基于注意力机制聚类模式的短期电力负荷预测方法及装置

本发明涉及电力系统负荷预测，尤其涉及一种基于注意力机制聚类模式的短期电力负荷预测方法及装置。

背景技术：

1、作为电力系统中处于末端的一种预测，用电端负荷预测是指对电力系统未来一段时间内的用电负荷进行预测，包括对民用、商用和工业用电负荷的预测。用电端负荷预测在电网调度等领域具有应用价值。比如，用电端负荷预测可以帮助电力系统运营商预测未来一段时间内的用电需求，从而合理安排发电计划和电力调度，以维持电力系统的供需平衡，确保能源的可靠供应；通过精确的用电负荷预测，电力系统运营商可以更有效地规划和优化电力设备的运行，节约运营成本；准确的用电负荷预测可以减少供电中断的风险，提高电力系统的可靠性和稳定性；准确的用电负荷预测有助于避免过度投资或资源浪费，为电力系统的可持续发展提供支持。

2、研究负荷预测也面临一些难点，一方面，负荷预测需要大量的数据支持，包括历史用电数据、天气数据、经济数据等，但这些数据往往存在不确定性，会对预测精度造成挑战；另一方面，用电端负荷预测受到多种因素影响，包括季节变化、天气变化、节假日情况、经济状况等，这些因素相互交织、预测难度较大。基于此，对用电端负荷预测的研究具有重要意义。

3、与本发明最接近的是卷积神经网络短期负荷预测模型，卷积神经网络可以通过卷积层、池化层自动学习输入数据的特征表示，其特征提取能力强，同时可以有效地利用并行计算的优势，加速训练和推理过程。但由于负荷时间序列的波动性、非线性和非平稳性，以及影响因素的多样性，包括气象(如温度)、季节、日历(如工作日和非工作日)和随机因素，上述方法在负荷数据复杂性方面考虑不足，使用单一模型进行预测精度较差。

技术实现思路

1、本发明通过提供一种基于注意力机制聚类模式的短期电力负荷预测方法及装置，解决了现有技术中对负荷数据复杂性方面考虑不足，使用单一模型预测精度较差的问题，实现了将负荷分为不同的类别，建立不同负荷数据对应的预测模型，提升短期电力负荷预测的精度。

2、第一方面，本发明提供了一种基于注意力机制聚类模式的短期电力负荷预测方法，该方法包括：

3、s101，获取初始数据集、训练好的负荷类别预测模型和个负荷值预测模型；其中所述初始数据集包括：多天特征数据平均值和负荷标签；

4、s102，将所述特征数据平均值和所述负荷标签输入至所述训练好的负荷类别预测模型中，对负荷类别进行预测，得到待预测日的负荷类别预测值；

5、s103，分别计算所述待预测日的负荷类别预测值属于个负荷类别标签中的每个负荷类别标签的概率，得到待预测日的负荷类别预测值对应的概率；其中，多个所述概率之和为1；

6、s104，将已知采样点数据输入至训练好的个负荷值预测模型中，得到对应的个负荷预测值；其中，所述已知采样点数据包括：电力负荷、特征数据；

7、s105，利用所述个负荷预测值和对应所述概率进行加权计算，得到待预测点的负荷预测值；

8、s106，确定下一个待预测点，并更新当前预测点的真实值，再执行s104至s105对下个待预测点进行预测，得到下一个待预测点的负荷预测值，直至对所有待预测点完成预测，得到待测日的负荷预测值集合。

9、结合第一方面，在一种可能的实现方式中，对所述负荷类别预测模型进行训练，得到训练好的所述负荷类别预测模型，包括：

10、对所述初始数据集进行预处理，得到数据集和最佳分类数；

11、利用所述最佳分类数得到对应的个负荷类别标签，并利用所述个负荷类别标签和长短期记忆网络构建负荷类别预测模型；

12、获取所述数据集中的数据，并对所述数据进行处理，得到数据集；其中，所述数据集包括：所述特征数据和所述负荷类别标签；

13、将所述数据集进行归一化，得到归一化后的数据集；

14、设置时间步长对所述归一化后的数据集进行划分，得到训练集、和测试集、；

15、将所述训练集、输入至数据加载器中，得到训练数据加载器，将所述测试集、输入至数据加载器中，得到测试数据加载器；

16、构建长短期记忆网络模型，设置最佳损失和训练次数；

17、设置所述长短期记忆网络模型为训练模式，利用所述训练数据加载器、所述训练集、对所述负荷类别预测模型的参数进行更新，得到一次更新短期记忆网络模型；

18、设置所述长短期记忆网络模型为评估模式，利用所述测试数据加载器、所述测试集、对所述负荷类别预测模型的参数进行评估，得到评估结果；

19、确定所述评估结果和所述最佳损失中的最小值，确定最小值为所述最佳损失；

20、根据训练次数重复对所述长短期记忆网络模型的参数进行更新，得到训练好的负荷类别预测模型。

21、结合第一方面，在一种可能的实现方式中，对所述负荷值预测模型进行训练，得到训练好的负荷值预测模型，包括：

22、对所述初始数据集进行预处理，得到数据集和最佳分类数；

23、利用所述最佳分类数对应的个负荷类别标签，将所述数据集中相同负荷类别标签的数据划分至同一数据集，得到个第一数据集；其中，所述第一数据集是按天构建的数据集；

24、将所述个第一数据集，去掉所述负荷类别标签，得到个修订第一数据集，并将个所述修订第一数据集转换为个第二数据集；其中，个所述第二数据集为包括每个采样点的电力负荷和所述特征数据的数据集；

25、获取所述个第二数据集中的数据，并将所述数据进行归一化，得到个归一化后的数据；

26、利用所述归一化数据、时间步长和特征数量对所述数据集进行处理，得到训练集、和测试集、；

27、将所述训练集中的数据输入至数据加载器中，得到训练数据加载器，将所述测试集中的数据输入至数据加载器中，得到测试数据加载器；

28、构建与所述个第二数据集对应的个负荷值预测模型，并设置损失函数；

29、利用所述训练数据、所述测试数据以及所述损失函数对所述负荷值预测模型进行训练，得到训练好的负荷值预测模型。

30、结合第一方面，在一种可能的实现方式中，所述对所述初始数据集进行预处理，得到数据集和最佳分类数，包括：

31、利用所述初始数据集，得到电力负荷集和特征数据集；

32、利用所述电力负荷集和所述特征数据集，得到数据集；其中，所述数据集包括：所述电力负荷集和所述特征数据集；

33、设置多个类别数目，利用融入注意力机制的聚类方法和不同的所述类别数目对所述数据集进行聚类，得到每个类别数目对应的隶属度矩阵和聚类中心；

34、分别求解多个所述隶属度矩阵中每一行的最大值，并利用所述最大值对应的列索引值，确定负荷类别标签；

35、利用所述电力负荷集和所述负荷类别标签，计算每个类别数目对应的轮廓系数，得到多个轮廓系数；

36、确定所述多个轮廓系数中的最大值对应的类别数目为最佳分类数，并且与所述最佳分类数对应的隶属度矩阵和聚类中心为最佳隶属度矩阵和最佳聚类中心；

37、将负荷类别标签添加至所述数据集，得到数据集。

38、结合第一方面，在一种可能的实现方式中，所述设置类别数目，利用融入注意力机制的聚类方法根据所述类别数目对所述数据集进行聚类，得到每个类别数目对应的隶属度矩阵和聚类中心，包括：

39、获取初始化的隶属度矩阵和利用均值算法初始化聚类中心，并对所述初始化聚类中心进行计算，得到聚类中心；

40、利用所述聚类中心，分别计算所述电力负荷集中每个数据与所述聚类中心之间的多个距离；

41、利用指数函数和所述多个距离计算注意力权重矩阵，计算所述电力负荷集中每个数据对应的注意力权重矩阵中的元素；

42、利用所述注意力权重矩阵、所述聚类中心和所述电力负荷集对所述初始化的隶属度矩阵进行更新，得到更新后的隶属度矩阵；

43、利用所述隶属度矩阵与所述电力负荷集，对所述聚类中心进行更新，得到更新后的聚类中心；

44、判断所述更新后的隶属度矩阵与所述隶属度矩阵之间的差值是对否小于第一阈值；

45、若是，则输出所述更新后的隶属度矩阵和所述更新后的聚类中心，若否，利用所述更新后的隶属度矩阵和所述更新后的聚类中心，重新计算所述注意力权重矩阵、重新计算后的隶属度矩阵和重新计算后的聚类中心，直至所述重新计算的隶属度矩阵与所述更新后的隶属度矩阵之间的差值是小于所述第一阈值。

46、结合第一方面，在一种可能的实现方式中，所述长短期记忆网络模型，包括：一个隐藏层和一个全连接层，所述长短期记忆网络模型的输出维度为1。

47、第二方面，本发明提供了一种基于注意力机制聚类模式的短期电力负荷预测装置，该装置包括：

48、数据获取模块，用于获取初始数据集；其中所述初始数据集包括：多天特征数据平均值和负荷标签；

49、负荷类别预测模块，用于将所述特征数据平均值和所述负荷标签输入至所述训练好的负荷类别预测模型中，对负荷类别进行预测，得到待预测日的负荷类别预测值；

50、概率计算模块，用于分别计算所述待预测日的负荷类别预测值属于个负荷类别标签中的每个负荷类别标签的概率，得到待预测日的负荷类别预测值对应的概率；其中，多个所述概率之和为1；

51、负荷预测模块，用于将已知采样点数据输入至训练好的个负荷值预测模型中，得到对应的个负荷预测值；其中，所述已知采样点数据包括：电力负荷、特征数据；

52、预测值计算模块，用于利用所述个负荷预测值和对应所述概率进行加权计算，得到待预测点的负荷预测值；

53、负荷预测值集合获取模块，用于确定下一个待预测点，并更新当前预测点的真实值，再执行s104至s105对下个待预测点进行预测，得到下一个待预测点的负荷预测值，直至对所有待预测点完成预测，得到待测日的负荷预测值集合。

54、第三方面，本发明提供了一种基于注意力机制聚类模式的短期电力负荷预测服务器，该服务器包括存储器和处理器；

55、所述存储器用于储存计算机可执行指令；

56、所述处理器用于执行所述计算机可执行指令，以实现基于注意力机制聚类模式的短期电力负荷预测方法。

57、第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质有可执行指令，计算机执行所述可执行指令时能够实现基于注意力机制聚类模式的短期电力负荷预测方法。

58、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

59、(1)本发明采用聚类的方法先将负荷日的类别区分开，在聚类算法中融入注意力机制，能够根据数据样本与聚类中心之间的相似度动态调整隶属度，并更好地捕捉到数据的局部特征和结构信息；

60、(2)本发明进行负荷预测时，先预测当日负荷属于各类别的概率，再对各个模型得到的负荷预测值进行加权求和，得到最终负荷预测值，最终提高负荷预测效果。