[发明专利]基于TPA-Seq2Seq的电力负荷预测方法及相关组件

说明书

本发明公开了基于TPA‑Seq2Seq的电力负荷预测方法及相关组件。所述方法包括：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，将数据集分为训练集和测试集；对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Seq2Seq网络模型中的LSTM编码器计算多变量时间序列的隐状态，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；通过测试集对所述TPA‑Seq2Seq网络模型进行评价。本发明提高了电力负荷预测精度，使预测结果更准确。

技术领域

本发明涉及电力预测领域，具体涉及基于TPA-Seq2Seq电力负荷预测方法及相关组件。

背景技术

在日常生活中，时间序列数据无处不在，例如，家庭用电量、道路占用率、货币兑换率、太阳能发电量等，都可以看作是时间序列数据。在电力负荷预测领域内，大多数情况下收集到的数据为多变量时间序列数据，而这些数据通常由当地电力公司跟踪，并且不同的多变量时间序列之间存在复杂的动态相互依赖关系，从而导致难以对多变量时间序列进行捕获和分析。

传统的用于时间序列预测的非线性自回归模型很难捕捉到一段较长时间内的数据间的时间相关性，也比较难选择相应的驱动数据来对多变量时间序列数据进行预测。传统的线性模型具体包括：自回归模型(AR，Auto-Regressive model，是一种统计上一种处理时间序列的方法)、移动平均模型(MA，Moving Average model)、自回归移动平均模型(ARMA，Auto-Regressive Moving Average Model)、自回归合成移动平均模型(ARIMA，Auto-Regressive Integrated Moving Average)等，这些模型针对小规模的预测取得了很好的效果，但是不能满足用电量数据存在的突变性和多依赖性等非线性要求。

随着神经网络、支持向量机等技术的不断提出，出现了基于机器学习算法的预测模型，例如：人工神经网络、最小二乘支持向量机等算法模型。以上算法存在的问题在于缺少对时序数据时间相关性的考虑，从而导致预测精度有限。

发明内容

本发明实施例提供了一种基于TPA-Seq2Seq的电力负荷预测方法、装置、计算机设备及存储介质，旨在提高基于多变量时间序列数据的电力负荷预测精度。

第一方面，本发明实施例提供了一种基于TPA-Seq2Seq的电力负荷预测方法，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。

进一步的，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：