【技术实现步骤摘要】
本专利技术涉及电力负荷预测，具体涉及一种多模态多尺度特征融合的电力负荷预测方法和系统。
技术介绍
1、电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。
2、现有的电力负荷预测主要是通过历史负荷数据和数值气象数据进行电力负荷预测，如cn118332415a，基于dbo-svr算法的电力系统负荷预测方法及系统，2024.07.12中从电力系统负荷相关的参数中筛选出与电力负荷相关性最大的参数，建立训练集；并基于训练集构建支持向量回归模型；通过蜣螂优化算法确定支持向量回归模型的超参数；通过支持向量回归模型迭代寻优更新蜣螂种群全局最优位置，得到优化后的支持向量回归模型进行负荷预测。cn118333225a，基于深度学习的电力负荷预测方法、装置及电子设备，2024.07.12中提出基于深度学习的负荷预测方法，基于vmd算法对所述电力负荷原始数据进行分解，得到多个重构子模态数据，对重构数据进行数据划分，得到训练集、验证集和测试集，将所述训练集和所述验证集输入至crossformer网络模型中进行训练，得到电力负荷预测模型。
3、通过上述描述可知，现有的电力负荷预测主要依赖于历史负荷数据和数值气象数据，数据类型较为单一，预测精度较低。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种多模态多尺度特征融合的电力负荷预测方法和系统，解决了现有的电力负荷预测方法预测精度较低的技
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：
5、第一方面，本专利技术提供一种多模态多尺度特征融合的电力负荷预测方法，包括：
6、s1、获取历史负荷序列，并对历史负荷序列进行分解，得到包括趋势分量，周期分量，高频分量的分量序列集合；
7、s2、利用多尺度transformer模型对分量序列集合中的每个分量进行多尺度负荷时序特征提取；
8、s3、采用跨模态注意力机制将多尺度负荷时序特征和卫星图像特征进行融合，得到融合特征；
9、s4、通过多步预测解码器对融合特征进行解码处理，得到多步电力负荷预测结果；
10、其中，所述卫星图像特征的获取方式包括：基于grvt模型对卫星图像进行特征提取，得到卫星图像特征；所述grvt模型的包括若干堆叠的门控残差编码器网络单元。
11、优选的，所述对历史负荷序列进行分解，包括：
12、通过ceemdan算法对历史负荷序列进行分解。
13、优选的，所述利用多尺度transformer模型对分量序列集合中的每个分量进行多尺度负荷时序特征提取，包括：
14、所述多尺度transformer模型包括一个patch分割单元、n个多头自注意力模块和一个融合模块；其中，
15、其中，patch分割单元将分量序列集合中每一个分量都不重叠地分割为n个尺寸不同的patch的分量集合；
16、n个多头自注意力模块对n个尺寸不同的patch的分量集合进行处理，输出n个单尺度特征；
17、融合模块对n个单尺度特征进行融合，得到多尺度负荷时序特征。
18、优选的，所述多尺度transformer模型中包括若干全连接层，全连接层中采用swiglu作为激活函数，swiglu激活函数的表达式如下：
19、ffnswiglu＝swiglu(xinput,w1,v)w2
20、swiglu(xinput,w1,v)w2＝swishβ(xinputw1xinputv)w2
21、swishβ(xinput)＝xσ(βxinput)
22、其中，w1，v为swiglu模块的两个权重矩阵，w2为原始ffn的第二层全连接权重矩阵，代表哈达玛积逐位相乘，swish为激活函数，β为swish激活函数的一个可学习的参数，当β＝1时等同于silu激活函数，xinput为全连接层的输入数据。
23、优选的，所述grvt模型还包括patch单元、线性投影+位置编码单元和全连接层；
24、其中，patch单元将卫星图像切分为多个patch；
25、线性投影+位置编码单元将多个patch进行线性投影后，进行位置编码，得到门控残差编码器的输入特征；
26、若干堆叠的门控残差编码器对输入特征进行处理后，得到融合浅层信息和深层信息的编码特征，
27、编码特征经过全连接层输出卫星图像特征。
28、优选的，采用跨模态注意力机制将多尺度负荷时序特征和卫星图像特征进行融合，得到融合特征，包括：
29、多尺度负荷时序特征ftem经过一个可学习的权重矩阵，输出的结果被视为查询向量qtem，包括：
30、qtem＝wtemftem
31、卫星图像特征fspa通过一个可学习的权重矩阵进行线性变换，以生成两组输出：键向量kspa和值向量vspa，包括：
32、kspa＝wspa_kfspa
33、vspa＝wspa_vfspa
34、使用点积操作计算时序查询向量qtem与每个图像键向量kspa之间的相似度，得到的相似度值通过缩放操作后，应用softmax函数进行归一化，得到注意力分数，包括：
35、
36、利用注意力分数，对图像的值向量vspa进行加权求和，得到融合特征fusion，包括：
37、fusion＝score·vspa。
38、优选的，所述多步预测解码器包括z个交替堆叠的解码器单元和第z+1个全连接层，每一解码器均集成了相同的层归一化、多头自注意力机制以及一个全连接层，最后一个解码器单元的全连接层输出的特征再经过第z+1个全连接层，输出多步电力负荷预测结果，z为正整数，z≥2。
39、第二方面，本专利技术提供一种多模态多尺度特征融合的电力负荷预测系统，包括：
40、序列分解模块，用于获取历史负荷序列，并对历史负荷序列进行分解，得到包括趋势分量，周期分量，高频分量的分量序列集合；
41、特征提取模块，用于利用多尺度transformer模型对分量序列集合中的每个分量进行多尺度负荷时序特征提取；
42、特征融合模块，用于采用跨模态注意力机制将多尺度负荷时序特征和卫星图像特征进行融合，得到融合特征；
43、解码预测模块，用于通过多步预测解码器对融合特征进行解码处理，得到多步电力负荷预测结果；
44、其中，所述卫星图像特征的获取方式包括：基于grvt模型对卫星图像进行特征提取，得到卫星图像特征；所述grvt模型的包括若干堆叠的门控残差编码器网络单元。
45、第三方面，本专利技术提供一种计算机可读存储介质，其存储用于多模态多尺度特征融合的电力负荷预测的计算机程序，本文档来自技高网...
【技术保护点】
1.一种多模态多尺度特征融合的电力负荷预测方法，其特征在于，包括：
2.如权利要求1所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述对历史负荷序列进行分解，包括：
3.如权利要求1所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述利用多尺度Transformer模型对分量序列集合中的每个分量进行多尺度负荷时序特征提取，包括：
4.如权利要求1～3任一所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述多尺度Transformer模型中包括若干全连接层，全连接层中采用SwiGLU作为激活函数，SwiGLU激活函数的表达式如下：
5.如权利要求1～3任一所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述GRVT模型还包括patch单元、线性投影+位置编码单元和全连接层；
6.如权利要求1～3任一所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，采用跨模态注意力机制将多尺度负荷时序特征和卫星图像特征进行融合，得到融合特征，包括：
7.如权利要求1～3任一所述的
8.一种多模态多尺度特征融合的电力负荷预测系统，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，其存储用于多模态多尺度特征融合的电力负荷预测的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一所述的多模态多尺度特征融合的电力负荷预测方法。
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种多模态多尺度特征融合的电力负荷预测方法，其特征在于，包括：
2.如权利要求1所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述对历史负荷序列进行分解，包括：
3.如权利要求1所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述利用多尺度transformer模型对分量序列集合中的每个分量进行多尺度负荷时序特征提取，包括：
4.如权利要求1～3任一所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述多尺度transformer模型中包括若干全连接层，全连接层中采用swiglu作为激活函数，swiglu激活函数的表达式如下：
5.如权利要求1～3任一所述的多模态多尺度特征融合的电力负荷预测方法，其特征在于，所述grvt模型还包括patch单元、线性投影+位置编码单元和全连接层；
6.如权利要求1～3任一所述的多模...
【专利技术属性】
技术研发人员：邵臻，张雨涵，杨善林，朱金霞，李飞，赵微，查健锐，
申请(专利权)人：合肥工业大学，
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。