门控系数大于长时间尺度类别的门控系数；

8、根据每条文本信息对应的门控系数确定所述文本信息的保留概率，并根据所述保留概率对所述文本信息进行压缩，得到分层压缩后的文本表示；

9、根据所述分层压缩后的文本表示和所述负荷时序表示，预测未来多步负荷预测结果。

10、进一步地，所述根据各文本信息的有效时间跨度，将全部文本信息划分为至少两个时间尺度类别，具体包括：

11、预设第一时间尺度阈值和第二时间尺度阈值，所述第二时间尺度阈值大于所述第一时间尺度阈值；

12、将有效时间跨度小于所述第一时间尺度阈值的文本信息划分为短期文本；

13、将有效时间跨度大于或等于所述第一时间尺度阈值且小于或等于所述第二时间尺度阈值的文本信息划分为中期文本；

14、将有效时间跨度大于所述第二时间尺度阈值的文本信息划分为长期文本。

15、进一步地，所述根据所述保留概率对所述文本信息进行压缩，具体包括：

16、通过线性映射层计算每条文本信息的初始保留概率；

17、将所述初始保留概率与所述文本信息所属时间尺度类别对应的门控系数相乘，得到最终保留概率；

18、根据所述最终保留概率生成软掩码；

19、将所述软掩码与文本信息的原始表示进行逐元素相乘，得到压缩后的文本表示。

20、进一步地，所述方法还包括以下步骤：

21、设置变分正则项，计算各时间尺度类别内全部文本的平均保留概率与目标保留概率之间的分布差异，以约束各尺度类别的实际压缩比例接近目标压缩比例。

22、进一步地，所述多源异构外部信息还包括结构化数值变量、日历信息或市场信息中的至少一种；

23、所述对所述多源异构外部信息进行编码及融合处理，得到融合后的多模态特征表示，具体包括：

24、将日历位置编码叠加至各模态的特征表示中，得到多模态特征集合；

25、以所述负荷时序表示作为查询，以多模态特征集合作为键和值，执行交叉注意力操作；

26、设置可学习的门控权重，对各模态对应的注意力输出进行自适应加权，得到融合后的多模态特征表示。

27、进一步地，在得到分层压缩后的文本表示之后，所述方法还包括因果时延对齐处理，所述因果时延对齐处理具体包括：

28、对每条文本信息进行分类，判断所述文本信息属于原因文本还是结果文本；

29、根据分类结果构造因果掩码，阻断结果文本对当前负荷预测过程的干扰；

30、计算各原因文本与各负荷时段之间的时延互相关系数，选择使时延互相关系数取得最大值的滞后量作为所述原因文本对应的最优时延；

31、按照所述最优时延对原因文本表示进行时间轴平移，以实现原因文本与受其影响的负荷时刻之间的时延对齐。

32、进一步地，所述因果时延对齐处理还包括：

33、对于每条原因文本，构造对应的反事实表示，所述反事实表示为从完整文本表示中删除所述原因文本后的表示；

34、将完整文本表示和反事实文本表示分别输入预测模块，得到两组负荷预测序列；

35、计算两组负荷预测结果之间的差值作为所述原因文本的因果效应；

36、构造因果一致性损失，当文本的因果效应接近0时降低模型对该文本信息的依赖，当文本的因果效应与实际负荷变化相一致时保留并强化该文本信息。

37、进一步地，所述预测未来多步负荷预测结果，具体包括：

38、获取未来已知协变量，所述未来已知协变量包括未来时段的负荷预测、天气预报或日历标识中的至少一种；

39、将所述未来已知协变量通过协变量编码器映射至高维特征空间，得到未来协变量表示；

40、将因果增强后的文本表示、所述负荷时序表示和所述未来协变量表示进行拼接，并通过交叉注意力机制进行处理，输出未来多步负荷预测值。

41、进一步地，所述方法还包括以下步骤：

42、采用尖峰感知加权的平滑损失作为预测损失，对负荷尖峰时刻赋予更高的损失权重；

43、将分层压缩损失、因果一致性损失和预测损失进行加权求和，作为模型的总损失；

44、采用随机梯度下降方法对模型中的全部参数进行端到端联合优化。

45、为实现上述目的，本技术实施例的另一方面提出了一种电力负荷预测装置，所述装置包括：

46、电力数据获取模块，用于获取历史窗口内的电力负荷数据，对所述电力负荷数据进行分块处理并输入时序编码器进行特征编码，得到负荷时序表示；

47、外部信息获取模块，用于采集与各负荷时段相对应的多源异构外部信息，所述多源异构外部信息包括外生文本信息和天气数据；

48、特征融合模块，用于对所述多源异构外部信息进行编码及融合处理，得到融合后的多模态特征表示；

49、文本信息划分模块，用于根据各文本信息的有效时间跨度，将全部文本信息划分为至少两个时间尺度类别；

50、门控系数设置模块，用于针对不同时间尺度类别的文本信息，分别设置对应的门控系数，使短时间尺度类别的门控系数大于长时间尺度类别的门控系数；

51、分层压缩模块，用于根据每条文本信息对应的门控系数确定所述文本信息的保留概率，并根据所述保留概率对所述文本信息进行压缩，得到分层压缩后的文本表示；

52、预测模块，用于根据所述分层压缩后的文本表示和所述负荷时序表示，预测未来多步负荷预测结果。

53、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。

54、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。

55、为实现上述目的，本技术实施例的另一方面提出了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法。

56、本技术实施例至少包括以下有益效果：本技术提供一种电力负荷预测方法、装置、电子设备、存储介质及程序产品，该方案通过获取历史负荷数据并进行分块编码以提取负荷时序表示，同时采集包含外生文本信息和天气数据的多源异构外部信息并进行编码融合，在此基础上根据各文本信息的有效时间跨度将其划分为至少两个时间尺度类别，并为不同尺度类别分别设置差异化的门控系数，使短时间尺度类别的门控系数大于长时间尺度类别，从而对每条文本按其所属尺度对应的门控系数确定保留概率并进行差异化压缩，使得短期高价值信息得以充分保留、长期冗余信息得以有效滤除，最终至少基于分层压缩后的文本表示与负荷时序表示预测未来多步负荷，克服了现有技术中因统一压缩策略导致的关键信息丢失与冗余信息残留的双重缺陷，显著提升了文本信息的利用效率和负荷预测的准确性。