[发明专利]台区电力负荷预测方法及预测装置在审

专利信息
申请号: 202010297161.7 申请日: 2020-04-15
公开(公告)号: CN111507521A 公开(公告)日: 2020-08-07
发明(设计)人: 张港红;霍超;白晖峰;王立城;甄岩;郑利斌;李新军;侯莹莹;苑佳楠;尹志斌;高建 申请(专利权)人: 北京智芯微电子科技有限公司;国网信息通信产业集团有限公司
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q50/06;G06N3/04
代理公司: 北京润平知识产权代理有限公司 11283 代理人: 肖冰滨;王晓晓
地址: 100192 北京市海淀区*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 电力 负荷 预测 方法 装置
【说明书】:

发明涉及电力负荷预测技术领域,提供一种台区电力负荷预测方法及预测装置,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;将第一数据向量输入至已训练的预测神经网络,以由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编码器连接的解码器;所述编码器和解码器均基于时间卷积网络实现;所述编码器用于对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第一特征向量计算第二数据向量,将第二数据向量作为第二预设时刻的台区电力负荷数据。本发明提供的技术方案,能够准确、高效地预测台区电力负荷。

技术领域

本发明涉及电力负荷预测技术领域,特别涉及一种台区电力负荷预测方法及一种台区电力负荷预测装置。

背景技术

深度学习技术越来越广泛地应用于对时间序列数据的预测上,尤其是循环神经网络(Recurrent Neural Network,RNN)的广泛应用,以及在该神经网络之上的长短时记忆网络(Long Short-Term Memory,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)所体现出来的高精度,使神经网络在电力负荷预测领域越来越受欢迎。用于预测台区电力负荷的神经网络一般被称为预测神经网络。

然而,在现有技术中,对预测神经网络训练的稳定性问题一直存在,而且经常出现梯度消失的现象,由于在整个训练任务完成之前,需要保存所有的中间结果,所以计算密集度较强,对于训练输入的长序列数据所消耗的系统内存容量也很大。另外,现有的预测神经网络一次只读取、解析输入序列数据中的一个数值,预测神经网络必须等前一个数值处理完毕,才能进行下一个数值的处理,这导致了大规模的并行处理难以完成。

现有的预测神经网络的上述缺点导致了对台区电力负荷的预测不准确,且时效性不高。

发明内容

有鉴于此,本发明旨在提出一种台区电力负荷预测方法及预测装置,能够准确、高效地预测台区电力负荷。

为达到上述目的,本发明的技术方案是这样实现的:

一种台区电力负荷预测方法,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。

进一步地,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。

优选地,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,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。

优选地,所述多个卷积层均为一维卷积层。

优选地,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;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京智芯微电子科技有限公司;国网信息通信产业集团有限公司,未经北京智芯微电子科技有限公司;国网信息通信产业集团有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010297161.7/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code