一种基于动态卷积和因果多尺度网络的电力负荷预测方法和相关设备
本技术涉及电力系统负荷预测,尤其涉及一种基于动态卷积和因果多尺度网络的电力负荷预测方法和相关设备。
背景技术:
1、相关技术中,单纯只预测电力负荷数值,而在智能电网中,电网公司还需要防止“尖峰时刻”,这会导致拉闸限电。
2、综上,相关技术中存在的技术问题有待得到改善。
技术实现思路
1、本技术实施例的主要目的在于提出一种基于动态卷积和因果多尺度网络的电力负荷预测方法和相关设备,能够实现电力负荷数值的精准预测。
2、为实现上述目的,本技术实施例的一方面提出了一种基于动态卷积和因果多尺度网络的电力负荷预测方法,所述方法包括以下步骤:
3、采集多源电力负荷影响特征,包括环境因素、社会事件及时间序列特征,将所有输入特征组织为输入张量;
4、采用优化的k-means算法对所述输入张量中的各特征维度进行自动语义聚类,将具有统计同质性的特征划分至不同的特征组;
5、将各所述特征组分别输入独立的动态卷积分支,各所述动态卷积分支根据当前时间步的状态自适应地从候选卷积核池中选择最匹配的卷积核,对各所述特征组提取状态自适应的局部特征,得到各所述动态卷积分支的最终输出;
6、将所有所述动态卷积分支的所述最终输出进行拼接,得到拼接后的特征;
7、将所述拼接后的特征输入因果多尺度混合器,通过多个并行分支处理不同时间跨度的序列,并利用上三角线性变换使每个时间步的输出依赖历史输入,聚合多尺度时间依赖性,构建成统一的多尺度表示向量;
8、将所述统一的多尺度表示向量分别馈入回归预测头和分类预警头,输出未来时段的电力负荷数值预测结果和尖峰发生概率预测结果。
9、在一些实施例中,所述采集多源电力负荷影响特征,包括环境因素、社会事件及时间序列特征,将所有输入特征组织为输入张量,包括:
10、采集环境因素特征;所述环境因素特征包括环境温度、云量、太阳辐射和降水数据;
11、采集社会事件特征;所述社会事件特征包括假期信息和节日信息;
12、采集时间序列特征;所述时间序列特征包括小时滞后、日滞后、周滞后和年滞后的历史负荷数据;
13、将采集到的所述环境因素特征、所述社会事件特征和所述时间序列特征按照时间对齐并组织为输入张量。
14、在一些实施例中,所述采用优化的k-means算法对所述输入张量中的各特征维度进行自动语义聚类,将具有统计同质性的特征划分至不同的特征组,包括:
15、通过概率距离机制初始化k-means算法的质心,对于所述输入张量中的每个数据点,计算所述数据点到当前已选最近质心的最短欧氏距离,并根据所述最短欧氏距离的平方占所有数据点所述最短欧氏距离平方之和的比例,概率性地选取下一个初始质心,得到初始化的质心集合;
16、执行距离计算、特征分配和质心更新;所述距离计算为计算各所述数据点到当前各质心的欧氏距离;所述特征分配为将各所述数据点分配至欧氏距离最近的质心所代表的特征组,得到各所述数据点所属特征组的分配结果;所述质心更新为将同一特征组内所有所述数据点的均值作为更新后的质心,得到更新后的质心;
17、以所述更新后的质心作为当前质心,返回所述执行距离计算、特征分配和质心更新的步骤,进行下一轮迭代;
18、迭代至预设条件后,采用肘部法则确定最佳聚类簇数,完成特征分组,得到最终的不同特征组。
19、在一些实施例中,所述将各所述特征组分别输入独立的动态卷积分支,各所述动态卷积分支根据当前时间步的状态自适应地从候选卷积核池中选择最匹配的卷积核,对各所述特征组提取状态自适应的局部特征,得到各所述动态卷积分支的最终输出,包括:
20、为每个所述特征组配置独立的动态卷积分支,并在每个所述动态卷积分支内设置包含多个候选卷积核的参数池;
21、对各所述特征组的时间序列进行全局平均池化,将每个所述特征组沿时间维度聚合为状态特征向量;
22、将所述状态特征向量经全连接层映射后作为查询向量,计算所述查询向量与各所述候选卷积核的键之间的匹配得分;
23、在每个时间步,选择匹配得分最大的候选卷积核作为所述时间步的匹配卷积核,并依据各所述时间步的选择结果生成索引图;
24、将各所述特征组的时间序列分别通过所述参数池中的所有所述候选卷积核进行处理,得到各候选卷积核的候选输出;
25、根据所述索引图对所述候选输出执行切片操作,在每个所述时间步提取匹配卷积核对应的候选输出,作为各所述动态卷积分支的最终输出。
26、在一些实施例中,所述将所有所述动态卷积分支的所述最终输出进行拼接,得到拼接后的特征,包括:
27、获取各所述动态卷积分支的所述最终输出,各所述动态卷积分支的所述最终输出包含各自对应特征组的局部时序特征信息;
28、将所有所述动态卷积分支的所述最终输出在通道维度上进行拼接,将拼接后得到的特征张量作为拼接后的特征。
29、在一些实施例中,所述将所述拼接后的特征输入因果多尺度混合器,通过多个并行分支处理不同时间跨度的序列,并利用上三角线性变换使每个时间步的输出依赖历史输入,聚合多尺度时间依赖性,构建成统一的多尺度表示向量,包括:
30、将所述拼接后的特征作为输入张量,分配到若干个并行分支中;
31、在第一个分支中,以原始长度的时间序列为处理对象,捕获符合预设条件的高频短期微观局部波动,得到第一尺度时间特征;
32、在后续的多个分支中,利用跨步一维卷积对时间维度进行不重叠的下采样,每个分支的下采样步长和卷积核大小相等,且各分支的步长和卷积核大小随分支序号的递增而增大,得到多个不同分辨率的降采样特征图;
33、将所述第一尺度时间特征和各个所述降采样特征图分别输入各自对应的因果时间混合块中进行处理,每个所述因果时间混合块利用上三角线性变换使每个时间步的输出依赖历史输入,得到多个不同分辨率的因果时间特征;
34、将所有所述不同分辨率的因果时间特征进行展平操作,将所有展平后的因果时间特征进行拼接,构建成统一的多尺度表示向量。
35、在一些实施例中,所述将所述统一的多尺度表示向量分别馈入回归预测头和分类预警头,输出未来时段的电力负荷数值预测结果和尖峰发生概率预测结果,包括:
36、将所述统一的多尺度表示向量同时分别馈入回归预测头和分类预警头的分支;
37、在所述回归预测头中,将所述统一的多尺度表示向量映射为电力负荷数值预测结果,采用平滑l1损失函数计算平滑l1损失值;
38、在所述分类预警头中,将所述统一的多尺度表示向量经sigmoid函数激活后映射为二分类预测结果,输出未来特定时段触发极端尖峰负荷的概率,采用二元交叉熵损失函数计算二元交叉熵损失值;
39、在联合训练所述回归预测头和所述分类预警头这两个任务时,采用同方差不确定性加权策略动态平衡两个任务各自对总损失函数的贡献权重,通过可学习的观测噪声参数调节所述平滑l1损失值和所述二元交叉熵损失值的权重,并以所述平滑l1损失值和所述二元交叉熵损失值的加权和作为总损失进行联合优化,得到未来时段的电力负荷数值预测结果和尖峰发生概率预测结果;所述观测噪声参数用于捕捉各任务的内在不确定性,噪声参数越大则对应任务的权重越低,反之则权重越高。
40、为实现上述目的,本技术实施例的另一方面提出了一种基于动态卷积和因果多尺度网络的电力负荷预测系统,用于实现如前面所述的方法,所述系统包括:
41、数据采集与编码模块,用于采集多源电力负荷影响特征,包括环境因素、社会事件及时间序列特征,将所有输入特征组织为输入张量;
42、特征分组模块,用于采用优化的k-means算法对所述输入张量中的各特征维度进行自动语义聚类,将具有统计同质性的特征划分至不同的特征组;
43、动态卷积处理模块,用于将各所述特征组分别输入独立的动态卷积分支,各所述动态卷积分支根据当前时间步的状态自适应地从候选卷积核池中选择最匹配的卷积核,对各所述特征组提取状态自适应的局部特征,得到各所述动态卷积分支的最终输出;
44、特征拼接模块,用于将所有所述动态卷积分支的所述最终输出进行拼接,得到拼接后的特征;
45、因果多尺度混合模块,用于将所述拼接后的特征输入因果多尺度混合器,通过多个并行分支处理不同时间跨度的序列,并利用上三角线性变换使每个时间步的输出依赖历史输入,聚合多尺度时间依赖性,构建成统一的多尺度表示向量;
46、多任务预测模块,用于将所述统一的多尺度表示向量分别馈入回归预测头和分类预警头,输出未来时段的电力负荷数值预测结果和尖峰发生概率预测结果。
47、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前面所述的方法。
48、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前面所述的方法。
49、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前面所述的方法。
50、本技术实施例至少包括以下有益效果:本技术提供一种基于动态卷积和因果多尺度网络的电力负荷预测方法、系统、电子设备、存储介质及程序产品,该方法包括:采集多源电力负荷影响特征,将所有输入特征组织为输入张量;对输入张量中的各特征维度进行自动语义聚类,将具有统计同质性的特征划分至不同的特征组;将各特征组分别输入独立的动态卷积分支,得到各动态卷积分支的最终输出;将所有动态卷积分支的最终输出进行拼接,得到拼接后的特征;将拼接后的特征输入因果多尺度混合器,构建成统一的多尺度表示向量;将统一的多尺度表示向量分别馈入回归预测头和分类预警头,输出未来时段的电力负荷数值预测结果和尖峰发生概率预测结果。本技术能够实现电力负荷数值的精准预测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com