[发明专利]基于TPA-Seq2Seq的电力负荷预测方法及相关组件

权利要求书

1.一种基于TPA-Seq2Seq的电力负荷预测方法，其特征在于，包括：

获取用电量数据及其对应的相关变量数据，得到多变量时间序列，并对所述用电量数据及其对应的相关变量数据进行归一化处理，得到对应的数据集，并将所述数据集分为训练集和测试集；

对所述数据集进行滚动切分处理，并将预处理后的多变量时间序列输入至Seq2Seq网络模型中，利用所述Seq2Seq网络模型中的LSTM编码器计算所述多变量时间序列的隐状态，并得到隐状态矩阵；

通过TPA注意力机制对所述隐状态矩阵进行学习，并加权输出目标隐状态序列；

利用Seq2Seq网络模型中的解码器对所述目标隐状态序列进行解码，得到预测结果，从而构建TPA-Seq2Seq网络模型；

通过所述测试集对所述TPA-Seq2Seq网络模型进行评价；

通过所述TPA-Seq2Seq网络模型对未来指定时间的用电量数据进行预测。

2.根据权利要求1所述的基于TPA-Seq2Seq的电力负荷预测方法，其特征在于，所述对所述数据集进行滚动切分处理，并将预处理后的多变量时间序列输入至Seq2Seq模型中，包括：

根据预设滑窗的窗口长度对所述数据集进行滚动切分，得到k组多变量时间序列，并使每组多变量时间序列包含w个时刻的样本数据，且每个时刻的样本数据包含n个特征变量。

3.根据权利要求1所述的基于TPA-Seq2Seq的电力负荷预测方法，其特征在于，所述隐状态矩阵为：

H＝{h_t-w,h_t-w+1,……,h_t-1}，其中，每一隐状态的维度为m，w为滑窗窗口长度，t为最后时刻，h_t即为最后时刻的隐状态。

4.根据权利要求2所述的基于TPA-Seq2Seq的电力负荷预测方法，其特征在于，所述通过TPA注意力机制对所述隐状态矩阵进行学习，并加权输出目标隐状态序列，包括：

按下述公式对所述隐状态的相关变量进行卷积计算，得到目标矩阵H^C：

式中，H_i,j表示所述隐状态矩阵H第i个行向量和第j个卷积核作用的结果值，T为TPA注意力机制过程中所覆盖的范围，l表示所述滑窗的窗口长度w中的每个时刻；

按下述公式计算所述目标矩阵H^C第i个行向量与最后时刻的隐状态h_t的相关性，并得到相关性评分函数：

式中，f为相关性评分函数，为目标矩阵的第i行，h_t为最后时刻的隐状态，W_a∈R^m×k，W_a为待训练学习的参数矩阵，R^m×k为m行k列的实数矩阵；

按下述公式利用sigmoid函数对所述相关性评分函数进行归一化处理，得到注意力权重α_i：

按下述公式利用所述注意力权重α_i对所述目标矩阵H^C的每一行进行加权求和，得到上下文向量v_t：

式中，α_i为注意力权重，为目标矩阵的第i行，m为隐状态的维度；

按下述公式将所述上下文向量v_t与所述LSTM编码器中输出的最后时刻的隐状态h_t进行融合，得到所述目标隐状态序列h'_t：

h′_t＝W_hh_t+W_vv_t

式中，h_t,h'_t∈R^m,W_h∈R^m×m,W_v∈R^m×k，W_h和W_v均为待训练学习的参数矩阵，R^m为m行的实数矩阵，R^m×m为m行m列的实数矩阵，R^m×k为m行k列的实数矩阵。