一种基于小波分解与并行门控注意力网络的短期电力负荷预测方法、系统、设备及介质

本发明涉及负荷预测，尤其涉及一种基于小波分解与并行门控注意力网络的短期电力负荷预测方法、系统、设备及介质。

背景技术：

1、在新型电力系统背景下，电力负荷呈现出强非平稳性与多尺度特征，现有的短期电力负荷预测技术在面对这一复杂任务时，主要存在以下四方面的技术瓶颈：

2、一是传统统计学与机器学习方法泛化能力不足。传统方法难以有效处理新能源接入后日益显著的非线性与非平稳负荷数据，且高度依赖人工特征工程，无法从海量高维数据中自动提取深层抽象特征。

3、二是现有深度学习方法在特征解耦与融合上存在缺陷。单一网络结构难以兼顾负荷中低频宏观趋势与高频局部突变的独立建模，且对多维异构特征的粗放拼接融合，易导致高频噪声淹没低频趋势信息。

4、三是基于信号分解的混合模型存在数学机理局限。现有分解算法普遍存在端点效应、模态混叠及超参数敏感等问题，且缺乏平移不变性，导致分解结果易失真并影响预测稳定性。

5、四是高精度深度学习模型缺乏内在可解释性。深度学习模型固有的“黑箱”属性使得决策逻辑难以追溯，而现有的事后解释方法计算复杂且未与模型深度耦合，难以满足电网调度对辅助决策透明度的要求。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了一种基于小波分解与并行门控注意力网络的短期电力负荷预测方法、系统、设备及介质解决现有短期电力负荷预测技术在面对强非平稳、多尺度电力负荷数据时，存在的特征解耦与异构融合能力不足，以及高精度预测模型缺乏内在可解释性的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了一种基于小波分解与并行门控注意力网络的短期电力负荷预测方法，包括：

5、获取多源异构数据，对所述多源异构数据进行清洗、对齐及标准化处理，构建包含历史负荷序列与外部环境特征矩阵的多源异构特征矩阵；

6、利用最大重叠离散小波变换对所述历史负荷序列进行时序解耦，将所述历史负荷序列分解为低频趋势分量和高频周期分量；

7、构建异构并行的多头注意力编码网络，将所述低频趋势分量与所述外部环境特征矩阵融合后输入趋势编码分支的第一多头注意力网络，提取长期趋势特征表征，并将所述高频周期分量输入周期编码分支的第二多头注意力网络，提取短期周期特征表征；

8、基于所述长期趋势特征表征和所述短期周期特征表征构成的上下文信息，自适应计算所述长期趋势特征表征和所述短期周期特征表征的动态权重，根据所述动态权重对特征进行融合，并经由预测头输出短期电力负荷预测值。

9、作为本发明所述的基于小波分解与并行门控注意力网络的短期电力负荷预测方法的一种优选方案，其中：所述多源异构数据包括历史电力负荷数据、微气象数据及日历属性数据；

10、所述对所述多源异构数据进行清洗、对齐及标准化处理，构建包含历史负荷序列与外部环境特征矩阵的多源异构特征矩阵，包括：

11、采用滑动窗口均值插值算法对获取的原始多源异构数据中的缺失值与超出预设数值范围的异常数据点进行修正，并依据统一的时间戳索引对修正后的不同来源数据进行对齐，得到时间同步的原始特征序列；

12、对所述时间同步的原始特征序列采用标准分数标准化算法进行特征缩放，消除包含目标负荷与多维气象变量的全局输入矩阵中的量纲差异，得到标准化特征矩阵；

13、根据自相关分析确定的时间回溯窗口长度，对所述标准化特征矩阵进行切片与重组，构建得到包含历史负荷序列与外部环境特征矩阵的多源异构特征矩阵。

14、作为本发明所述的基于小波分解与并行门控注意力网络的短期电力负荷预测方法的一种优选方案，其中：所述利用最大重叠离散小波变换对所述历史负荷序列进行时序解耦，将所述历史负荷序列分解为低频趋势分量和高频周期分量，包括：

15、选定达布西小波作为母小波，并设定分解层数，根据所述母小波和分解层数构建对应的低通滤波器与高通滤波器；

16、利用所述低通滤波器对所述历史负荷序列进行滤波处理，提取表征长期演变基线的低频近似序列作为低频趋势分量；

17、利用所述高通滤波器对所述历史负荷序列进行滤波处理，提取表征短期波动与局部突变的高频细节序列作为高频周期分量。

18、作为本发明所述的基于小波分解与并行门控注意力网络的短期电力负荷预测方法的一种优选方案，其中：所述将所述低频趋势分量与所述外部环境特征矩阵融合后输入趋势编码分支的第一多头注意力网络，提取长期趋势特征表征，包括：

19、将所述低频趋势分量与全量的外部环境特征矩阵在高维隐空间进行拼接融合，得到融合后的特征矩阵；

20、将所述融合后的特征矩阵通过全连接层进行维度对齐处理，将不同来源的特征映射至统一的特征空间，得到维度对齐后的融合特征；

21、将所述维度对齐后的融合特征输入具有第一预设层数的多头自注意力网络，捕捉受宏观环境约束的长期平滑演变规律，输出长期趋势特征表征。

22、作为本发明所述的基于小波分解与并行门控注意力网络的短期电力负荷预测方法的一种优选方案，其中：所述将所述高频周期分量输入周期编码分支的第二多头注意力网络，提取短期周期特征表征，包括：

23、针对所述周期编码分支，通过全连接层对所述外部环境特征矩阵进行降维映射处理，得到压缩后的特征表示；

24、将压缩后的特征表示与高频周期分量进行融合；

25、将融合后的特征输入具有第二预设层数的轻量化多头自注意力子网络，通过生成查询、键和值矩阵并利用缩放点积注意力计算时序依赖权重，捕捉短时波动模式与局部时序依赖，输出短期周期特征表征；

26、所述第一预设层数大于所述第二预设层数。

27、本优选技术方案的有益效果为，通过为周期编码分支配置层数更少的第二多头注意力网络，在精准捕捉短期高频波动模式与局部时序依赖的同时，有效避免了模型冗余，实现了计算效率与预测精度的最佳平衡。

28、作为本发明所述的基于小波分解与并行门控注意力网络的短期电力负荷预测方法的一种优选方案，其中：所述基于所述长期趋势特征表征和所述短期周期特征表征构成的上下文信息，自适应计算所述长期趋势特征表征和所述短期周期特征表征的动态权重，根据所述动态权重对特征进行融合，包括：

29、将长期趋势特征表征和短期周期特征表征在特征维度上进行堆叠，形成上下文特征矩阵；

30、通过一个可学习的单层前馈网络对所述上下文特征矩阵进行非线性映射处理，并经由s型激活函数生成表征各特征分量重要性的门控权重；

31、利用生成的门控权重对对应的长期趋势特征表征和短期周期特征表征进行元素级加权求和，生成包含全频段信息的统一融合特征表征。

32、本优选技术方案的有益效果为，通过可学习的门控机制自适应地计算并分配动态权重，实现了长期趋势与短期周期特征的精准按需融合，从而在保留全频段关键信息的同时显著提升了模型对复杂负荷变化的预测鲁棒性。

33、作为本发明所述的基于小波分解与并行门控注意力网络的短期电力负荷预测方法的一种优选方案，其中：所述经由预测头输出短期电力负荷预测值之后，还包括：

34、提取所述异构并行的多头注意力编码网络内部的注意力权重矩阵，生成表征模型对历史关键时间节点关注模式的权重分布数据；

35、调用沙普利加性解释归因框架，量化各输入特征对预测结果的边际贡献值，生成表征各特征物理驱动逻辑的归因分析结果。

36、第二方面，本发明提供了一种基于小波分解与并行门控注意力网络的短期电力负荷预测系统，包括：

37、多源异构特征构建模块，用于获取多源异构数据，对所述多源异构数据进行清洗、对齐及标准化处理，构建包含历史负荷序列与外部环境特征矩阵的多源异构特征矩阵；

38、时序解耦分解模块，用于利用最大重叠离散小波变换对所述历史负荷序列进行时序解耦，将所述历史负荷序列分解为低频趋势分量和高频周期分量；

39、异构并行特征编码模块，用于构建异构并行的多头注意力编码网络，将所述低频趋势分量与所述外部环境特征矩阵融合后输入趋势编码分支的第一多头注意力网络，提取长期趋势特征表征，并将所述高频周期分量输入周期编码分支的第二多头注意力网络，提取短期周期特征表征；

40、动态融合预测模块，用于基于所述长期趋势特征表征和所述短期周期特征表征构成的上下文信息，自适应计算所述长期趋势特征表征和所述短期周期特征表征的动态权重，根据所述动态权重对特征进行融合，并经由预测头输出短期电力负荷预测值。

41、第三方面，本发明提供了一种电子设备，包括：

42、存储器，用于存储程序；

43、处理器，用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于小波分解与并行门控注意力网络的短期电力负荷预测方法的步骤。

44、第四方面，本发明提供了一种计算机可读存储介质，包括：所述程序被处理器执行时，实现所述的基于小波分解与并行门控注意力网络的短期电力负荷预测方法的步骤。

45、本发明的有益效果：本发明通过采用最大重叠离散小波变换对历史负荷序列进行时序解耦，并结合异构并行的多头注意力编码网络分别提取长期趋势与短期周期特征，实现了对电力负荷数据中不同频率分量的针对性深度挖掘；通过在趋势编码分支与周期编码分支中差异化配置多头注意力网络的层数，并结合门控注意力动态融合模块自适应计算特征权重，实现了在精准捕捉全频段关键信息的同时，大幅降低了模型的计算冗余度，达到了预测精度与运算效率的最佳平衡；通过引入沙普利加性解释归因框架对模型内部的注意力权重及特征边际贡献进行量化分析，为电力系统的调度决策提供了具备物理可解释性的数据支撑与驱动逻辑。