【技术实现步骤摘要】
本专利技术属于能源预测，具体涉及一种基于transformer的综合负荷预测方法及系统。
技术介绍
1、能源是社会发展和经济运行的基石，对人们的生活和工业生产起着至关重要的作用。然而传统能源（例如煤炭、石油和天然气）的有限性和对环境的不利影响日益引起广泛关注，这使得对可再生能源的需求不断增加。而可再生能源的波动性和不可控性给能源系统的稳定性和可靠性带来了挑战，因此需要配置其他能源进行协调。在这一背景下，许多国家开始将目光聚焦于综合能源系统，以应对能源需求的多样性和可持续性。其中，区域综合能源系统(regional integrated energy system，ries)是对广域能源进行综合分析的基础，也是综合能源系统的具体应用场景。
2、区域综合能源系统通过对电、冷、热等多元负荷的协调规划和灵活调度，可以有效提升多元负荷的利用效率。多元负荷的长期预测是区域综合能源系统安全稳定运行和经济优化管理的重要前提，对于实现电、冷、热负荷的供求平衡具有重要意义。因此，实现高效准确的多元负荷长期预测至关重要。由于ries系统中多种能源形式之间的互补效应，多元负荷之间存在着复杂的耦合特性，这为ries多元负荷预测带来了新的挑战。
3、传统的负荷预测主要针对特定能源进行单一预测，如电能、天然气、冷热、热能等负荷，其依据历史电能负荷数据和相关的影响因素，如天气、季节等进行建模和预测。而在ries中，电能、冷能、热能等能源相互交织、互为补充，其供需关系和相互影响密不可分。传统负荷预测忽略了区域综合能源系统中多种能源形式之间
技术实现思路
1、为解决现有技术的不足，本专利技术提供一种基于transformer的综合负荷预测方法及系统，充分考虑综合能源负荷数据的特性，针对数据的趋势性、季节性、长时依赖关系以及不同负荷的耦合特性提供了一系列解决方法，提高了区域综合资源系统多负荷预测精度。
2、本专利技术采取的技术方案如下。
3、第一方面，本专利技术提出一种基于transformer的综合负荷预测方法包括：
4、获取检测日历数据、负荷检测数据和气象检测数据，并输入至预训练的综合负荷预测模型获得实时热能预测值、实时冷能预测值和实时电能预测值；
5、所述综合负荷预测模型的构建过程为：
6、由历史综合负荷数据集中获取日历数据、负荷历史数据和气象历史数据，将负荷历史数据进行预处理获得负荷训练数据，对负荷训练数据与气象历史数据以及日历数据进行相关性分析和筛选获得气象训练数据和日历训练数据；由日历训练数据、负荷训练数据和气象训练数据构建训练集；
7、基于transformer深度学习模型构建综合负荷预测模型，将所述训练集输入至所述综合负荷预测模型进行多尺度分解操作，得到趋势性特征和季节性特征；将所述趋势性特征和所述季节性特征分别进行序列划分操作；对序列划分操作后的所述季节性特征进行第一特征提取操作得到电负荷、冷负荷、热负荷的季节性预测值，对序列划分操作后的所述趋势性特征进行第二特征提取操作得到电负荷、冷负荷、热负荷的趋势性预测值；将所述电负荷、冷负荷、热负荷的季节性预测值和电负荷、冷负荷、热负荷的趋势性预测值分别对应相加，最终得到所述训练集的训练预测结果，基于训练预测结果计算训练损失值，根据训练损失值对综合负荷预测模型的参数进行优化，重复迭代综合负荷预测模型的训练过程获得训练后的所述综合负荷预测模型。
8、可选的，将负荷历史数据进行预处理获得负荷训练数据，过程包括：
9、对所述负荷历史数据的缺省值插值处理、异常值修补处理、平滑处理和对所述历史综合负荷数据集的归一化处理；
10、其中，所述缺省值插值处理的具体步骤为用当前缺省值的前一个非缺省值和后一个非缺省值数据的均值进行填充；
11、若某一时刻的所述负荷数据与当天负荷数据均值的差值超过当天负荷数据均值的预设百分比，则将该负荷数据视为异常值；所述异常值修补处理采用线性样条插值法，其公式如下所示：
12、；
13、其中，表示当前时刻，表示在当前时刻需要估算的待异常值修补处理的负荷数据值，表示上一时刻，表示上一时刻的负荷数据值；表示下一时刻，表示下一时刻的负荷数据值；
14、使用savitzky-golay滤波器实现所述平滑处理操作。
15、可选的，对负荷训练数据与气象历史数据以及日历数据进行相关性分析和筛选获得气象训练数据，过程包括：
16、计算负荷训练数据和所述气象历史数据以及日历数据中不同变量之间的person相关系数，选取person相关系数大于预设阈值的所述气象历史数据和日历数据作为辅助变量，得到气象训练数据和日历训练数据。
17、可选的，综合负荷预测模型的构建过程还包括：
18、由日历训练数据、负荷训练数据和气象训练数据构建验证集和测试集；
19、在每个训练周期结束后，使用所述验证集评估训练后的所述综合负荷预测模型，并对所述综合负荷预测模型进行更新，得到最佳的所述综合负荷预测模型；
20、将所述测试集输入至最佳的所述综合负荷预测模型，输出所述测试集的热能预测值、冷能预测值和电能预测值，利用所述测试集的热能预测值、冷能预测值和电能预测值计算综合负荷预测模型的评价指标。
21、可选的，所述评价指标包括均方根误差、平均绝对误差和平均绝对百分误差。
22、可选的，对所述综合负荷预测模型进行更新是指根据所述验证集得到的所述评价指标调整所述综合负荷预测模型的超参数，通过重复的训练和验证的过程，找到最优的参数配置，得到最佳的所述综合负荷预测模型。
23、可选的，所述多尺度分解操作指的是将所述训练集分解为趋势性特征和季节性特征，所述尺度分解包括线性分支和池化层分支，具体步骤如下：
24、所述线性分支流程为将所述训练集复制三份，复制后的相同的所述训练集分别与线性层中尺寸为(15,15)的权重矩阵相乘，得到第四特征向量、第五特征向量和第六特征向量，并对所述特征向量进行数据归一化操作，得到线性层分支结果；
25、所述池化层分支流程为将所述训练集复制三份，复制后的相同的所述训练集分别输入池化窗口为6、12、24的1维平均池化函数，得到不同趋势程度的第一特征向量、第二特征向量和第三特征向量，得到池化层分支结果；
26、将所述线性层分支结果和所述池化层分支结果进行元素相乘，具体为特征向量1与特征向量4逐元素相乘，特征向量2与特征向量5逐元素相乘，特征向量3与特征向量6逐元素相乘，得到三个新的不同的特征向量，再对所述三个新的不同的特征向量进行相加操作，得到所述趋势性特征；
27、将所述训练集与所述趋本文档来自技高网...
【技术保护点】
1.一种基于Transformer的综合负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于Transformer的综合负荷预测方法，其特征在于，将负荷历史数据进行预处理获得负荷训练数据，过程包括：
3.根据权利要求1所述的基于Transformer的综合负荷预测方法，其特征在于，对负荷训练数据与气象历史数据进行相关性分析和筛选获得气象训练数据，过程包括：
4.根据权利要求1所述的基于Transformer的综合负荷预测方法，其特征在于，综合负荷预测模型的构建过程还包括：
5.根据权利要求4所述的基于Transformer的综合负荷预测方法，其特征在于，所述评价指标包括均方根误差、平均绝对误差和平均绝对百分误差。
6.根据权利要求4所述的基于Transformer的综合负荷预测方法，其特征在于，对所述综合负荷预测模型进行更新是指根据所述验证集得到的所述评价指标调整所述综合负荷预测模型的超参数，通过重复的训练和验证的过程，找到最优的参数配置，得到最佳的所述综合负荷预测模型。
7.根据权利要求4所述的基
8.根据权利要求4所述的基于Transformer的综合负荷预测方法，其特征在于，所述序列划分操作的具体步骤为：将所述季节性特征进行所述序列划分操作，分得到包含电负荷的季节性特征数据、包含冷负荷的季节性特征数据、包含热负荷的季节性特征数据，所述包含电负荷的季节性特征数据包括电负荷、气象数据和日历数据；所述包含冷负荷的季节性特征数据包括冷负荷、气象数据和日历数据；所述包含热负荷的季节性特征数据包括热负荷、气象数据和日历数据；所述季节性特征和所述趋势性特征的序列划分规则相同，将所述趋势性特征进行序列划分操作，分别得到包含电负荷的趋势性特征数据、包含冷负荷的趋势性特征数据和包含热负荷的趋势性特征数据。
9.根据权利要求8所述的基于Transformer的综合负荷预测方法，其特征在于，将序列划分后的包含电负荷的季节性特征数据、包含冷负荷的季节性特征数据和包含热负荷的季节性特征数据分别进行相同的第一特征提取操作，分别得到电负荷、冷负荷、热负荷的季节性预测值；
10.根据权利要求8所述的基于Transformer的综合负荷预测方法，其特征在于，所述第二特征提取操作的具体步骤为：采用相同的解耦多层感知机对输入的包含电负荷的趋势性特征数据、包含冷负荷的趋势性特征数据和包含热负荷的趋势性特征数据分别进行处理，分别得到电负荷趋势性预测值、冷负荷趋势性预测值和热负荷趋势性预测值，所述多层感知机前后添加了可逆实例归一化层，计算公式如下：
11.一种基于Transformer的综合负荷预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于transformer的综合负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于transformer的综合负荷预测方法，其特征在于，将负荷历史数据进行预处理获得负荷训练数据，过程包括：
3.根据权利要求1所述的基于transformer的综合负荷预测方法，其特征在于，对负荷训练数据与气象历史数据进行相关性分析和筛选获得气象训练数据，过程包括：
4.根据权利要求1所述的基于transformer的综合负荷预测方法，其特征在于，综合负荷预测模型的构建过程还包括：
5.根据权利要求4所述的基于transformer的综合负荷预测方法，其特征在于，所述评价指标包括均方根误差、平均绝对误差和平均绝对百分误差。
6.根据权利要求4所述的基于transformer的综合负荷预测方法，其特征在于，对所述综合负荷预测模型进行更新是指根据所述验证集得到的所述评价指标调整所述综合负荷预测模型的超参数，通过重复的训练和验证的过程，找到最优的参数配置，得到最佳的所述综合负荷预测模型。
7.根据权利要求4所述的基于transformer的综合负荷预测方法，其特征在于，所述多尺度分解操作指的是将所述训练集分解为趋势性特征和季节性特征，所述尺度分解包括线性分支和池化层分支，具体步骤如下：
8.根据权利要求4所述的基于transformer的综合负荷预测方法，其特征在于，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。