[發明專利]基于A-TCN電力負荷預測方法、裝置、計算機設備及存儲介質

有效

• 申請號: 202010031946.X
• 申請日: 2020-01-13
• 公開（公告）號: CN111260030B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 石強;劉雨桐;熊嬌;王國勛
• 申請（專利權）人: 潤聯軟件系統（深圳）有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

1.一種基于A-TCN的電力負荷預測方法，其特征在于，包括：

獲取歷史用電量數據及其對應的特征變量，并對所述歷史用電量數據及其對應的特征變量進行歸一化處理，得到數據集；

將所述數據集滾動切分分組，使每組包含N個特征序列；

其中，將所述數據集滾動切分分組，使每組包含N個特征序列，包括：根據預設時間窗對所述數據集進行滾動切分分組，使每組包含T個樣本，且每個樣本包含N個特征變量；

將每組包含的N個特征序列依次輸入至注意力模型中，得到每組N個特征序列的特征權重；

其中，所述將每組包含的N個特征序列依次輸入至注意力模型中，得到每組N個特征序列的特征權重，包括：獲取LSTM網絡更新前的隱藏層狀態以及細胞狀態；將所述隱藏層狀態、細胞狀態以及每組包含的N個特征序列依次輸入至注意力模型中，并按如下公式進行計算：

eⁿ＝vtanh(W[h；s]+Uxⁿ)

式中，v、W、U均表示權重，h、s分別是LSTM網絡的隱藏層狀態與細胞狀態，xⁿ是第n個特征序列，eⁿ是第n個特征序列經過輸入注意力模型的輸出數據，其中，n＝1,……,N；利用softmax層對每組N個輸出數據進行歸一化處理，得到每組N個特征序列的特征權重；對所述每組包含的N個特征序列進行加權處理，得到每組對應的加權特征序列；

通過LSTM網絡對所述每組對應的加權特征序列進行信息提取處理，得到每組對應的目標序列；

其中，所述通過LSTM網絡對所述每組對應的加權特征序列進行信息提取處理，得到每組對應的目標序列，包括：利用遺忘門控制所述細胞狀態對歷史信息進行遺忘，遺忘門計算公式如下：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

式中，x_t表示時刻t的輸入，h_t-1表示時刻t-1的隱藏層狀態，W_f是權重矩陣，b_f是偏置項，σ表示sigmoid函數；利用輸入門中的sigmoid層確定細胞狀態中需要更新的信息，并利用輸入門中的tanh層生成備選的細胞狀態，計算公式如下：

i_t＝σ(W_i[h_t-1,x_t]+b_i)

式中，i_t為細胞狀態中需要更新的信息，為生成的備選的細胞狀態，W_i和W_c均是權重矩陣，b_i和b_c均是偏置項，σ是sigmoid函數，tanh是雙曲正切函數；在經過遺忘門和輸入門處理后，通過如下公式對細胞狀態進行更新：

式中，C_t為t時刻的細胞狀態，C_t-1為t-1時刻的細胞狀態；利用輸出門控制所述細胞狀態對更新后的信息進行輸出，得到目標序列，輸出門的計算公式如下所示：

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

式中，W_o是權重矩陣，b_o是偏置項，σ是sigmoid函數，tanh是雙曲正切函數；

通過時間卷積網絡對所述每組對應的目標序列進行學習，得到用電量預測結果，從而構建得到A-TCN網絡模型；

其中，所述通過時間卷積網絡對所述每組對應的目標序列進行學習，得到用電量預測結果，從而構建得到A-TCN網絡模型，包括：通過膨脹因果卷積對所述每組對應的目標序列進行計算，計算公式如下：

式中，f(i)表示第i個濾波器，d為膨脹因子，d＝{1,2,..,2ⁿ}，n為時間卷積網絡中的隱藏層層數，i＝0,……,k-1，k為濾波器的個數，x為輸入，t為時間，F(x)為膨脹因果卷積后的結果；通過殘差模塊將輸入x與膨脹因果卷積后的結果F(x)相加，再通過RELU函數后得到最終的用電量預測結果，計算公式如下：

o＝RELU(x+F(x))

式中，o為最終的用電量預測結果；

對未來指定時間的用電量數據進行預測。