一种结合深度学习的长期负荷预测方法技术

本发明专利技术提出了一种结合深度学习的长期负荷预测方法，涉及负荷预测技术领域，包括：获取每个日期的日期特征并归一处理得到日期表征；获取全部历史负荷序列得到全局模式信息并压缩到对应日期的日期表征中生成全局预测；获取回溯窗口的历史观测值来减去对应日期的全局预测得到回溯窗口的残差；将回溯窗口的残差、每个日期的日期表征和下个日期的日期表征输入到短期预测网络得到下一日期的预测残差；将预测残差添加到回溯窗口的残差中，并重复上一步得到所有需预测日期的残差；将全局预测和所有需预测日期的残差结合得到最终预测结果；本发明专利技术通过从时间表征的全局信息把握序列全局模式，增加了模型吞吐量，实现了准确的长期负荷预测。荷预测。荷预测。

【技术实现步骤摘要】
一种结合深度学习的长期负荷预测方法


[0001]本专利技术涉及负荷预测
，具体而言，涉及一种结合深度学习的长期负荷预测方法。

技术介绍

[0002]负荷预测方法主要有三种预测模型：统计学习模型、深度学习模型和其它机器学习模型。现在的长期负荷预测主要使用的是深度学习模型，而其它机器学习和统计学习模型的表现较差，不适用于长期预测。其中，深度学习模型按照神经网络结构的不同又可以分为三类：基于循环神经网络、基于卷积神经网络和基于Transformer的模型，而基于Transformer的模型是目前主流的长期负荷预测方法。
[0003]然而，现有的长期负荷预测方法都遵循一个常规时间序列预测的范式：输入一段最近发生的时间序列给模型，模型再输出一段未来的时间序列；这种范式只利用了输入时间序列中的短期信息，只能学习到短期的时间序列模式，不适用于长期的负荷预测。由于长期的负荷预测需要模型从所有过去观测到的历史负荷序列中学习一个长期的全局模式，但又不能把所有的历史观测序列输入给模型，因为现有的模型处理不了较长的输入序列，从而造成了现有模型的吞吐量都较低，不能预测更长期的负载序列，从而不能实现准确鲁棒的长期负荷预测。
[0004]基于此，本申请提出一种结合深度学习的长期负荷预测方法来解决上述问题。

技术实现思路

[0005]本专利技术的目的在于提供一种结合深度学习的长期负荷预测方法，其通过从时间表征中的全局信息把握序列的全局模式，极大地减少了模型的建模负担，增加了模型的吞吐量，实现准确的长期负荷预测。
[0006]本专利技术的技术方案为：
[0007]第一方面，本申请提供一种结合深度学习的长期负荷预测方法，其包括以下步骤：
[0008]S1、获取每个日期的日期特征并归一化处理以得到每个日期的日期表征；
[0009]S2、获取全部历史负荷序列以得到全部历史负荷序列的全局模式信息，将全局模式信息压缩到对应日期的日期表征中以生成全局预测；
[0010]S3、通过历史负荷序列获取回溯窗口的历史观测值，通过回溯窗口的历史观测值减去对应日期的全局预测以得到回溯窗口的残差；
[0011]S4、将回溯窗口的残差、回溯窗口每个日期的日期表征和回溯窗口下个日期的日期表征输入到短期预测网络以得到下一日期的预测残差；
[0012]S5、将下一日期的预测残差添加到回溯窗口的残差中，并重复步骤S4以得到所有需预测日期的残差；
[0013]S6、将全局预测和所有需预测日期的残差相结合以得到最终预测结果。。
[0014]进一步地，步骤S2中，上述将全局模式信息压缩到对应日期的日期表征中以生成
全局预测的计算公式为：
[0015]Global PredictiOn g＝FFN(Duplicate(d)+PE)，
[0016]其中，Global Prediction g表示全局预测，Duplicate表示复制函数，FFN表示全局预测网络，PE表示位置编码，d表示日期表征。
[0017]进一步地，步骤S3中，上述通过回溯窗口的历史观测值减去对应日期的全局预测以得到回溯窗口的残差得公式为：
[0018]r
i
＝x
i
‑
g
i
，
[0019]其中，i表示天数，r
i
表示回溯窗口第i天的残差，x
i
表示回溯窗口第i天的历史观测值，g
i
表示回溯窗口第i天的全局预测。
[0020]讲一步地，步骤S4中上述下一日期的预测残差的计算公式为：
[0021][0022]r
i+1
＝W1*r1+W2*r2+...+W
i
*r
i
，
[0023]其中，i表示天数，表示短期预测网络处理后的回溯窗口的每个日期和预测日期的日期表征序列，Encoder表示编码器，Decoder表示解码器，{r1，r2，...，r
i
}表示回溯窗口的残差序列，表示短期预测网络处理后的回溯窗口的日期表征序列，{d1，d2，...，d
i
，d
i+1
})表示回溯窗口每个日期和预测日期的日期表征序列，{W1，W2，...，W
i
}表示{d1，d2，...，d
i
}的相似度，{d1，d2，...，d
i
}为回溯窗口的日期表征序列，r
i+1
表示下一日期的预测残差，r
i
表示回溯窗口第i天的残差，W
i
表示d
i
的相似度，d
i
表示回溯窗口第i天的日期表征。
[0024]进一步地，步骤S6中，上述最终预测结果的计算公式为：
[0025]Y＝{y
i+1
，y
i+2
，...，y
i+f
}＝{g
i+1
，g
i+2
，...，g
i+f
}+{r
i+1
，r
i+2
，...，r
i+f
}，
[0026]其中，Y表示最终预测结果，y
i+f
表示第i+f天的预测结果，g
i+f
表示第i+f天的全局预测，r
i+f
表示第i+f天的预测残差，f为迭代次数。
[0027]第二方面，本申请提供一种电子设备，其特征在于，包括：
[0028]存储器，用于存储一个或多个程序；
[0029]处理器；
[0030]当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项的一种结合深度学习的长期负荷预测方法。
[0031]第三方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的一种结合深度学习的长期负荷预测方法。
[0032]相对于现有技术，本专利技术至少具有如下优点或有益效果：
[0033](1)本专利技术一种结合深度学习的长期负荷预测方法，通过将历史负荷序列的全局模式信息压缩到时间表征中，使得预测时能从时间表征中的全局信息把握序列的全局模式，提高了长期负荷预测的鲁棒性，实现了准确的长期负荷预测；
[0034](2)本专利技术将负荷序列按天分片，并将天作为预测的最小单位，从而极大地减少了
模型的建模负担，增加了模型的吞吐量。
附图说明
[0035]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0036]图1为本专利技术一种结合深度学习的长期负荷预测方法的步骤图；...

【技术保护点】

【技术特征摘要】
1.一种结合深度学习的长期负荷预测方法，其特征在于，包括以下步骤：S1、获取每个日期的日期特征并归一化处理以得到每个日期的日期表征；S2、获取全部历史负荷序列以得到全部历史负荷序列的全局模式信息，将全局模式信息压缩到对应日期的日期表征中以生成全局预测；S3、通过历史负荷序列获取回溯窗口的历史观测值，通过回溯窗口的历史观测值减去对应日期的全局预测以得到回溯窗口的残差；S4、将回溯窗口的残差、回溯窗口每个日期的日期表征和回溯窗口下个日期的日期表征输入到短期预测网络以得到下一日期的预测残差；S5、将下一日期的预测残差添加到回溯窗口的残差中，并重复步骤S4以得到所有需预测日期的残差；S6、将全局预测和所有需预测日期的残差相结合以得到最终预测结果。2.如权利要求1所述的一种结合深度学习的长期负荷预测方法，其特征在于，步骤S2中，所述将全局模式信息压缩到对应日期的日期表征中以生成全局预测的计算公式为：Global Prediction g＝FFN(Duplicate(d)+PE)，其中，Global Prediction g表示全局预测，Duplicate表示复制函数，FFN表示全局预测网络，PE表示位置编码，d表示日期表征。3.如权利要求1所述的一种结合深度学习的长期负荷预测方法，其特征在于，步骤S3中，所述通过回溯窗口的历史观测值减去对应日期的全局预测以得到回溯窗口的残差得公式为：r
i
＝x
i
‑
g
i
，其中，i表示天数，r
i
表示回溯窗口第i天的残差，x
i
表示回溯窗口第i天的历史观测值，g
i
表示回溯窗口第i天的全局预测。4.如权利要求1所述的一种结合深度学习的长期负荷预测方法，其特征在于，步骤S4中所述下一日期的预测残差的计算公式为：所述下一日期的预测残差的计算公式为：r
i+1
＝W1*r1+W2*r2+...+W
i
*r
i
，其中，i表示天数，表示短期预测网络处理后的回溯窗口的每个日期和预测日期的日期表征序列，Encoder表示编码器...

【专利技术属性】
技术研发人员：杨炬龙，彭舰，黄飞虎，陈俊珲，王金策，弋沛玉，李梦诗，
申请(专利权)人：四川大学，
类型：发明
国别省市：