【技術實現步驟摘要】
本專利技術涉及電力，具體涉及一種基于最優數據選擇的多通道電力負荷預測裝置及方法。
技術介紹
1、隨著國家電力市場改革的深化，電力負荷預測在電力市場中發揮著重要的作用。精準的電力負荷預測，不僅可以幫助電力調度機構規劃機組調度，規劃線路檢修等任務，還可以幫助參與電力市場交易的各市場主體制定更優的交易策略，進而推動整個電力市場改革走向良性且快速發展的方向。
2、一般的，電力負荷預測過程可以通過構建機器學習或者深度學習算法模型，并使用歷史數據進行訓練，對未來24小時、48小時甚至更長時間電力負荷數據進行預測。然而，目前在進行電力負荷預測的過程中，人們往往會選擇將目標任務所使用的所有數據特征的所有歷史數據在機器學習模型或者深度學習模型中進行模型訓練和預測。盡管這樣的數據訓練方式并沒有任何問題，特別是數據量很大，數據變化較小且數據較平穩的情況，但是這樣的數據訓練方式比較容易忽略時間段較新的數據的局部特征，或是近期數據的相似性，特別是當前全球氣候變暖引發的氣候不穩定性、或是短期內生產需求的變化等，在這種情況下，這些數據的預測很容易受到所使用歷史數據周期的長短的影響。因此，本專利技術在原有專利技術專利的基礎上提出一種歷史數據選擇的優化方式來應對這個問題。
3、此外，在電力負荷預測時，我們可能會設計較為復雜的機器學習模型或深度學習模型，這些模型主要的技術特點之一是捕捉數據中的部分特征，如峰值特征、形狀特征等。大多數原有專利在進行模型設計的過程中，更多地是去選擇使用某一種或者幾個模型組成單一地模型通道來進行模型訓練，這樣就會
4、公開號為cn115730717a的專利提出了一種基于cnn+bilstm的多通道網絡設計方法，但是其網絡設計主要包含四個通道，且每個通道均使用cnn+bilstm結構的網絡，缺乏靈活性，未必能精確地捕捉到數據中的不同特征。
5、公開號為cn108229754a的專利提出了一種基于分段相似日和lm-bp網絡的短期負荷預測方法，該方法首先使用5個氣象特征描述每日氣象，并將歷史數據中的出節假日外的每周的同一天的所有數據作為備選數據，然后其考慮了所選取的歷史日數據前k日的趨勢數據和預測日前k日的趨勢數據進行相似度判定。盡管該方法在很大程度上考慮了相似日影響預測準確率的若干因素，如氣象、前k日趨勢數據等，其前k日趨勢數據考慮1至k日的平均趨勢，且k值的選取容易受到人為選取的限制。從而增加了整個模型的訓練時間成本，以及數據的平均趨勢可能并不能反應數據的真實變化，特別是在風力發電預測這種數據波動特別的劇烈的場景中，平均趨勢并不有效，且歷史數據中每周同一日的氣象數據并不能作為有效的參考。
技術實現思路
1、本專利技術所要解決的技術問題是針對現有技術中存在上述缺陷，提供一種基于最優數據選擇的多通道電力負荷預測裝置及方法，能夠優化適應多場景的、適應數據變化較為明顯的情況的相似日數據計算。
2、根據本專利技術，提供了一種基于最優數據選擇的多通道電力負荷預測裝置，其包括：
3、數據收集模塊，用于對電力負荷預測場景的數據進行收集和格式化處理；
4、最優相似日區段選擇模塊，用于根據數據收集模塊格式化后的數據計算最佳歷史數據時段，并且提取最佳歷史數據時段的歷史數據作為子數據；
5、特征加工模塊，用于針對最優相似日區段選擇模塊提取的子數據，對每一個時間點的數據添加新數據特征；
6、多通道模型模塊，用于根據特征加工模塊添加新數據特征后得到的數據得到預測結果。
7、優選地，多通道模型模塊包括第一主通道和第二主通道，第一主通道和第二主通道的數據輸入是特征加工模塊添加新數據特征后得到的數據；第一主通道只包含一個單一模型，第一主通道將特征加工模塊添加新數據特征后得到的數據，通過單一模型計算獲得中間結果；第二主通道包含具有不同模型的多個獨立子通道，各個獨立子通道對特征加工模塊添加新數據特征后得到的數據通過各自模型計算獲得中間結果，而且所有獨立子通道通過非線性激活函數運算進行非線性化處理獲得第二主通道最終產生的中間結果，而且第二主通道最終產生的中間結果與第一主通道輸出的中間結果相加，并通過全連接層進行線性變換獲得輸出結果。
8、優選地，第二主通道包含4個單一模型；其中第一個子通道為cnn+attention通道，第一個子通道對數據中的每一個數據特征序列進行計算并輸出通道模型運算所得中間結果；第二個子通道為wnn+shaplet?attention通道，第二個子通道捕捉每個數據特征序列的形狀特征，并輸出模型產生的中間結果；第三個子通道為transformer?encoder通道，用于捕捉每個時間點的不同數據特征之間的數據相關性或關聯性，并輸出模型產生的中間結果；第四個子通道為cnn+gru通道，第四個子通道通過cnn網絡提取數據特征后，計算向量間殘差，通過gru網絡進一步提取殘差數據特征，并輸出中間結果。
9、優選地，單一模型是xgboost、catboost、lightgbm中的一種機器學習模型。
10、優選地，最優相似日區段選擇模塊確定電力負荷相較于當前時間點的變化大于閾值的時間點作為目標日，并且遍歷目標日之前預定時間段的數據，以計算相似日預測數據，而且將計算的相似日預測數據與目標日真實數據對比，取rmse最小的那個時間周期為最佳歷史數據時段。
11、優選地，新數據特征包括第一新數據特征和第二新數據特征；其中第一新數據特征是通過當前時間點的數據和前一個時間點的數據的差值計算所得，用于表征數據變化方向和變化大小的數據特點；第二新數據特征是通過當前時間點的數據和當前時間點之前24小時對應的時間點數據的平均值組成，主要用于反映數據變化趨勢。
12、根據本專利技術，還提供了一種基于最優數據選擇的多通道電力負荷預測方法，包括：
13、利用數據收集模塊對電力負荷預測場景的數據進行收集和格式化處理；
14、利用最優相似日區段選擇模塊，根據數據收集模塊格式化后的數據計算最佳歷史數據時段，并且提取最佳歷史數據時段的歷史數據作為子數據；
15、利用特征加工模塊，針對最優相似日區段選擇模塊提取的子數據，對每一個時間點的數據添加新數據特征；
16、利用多通道模型模塊，根據特征加工模塊添加新數據特征后得到的數據得到預測結果。
17、優選地，多通道模型模塊包括第一主通道和第二主通道，第一主通道和第二主通道的數據輸入是特征加工模塊添加新數據特征后得到的數據；第一主通道只包含一個單一模型，第一主通道將特征加工模塊添加新數據特征后得到的數據，通過單一模型計算獲得中間結果；第二主通道包含具有不同模型的多個獨立子通道，各個獨立子通道對特征加工模塊添加新數據特征后得到的數據通過各自模型計算獲得中間結果，而且所有獨立子通道通過非線性激活函數運算本文檔來自技高網...
【技術保護點】
1.一種基于最優數據選擇的多通道電力負荷預測裝置，其特征在于包括：
2.根據權利要求1所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，多通道模型模塊包括第一主通道和第二主通道，第一主通道和第二主通道的數據輸入是特征加工模塊添加新數據特征后得到的數據；第一主通道只包含一個單一模型，第一主通道將特征加工模塊添加新數據特征后得到的數據，通過單一模型計算獲得中間結果；第二主通道包含具有不同模型的多個獨立子通道，各個獨立子通道對特征加工模塊添加新數據特征后得到的數據通過各自模型計算獲得中間結果，而且所有獨立子通道通過非線性激活函數運算進行非線性化處理獲得第二主通道最終產生的中間結果，而且第二主通道最終產生的中間結果與第一主通道輸出的中間結果相加，并通過全連接層進行線性變換獲得輸出結果。
3.根據權利要求2所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，第二主通道包含4個單一模型；其中第一個子通道為CNN+ATTENTION通道，第一個子通道對數據中的每一個數據特征序列進行計算并輸出通道模型運算所得中間結果；第二個子通道為WNN+Shaplet
4.根據權利要求2所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，單一模型是XGBoost、CatBoost、LightGBM中的一種機器學習模型。
5.根據權利要求1或2所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，最優相似日區段選擇模塊確定電力負荷相較于當前時間點的變化大于閾值的時間點作為目標日，并且遍歷目標日之前預定時間段的數據，以計算相似日預測數據，而且將計算的相似日預測數據與目標日真實數據對比，取RMSE最小的那個時間周期為最佳歷史數據時段。
6.根據權利要求1或2所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，新數據特征包括第一新數據特征和第二新數據特征；其中第一新數據特征是通過當前時間點的數據和前一個時間點的數據的差值計算所得，用于表征數據變化方向和變化大小的數據特點；第二新數據特征是通過當前時間點的數據和當前時間點之前24小時對應的時間點數據的平均值組成，主要用于反映數據變化趨勢。
7.一種基于最優數據選擇的多通道電力負荷預測方法，其特征在于包括：
8.根據權利要求7所述的基于最優數據選擇的多通道電力負荷預測方法，其特征在于，第二主通道包含4個單一模型；其中第一個子通道為CNN+ATTENTION通道，第一個子通道對數據中的每一個數據特征序列進行計算并輸出通道模型運算所得中間結果；第二個子通道為WNN+Shaplet?ATTENTION通道，第二個子通道捕捉每個數據特征序列的形狀特征，并輸出模型產生的中間結果；第三個子通道為Transformer?Encoder通道，用于捕捉每個時間點的不同數據特征之間的數據相關性或關聯性，并輸出模型產生的中間結果；第四個子通道為CNN+GRU通道，第四個子通道通過CNN網絡提取數據特征后，計算向量間殘差，通過GRU網絡進一步提取殘差數據特征，并輸出中間結果。
9.根據權利要求7所述的基于最優數據選擇的多通道電力負荷預測方法，其特征在于，單一模型是XGBoost、CatBoost、LightGBM中的一種機器學習模型。
...【技術特征摘要】
1.一種基于最優數據選擇的多通道電力負荷預測裝置，其特征在于包括：
2.根據權利要求1所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，多通道模型模塊包括第一主通道和第二主通道，第一主通道和第二主通道的數據輸入是特征加工模塊添加新數據特征后得到的數據；第一主通道只包含一個單一模型，第一主通道將特征加工模塊添加新數據特征后得到的數據，通過單一模型計算獲得中間結果；第二主通道包含具有不同模型的多個獨立子通道，各個獨立子通道對特征加工模塊添加新數據特征后得到的數據通過各自模型計算獲得中間結果，而且所有獨立子通道通過非線性激活函數運算進行非線性化處理獲得第二主通道最終產生的中間結果，而且第二主通道最終產生的中間結果與第一主通道輸出的中間結果相加，并通過全連接層進行線性變換獲得輸出結果。
3.根據權利要求2所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，第二主通道包含4個單一模型；其中第一個子通道為cnn+attention通道，第一個子通道對數據中的每一個數據特征序列進行計算并輸出通道模型運算所得中間結果；第二個子通道為wnn+shaplet?attention通道，第二個子通道捕捉每個數據特征序列的形狀特征，并輸出模型產生的中間結果；第三個子通道為transformer?encoder通道，用于捕捉每個時間點的不同數據特征之間的數據相關性或關聯性，并輸出模型產生的中間結果；第四個子通道為cnn+gru通道，第四個子通道通過cnn網絡提取數據特征后，計算向量間殘差，通過gru網絡進一步提取殘差數據特征，并輸出中間結果。
4.根據權利要求2所述的基于最優數據選擇的多通道電力負荷預測裝置，其特征在于，單一模型是xgboost、catboost、lightgbm中的一種機器學習模型。
5.根據權利要求1或2所述的...
【專利技術屬性】
技術研發人員：劉磊，徐國平，孫菁，
申請(專利權)人：海瀾智云科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。