[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

本發明公開了一種基于A?TCN的電力負荷預測方法、裝置、計算機設備及存儲介質。該方法包括：對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；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；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；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；對指定時間的用電量數據進行預測。本發明提高了電力負荷預測精度，使預測結果更準確。

技術領域

本發明涉及電力預測領域，特別涉及基于A-TCN電力負荷預測方法、裝置、計算機設備及存儲介質。

背景技術

隨著社會的不斷進步和國民經濟的快速發展，我國電力能源消耗量日漸增大，人們對供電質量和效率方面的要求越來越高。但由于電力的生產與使用具有特殊性，即電能難以大量的儲存，而且各類.用戶對電力的需求是時刻變化的，這就要求發電部門的電力供應緊跟實際的負荷消耗情況，使之保持穩定且高效，否則，就會影響用電的質量，甚至危及整個電力系統的安全和穩定。因此，針對電量的短時負荷預測十分有必要。目前，針對電量負荷預測的方法較多，但一般都會有一定的局限性。

傳統的短時負荷預測方法是用現成的數學表達式加以描述，而現在的電力系統結構復雜，電力負荷變化的非線性、時變性和不確定性的特點更加明顯，從而導致難以建立一個合適的數學模型來清晰的表達負荷和影響負荷的變量之間的關系。目前，對于電量負荷預測大多采用的方法有時間序列法、回歸法、人工神經網絡預測模型、專家系統法等。但其大部分的擬合數據、捕捉特征以及計算能力都有所欠缺。

因此，如何解決現有電力負荷預測方法預測精度不足是本領域技術人員需要面臨的問題。

發明內容

本發明實施例提供了一種基于A-TCN的電力負荷預測方法、裝置、計算機設備及存儲介質，旨在解決現有電力負荷預測方法預測精度不足的問題。

第一方面，本發明實施例提供了一種基于A-TCN的電力負荷預測方法，所述方法包括：

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；

將每組包含的N個特征序列輸入至注意力模型中，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；

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；

對未來指定時間的用電量數據進行預測。

進一步的，所述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個樣本數據，且每個樣本數據包含N個特征變量。

進一步的，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)