[发明专利]台区电力负荷预测方法及预测装置

权利要求书

1.一种台区电力负荷预测方法，其特征在于，所述方法包括：

采集第一预设时刻的台区电力负荷数据，获得第一数据向量；

将所述第一数据向量输入至已训练的预测神经网络，以由所述预测神经网络输出第二预设时刻的台区电力负荷数据；

其中，所述预测神经网络包括编码器和与所述编码器连接的解码器；所述编码器和所述解码器均基于时间卷积网络实现；所述编码器用于对所述第一数据向量进行特征提取，获得第一特征向量；所述解码器用于根据所述第一特征向量计算第二数据向量，将所述第二数据向量作为所述第二预设时刻的台区电力负荷数据。

2.根据权利要求1所述的台区电力负荷预测方法，其特征在于，所述预测神经网络还包括设置于所述编码器与所述解码器之间的自注意力机制模块；

所述自注意力机制模块用于计算所述第一特征向量中每个元素之间的相关性，获得第二特征向量；

所述解码器还用于根据所述第二特征向量计算所述第二数据向量。

3.根据权利要求2所述的台区电力负荷预测方法，其特征在于，所述编码器包括多个卷积层和第一分类函数；

所述多个卷积层用于对所述第一数据向量进行逐层特征提取后，获得中间特征向量；

所述第一分类函数用于对所述中间特征向量进行分类，获得所述第一特征向量。

4.根据权利要求3所述的台区电力负荷预测方法，其特征在于，所述多个卷积层均为一维卷积层。

5.根据权利要求4所述的台区电力负荷预测方法，其特征在于，所述多个卷积层包括依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层和第一过滤器；

所述第一卷积层包括因果卷积，所述因果卷积包括64个依次连接的卷积核，该64个卷积核的尺寸均为7；

所述第二卷积层包括扩展卷积，该扩展卷积包括64个依次连接的卷积核，该64个卷积核的尺寸均为13；

所述第三卷积层包括扩展卷积，该扩展卷积包括64个依次连接的卷积核，该64个卷积核的尺寸均为9；

所述第四卷积层包括扩展卷积，该扩展卷积包括64个依次连接的卷积核，该64个卷积核的尺寸均为11；

所述第一过滤器包括m个依次连接的卷积核，该m个卷积核的尺寸均为7，其中，m为所述第一数据向量中元素的个数。

6.根据权利要求3所述的台区电力负荷预测方法，其特征在于，所述解码器包括多个反卷积层和第二分类函数；

所述多个反卷积层用于对所述第二特征向量进行逐层上采样以计算中间数据向量；

所述第二分类函数用于对所述中间数据向量进行分类，获得所述第二数据向量。

7.根据权利要求6所述的台区电力负荷预测方法，其特征在于，所述多个反卷积层均为一维反卷积层。

8.根据权利要求7所述的台区电力负荷预测方法，其特征在于，所述多个反卷积层包括依次连接的第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层和第二过滤器；

所述第一反卷积层包括64个依次连接的卷积核，该64个卷积核的尺寸均为3；

所述第二反卷积层、所述第三反卷积层和所述第四反卷积层均与所述第一反卷积层的结构相同；

所述第二过滤器包括m个依次连接的卷积核，该m个卷积核的尺寸均为3，其中，m为所述第一数据向量中元素的个数。

9.根据权利要求6所述的台区电力负荷预测方法，其特征在于，所述第一分类函数和所述第二分类函数均为Softmax函数。

10.一种台区电力负荷预测装置，其特征在于，所述装置包括：

采集模块，用于采集第一预设时刻的台区电力负荷数据，获得第一数据向量；

预测模块，用于将所述第一数据向量输入至已训练的预测神经网络，以由所述预测神经网络输出第二预设时刻的台区电力负荷数据；

其中，所述预测神经网络包括编码器和与所述编码器连接的解码器；所述编码器和所述解码器均基于时间卷积网络实现；所述编码器用于对所述第一数据向量进行特征提取，获得第一特征向量；所述解码器用于根据所述第一特征向量计算第二数据向量，将所述第二数据向量作为所述第二预设时刻的台区电力负荷数据。