【技术实现步骤摘要】
本专利技术涉及用电控制，具体是涉及一种基于时序大模型的区域空调负荷预测方法及系统。
技术介绍
1、在建筑能耗的构成中，空调能耗占据了显著的份额。据权威数据指出，特别是在夏季，一些人口稠密的大都市中，室内的空调用电负荷甚至占据了整个电力负荷的半数以上。这表明，空调的使用对于城市电力消耗具有不可忽视的影响。大规模空调启停带来新的尖峰负荷，因此在进行电力调控时，对室内冷却负荷的短期预测和精准调控显得尤为关键。而在空调电力负荷预测领域，现有技术中均采用单一的预测模型，预测精度低、泛化能力差。
技术实现思路
1、专利技术目的：针对以上缺点，本专利技术提供一种空调负荷预测的精确性和泛化能力的基于时序大模型的区域空调负荷预测方法及系统。
2、技术方案：为解决上述问题，本专利技术采用一种基于时序大模型的区域空调负荷预测方法，包括：
3、获取历史空调负荷数据以及与空调负荷相关的关键变量；
4、将空调负荷数据和关键变量通过prompt技术进行处理，得到处理后的数据序列；
5、构建基于units模型的时序预测大模型；通过处理后的数据序列训练并测试模型，得到训练好的时序预测大模型；
6、通过训练好的时序预测大模型进行区域空调负荷预测。
7、进一步的，所述获取与空调负荷相关的关键变量的步骤包括：
8、通过斯皮尔曼相关性分析，筛选出与空调负荷相关的关键变量，斯皮尔曼相关系数p计算公式为：
9、
10、其
11、进一步的，所述获取历史空调负荷数据的步骤包括：对获取的历史空调负荷数据进行预处理，预处理包括采用局部加权散点图平滑算法对历史空调负荷数据进行平滑处理；所述局部加权散点图平滑算法采用多项式加权拟合，通过最小二乘法进行误差估计；所述局部加权散点图平滑算法采用三立方权函数。
12、进一步的，所述基于units模型的时序预测大模型包括n个堆叠的units块和一个cls组件，所述units块包括序列多头自注意mhsa、可变mhsa、动态多层感知机mlp和门模块；所述基于units模型的时序预测大模型将原始序列转换为三种类型的token标记，包括sequence token、prompt token和task token，sequence token通过不重叠的窗口将原始序列划分成多个patch片段，每个patch片段经过动态多层感知机mlp映射得到对应的embedding嵌入，以表征原始序列的序列特征；prompt token用于根据任务特性吸收原始序列中的上下文信息；task token包括mask token和cls token，mask token用于统一处理时间序列预测和填充任务，生成预测结果，cls token用于时间序列分类任务。
13、进一步的，所述通过处理后的数据序列训练并测试模型，得到训练好的时序预测大模型包括：采用灰狼优化算法，以时序预测大模型输出的空调负荷预测值与空调负荷实际值之间的差值最小为目标，对时序预测大模型中网络超参数进行优化。
14、进一步的，所述动态多层感知机mlp中采用动态线性算子dylinear处理原始的mlp权重，根据输入向量长度的大小做双线性插值，生成和输入维度匹配的mlp权重，dylinear运算如下：
15、dylinear(zs；w)＝winterpzs；winterp＝interp(w)
16、其中，zs为给定的序列标记，w为权重，interp是双线性插值。
17、本专利技术还采用一种基于时序大模型的区域空调负荷预测系统，包括：
18、数据获取模块，用于获取历史空调负荷数据以及与空调负荷相关的关键变量；
19、数据处理模块，用于将空调负荷数据和关键变量通过prompt技术进行处理，得到处理后的数据序列；
20、模型构建模块，用于构建基于units模型的时序预测大模型；通过处理后的数据序列训练并测试模型，得到训练好的时序预测大模型；
21、预测模块，用于通过训练好的时序预测大模型进行区域空调负荷预测。
22、进一步的，所述数据获取模块还用于，通过斯皮尔曼相关性分析，筛选出与空调负荷相关的关键变量，斯皮尔曼相关系数p计算公式为：
23、
24、其中，为秩次差，n为数据个数。
25、进一步的，所述数据获取模块还用于，对获取的历史空调负荷数据进行预处理，预处理包括采用局部加权散点图平滑算法对历史空调负荷数据进行平滑处理；所述局部加权散点图平滑算法采用多项式加权拟合，通过最小二乘法进行误差估计；所述局部加权散点图平滑算法采用三立方权函数。
26、本专利技术还采用一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
27、本专利技术还采用一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
28、有益效果：本专利技术相对于现有技术，其显著优点是构建基于prompt+units模型的时序预测大模型，实现对空调负荷数据以及其相关的多种相关数据之间多变量数据序列的高效处理与智能分析，提升了区域空调短期预测的准确性和可靠性，还为综合能源系统的安全、高效运行提供了有力支持。通过引入spearman相关性分析法筛选关键变量和lowess非参数学习方法进行数据降噪，有效提高了预测精度和效率。通过灰狼优化算法(gwo)对网络超参数的优化，确保了模型在面对不同数据源和序列长度时的稳定性和准确性。
本文档来自技高网...【技术保护点】
1.一种基于时序大模型的区域空调负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述获取与空调负荷相关的关键变量的步骤包括：
3.根据权利要求1所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述获取历史空调负荷数据的步骤包括：对获取的历史空调负荷数据进行预处理，预处理包括采用局部加权散点图平滑算法对历史空调负荷数据进行平滑处理；所述局部加权散点图平滑算法采用多项式加权拟合，通过最小二乘法进行误差估计；所述局部加权散点图平滑算法采用三立方权函数。
4.根据权利要求1所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述基于UniTS模型的时序预测大模型包括N个堆叠的UNITS块和一个CLS组件，所述UNITS块包括序列多头自注意MHSA、可变MHSA、动态多层感知机MLP和门模块；所述基于UniTS模型的时序预测大模型将原始序列转换为三种类型的token标记，包括sequence token、prompttoken和task token，sequence token通过不
5.根据权利要求4所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述通过处理后的数据序列训练并测试模型，得到训练好的时序预测大模型包括：采用灰狼优化算法，以时序预测大模型输出的空调负荷预测值与空调负荷实际值之间的差值最小为目标，对时序预测大模型中网络超参数进行优化。
6.根据权利要求4所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述动态多层感知机MLP中采用动态线性算子Dylinear处理原始的MLP权重，根据输入向量长度的大小做双线性插值，生成和输入维度匹配的MLP权重，Dylinear运算如下：
7.一种基于时序大模型的区域空调负荷预测系统，其特征在于，包括：
8.根据权利要求7所述的基于时序大模型的区域空调负荷预测系统，其特征在于，所述数据获取模块还用于，通过斯皮尔曼相关性分析，筛选出与空调负荷相关的关键变量，斯皮尔曼相关系数p计算公式为：
9.根据权利要求7所述的基于时序大模型的区域空调负荷预测系统，其特征在于，所述数据获取模块还用于，对获取的历史空调负荷数据进行预处理，预处理包括采用局部加权散点图平滑算法对历史空调负荷数据进行平滑处理；所述局部加权散点图平滑算法采用多项式加权拟合，通过最小二乘法进行误差估计；所述局部加权散点图平滑算法采用三立方权函数。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
11.一种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权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于时序大模型的区域空调负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述获取与空调负荷相关的关键变量的步骤包括：
3.根据权利要求1所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述获取历史空调负荷数据的步骤包括：对获取的历史空调负荷数据进行预处理，预处理包括采用局部加权散点图平滑算法对历史空调负荷数据进行平滑处理；所述局部加权散点图平滑算法采用多项式加权拟合，通过最小二乘法进行误差估计；所述局部加权散点图平滑算法采用三立方权函数。
4.根据权利要求1所述的基于时序大模型的区域空调负荷预测方法，其特征在于，所述基于units模型的时序预测大模型包括n个堆叠的units块和一个cls组件，所述units块包括序列多头自注意mhsa、可变mhsa、动态多层感知机mlp和门模块；所述基于units模型的时序预测大模型将原始序列转换为三种类型的token标记，包括sequence token、prompttoken和task token，sequence token通过不重叠的窗口将原始序列划分成多个patch片段，每个patch片段经过动态多层感知机mlp映射得到对应的embedding嵌入，以表征原始序列的序列特征；prompt token用于根据任务特性吸收原始序列中的上下文信息；tasktoken包括mask token和cls token，mask token用于统一处理时间序列预测和填充任务，生成预测结果，cls token用于时间序列分类任务。
5.根据权利要求4所述的基于时序大模型的区...
【专利技术属性】
技术研发人员：汤卓凡，赵希超，郑庆荣，张春平，赵建立，石杰，鲁意，刘子腾，陆颖杰，王桂林，
申请(专利权)人：国网上海市电力公司，
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。