母线负荷预测方法、装置、设备、介质和程序产品与流程

本技术涉及母线负荷预测，特别是涉及一种母线负荷预测方法、装置、设备、介质和程序产品。

背景技术：

1、随着新能源发电和可转移负荷的规模化接入，母线负荷序列呈现显著的多时间尺度特征和非平稳特性。传统统计学方法及单一结构的机器学习模型在处理含有高频噪声和复杂耦合关系的负荷序列时，往往难以同时兼顾预测精度与运行稳定性。为缓解序列的非平稳特性，相关技术中采用“分解-预测-重构”的策略，即先通过信号分解方法将原始序列分解为若干近似平稳的子序列，再分别建模预测并叠加求和。然而，该类方法仍存在模态混叠、参数依赖性强、分解分量物理意义不明确等缺陷，导致母线负荷预测的精度与可靠性不足。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升母线负荷预测精度的母线负荷预测方法、装置、设备、介质和程序产品。

2、第一方面，本技术提供了一种母线负荷预测方法，包括：

3、将目标区域的母线负荷序列数据分解为若干序列数据；所述若干序列数据包含负荷子序列数据和残差序列数据；

4、将所述若干序列数据分别输入预设混合神经网络模型相互独立的通道进行特征提取；所述预设混合神经网络模型采用多通道并行处理架构，各通道均配置有对应的一维卷积神经网络和双向长短期记忆神经网络；

5、针对任一所述通道，利用该通道的一维卷积神经网络与双向长短期记忆神经网络，对输入的序列数据进行局部特征与全局特征提取，获得输入序列特征向量；

6、将各通道输出的输入序列特征向量进行拼接，构建全局特征表示；

7、通过注意力机制确定所述全局特征表示中各维度特征对应的贡献权重，并依据所述贡献权重对所述全局特征表示进行加权融合，得到高维融合特征；

8、利用所述预设混合神经网络模型中的多层感知机对所述高维融合特征进行非线性回归映射，得到母线负荷预测值。

9、在其中一个实施例中，所述将目标区域的母线负荷序列数据分解为若干序列数据，包括：

10、基于泰肯斯嵌入定理将所述母线负荷序列数据映射到多维相空间，得到轨迹矩阵；

11、对所述轨迹矩阵进行自相关分析以构造实对称矩阵，并基于所述实对称矩阵构造哈密顿矩阵及新哈密顿矩阵；

12、通过豪斯霍尔德变换构造辛正交矩阵，利用所述辛正交矩阵对所述新哈密顿矩阵实施辛正交相似变换，得到分块矩阵；

13、对所述分块矩阵的上三角子矩阵执行特征值求解运算，得到第一有序特征值序列；

14、依据所述第一有序特征值序列，对所述实对称矩阵执行特征值求解运算，得到第二有序特征值序列；

15、确定所述第二有序特征值序列中各特征值对应的特征向量；

16、针对任一特征向量，将该特征向量的转置矩阵与所述轨迹矩阵运算得到变换系数向量，将所述变换系数向量与该特征向量运算得到对应的重构矩阵；

17、对每一重构矩阵独立采用对角平均法实施相空间逆映射，得到各阶辛几何分量作为所述负荷子序列数据，并基于所述母线负荷序列数据与所述负荷子序列数据，确定所述残差序列数据。

18、在其中一个实施例中，所述一维卷积神经网络包括依次连接的一维卷积层、激活函数层和最大池化层；所述针对任一所述通道，利用该通道的一维卷积神经网络与双向长短期记忆神经网络，对输入的序列数据进行局部特征与全局特征提取，获得输入序列特征向量，包括：

19、针对任一所述通道，通过该通道的一维卷积层对输入的序列数据进行滑动卷积运算，得到初始卷积特征序列，通过该通道的激活函数层对所述初始卷积特征序列进行非线性变换，得到激活卷积特征序列，通过该通道的最大池化层对所述激活卷积特征序列进行下采样处理，得到池化卷积特征序列，将所述池化卷积特征序列输入该通道的双向长短期记忆神经网络提取双向时序依赖特征，获得输入序列特征向量。

20、在其中一个实施例中，所述双向长短期记忆神经网络包括前向长短期记忆单元和后向长短期记忆单元；所述将所述池化卷积特征序列输入该通道的双向长短期记忆神经网络提取双向时序依赖特征，获得输入序列特征向量，包括：

21、通过该通道的前向长短期记忆单元沿时序正向对所述池化卷积特征序列进行处理，得到各时间步对应的前向隐藏状态；

22、通过该通道的后向长短期记忆单元沿时序反向对所述池化卷积特征序列进行处理，得到各时间步对应的后向隐藏状态；

23、从所述各时间步对应的前向隐藏状态中提取最后一个时间步的前向隐藏状态，以及从所述各时间步对应的后向隐藏状态中提取最后一个时间步的后向隐藏状态；

24、将所述最后一个时间步的前向隐藏状态与所述最后一个时间步的后向隐藏状态进行向量拼接，形成该通道对应的输入序列特征向量。

25、在其中一个实施例中，所述通过注意力机制确定所述全局特征表示中各维度特征对应的贡献权重，并依据所述贡献权重对所述全局特征表示进行加权融合，得到高维融合特征，包括：

26、对所述全局特征表示进行线性变换，生成贡献权重分值向量；

27、对所述贡献权重分值向量进行归一化处理，得到注意力权重向量；所述注意力权重向量内的元素分别对应各维度特征的贡献权重；

28、将所述全局特征表示与所述注意力权重向量进行哈达玛积运算，得到哈达玛积运算结果；

29、将所述哈达玛积运算结果与所述全局特征表示进行向量相加运算，得到高维融合特征。

30、在其中一个实施例中，所述将所述若干序列数据分别输入预设混合神经网络模型相互独立的通道进行特征提取，包括：

31、基于所述若干序列数据各自的振荡频率特征，自适应配置所述预设混合神经网络模型中每一通道一维卷积层的一维卷积核尺寸以及双向长短期记忆单元的隐藏维度；

32、完成所述自适应配置后，将所述若干序列数据分别输入对应的通道进行特征提取。

33、第二方面，本技术还提供了一种母线负荷预测装置，包括：

34、分解模块，用于将目标区域的母线负荷序列数据分解为若干序列数据；所述若干序列数据包含负荷子序列数据和残差序列数据；

35、输入模块，用于将所述若干序列数据分别输入预设混合神经网络模型相互独立的通道进行特征提取；所述预设混合神经网络模型采用多通道并行处理架构，各通道均配置有对应的一维卷积神经网络和双向长短期记忆神经网络；

36、特征提取模块，用于针对任一所述通道，利用该通道的一维卷积神经网络与双向长短期记忆神经网络，对输入的序列数据进行局部特征与全局特征提取，获得输入序列特征向量；

37、拼接模块，用于将各通道输出的输入序列特征向量进行拼接，构建全局特征表示；

38、加权融合模块，用于通过注意力机制确定所述全局特征表示中各维度特征对应的贡献权重，并依据所述贡献权重对所述全局特征表示进行加权融合，得到高维融合特征；

39、回归映射模块，用于利用所述预设混合神经网络模型中的多层感知机对所述高维融合特征进行非线性回归映射，得到母线负荷预测值。

40、第三方面，本技术还提供了一种计算机设备，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以下步骤：

41、将目标区域的母线负荷序列数据分解为若干序列数据；所述若干序列数据包含负荷子序列数据和残差序列数据；

42、将所述若干序列数据分别输入预设混合神经网络模型相互独立的通道进行特征提取；所述预设混合神经网络模型采用多通道并行处理架构，各通道均配置有对应的一维卷积神经网络和双向长短期记忆神经网络；

43、针对任一所述通道，利用该通道的一维卷积神经网络与双向长短期记忆神经网络，对输入的序列数据进行局部特征与全局特征提取，获得输入序列特征向量；

44、将各通道输出的输入序列特征向量进行拼接，构建全局特征表示；

45、通过注意力机制确定所述全局特征表示中各维度特征对应的贡献权重，并依据所述贡献权重对所述全局特征表示进行加权融合，得到高维融合特征；

46、利用所述预设混合神经网络模型中的多层感知机对所述高维融合特征进行非线性回归映射，得到母线负荷预测值。

47、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

48、将目标区域的母线负荷序列数据分解为若干序列数据；所述若干序列数据包含负荷子序列数据和残差序列数据；

49、将所述若干序列数据分别输入预设混合神经网络模型相互独立的通道进行特征提取；所述预设混合神经网络模型采用多通道并行处理架构，各通道均配置有对应的一维卷积神经网络和双向长短期记忆神经网络；

50、针对任一所述通道，利用该通道的一维卷积神经网络与双向长短期记忆神经网络，对输入的序列数据进行局部特征与全局特征提取，获得输入序列特征向量；

51、将各通道输出的输入序列特征向量进行拼接，构建全局特征表示；

52、通过注意力机制确定所述全局特征表示中各维度特征对应的贡献权重，并依据所述贡献权重对所述全局特征表示进行加权融合，得到高维融合特征；

53、利用所述预设混合神经网络模型中的多层感知机对所述高维融合特征进行非线性回归映射，得到母线负荷预测值。

54、第五方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

55、将目标区域的母线负荷序列数据分解为若干序列数据；所述若干序列数据包含负荷子序列数据和残差序列数据；

56、将所述若干序列数据分别输入预设混合神经网络模型相互独立的通道进行特征提取；所述预设混合神经网络模型采用多通道并行处理架构，各通道均配置有对应的一维卷积神经网络和双向长短期记忆神经网络；

57、针对任一所述通道，利用该通道的一维卷积神经网络与双向长短期记忆神经网络，对输入的序列数据进行局部特征与全局特征提取，获得输入序列特征向量；

58、将各通道输出的输入序列特征向量进行拼接，构建全局特征表示；

59、通过注意力机制确定所述全局特征表示中各维度特征对应的贡献权重，并依据所述贡献权重对所述全局特征表示进行加权融合，得到高维融合特征；

60、利用所述预设混合神经网络模型中的多层感知机对所述高维融合特征进行非线性回归映射，得到母线负荷预测值。

61、上述母线负荷预测方法、装置、设备、介质和程序产品，本技术首先将母线负荷序列数据分解为多组负荷子序列数据与残差序列数据，通过信号分解有效剥离原始负荷序列中的多尺度振荡成分与趋势残余分量，缓解了非平稳、强波动时序特征对预测建模的干扰，避免传统单一建模方式无法区分高低频特征、易受噪声影响的问题。进一步采用多通道并行混合神经网络架构，对各分解序列分配独立通道进行特征提取，使不同时间尺度、不同物理特性的序列分量互不干扰、独立建模；各通道依托一维卷积神经网络提取局部短时波动特征，并结合双向长短期记忆神经网络双向挖掘长时序依赖关系，实现局部细节特征与全局时序特征的联合捕捉，充分挖掘各序列的隐含时序规律。在多通道独立特征提取的基础上，本技术将各通道特征向量拼接构建全局特征表示，完整保留多尺度特征信息；并进一步通过注意力机制计算各维度特征的贡献权重，对全局特征表示实施差异化加权融合，自动强化有效关键特征、抑制冗余无效特征，解决了传统固定权重融合方式无法动态适配负荷时序波动的缺陷，显著提升特征融合的精准度与鲁棒性。最后通过多层感知机对高维融合特征进行非线性映射回归，精准拟合复杂负荷变化的非线性耦合关系，最终输出高精度母线负荷预测结果。综上，本技术有效改善了传统方法模态混叠、特征利用不充分、时序依赖挖掘不足的问题，能够显著提升母线负荷预测精度与可靠性。