[發明專利]基于神經網絡的電力數據流預測方法、裝置、設備及介質

在審

• 申請號: 202310026899.3
• 申請日: 2023-01-09
• 公開（公告）號: CN116011651A
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 藍飛;張利軍;戴黎;金紹君;朱勝;劉明輝;張榮茂;孔德興;胡日成;吳瀟然;李夢
• 申請（專利權）人: 國網浙江省電力有限公司;杭州博釗科技有限公司;浙江華云信息科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0442;G06N3/0455
• 代理公司: 上海雍灝知識產權代理事務所(普通合伙) 31368
• 代理人: 沈汶波

1.一種基于神經網絡的電力數據流預測方法，其特征在于，包括：

獲取歷史電力數據流集合，對所述歷史電力數據流集合進行預處理，以獲得具有以月、周、日為時間序列的處理數據；

基于雙向LSTM網絡和Transformer網絡建立初始模型，采用所述處理數據作為訓練數據對所述初始模型進行訓練，獲得目標模型；

將所述處理數據輸入至所述目標模型，采用所述目標模型的雙向LSTM網絡進行雙向特征提取，獲得前向特征值、后向特征值；

將所述前向特征值、所述后向特征值輸入至所述目標模型的Transformer網絡中，基于所述處理數據編碼后分別獲得前向特征編碼和后向特征編碼；

對所述前向特征編碼分別進行第一單層卷積操作和第二單層卷積操作，并在對所述后向特征編碼進行第三單層卷積操作后進行特征融合，獲得融合特征；

基于所述融合特征進行解碼，并通過線性輸出層輸出具有以月、周、日為時間序列的預測數據流；

基于所述具有以月、周、日為時間序列的預測數據流對各個時間序列下的預測數據流進行加權，獲得具有日為時間序列的目標結果。

2.根據權利要求1所述數據流預測方法，其特征在于，所述將所述處理數據輸入至雙向LSTM網絡中進行雙向特征提取，獲得前向特征值、后向特征值，包括：

在雙向LSTM網絡的正向傳播中，根據所述處理數據的t-1周期的前向特征值以及預設第一網絡權重生成t周期的前向特征值，迭代獲得前向特征值；其中，t∈(1,2,...,n)，當t＝1時，t-1周期的前向特征值為0；

在雙向LSTM網絡的反向傳播中，根據所述處理數據的t+1周期的后向特征值以及預設網絡權重生成t周期的后向特征值，迭代獲得后向特征值；其中，t∈(1,2,...,n)；當t＝n時，t+1周期的后向特征值為0。

3.根據權利要求1所述的數據流預測方法，其特征在于，所述將所述前向特征值、所述后向特征值輸入至目標模型的Transformer網絡中，編碼后分別獲得前向特征編碼和后向特征編碼，包括：

根據所述處理數據獲取維度數據；

將所述前向特征值與所述維度數據融合后，采用多頭注意力機制、殘差網絡、歸一化、前饋網絡進行處理，獲得前向特征編碼；

將所述后向特征值與所述維度數據融合，并采用Masked多頭注意力機制、殘差網絡、歸一化獲得后向特征編碼。

4.根據權利要求1所述的數據流預測方法，其特征在于，所述基于所述融合特征進行解碼，并通過線性輸出層輸出具有以月、周、日為時間序列的預測數據流，包括：

采用多頭注意力機制、殘差網絡、歸一化、前饋網絡對所述融合特征進行解碼；

在解碼后通過Linear層和Softmax層輸出具有以月、周、日為時間序列的預測數據流。

5.根據權利要求1所述的數據流預測方法，其特征在于，所述對所述歷史電力數據流集合進行預處理，以獲得具有以月、周、日為時間序列的處理數據，包括：

預設以月為單位的第一周期，獲取所述第一周期內的歷史電力數據流，對所述第一周期內的歷史電力數據流進行一致性處理，獲得以月為時間序列的歷史電力數據流；

預設以周為單位的第二周期，獲取所述第二周期內的歷史電力數據流，對所述第二周期內的歷史電力數據流進行修正，獲得以周為時間序列的歷史電力數據流；

預設以日為單位的第三周期，獲取所述第三周期內的歷史電力數據流，獲得以日為時間序列的歷史電力數據流；

獲取歷史電力數據流中各個賬戶下平均用電量以及日期屬性生成維度數據，將所述維度數據分別與所述以月為時間序列的歷史電力數據流、以周為時間序列的歷史電力數據流、以日為時間序列的歷史電力數據流融合，以獲得具有以月、周、日為時間序列的處理數據。