【技术实现步骤摘要】
本专利技术涉及电气自动化领域，具体是一种基于改进informer模型的电力负荷预测方法。
技术介绍
1、电能作为现在人民日常生活和工业生产的主要能源，保证其可靠稳定是电力工业中的重要目标，然而，由于目前技术还无法实现电能的大规模储存，所以要尽量保证电力系统内的发电量与实际消耗量达到一个动态平衡的状态，发电量不够时需要增加发电机组的输出功率,发电量过剩时,也需要采取相应措施防止不必要的浪费。
2、公开号为cn114462670a的中国专利技术专利在2022-05-10日公开了一种基于lstm模型的用电量预测方法，包括下列步骤：采集在t时间段内且包含多个用户的日用电量相关历史数据，并对所述日用电量相关历史数据进行异常值处理以及缺失值填补；建立第一特征指标，根据新的用电量相关数据获得对应用户的第一特征指标的特征值，对所述用户样本集进行k-means聚类，基于聚类结果划分多个用户群体；建立第二特征指标以及包含lstm网络的用电量预测模型，将每类用户群体的第二特征指标的特征值以及第一特征指标的特征值作为所述用电量预测模型的输入，对所述用电量预测模型进行训练，得到特定日的电量预测值，将待预测月已实际产生的日电量与该月内特定日的电量预测值相加即得到相应的月电量预测值。
3、但是上述已公开方案存在如下不足之处:目前常用的lstm模型能够在一定程度上处理时序数据中的长短期依赖关系，但当输入序列过长时，历史信息被稀释和序列信息丢失等问题依旧存在，从而导致预测精度降低，并且多步预测由于误差累积的原因，会导致其预测结果比单步预测
技术实现思路
1、本专利技术目的是解决上述技术问题，提供一种基于改进informer模型的电力负荷预测方法。
2、为了实现上述目的，本专利技术采用以下技术方案予以实现；
3、本专利技术解决其技术问题所采用的技术方案是：本专利技术所述的一种基于改进informer模型的电力负荷预测方法，包括该方法包括以下步骤；
4、s1：获取电力负荷数据；
5、s2：获取天气数据；
6、s3：对电力负荷数据和对应的天气数据进行整合以及预处理；
7、s4：使用xgboost算法对整合后的电力负荷数据进行特征筛选，选出合适的特征维度和特征；
8、s5：构建informer网络模型；所述informer网络模型用于执行概率自注意力机制，蒸馏操作和动态解码；
9、s6：使用s5所述informer网络模型对电力负荷数据进行处理，获取未来一段时间内的电力负荷预测值。
10、进一步的，所述s1中所述电力负荷数据集主要包括电力系统的电力负荷值和电价，数据采集粒度为30min。
11、进一步的，所述s2中所述天气数据集主要包括干球温度、露点温度、湿球温度以及湿度等因素，数据采集粒度为30min。
12、进一步的，所述s3中使用补全法对数据集中的缺失值和异常值进行补全；采用min-max标准化方法对电力负荷数据进行归一化处理，其中，对于每个属性，设mina和maxa分别为属性a的最小值和最大值，将a的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：新数据＝(原数据-最小值)/(最大值-最小值)。
13、进一步的，所述s4完成数据预处理之后，使用xgboost进行特征筛选选出合适的特征维度和特征，xgboost进行特征选择时，通过计算分裂前后的误差减少量来衡量每个叶子节点对减小整体误差作出的贡献，从而选择最优分裂特征及分裂点。
14、进一步的，所述s5lnformer模型基础上进行改进，将informer模型与卷积层进行结合，在informer模型中应用特定的转换后的cnn架构，即在注意力层前面加入因果卷积层，来增强局部数据的感知能力，通过分解时间序列，可以将时间序列分解成趋势项、季节项和周期项等多个部分。可以更好地捕捉到不同时间尺度上的变化趋势，从而改善预测精度；
15、电力负荷通过滑动平均的思想分解为趋势项和季节项，计算公式如下：
16、xt＝avgpool(padding(x))kernel
17、xs＝x-xt
18、式中：x指的是输入序列，xt指的是趋势项，xs指的是季节项，采用moving average以平滑周期性波动并突出长期趋势项，padding操作用来保持序列长度不变。
19、进一步的，所述s6中输入预测日之前若干时间的电力负荷数据，输入到电力负荷预测模型中得到预测值。
20、本专利技术提供的一种基于改进informer模型的电力负荷预测方法，具有以下有益效果：
21、1.本专利技术通过概率自注意力机制能够关注到影响电力负荷状态的关键特征，并且相比于普通的注意力机制，能够大大减小运算时间，提高网络的运行效率；蒸馏操作能够提炼出主要特性数据，消除经过概率自注意力后的冗余数据，可以大大地缩短输入的时间维度；
22、2.本专利技术通过informer提出生成式解码器获取长序列输出，只需一个step即可完成所有解码，避免了推理阶段的累积误差扩散，相比于lstm来说可以进一步提高预测精度；将把输入序列分解为趋势项和季节项，二者分开预测然后相加得到最后的预测结果，可以进一步提升预测的精度。
本文档来自技高网...【技术保护点】
1.一种基于改进Informer模型的电力负荷预测方法，其特征在于；该方法包括以下步骤；
2.根据权利要求1所述的基于改进Informer模型的电力负荷预测方法，其特征在于：所述S1中所述电力负荷数据集主要包括电力系统的电力负荷值和电价，数据采集粒度为30min。
3.根据权利要求2所述的基于改进Informer模型的电力负荷预测方法，其特征在于：所述S2中所述天气数据集主要包括干球温度、露点温度、湿球温度以及湿度等因素，数据采集粒度为30min。
4.根据权利要求3所述的基于改进Informer模型的电力负荷预测方法，其特征在于：所述S3中使用补全法对数据集中的缺失值和异常值进行补全；采用min-max标准化方法对电力负荷数据进行归一化处理，其中，对于每个属性，设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：新数据＝(原数据-最小值)/(最大值-最小值)。
5.根据权利要求4所述的基于改进Informer模型的电力负荷预测方法，其特征在于：所述
6.根据权利要求5所述的基于改进Informer模型的电力负荷预测方法，其特征在于：所述S5 Informer模型基础上进行改进，将Informer模型与卷积层进行结合，在Informer模型中应用特定的转换后的CNN架构，即在注意力层前面加入因果卷积层，来增强局部数据的感知能力，通过分解时间序列，可以将时间序列分解成趋势项、季节项和周期项等多个部分。可以更好地捕捉到不同时间尺度上的变化趋势，从而改善预测精度；
7.根据权利要求6所述的基于改进Informer模型的电力负荷预测方法，其特征在于：所述S6中输入预测日之前若干时间的电力负荷数据，输入到电力负荷预测模型中得到预测值。
...【技术特征摘要】
1.一种基于改进informer模型的电力负荷预测方法，其特征在于；该方法包括以下步骤；
2.根据权利要求1所述的基于改进informer模型的电力负荷预测方法，其特征在于：所述s1中所述电力负荷数据集主要包括电力系统的电力负荷值和电价，数据采集粒度为30min。
3.根据权利要求2所述的基于改进informer模型的电力负荷预测方法，其特征在于：所述s2中所述天气数据集主要包括干球温度、露点温度、湿球温度以及湿度等因素，数据采集粒度为30min。
4.根据权利要求3所述的基于改进informer模型的电力负荷预测方法，其特征在于：所述s3中使用补全法对数据集中的缺失值和异常值进行补全；采用min-max标准化方法对电力负荷数据进行归一化处理，其中，对于每个属性，设mina和maxa分别为属性a的最小值和最大值，将a的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：新数据＝(原数据-最小值)/(最大值-最小值)。
5...
【专利技术属性】
技术研发人员：吴有中，聂士广，唐磊，庞晴晴，刘志天，李霞，贾丽娟，李金中，谢毓广，马伟，张红，高博，徐斌，吴自强，
申请(专利权)人：国网安徽省电力有限公司阜阳供电公司，
类型：发明
国别省市：
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。