[发明专利]一种电力负荷预测方法、装置及可读存储介质

说明书

本发明公开了一种电力负荷预测方法、装置及可读存储介质，所述方法包括如下步骤：获取电能表特征数据；构建包含注意力机制的长短期记忆网络模型；通过所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。本发明方法通过构建包含注意力机制的长短期记忆网络模型；通过所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，通过注意力机制与长短期记忆网络结合提高了对于电能表特征数据中的关键信息的关注度，提高电力负荷预测的准确度。

技术领域

本发明涉及电力系统负荷分类技术领域，特别是一种电力负荷预测方法、装置及可读存储介质。

背景技术

电力负荷预测按时间范围可划分为超短期预测，短期预测、中长期预测和节日预测。短期预测或超短期预测主要用于指导电力部门合理的安排发电计划。传统的短期电力负荷预测方法主要分为两类。第一类是基于回归分析法、趋势外推法、专家系统法以及时间序列法等方法的传统方法。文献利用人口，GDP以及全社会用电量的历史数据，基于多元线性回归分析对电力负荷进行预测。文献提出了一种结合小波变换与累积式自回归移动平均(ARIMA)模型的短期电力负荷预测方法。由于短期负荷数据中存在着明显的波动性和随机性，传统方法主要针对的是线性模型，线性模型在进行短期预测时不够灵活，并且对非线性关系预测能力不足，无法做到准确预测。另一类是包含支持向量机、人工神经网络模型的方法。现有技术中有将BP神经网络模型应用到电力负荷预测中，采用了支持向量机SVM(Support Vector Machine,SVM)对电力负荷进行预测。这类方法在处理非线性关系时取得了较好的效果，改善了精度受限的问题，BP神经网络虽然结构简单，但是学习能力较差且容易陷入局部最优，支持向量机模型虽然可以应用到小样本中，但是在处理大量数据时会花费大量机器内存和运行时间。以上两类方法主要考虑了电力负荷与其影响因素间的关系，而忽略了连续负荷样本自身序列数据之间的关系。

发明内容

有鉴于现有技术的上述缺陷，本发明的目的就是提供一种电力负荷预测方法、装置及可读存储介质，通过加入注意力机制进一步提高电力负荷预测的准确度。

本发明的目的之一是通过这样的技术方案实现的，一种电力负荷预测方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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)