一种电力设备能源消耗数据预测方法、系统及设备

本发明涉及电力负荷技术预测领域，特别是涉及一种电力设备能源消耗数据预测方法、系统及设备。

背景技术：

1、在现代制造业中，设备能源消耗数据的精确预测对于实现生产运行的平稳、成本的有效控制以及可持续发展，具有重要战略意义。目前的能源消耗数据负荷预测方法主要集中在时域上的长短期预测任务，忽略了设备能源消耗数据数据中多维特征之间的相互关系，这导致使用传统深度学习方法对多维数据进行低效编码。现有的研究已经揭示了气象数据与能源消耗数据预测之间的明确相关性，然而，现有的lstm等模型只考虑了时间依赖性，未能充分捕捉到多维特征之间的相互关系，限制了对多维信息的准确建模。此外，深度学习模型由于其固定的输入尺度，难以适应能源消耗数据数据的周期性变化，能源消耗数据数据表现出不同的周期模式，如季节性变化或节假日，传统的深度学习模型缺乏适应此类变化的灵活性，导致预测不准确。

技术实现思路

1、本发明的目的是提供一种电力设备能源消耗数据预测方法、系统及设备，以解决传统的深度学习模型低效编码，无法充分捕捉到多维特征之间的相互关系导致对设备能源消耗数据预测精度低的问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种电力设备能源消耗数据预测方法，包括：

4、获取电力设备的历史多维能源消耗序列，划分为训练数据集、测试数据集以及验证数据集；所述历史多维能源消耗序列为多维时间序列，所述历史多维能源消耗序列包括设备能源消耗历史数据、时间戳历史数据、气象历史数据以及设备状态码；

5、根据所述训练数据集训练ts2arcformer预测模型，生成训练好后的ts2arcformer预测模型；所述ts2arcformer预测模型包括ts2vec网络模型、引入跨维度自注意机制的多层transformer编码器、ar模型以及融合模块；所述ts2vec网络模型用于对所述历史多维能源消耗序列中的历史多维能源消耗数据进行嵌入表示，将所述历史多维能源消耗数据的低维特征向量转换为高维特征向量；所述多层transformer编码器用于根据跨维度自注意机制，通过跨通道和跨时间维度的交互提取所述高维特征向量的多元特征，输出增强预测结果；所述ar模型用于捕获所述历史多维能源消耗序列中能源消耗数据的线性变化趋势以及尺度变化，生成ar预测结果；所述融合模块用于融合所述增强预测结果以及所述ar预测结果，生成所述训练数据集对应的能源消耗结果；

6、将所述测试数据集以及所述验证数据集输入至所述训练好后的ts2arcformer预测模型，预测电力设备的能源消耗结果。

7、可选的，所述ts2arcformer预测模型的训练性能函数loss为：

8、其中，n为所述训练数据集的样本数量；z为样本序号；yz为真实目标值，为所述ts2arcformer预测模型的预测目标值。

9、可选的，所述ts2vec网络模型，具体包括：输入映射层、时间戳掩码层以及扩展卷积层模块；所述输入映射层用于对所述历史多维能源消耗序列中的历史多维能源消耗数据进行嵌入表示；所述时间戳掩码层用于捕捉历史多维能源消耗数据的时间维上的特征信息；所述扩展卷积层模块用于保证学习到数据特征。

10、可选的，所述ts2vec网络模型通过时间对比损失函数以及实例对比损失函数进行学习；所述时间对比损失函数用于挖掘所述历史多维能源消耗数据动态随时间变化的趋势；所述实例对比损失函数用于学习所述历史多维能源消耗数据的特定特征；所述特定特征包括负荷数据的随机性、周期性、波动性以及节假日特性；

11、可选的，所述时间对比损失函数为：

12、

13、其中，i为第i个历史多维能源消耗序列的索引；t为时间戳；t′为同一历史多维能源消耗序列的不同时间戳；ri,t为来自所述历史多维能源消耗序列的增强的第一个上下文表示；r′i,t为来自所述历史多维能源消耗序列的增强的第二个上下文表示；ω为不同时间戳的两个负荷子系列重叠部分内的时间戳集合，所述负荷子系列为不同时间戳的两个设备能源消耗数据序列；为指数函数。

14、可选的，所述实例对比损失函数为：

15、

16、其中，b为批次大小；j为第j个历史多维能源消耗序列的索引；ri,t为来自所述历史多维能源消耗序列的增强的第一个上下文表示；r′i,t为来自所述历史多维能源消耗序列的增强的第二个上下文表示；为指数函数。

17、可选的，所述跨维度自注意机制为：

18、

19、

20、其中，zh为横向自注意力的输出向量；qh为横向自注意力的查询向量；kh为横向自注意力的键向量；vh为横向自注意力的值向量；zv为纵向自注意力的输出向量；qv为纵向自注意力的查询向量；kv为纵向自注意力的键向量；vv为纵向自注意力的值向量；dk为注意力头的维度；softmax函数为对注意力权重进行归一化处理。

21、可选的，所述ar模型的自回归预测公式为：

22、

23、其中，为ar预测结果；qar为历史多维能源消耗序列上输入窗口的大小，为ar分量赋予每个线性分量的权重，bar为自回归分量的偏置值；k为历史窗口尺寸；yt-k为当前时间t的前k个能源消耗值。

24、一种电力设备能源消耗数据预测系统，包括：

25、划分模块，用于获取电力设备的历史多维能源消耗序列，划分为训练数据集、测试数据集以及验证数据集；所述历史多维能源消耗序列为多维时间序列，所述历史多维能源消耗序列包括设备能源消耗历史数据、时间戳历史数据、气象历史数据以及设备状态码；

26、训练模块，用于根据所述训练数据集训练ts2arcformer预测模型，生成训练好后的ts2arcformer预测模型；所述ts2arcformer预测模型包括ts2vec网络模型、引入跨维度自注意机制的多层transformer编码器、ar模型以及融合模块；所述ts2vec网络模型用于对所述历史多维能源消耗序列中的历史多维能源消耗数据进行嵌入表示，将所述历史多维能源消耗数据的低维特征向量转换为高维特征向量；所述多层transformer编码器用于根据跨维度自注意机制，通过跨通道和跨时间维度的交互提取所述高维特征向量的多元特征，输出增强预测结果；所述ar模型用于捕获所述历史多维能源消耗序列中能源消耗数据的线性变化趋势以及尺度变化，生成ar预测结果；所述融合模块用于融合所述增强预测结果以及所述ar预测结果，生成所述训练数据集对应的能源消耗结果；

27、预测模块，用于将所述测试数据集以及所述验证数据集输入至所述训练好后的ts2arcformer预测模型，预测电力设备的能源消耗结果。

28、一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述一种电力设备能源消耗数据预测方法。

29、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明实施例考虑了设备能源消耗数据空间上的多元特性的相互关系，获取电力设备的历史多维能源消耗序列，包括设备能源消耗历史数据、时间戳历史数据、气象历史数据以及设备状态码；并利用历史多维能源消耗序列的训练数据集训练ts2arcformer预测模型，其中，ts2arcformer预测模型包括ts2vec网络模型、引入跨维度自注意机制的多层transformer编码器、ar模型以及融合模块，利用ts2vec模型对历史多维能源消耗序列中的历史多维能源消耗数据进行嵌入表示，从而将历史多维能源消耗数据的低维特征向量转换为高维特征向量，高维特征向量包含了更抽象的信息，能够更好地表示时间序列数据中的长期依赖关系和周期性变化，实现高效编码；引入跨维度自注意机制的多层transformer编码器，通过跨通道和跨时间维度的交互实现更准确的多元特征提取，输出增强预测结果；同时，集成ar模块以解决深度学习模型对输入规模不敏感的问题，生成ar预测结果；最后，利用融合模块融合增强预测结果以及所述ar预测结果，生成所述训练数据集对应的能源消耗结果，完成ts2arcformer预测模型的训练。本发明通过对空间信息进行高效编码和全局权重分配，从而充分提取多元特征信息，并且利用ar模型的差异化输入窗口大小，实现针对数据的周期性变化进行灵活配置，提高了设备能源消耗数据预测精度。