电力负荷预测方法、装置、设备与存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113743650A(43)申请公布日2021.12.03(21)申请号202110889443.0H02J3/00(2006.01)(22)申请日2021.08.04G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人南方电网科学研究院有限责任公司地址510000广东省广州市萝岗区科学城科翔路11号J1栋3、4、5楼及J3栋3楼申请人中国南方电网有限责任公司(72)发明人周挺辉苏寅生周保荣赵利刚甄鸿越黄冠标王长香吴小珊徐原翟鹤峰涂思嘉(74)专利代理机构广州三环专利商标代理有限公司44202代理人麦小婵郝传鑫(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)权利要求书2页说明书8页附图2页(54)发明名称电力负荷预测方法、装置、设备与存储介质(57)摘要本发明公开了一种电力负荷预测方法、装置、设备以及计算机可读存储介质，所述方法通过将预设时间段的非结构化数据输入卷积神经网络中后用Transformer编码器模型进行特征赋权，能够给予重要特征更多的权重，并采用引入attention机制的双向LSTM对结构化数据进行特征提取，能够从众多信息中选择出对当前任务目标更关键的信息，最后采用特征向量拼接的方式将第一特征向量和第二特征向量拼接输入到全连接神经网络中来预测电力负荷，有效提高了电力负荷预测结果的准确性。CN113743650ACN113743650A权利要求书1/2页1.一种电力负荷预测方法，其特征在于，包括：对采集到的预设时间段的电力负荷数据进行预处理，得到第一特征数据和第二特征数据；其中，所述第一特征数据是对预设时间段的第一非结构化负荷数据预处理得到的，所述第二特征数据是对预设时间段的第一结构化负荷数据预处理得到的；将所述第一特征数据输入到预先训练的卷积神经网络进行特征提取，得到第一一特征向量，并将所述第一一特征向量输入到预先训练的Transformer编码器模型中，得到第一特征向量；将所述第二特征数据输入到预先训练的LSTM‑Attention网络模型中，得到第二特征向量；其中，所述LSTM‑Attention网络模型为引入注意力机制的双向LSTM模型；将所述第一特征向量和所述第二特征向量进行拼接，得到拼接特征向量，并将所述拼接特征向量输入到预先训练的全连接神经网络进行预测，得到电力负荷预测结果。2.如权利要求1所述的电力负荷预测方法，其特征在于，所述对采集到的预设时间段的电力负荷数据进行预处理，得到第一特征数据和第二特征数据，具体包括：对预设时间段的电力负荷数据进行过滤、填充、标准化和归一化处理，并根据数据类型，将处理后的数据分为第二结构化负荷数据和第二非结构化负荷数据；对所述第二非结构化负荷数据进行向量化处理，得到第一特征数据；对所述第二结构化负荷数据进行降维处理，得到第二特征数据。3.如权利要求2所述的电力负荷预测方法，其特征在于，所述对预设时间段的电力负荷数据进行过滤、填充、标准化和归一化处理，并根据数据类型，将处理后的数据分为第二结构化负荷数据和第二非结构化负荷数据，具体包括：将所述预设时间段的电力负荷数据整理成数据表，其中，所述数据表的每一列用于存放影响因素名称和相关联的数据；遍历所述数据表的每一列，查找并删除数据缺失率大于第一预设缺失率的所在列、查找并删除与前一列影响因素名称相同的所在列、查找并填充数据缺失率小于第二预设缺失率的所在列、查找并删除存在异常数据的所在行，得到过滤填充后的数据表；将过滤填充后的数据表中的数据进行标准化和归一化处理，并根据数据类型，将过滤填充后的数据表中的数据分为第二结构化负荷数据和第二非结构化负荷数据。4.如权利要求2所述的电力负荷预测方法，其特征在于，所述对所述第二非结构化负荷数据进行向量化处理，得到第一特征数据，具体为：采用One‑hot编码、BOW模型、TF‑IDF算法或N‑Gram模型对所述第二非结构化负荷数据进行向量化处理，得到第一特征数据。5.一种电力负荷预测装置，其特征在于，包括：数据预处理模块，对采集到的预设时间段的电力负荷数据进行预处理，得到第一特征数据和第二特征数据；其中，所述第一特征数据是对预设时间段的第一结构化负荷数据预处理得到的，所述第二特征数据是对预设时间段的第一非结构化负荷数据预处理得到的；第一特征向量获取模块，用于将所述第一特征数据输入到预先训练的卷积神经网络进行特征提取，得到第一一特征向量，并将所述第一一特征向量输入到预先训练的Transformer编码器模型中，得到第一特征向量；第二特征向量获取模块，用于将所述第二特征数据输入到预先训练的LSTM‑Attention2CN113743650A权利