[發(fā)明專利]長(zhǎng)時(shí)間序列的序列信息捕捉方法及裝置、短期用電量預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202211265068.3
• 申請(qǐng)日: 2022-10-17
• 公開(kāi)（公告）號(hào): CN115587617A
• 公開(kāi)（公告）日: 2023-01-10
• 發(fā)明（設(shè)計(jì)）人: 華科;王智超;左峰
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)黑龍江省電力有限公司
• 主分類號(hào): G06N3/0442
• 分類號(hào): G06N3/0442;G06N3/0464;G06N3/08;G06F18/25;G06Q50/06
• 代理公司: 哈爾濱市陽(yáng)光惠遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 23211
• 代理人: 張宏威

長(zhǎng)時(shí)間序列的序列信息捕捉方法及裝置、短期用電量預(yù)測(cè)方法及裝置，涉及電力系統(tǒng)領(lǐng)域。為解決現(xiàn)有的短期用電量預(yù)測(cè)方法的穩(wěn)定信和準(zhǔn)確性還存在一定不足，無(wú)法滿足高精度的預(yù)測(cè)需求的問(wèn)題，本發(fā)明提供的技術(shù)方案為：長(zhǎng)時(shí)間序列的序列信息捕捉方法，基于LSTM方法，方法包括：在LSTM方法使用長(zhǎng)時(shí)間序列中的數(shù)據(jù)進(jìn)行回歸時(shí)，采用注意力網(wǎng)絡(luò)對(duì)長(zhǎng)時(shí)間序列的特征進(jìn)行加權(quán)求和的融合步驟；根據(jù)融合步驟的結(jié)果，捕捉長(zhǎng)時(shí)間序列的序列信息。融合步驟具體為：包括：根據(jù)特征生成注意力分?jǐn)?shù)的步驟；將注意力分?jǐn)?shù)轉(zhuǎn)化為對(duì)應(yīng)特征的重要性系數(shù)的步驟；根據(jù)重要性系數(shù)，對(duì)長(zhǎng)時(shí)間序列的序列特征進(jìn)行加權(quán)求和。適合應(yīng)用于進(jìn)行短期用電量預(yù)測(cè)。

技術(shù)領(lǐng)域

涉及電力系統(tǒng)領(lǐng)域，具體涉及用電量預(yù)測(cè)。

背景技術(shù)

預(yù)測(cè)能源消耗是能源規(guī)劃的基礎(chǔ)，其重要性不容忽視。經(jīng)過(guò)準(zhǔn)確的預(yù)測(cè)，可以根據(jù)定量數(shù)據(jù)做出能源政策決策。電力是支撐國(guó)民經(jīng)濟(jì)的基礎(chǔ)能源，隨著智能電網(wǎng)的建設(shè)和電力信息的發(fā)展，電力系統(tǒng)存儲(chǔ)了大量的用戶用電數(shù)據(jù)，為用戶用電量分析及預(yù)測(cè)提供了數(shù)據(jù)支持。準(zhǔn)確有效的電力預(yù)測(cè)模型可以幫助電力組織做出重大決策，從而為電網(wǎng)管理系統(tǒng)提供可靠的安全偏差。

時(shí)間序列預(yù)測(cè)是一個(gè)意義重大的研究領(lǐng)域，旨在根據(jù)先前觀察到的趨勢(shì)使用最佳模型來(lái)預(yù)測(cè)未來(lái)趨勢(shì)。由于用電量的預(yù)測(cè)被認(rèn)為是時(shí)間序列預(yù)測(cè)范式的一部分，因此根據(jù)預(yù)測(cè)范圍分為三類：短期(提前幾分鐘到幾天)、中期(提前一周到幾周)和長(zhǎng)期(提前數(shù)月至數(shù)年)。短期用電量預(yù)測(cè)對(duì)于電力公司估算負(fù)荷功率是必不可少的。用電量預(yù)測(cè)可用于發(fā)電調(diào)度、負(fù)荷切換和安全評(píng)估。準(zhǔn)確的預(yù)測(cè)結(jié)果有助于提高電力系統(tǒng)效率，降低運(yùn)營(yíng)成本，減少停電事件的發(fā)生。由于電力市場(chǎng)的發(fā)展和智能電網(wǎng)技術(shù)的推廣，用電量預(yù)測(cè)變得更加重要。

目前，已有大量的研究提出了許多統(tǒng)計(jì)學(xué)方法用于短期用電量預(yù)測(cè)，包括指數(shù)平滑法、卡爾曼濾波器、線性回歸等。然而，這些方法不能正確的描述用電量數(shù)據(jù)的非線性關(guān)系。隨著人工智能技術(shù)的發(fā)展，各種機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)被用于用電量預(yù)測(cè)問(wèn)題，如支持向量機(jī)、模糊邏輯方法、神經(jīng)網(wǎng)絡(luò)等。其中，神經(jīng)網(wǎng)絡(luò)因?yàn)槟軌驍M合用電量和其相關(guān)因素間的非線性關(guān)系而備受關(guān)注。

現(xiàn)有的短期用電量預(yù)測(cè)方法的穩(wěn)定性和準(zhǔn)確性還存在一定不足，無(wú)法滿足高精度的預(yù)測(cè)需求。

發(fā)明內(nèi)容

為解決現(xiàn)有的短期用電量預(yù)測(cè)方法的穩(wěn)定信和準(zhǔn)確性還存在一定不足，無(wú)法滿足高精度的預(yù)測(cè)需求的問(wèn)題，本發(fā)明提供的技術(shù)方案為：

長(zhǎng)時(shí)間序列的序列信息捕捉方法，基于LSTM方法，所述方法包括：

在所述LSTM方法使用所述長(zhǎng)時(shí)間序列中的數(shù)據(jù)進(jìn)行回歸時(shí)，采用注意力網(wǎng)絡(luò)對(duì)所述長(zhǎng)時(shí)間序列的特征進(jìn)行加權(quán)求和的融合步驟；

根據(jù)所述融合步驟的結(jié)果，捕捉所述長(zhǎng)時(shí)間序列的序列信息。

進(jìn)一步，提供一個(gè)優(yōu)選實(shí)施方式，所述融合步驟具體為：包括：

根據(jù)所述特征生成注意力分?jǐn)?shù)的步驟；

將所述注意力分?jǐn)?shù)轉(zhuǎn)化為對(duì)應(yīng)特征的重要性系數(shù)的步驟；

根據(jù)所述重要性系數(shù)，對(duì)所述長(zhǎng)時(shí)間序列的序列特征進(jìn)行加權(quán)求和。

基于同一發(fā)明構(gòu)思，本發(fā)明還提供了長(zhǎng)時(shí)間序列的序列信息捕捉裝置，基于LSTM方法，所述裝置包括：

用于在所述LSTM方法使用所述長(zhǎng)時(shí)間序列中的數(shù)據(jù)進(jìn)行回歸時(shí)，采用注意力網(wǎng)絡(luò)對(duì)所述長(zhǎng)時(shí)間序列的特征進(jìn)行加權(quán)求和的融合模塊；

用于根據(jù)所述融合模塊的結(jié)果，捕捉所述長(zhǎng)時(shí)間序列的序列信息的模塊。

進(jìn)一步，提供一個(gè)優(yōu)選實(shí)施方式，所述融合模塊具體為：包括：

用于根據(jù)所述特征生成注意力分?jǐn)?shù)的子模塊；

用于將所述注意力分?jǐn)?shù)轉(zhuǎn)化為對(duì)應(yīng)特征的重要性系數(shù)的子模塊；