【技術實現步驟摘要】
本申請涉及電力系統和能源管理，特別是涉及一種電力系統的負荷預測方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
技術介紹
1、在電力系統和能源管理領域，負荷預測作為一項核心任務，其重要性不言而喻。負荷預測的準確性對電網的運行效率、能源的合理分配以及電力市場的正常運作具有決定性影響。隨著智能電網的發展和可再生能源的日益普及，負荷預測的復雜性也隨之增加。在這個背景下，傳統的負荷預測方法，如統計回歸模型、時間序列分析等，盡管在歷史數據較為穩定和線性的情況下表現良好，但在應對當前電網數據的非線性、高維度和動態變化特性時，這些方法存在明顯的局限性。
2、傳統的負荷預測方法通常基于簡化的假設，如線性關系和固定的歷史模式。然而，現代電力系統的特點是高度動態和復雜，其電力特征受多種因素影響，例如消費者行為的不斷變化、天氣條件的波動、可再生能源的不穩定輸入、以及政策和市場的變化。這些因素使得電力負荷呈現出顯著的非線性和不可預測性，傳統方式難以捕捉這些復雜的動態關系。另外，負荷預測需要綜合考慮多種因素，電力系統的數據的維度逐漸增多。而多維度數據的融合對模型的處理能力提出了高要求，傳統方式通常難以有效整合和分析這些多維度數據。
3、隨著技術的進步，電力系統的數據獲取和處理能力得到了極大提升，產生了大量的實時或近實時數據。這些數據提供了負荷預測的新機遇，但同時也帶來了數據處理和分析的新挑戰，如大數據的存儲、處理和實時分析能力需求。傳統負荷預測方法在處理大規模、高頻率的數據時往往效率不高，難以實現實時或近實時的負荷預測
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種電力系統的負荷預測方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品，能夠提升電力系統的負荷預測的準確性。
2、第一方面，本申請提供了一種電力系統的負荷預測方法，包括：
3、獲取電力系統在設定時間段內的多項負荷相關數據；
4、對多項負荷相關數據分別進行預處理，得到多項特征編碼；
5、加載訓練好的負荷預測模型，并獲取多項負荷相關數據對應的關鍵時間信息；負荷預測模型中至少包括多頭自注意力層；
6、將特征編碼輸入至負荷預測模型中，得到負荷預測模型輸出的電力負荷預測值；其中，在負荷預測模型運行過程中，多頭自注意力層基于關鍵時間信息，調整每個輸入特征對應的自注意力權重；輸入特征是指輸入至多頭自注意力層的特征。
7、在其中一個實施例中，所述方法還包括：
8、采集電力系統在歷史時間段內的訓練樣本和負荷值標簽；
9、對訓練樣本進行預處理，得到樣本編碼；
10、將樣本編碼輸入至負荷預測模型中，得到訓練預測值；
11、計算訓練預測值與負荷值標簽對應的損失函數值；
12、在損失函數值大于設定閾值的情況下，調整負荷預測模型的模型參數，繼續迭代訓練負荷預測模型，直至計算得到的損失函數值小于或等于設定閾值，得到訓練好的負荷預測模型。
13、在其中一個實施例中，多項負荷相關數據包括地理位置數據、生產工藝數據、用電行為數據、外部電氣數據和環境數據；每項負荷相關數據均按照時間順序排布。
14、在其中一個實施例中，對多項負荷相關數據分別進行預處理，得到多項特征編碼，包括：
15、采用獨熱編碼或標簽編碼來表示地理位置數據中的不同地理區域，得到地理位置編碼；
16、根據能源消耗特征對生產工藝數據中各生產工藝進行分類，并根據分類結果對各生產工藝進行編碼，得到生產工藝編碼；
17、根據用電行為數據中各用電行為的類別進行編碼，得到用電行為編碼；
18、對外部電氣數據的數值進行歸一化或標準化處理，得到電氣參數編碼；
19、對環境數據的數值進行歸一化或標準化處理，得到環境參數編碼。
20、在其中一個實施例中，負荷預測模型包括編碼層、多頭自注意力層、門控循環網絡層、特征融合層以及預測輸出層；其中：
21、編碼層，用于分別對多項特征編碼進行編譯，輸出第一特征；
22、多頭自注意力層，用于基于關鍵時間信息，調整第一特征對應的自注意力權重，并基于自注意力權重，將第一特征轉換為第一中間特征；
23、門控循環網絡層，用于從第一特征中選擇對負荷預測最重要的第二中間特征；
24、特征融合層，用于對第一中間特征和第二中間特征進行融合，得到目標特征；
25、預測輸出層，用于基于目標特征進行預測，輸出電力負荷預測值。
26、在其中一個實施例中，將特征編碼輸入至負荷預測模型中，得到負荷預測模型輸出的電力負荷預測值之后，所述方法還包括：
27、根據電力負荷預測值和電力負荷監測值，對負荷預測模型的輸出性能進行評估，得到評估結果；
28、根據評估結果，對負荷預測模型的模型參數進行調整。
29、第二方面，本申請還提供了一種電力系統的負荷預測裝置，包括：
30、獲取模塊，用于獲取電力系統在設定時間段內的多項負荷相關數據；
31、預處理模塊，用于對多項負荷相關數據分別進行預處理，得到多項特征編碼；
32、加載模塊，用于加載訓練好的負荷預測模型，并獲取多項負荷相關數據對應的關鍵時間信息；負荷預測模型中至少包括多頭自注意力層；
33、預測模塊，用于將特征編碼輸入至負荷預測模型中，得到負荷預測模型輸出的電力負荷預測值；其中，在負荷預測模型運行過程中，多頭自注意力層基于關鍵時間信息，調整每個輸入特征對應的自注意力權重；輸入特征是指輸入至多頭自注意力層的特征。
34、第三方面，本申請還提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現如上第一方面所述的方法的步驟。
35、第四方面，本申請還提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現如上第一方面所述的方法的步驟。
36、第五方面，本申請還提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現如上第一方面所述的方法的步驟。
37、上述電力系統的負荷預測方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品，獲取電力系統在設定時間段內的多項負荷相關數據；對多項負荷相關數據分別進行預處理，得到多項特征編碼；加載訓練好的負荷預測模型，并獲取多項負荷相關數據對應的關鍵時間信息；負荷預測模型中至少包括多頭自注意力層；將特征編碼輸入至負荷預測模型中，得到負荷預測模型輸出的電力負荷預測值；其中，在負荷預測模型運行過程中，多頭自注意力層基于關鍵時間信息，調整每個輸入特征對應的自注意力權重；輸入特征是指輸入至多頭自注意力層的特征。通過上述方式，利用深度學習訓練的負荷預測模型，基于多維度的特本文檔來自技高網...
【技術保護點】
1.一種電力系統的負荷預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述方法還包括：
3.根據權利要求1所述的方法，其特征在于，所述多項負荷相關數據包括地理位置數據、生產工藝數據、用電行為數據、外部電氣數據和環境數據；每項負荷相關數據均按照時間順序排布。
4.根據權利要求3所述的方法，其特征在于，所述對所述多項負荷相關數據分別進行預處理，得到多項特征編碼，包括：
5.根據權利要求1至4中任意一項所述的方法，其特征在于，所述負荷預測模型包括編碼層、多頭自注意力層、門控循環網絡層、特征融合層以及預測輸出層；其中：
6.根據權利要求1至4中任意一項所述的方法，其特征在于，所述將所述特征編碼輸入至所述負荷預測模型中，得到所述負荷預測模型輸出的電力負荷預測值之后，所述方法還包括：
7.一種電力系統的負荷預測裝置，其特征在于，所述裝置包括：
8.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至6中任一項
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。
10.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種電力系統的負荷預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述方法還包括：
3.根據權利要求1所述的方法，其特征在于，所述多項負荷相關數據包括地理位置數據、生產工藝數據、用電行為數據、外部電氣數據和環境數據；每項負荷相關數據均按照時間順序排布。
4.根據權利要求3所述的方法，其特征在于，所述對所述多項負荷相關數據分別進行預處理，得到多項特征編碼，包括：
5.根據權利要求1至4中任意一項所述的方法，其特征在于，所述負荷預測模型包括編碼層、多頭自注意力層、門控循環網絡層、特征融合層以及預測輸出層；其中：
6.根據權利要求1至4中任意一項所述的方...
【專利技術屬性】
技術研發人員：曹望璋，王宗義，金鑫，潘廷哲，陽浩，
申請(專利權)人：南方電網科學研究院有限責任公司，
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。