[发明专利]基于双阶段注意力机制的工业用户用电量短期预测方法

权利要求书

1.一种基于双阶段注意力机制的工业用户用电量短期预测方法，其特征在于，包括以下步骤：

获取工业用户用电量原始时序数据；

对所述工业用户用电量原始时序数据进行数据处理，生成样本数据集；

构建双阶段注意力机制的工业用户用电量短期预测模型，并使用样本数据集对模型进行训练，生成训练好的模型；

通过将真实数据输入训练好的模型实现工业用户用电量的短期预测。

2.如权利要求1所述的方法，其特征在于，所述对所述工业用户电量原始时序数据进行数据处理，生成数据集，包括以下步骤：

对所述工业用户用电量原始时序数据进行数据清洗；

通过集成经验模态分解算法，将清洗后的工业用户用电量时序数据转化为频率由高到低排列的一组子序列，其中，每个子序列体现了原始序列的在特定频率域的特征；

使用Fine-to-Coarse重构算法对所述一组子序列进行计算，得到原始序列的高频、低频和趋势成分；

对原始数据的各项预测指标进行标准化处理，并将标准化处理结果通过滑动窗口技术构建样本数据集，之后将样本数据集按照比例划分为训练集和测试集，其中，所述各项预测指标包括四项时序数据，分别为清洗后的工业用户用电量时序数据、分解得到的高频、低频和趋势成分。

3.如权利要求1所述的方法，其特征在于，采用编码器-解码器结构为模型框架，构建所述双阶段注意力机制的工业用户用电量短期预测模型，其中，

在编码器阶段，将循环神经网络与注意力机制相结合，提取同一时刻各项变量与目标序列的空间相关性；

在解码器阶段，将循环神经网络与注意力机制相结合，以编码器的计算结果为输入数据，提取同一变量在不同时刻的时间相关特征；

在编码器-解码器结构之外，为了进一步捕捉原始序列的突变特征，以工业用户用电量时序数据为输入变量，构建双层卷积的深层神经网络结构，其中，所述双层卷积的深层神经网络结构采用双层的卷积和池化操作；

将编码器-解码器阶段的输出结果与双层卷积阶段的输出结果作为输出层的输入数据，通过使用全连接层利用两阶段预测结果的拼接向量计算得到最终的预测结果，从而完成模型的构建。

4.如权利要求1所述的方法，其特征在于，所述使用数据集对模型进行训练，具体为：

采用数据集中的训练集对模型训练，包括：在模型训练过程中采用反向传播算法更新参数，模型训练的目标函数为均方误差MSE，选择小批量随机梯度下降和Adam优化器最小化预测值与真实值的差距，其中，批量大小根据样本数据集的规模而定；

使用数据集中的验证集对模型进行验证，确保模型无过拟合现象发生。

5.一种基于双阶段注意力机制的工业用户用电量短期预测系统，其特征在于，包括获取模块、数据处理模块、工业用户用电量短期预测模型生成模块、预测模块，其中，

所述获取模块，用于获取工业用户用电量原始时序数据；

所述数据处理模块，用于对所述工业用户用电量原始时序数据进行数据处理，生成样本数据集；

所述工业用户用电量短期预测模型生成模块，用于构建双阶段注意力机制的工业用户用电量短期预测模型，并使用数据集对模型进行训练，生成训练好的模型；

所述预测模块，用于通过将真实数据输入训练好的模型实现工业用户用电量的短期预测。

6.如权利要求5所述的系统，其特征在于，所述数据处理模块，具体用于：

对所述工业用户用电量原始时序数据进行数据清洗；

通过集成经验模态分解算法，将清洗后的工业用户用电量时序数据转化为频率由高到低排列的一组子序列，其中，每个子序列体现了原始序列的在特定频率域的特征；

使用Fine-to-Coarse重构算法对所述一组子序列进行计算，得到原始序列的高频、低频和趋势成分；

对原始数据的各项预测指标进行标准化处理，并将标准化处理结果通过滑动窗口技术构建样本数据集，之后将样本数据集按照比例划分为训练集和测试集，其中，所述各项预测指标包括四项时序数据，分别为清洗后的工业用户用电量时序数据、分解得到的高频、低频和趋势成分。

7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。