一种基于时序大模型的短期分行业负荷预测方法与流程

摘要: 本发明涉及负荷预测,具体为一种基于时序大模型的短期分行业负荷预测方法。背景技术:1、新型电力系统建设背景下,高比例新能源并网、用户侧分布式电源广泛接入、市场化需...
一种基于时序大模型的短期分行业负荷预测方法与流程

本发明涉及负荷预测,具体为一种基于时序大模型的短期分行业负荷预测方法。

背景技术:

1、新型电力系统建设背景下,高比例新能源并网、用户侧分布式电源广泛接入、市场化需求响应常态化落地,使得电网负荷特性呈现强非线性、时序波动剧烈、行业差异化显著的特征。短期电力负荷预测作为电网实时调度、日前发电计划编排、无功优化、配网潮流管控、需求侧资源精准调控的核心基础技术,其预测精度直接决定电网运行的安全性、经济性与新能源消纳能力。不同行业用户用电行为具备本质差异,工业负荷受生产工艺、轮班制度、设备启停工况主导,存在稳态高载、阶段性爬坡、间歇性停机特征;商业负荷高度敏感于节假日、营业时间、气象温湿度变化,波动随机性强;公共服务负荷节律平稳、时序规律稳定;居民负荷受作息、季节、极端天气影响显著。因此,开展分行业精细化短期负荷预测,是破解传统全域统一预测精度不足、适配电网精细化运维管控的关键前提。

2、当前短期分行业电力负荷预测技术仍存在以下缺陷:

3、现有短期负荷预测技术大多采用传统机器学习、小型时序模型建模,普遍存在特征维度单一、行业区分度不足的问题,通常仅依托统一负荷时序数据进行整体预测,未充分融合气象、节假日、设备运行状态等多源影响数据,无法精细化区分工业、商业、居民行业的用电差异化特征。传统技术难以同时有效捕捉负荷长期趋势、周期波动与突发扰动三类复杂时序特征,且忽略了不同行业之间的用电关联耦合关系,无法自适应多行业负荷变化差异,导致分行业短期负荷预测精度低、模型泛化能力弱、应用稳定性差,难以满足电网精细化负荷预测、分行业用电分析与需求侧精准管控的业务需求;

4、为此,现提出一种基于时序大模型的短期分行业负荷预测方法来解决上述提出的问题。

技术实现思路

1、本发明的目的在于提供一种基于时序大模型的短期分行业负荷预测方法,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于时序大模型的短期分行业负荷预测方法,该方法具体包括以下步骤:

3、步骤一、数据汇集与分行业样本构建:采集工业、商业、居民行业的历史负荷数据、气象数据、节假日数据及设备运行状态数据,归集形成覆盖多行业维度的分行业负荷原始样本数据;

4、步骤二、时序数据预处理:对分行业负荷原始样本数据进行时间对齐、异常数据修正处理,保证多源数据时序维度统一、数据完整有效;

5、步骤三、特征编码与时序序列构建:对预处理后的负荷特征、气象特征、节假日特征、设备运行状态特征进行统一特征编码,生成可供模型输入的标准化时序特征序列;

6、步骤四、时序大模型深度特征学习:将时序特征序列输入时序大模型,通过时序大模型自主学习挖掘各行业负荷数据的趋势变化特征、周期波动特征及突发扰动特征;

7、步骤五、跨行业关联建模表达:基于时序大模型构建工业、商业、居民不同行业之间的负荷关联表达关系,捕捉多行业用电耦合联动规律;

8、步骤六、分行业短期负荷预测输出:根据目标预测时段的实时输入特征,利用训练完成的时序大模型推演输出各行业对应的短期负荷预测结果,实现适配多行业负荷差异、提升预测精度与应用稳定性的短期负荷智能预测。

9、优选的,步骤一中,所述历史负荷数据为各行业用户小时级、日级时序用电负荷数据,所述气象数据包括温度、湿度、风速、季节气象因子,所述节假日数据包括工作日、周末、法定节假日时序标签,所述设备运行状态数据包括行业生产设备启停、运行工况、设备投切状态数据。

10、优选的,步骤二中,所述时间对齐为将负荷数据、气象数据、节假日数据、运行状态数据统一对齐至相同时序时间轴,消除多源数据采样频率不一致、时间戳错位问题;所述异常修正包括识别并修复负荷缺失数据、突变异常数据、采集故障坏数据,保证时序曲线连续平滑。

11、优选的,步骤三中,所述特征编码包括对连续型的负荷、气象数据进行归一化量化处理,对离散型的节假日、设备运行状态、行业属性特征进行结构化编码,统一特征维度与数据量纲,构建固定长度的标准化时序特征序列。

12、优选的,步骤四中,所述趋势变化特征表征行业负荷长期增减演变规律,所述周期波动特征表征日周期、周周期、季节周期的行业用电节律变化,所述突发扰动特征表征气象突变、设备启停、节假日切换带来的短时负荷扰动变化。

13、优选的,步骤五中,所述跨行业关联表达为通过时序大模型的全局时序注意力机制,挖掘工业、商业、居民行业之间的用电互补、负荷错峰、区域用电耦合关联特征,实现多行业联合建模优化。

14、优选的,所述步骤六中,时序大模型自适应分配特征权重,适配不同行业负荷变化差异,输出各行业精细化短期负荷预测值。

15、与现有技术相比,本发明的有益效果是:

16、本发明基于时序大模型构建分行业短期负荷预测体系,通过汇集多行业多源数据、时序规整与特征编码、深度时序特征学习以及跨行业关联建模,能够精准学习各行业负荷的趋势变化、周期波动与突发扰动特征,有效适配不同行业的负荷变化差异,克服了传统模型行业区分性差、特征挖掘不充分、抗扰动能力弱的缺陷,显著提升多行业短期电力负荷预测的准确性与模型应用稳定性,为电网短期调度、电力资源优化配置、分行业用电精细化管理提供可靠技术支撑。

17、(1)步骤一中,分开归集工业、商业、居民三类行业的小时、日负荷、气象、节假日、设备工况多维度数据,单独构建分行业原始样本。对比传统仅使用全局混合负荷序列、缺少设备与气象辅助信息的建模方式,本技术从源头隔离不同行业用电基底规律,完整纳入驱动负荷波动的内外影响要素,避免高波动工业负荷掩盖商业、居民平稳负荷特征,为精准区分行业差异、学习真实用电机理提供完备数据集,弥补传统模型输入信息单薄、行业边界模糊的短板;

18、(2)步骤二中,时序预处理规整数据质量,解决多源数据时序错位、脏数据干扰、时序曲线断裂导致模型学习失真的问题;本技术通过时间对齐统一全部数据时间轴,消除采样不同步偏差;同步完成缺失、突变、故障坏数据识别修复,保障整条时序曲线连续平滑;

19、(3)步骤三中,标准化特征编码构建统一时序输入序列,解决多类型特征量纲不一、格式杂乱无法统一训练的问题;负荷、温湿度属于连续数值,节假日、设备启停、行业标签属于离散类别,量纲与数值范围差距巨大,直接输入会造成模型权重倾斜、训练失衡。本技术对连续量归一化、离散量结构化编码,统一特征维度与序列长度,输出适配时序大模型的标准输入格式,消除异构特征之间的数值壁垒,保证负荷、气象、工况、行业标签平等参与模型特征学习,让大模型均衡捕捉各类因素对不同行业负荷的影响程度;

20、(4)步骤四中,时序大模型自主挖掘三层时序特征,解决传统小模型长时序遗忘、深层特征挖掘浅、无法全面拆解负荷变化规律的核心缺陷,传统lstm、cnn等浅层模型难以兼顾长期趋势、多尺度周期、短时扰动三类特征,人工设计特征片面主观。本技术利用时序大模型超强长时序表征能力,自动学习趋势变化、周期波动、突发扰动三大核心特征;

21、(5)步骤五中,依托全局注意力实现跨行业关联建模,解决传统分行业独立预测忽略区域行业用电耦合、错峰互补干扰带来预测偏差的问题,以往行业预测多单行业孤立建模,忽略同一配网内工业开工、商业营业、居民用电之间相互挤占、错峰互补的联动关系。本技术借助时序大模型全局时序注意力机制,量化挖掘三大行业负荷耦合联动规律,将行业间相互影响纳入整体训练优化,实现多行业联合建模修正预测偏差,进一步提升整体预测精准度,突破单一行业模型视野局限;

22、(6)步骤六中,大模型自适应权重分配、分行业独立输出预测结果,解决统一模型无法适配三类行业差异化负荷形态、行业预测精度参差不齐的问题;工业工况波动剧烈、商业时段节律极强、居民作息平稳规律,三者负荷变化模式差异巨大。本技术训练好的时序大模型可针对不同行业自适应调整各特征权重,一套大模型自动兼容三类行业特性,分别输出各行业精细化短期负荷预测值。既省去为每个行业单独训练、维护多个小模型的高昂成本,又精准适配行业负荷差异,提升全行业预测精度与现场部署稳定性。