多元负荷预测方法、系统和存储介质与流程

本技术涉及电网，尤其涉及多元负荷预测方法、系统和存储介质。

背景技术：

1、随着综合能源系统的不断发展，各能源供给来源的互补特性增强，各环节能量间的耦合作用加深，加上新型负荷的不断出现所带来的各种不确定因素增加，各能源子系统间的相互约束使得系统的稳定性受到影响。

2、近年来随着深度学习的不断发展，各类深度学习模型广泛应用于负荷预测领域。但是，作为负荷预测的常用方法，lstm或gru等都存在一定局限性，考虑到综合能源系统中各能源子系统之间深度耦合，不同能源负荷的动态特性差异较大，传统负荷预测方法无法准确捕捉多元负荷之间的耦合关系，加之多元负荷的各种不确定性因素，导致多元负荷预测效果差、精度较低。

技术实现思路

1、针对现有技术的不足，本技术提出了一种多元负荷预测方法、系统和存储介质，该方法通过求取历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数，挖掘多元负荷之间的耦合特征，并分析负荷与环境之间的相关性，解决了现有负荷预测方法预测效果差、精度较低的问题。

2、为了实现上述目的，本技术技术方案如下：

3、一种多元负荷预测方法，包括以下步骤s1-s3：

4、s1、获取综合能源系统的当前气象数据以及若干个时间节点上对应的历史多元负荷数据，构成数据序列。

5、s2、根据历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数对数据序列进行扩展，得到扩展数据序列。

6、s3、将扩展数据序列输入至预先训练的多元负荷预测模型，通过多元负荷预测模型提取预测扩展数据序列的数据特征，根据数据特征得到与当前气象数据对应的多元负荷功率预测结果。

7、可选地，扩展数据序列的表达式为：

8、z＝[z0 z1 z2 z3]

9、

10、

11、

12、其中，z0表示数据序列，z1、z2和z3分别表示按照负荷间比值、负荷对数和负荷高次幂扩展后的数据矩阵。e表示电负荷，c表示冷负荷，h表示热负荷，l表示幂级数，m表示数据序列的长度，zec,i表示第i个时间节点的电冷比，zeh,i表示第i个时间节点的电热比，zch,i表示第i个时间节点的冷热比，zloge,i表示第i个时间节点的电负荷的对数，zlogc,i表示第i个时间节点的冷负荷的对数，zlogh,i表示第i个时间节点的热负荷的对数，表示第i个时间节点的电负荷的l次幂，表示第i个时间节点的冷负荷的l次幂，表示第i个时间节点的热负荷的l次幂。

13、可选地，在步骤s1和s2之间还包括以下步骤s101-s104：

14、s101、采用四分位点内距检测数据序列中异常值分布的时间节点。

15、s102、删除数据序列中异常值所在时间节点上对应的历史多元负荷数据。

16、s103、采用线性插值法填补数据序列中各时间节点上缺失的历史多元负荷数据，得到预处理数据序列。

17、s104、采用标准差标准化方法对预处理数据序列进行归一化处理，得到归一化数据序列。

18、相应地，步骤s2具体包括以下步骤：

19、计算历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数，根据负荷间比值、负荷高次幂和负荷对数对归一化数据序列进行扩展，得到扩展数据序列。

20、可选地，多元负荷预测模型包括特征提取网络、特征处理网络和特征映射网络。

21、特征处理网络包含交替连接的多层多头概率稀疏自注意力网络层和多层蒸馏层。

22、可选地，步骤s3包括以下步骤s31-s33：

23、s31、将扩展数据序列输入至所述特征提取网络，通过所述特征提取网络得到扩展数据序列对应的特征矩阵。

24、s32、通过所述特征处理网络去除特征矩阵中的冗余特征，得到重要特征矩阵。

25、s33、通过所述特征映射网络识别重要特征矩阵中各特征的权重，根据各特征的权重输出与当前气象数据对应的多元负荷功率预测结果。

26、可选地，步骤s31包括以下步骤s311-s313：

27、s311、通过所述特征提取网络对输入的扩展数据序列进行特征提取，得到扩展数据序列对应的特征图。

28、s312、通过所述特征提取网络对输入的扩展数据序列进行位置编码，得到扩展数据序列中各数据相对应的位置编码矩阵。

29、s313、通过所述特征提取网络将特征图与位置编码矩阵拼接，得到特征矩阵。

30、可选地，步骤s32包括以下步骤s321-s323：

31、s321、通过所述多头概率稀疏自注意力网络层对特征矩阵并行执行线性映射和注意力计算，得到多个注意力矩阵。

32、s322、对多个注意力矩阵进行拼接和线性映射，得到注意力拼接矩阵。

33、s323、通过所述蒸馏层对注意力拼接矩阵进行卷积计算，去除注意力拼接矩阵中的冗余特征，得到重要特征矩阵。

34、可选地，在步骤s3之前，该方法还包括以下步骤s301-s305：

35、s301、从综合能源系统获取若干训练样本。

36、训练样本包括按时间顺序排列的多个时间节点上的历史多元负荷数据，以及一个待测时间节点上的历史气象数据。

37、s302、根据历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数对训练样本进行扩展，得到扩展训练样本。

38、s303、以扩展训练样本待测时间节点上对应的历史多元负荷数据作为标签，对扩展训练样本进行打标，得到打标扩展训练样本。

39、s304、建立以扩展数据序列为输入，以多元负荷功率预测为输出的待训练多元负荷预测模型。

40、s305、将打标扩展训练样本输入至待训练多元负荷预测模型，以所述标签为参考，比较待训练多元负荷预测模型输出的多元负荷功率预测结果与所述标签之间的偏差，根据所述偏差调整待训练多元负荷预测模型的网络参数，直至待训练多元负荷预测模型的损失函数最小，得到元负荷预测模型。

41、基于相同的技术构思，本技术还提供了一种多元负荷预测系统，包括：

42、获取模块，用于获取综合能源系统的当前气象数据以及若干个时间节点上对应的历史多元负荷数据，构成数据序列。

43、处理模块，用于根据历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数对数据序列进行扩展，得到扩展数据序列；将扩展数据序列输入至预先训练的多元负荷预测模型，通过多元负荷预测模型提取预测扩展数据序列的数据特征，根据数据特征得到与当前气象数据对应的多元负荷功率预测结果。

44、可选地，扩展数据序列的表达式为：

45、z＝[z0 z1 z2 z3]

46、

47、

48、

49、其中，z0表示数据序列，z1、z2和z3分别表示按照负荷间比值、负荷对数和负荷高次幂扩展后的数据矩阵。e表示电负荷，c表示冷负荷，h表示热负荷，l表示幂级数，m表示数据序列的长度，zec,i表示第i个时间节点的电冷比，zeh,i表示第i个时间节点的电热比，zch,i表示第i个时间节点的冷热比，zloge,i表示第i个时间节点的电负荷的对数，zlogc,i表示第i个时间节点的冷负荷的对数，zlogh,i表示第i个时间节点的热负荷的对数，表示第i个时间节点的电负荷的l次幂，表示第i个时间节点的冷负荷的l次幂，表示第i个时间节点的热负荷的l次幂。

50、可选地，处理模块还用于采用四分位点内距检测数据序列中异常值分布的时间节点；删除数据序列中异常值所在时间节点上对应的历史多元负荷数据；采用线性插值法填补数据序列中各时间节点上缺失的历史多元负荷数据，得到预处理数据序列；采用标准差标准化方法对预处理数据序列进行归一化处理，得到归一化数据序列；计算历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数，根据负荷间比值、负荷高次幂和负荷对数对归一化数据序列进行扩展，得到扩展数据序列。

51、可选地，多元负荷预测模型包括特征提取网络、特征处理网络和特征映射网络。特征处理网络包含交替连接的多层多头概率稀疏自注意力网络层和多层蒸馏层。

52、可选地，处理模块具体用于将扩展数据序列输入至所述特征提取网络，通过所述特征提取网络得到扩展数据序列对应的特征矩阵；通过所述特征处理网络去除特征矩阵中的冗余特征，得到重要特征矩阵；通过所述特征映射网络识别重要特征矩阵中各特征的权重，根据各特征的权重输出与当前气象数据对应的多元负荷功率预测结果。

53、可选地，处理模块具体用于通过所述特征提取网络对输入的扩展数据序列进行特征提取，得到扩展数据序列对应的特征图；通过所述特征提取网络对输入的扩展数据序列进行位置编码，得到扩展数据序列中各数据相对应的位置编码矩阵；通过所述特征提取网络将特征图与位置编码矩阵拼接，得到特征矩阵。

54、可选地，处理模块具体用于通过所述多头概率稀疏自注意力网络层对特征矩阵并行执行线性映射和注意力计算，得到多个注意力矩阵；对多个注意力矩阵进行拼接和线性映射，得到注意力拼接矩阵；通过所述蒸馏层对注意力拼接矩阵进行卷积计算，去除注意力拼接矩阵中的冗余特征，得到重要特征矩阵。

55、可选地，处理模块还用于从综合能源系统获取若干训练样本；训练样本包括按时间顺序排列的多个时间节点上的历史多元负荷数据，以及一个待测时间节点上的历史气象数据；根据历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数对训练样本进行扩展，得到扩展训练样本；以扩展训练样本待测时间节点上对应的历史多元负荷数据作为标签，对扩展训练样本进行打标，得到打标扩展训练样本；建立以扩展数据序列为输入，以多元负荷功率预测为输出的待训练多元负荷预测模型；将打标扩展训练样本输入至待训练多元负荷预测模型，以所述标签为参考，比较待训练多元负荷预测模型输出的多元负荷功率预测结果与所述标签之间的偏差，根据所述偏差调整待训练多元负荷预测模型的网络参数，直至待训练多元负荷预测模型的损失函数最小，得到元负荷预测模型。

56、本技术的有益效果：通过求取历史多元负荷数据的负荷间比值、负荷高次幂和负荷对数，挖掘多元负荷之间的耦合特征，并分析负荷与环境之间的相关性，有效应对多元负荷的不确定因素，提高负荷预测精度。通过多头概率稀疏自注意力网络层对特征矩阵执行线性映射和注意力计算，合理分配注意力权重，从而可以从大量的原始数据信息中选择对预测目标最重要的信息，经过特征映射后实现对冷、热、电等多元负荷的高效预测，此外采用多头并行预测，提高负荷预测运算速度。通过异常值检测和替换，数据归一化处理，排除异常值和数据之间量纲差异对负荷预测结果的影响，提高负荷预测精度。