[发明专利]一种电力负荷预测方法、装置及可读存储介质

权利要求书

1.一种电力负荷预测方法，其特征在于，所述方法包括如下步骤：

获取电能表特征数据；

通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测；

其中，所述长短期记忆网络模型包括长短期神经网络和注意力机制；

所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。

2.如权利要求1所述的方法，其特征在于，获取电能表特征数据，包括：

获取电能表的时序序列特征数据以及电能表静态数据；

所述时序序列特征数据包括：电流、电压、电功率和电功耗；

所述电能表静态数据包括：温度、地理位置、接线方式、出厂日期和制造标准。

3.如权利要求2所述的方法，其特征在于，在获取电能表特征数据之后，所述方法还包括：对所述电能表特征数据进行清洗和归一化处理。

4.如权利要求3所述的方法，其特征在于，构建长短期记忆网络模型，包括：

在长短期记忆网络的输出端上设置一层注意力机制层；以及，

在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。

5.如权利要求4所述的方法，其特征在于，所述长短期记忆网络为双向长短期记忆网络，且双向长短期记忆网络的隐藏层输出满足：

y_i＝g(w_o1*h_f+w_o2*h_b)

其中，y_i表示隐藏层输出，w_o1表示前向网络的参数，h_f表示前向网络的输入，w_o2表示后向网络的参数，h_b表示后向网络的输入，g()表示求和函数。

6.如权利要求5所述的方法，其特征在于，所述注意力机制层的工作步骤包括：

对双向长短期记忆网络的输入序列和双向长短期记忆网络隐藏层的输出序列进行相似度计算；

基于相似度计算结果进行归一化处理；

根据双向长短期记忆网络的隐藏层的输出序列和对应的归一化结果进行加权处理。

7.如权利要求6所述的方法，其特征在于，通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测，包括：

将清洗和归一化处理之后的电能表特征数据输入所构建的长短期记忆网络模型；

将注意力机制层经过加权处理之后的电能表特征数据的加权处理结果输入卷积层以获得负荷预测结果。

8.一种电力负荷预测装置，其特征在于，所述装置包括：

采集模块，用于获取电能表特征数据；

数据处理模块，用于通过预先构建的长短期记忆网络模型对所获取的电能表特征数据进行识别以完成负荷预测；

其中，所述长短期记忆网络模型包括长短期神经网络和注意力机制；

所述注意力机制用于为所述长短期神经网络中不同的隐藏层单元分配不同的权重以识别所述电能表特征数据中的关键信息。

9.如权利要求8所述的装置，其特征在于，所述采集模块，具体用于获取电能表的时序序列特征数据以及电能表静态数据；

所述时序序列特征数据包括：电流、电压、电功率和电功耗；

所述电能表静态数据包括：温度、地理位置、接线方式、出厂日期和制造标准。

10.如权利要求9所述的装置，其特征在于，还包括模型构建模块，具体用于：

在长短期记忆网络的输出端上设置一层注意力机制层；以及，

在所述长短期记忆网络的输入端上设置一层嵌入层以构建包含注意力机制的长短期记忆网络模型。