负荷预测方法、设备及存储介质与流程

本技术涉及电网，尤其涉及一种负荷预测方法、设备及存储介质。

背景技术：

1、电网负荷预测是智能电网安全运行的核心环节，其核心挑战在于处理多源异构数据，如历史负荷、气象、节假日、用户行为等数据的复杂关联性。传统获取多源异构数据关联性的方法主要分为两类：第一类是统计模型，如自回归积分滑动平均（auto regressiveintegrated moving average，arima）模型、指数平滑模型等，这种方式依赖线性假设，难以捕捉非线性动态；另一类是浅层机器学习模型，如支持向量机模型（support vectormachine，svm）、反向传播神经网络，这种方式需人工设计特征，对高维数据拟合能力有限，且无法有效建模时空耦合关系。

2、随着智能电表普及，电网负荷呈现高维度、强非线性、时空关联等特性。例如，气象温度每升高1°c可能导致空调负荷显著跃升，而区域电网拓扑结构（如节点电气距离）会放大负荷波动的空间传导效应。传统方法在特征工程和动态适应性上的局限，导致电网负荷预测效果差。

技术实现思路

1、本技术实施例提供一种负荷预测方法、设备及存储介质，用以达到提升电网负荷预测准确度效果。

2、第一方面，本技术实施例提供一种负荷预测方法，包括：

3、获取电网对应的节点拓扑图和历史负荷数据，节点拓扑图表示电网中电气节点之间的关联关系；

4、基于图注意力网络，根据节点拓扑图，提取电网的负荷空间特征；

5、基于长短期记忆网络模型和transformer模型，对电网的历史负荷数据进行混合时序提取，得到电网的负荷时序特征；

6、根据负荷空间特征和负荷时序特征，对电网的负荷进行预测。

7、在一种可能的实施方式中，基于图注意力网络，根据节点拓扑图，提取电网的负荷空间特征，包括：

8、针对节点拓扑图中节点与邻居节点的关联强度；

9、对关联强度进行归一化，得到节点的归一化注意力权重；

10、根据归一化注意力权重，采用多头注意力权重机制对节点进行增强特征提取，获得节点对应的节点特征；

11、基于图注意力网络，根据节点特征，对节点拓扑图进行层次化空间特征提取，获得负荷空间特征。

12、在一种可能的实施方式中，基于图注意力网络，根据节点特征，对节点拓扑图进行层次化空间特征提取，获得负荷空间特征，包括：

13、基于图注意力网络，根据节点特征，在第一半径范围内提取节点拓扑图的局部拓扑特征；

14、基于图注意力网络，根据局部拓扑特征，在第二半径范围内提取节点拓扑图的区域拓扑特征，其中，第二半径范围大于第一半径范围；

15、基于图注意力网络，对区域拓扑特征进行全局平均池化，获得负荷空间特征。

16、在一种可能的实施方式中，基于长短期记忆网络模型和transformer模型，对电网的历史负荷数据进行混合时序提取，得到电网的负荷时序特征，包括：

17、根据历史负荷数据，基于长短期记忆网络模型，提取历史负荷数据的第一时序特征；

18、根据历史负荷数据，基于transformer模型，提取历史负荷数据的第二时序特征，transformer模型采用三角函数位置编码；

19、将第一时序特征和第二时序特征进行拼接，得到组合特征；

20、使用第一全连接层对组合特征进行融合处理，得到初始融合特征，第一全连接层采用relu激活函数；

21、使用第二全连接层对初始融合特征进行融合处理，得到负荷时序特征，第二全连接层采用leakyrelu激活函数。

22、在一种可能的实施方式中，还包括：

23、基于增强学习机制，优化长短期记忆网络模型和transformer模型；

24、其中，增强学习机制的状态空间包括模型超参数、预测误差分布、负荷波动指标；动作空间包括微调操作、长短期记忆网络模型单元数、结构切换、参数重置；

25、奖励函数为，其中，和为预设的权重系数，为平均绝对百分比误差，为训练时间，为稳定性奖励，为连续无重配置运行天数。

26、在一种可能的实施方式中，基于增强学习机制，优化长短期记忆网络模型和transformer模型，包括：

27、基于近端策略优化算法和在线学习机制，确定长短期记忆网络模型和transformer模型的参数的优化参数，其中，在线学习机制包括注入故障、在线训练以及设置安全约束；

28、根据优化参数优化长短期记忆网络模型和transformer模型。

29、在一种可能的实施方式中，根据负荷空间特征和负荷时序特征，对电网的负荷进行预测，包括：

30、将负荷空间特征和负荷时序特征进行拼接，得到第一综合特征；

31、使用权重矩阵对综合特征进行变换，得到第二综合特征；

32、根据第二综合特征，使用relu激活函数生成融合特征；

33、基于多层感知机mlp，根据融合特征和气象修正因子，对电网的负荷进行预测，其中，气象修正因子表示气象因素对负荷的影响。

34、在一种可能的实施方式中，还包括：

35、基于负荷预测结果，进行负荷数据挖掘应用，负荷数据挖掘应用包括异常负荷识别、影响因素归因以及场景模拟。

36、第二方面，本技术实施例提供一种负荷预测装置，包括：

37、获取模块，用于获取电网对应的节点拓扑图和历史负荷数据，节点拓扑图表示电网中电气节点之间的关联关系；

38、空间特征提取模块，用于基于图注意力网络，根据节点拓扑图，提取电网的负荷空间特征；

39、时序特征提取模块，用于基于长短期记忆网络模型和transformer模型，对电网的历史负荷数据进行混合时序提取，得到电网的负荷时序特征；

40、负荷预测模块，用于根据负荷空间特征和负荷时序特征，对电网的负荷进行预测。

41、第三方面，本技术实施例提供一种负荷预测设备，包括：存储器，处理器；

42、存储器存储计算机执行指令；

43、处理器执行存储器存储的计算机执行指令，使得处理器执行如上第一方面各种可能的实施方式中的方法。

44、第四方面，本技术实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被执行时用于实现如上第一方面各种可能的实施方式中的方法。

45、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序，计算机程序被执行时实现如上第一方面各种可能的实施方式中的方法。

46、本技术实施例提供的负荷预测方法、设备、存储介质及程序产品，通过获取电网对应的节点拓扑图和历史负荷数据，节点拓扑图表示电网中电气节点之间的关联关系；基于图注意力网络，根据节点拓扑图，提取电网的负荷空间特征；基于长短期记忆网络模型和transformer模型，对电网的历史负荷数据进行混合时序提取，得到电网的负荷时序特征；根据负荷空间特征和负荷时序特征，对电网的负荷进行预测。本技术基于图注意力网络，提取电网的负荷空间特征，充分挖掘了电网中节点之间的空间关联性以及负荷间的非线性关联关系，通过长短期记忆网络模型和transformer模型进行混合时序提取，得到负荷时序特征，实现历史负荷数据的高纬度挖掘，根据负荷空间特征和负荷时序特征，对电网的负荷进行预测，提升负荷预测的准确性。