【技术实现步骤摘要】
本专利技术涉及时序预测领域，具体涉及一种基于改进autoformer模型的电力负载时序预测方法。
技术介绍
1、随着大数据时代的到来，人们接触到的数据量急剧增加，很多数据以时间序列的形式存在，时序预测通过分析这些按时间顺序排列的数据点，提取出有价值的信息，从而预测未来的发展趋势。其中，电力变压器的负载是一种非常重要的数据，它可以帮助人们确定变压器是否处于安全的工作范围内，避免因超载而导致设备损坏或故障，也可以用来优化运行效率，降低能耗，从而提高经济效益，当电力负载异常，比如过载或欠载，可能预示着设备故障或负荷调整的需要，因此负载预测可以作为故障预警，提高电力系统的可靠性和稳定性。
2、在电力负载的预测任务中，有许多常用的预测方法，如zhou等提出的informer算法，引入了一种稀疏注意力机制，只计算关键时间步骤的注意力，很大程度上减少了计算量，提高了模型处理长序列的效率，此外该算法通过减少了序列长度，使得模型可以更专注于最重要的时间步骤，但它可能无法捕捉序列中的所有重要交互。某些情境下，稀疏性可能导致信息丢失，从而影响模型效果。另外它的结构可能限制了信息的传播路径，在某些复杂的时间序列数据中，长距离依赖的捕捉可能受到影响，这可能在处理具有复杂依赖关系的序列时导致性能下降。
3、wu等提出的autoformer模型尝试通过稀疏化计算来提高数据使用效率，降低计算时间复杂度，通过计算序列间的自相关函数，实现了子序列间的滚动连接，取得了很好的效果，但由于采用了最优策略选择发挥主要作用的信息，舍弃低相关性信息来降
技术实现思路
1、针对电力负载时序预测任务中计算成本高、难度大、预测精度低的问题，本专利技术利用autoformer中使用fft加速计算过程的思路，通过使用双层fft算法代替原有舍弃部分信息的自相关性计算过程，从而使得改进的模型能够在保持计算复杂度的前提下，不丢失任何信息地完成所有自相关性的计算，显著提高了预测精度。
2、本专利技术采用的技术方案为：
3、一种基于改进autoformer模型的电力负载时序预测方法，包括以下步骤：
4、步骤1：获取电力负载数据集；
5、所述电力负载数据集中包括若干个样本，每个样本为一个时间序列，其中包括按照设定时间间隔获取的若干个时间戳下的电力负载，同时按照设定预测步长b，对每个样本进行划分，将每个样本中后b个时间戳下的电力负载作为标签；
6、步骤2：对获取的电力负载数据集进行预处理，得到预处理后的电力负载数据集；所述预处理包括最大-最小归一化和z-score归一化；
7、所述最大-最小归一化的方法为：
8、
9、其中，x为电力负载数据集中样本且x＝x1，...，xl，xi为样本x中第i个时间戳下的电力负载，l为时间戳的数量，min(x)为样本中的最小值，max(x)为样本中的最大值，xi'为最大-最小归一化后的电力负载；
10、所述z-score归一化的方法为：
11、
12、其中，xi″为z-score归一化后的电力负载，mean(x)为电力负载的均值，std(x)为电力负载的标准差；
13、步骤3：将预处理后的电力负载数据集按照设定比例划分为训练集和测试集；
14、步骤4：构建double fftautoformer模型；
15、所述double fftautoformer模型将autoformer模型中的auto-correlation模块替换为改进的auto-correlation模块；
16、所述改进的auto-correlation模块包括若干个注意力通道、一个连结模块和第一全连接层；
17、每个注意力通道中查询矩阵、键矩阵和值矩阵首先分别经过第二全连接层、第三全连接层和第四全连接层赋予权重和整合信息，然后将经过第二全连接层的查询矩阵、经过第三全连接层的键矩阵和经过第四全连接层的值矩阵中的每个向量分别进行快速傅里叶变换，将快速傅里叶变换后的第z个查询向量和傅里叶变换后的第z个键向量按照元素相乘，得到若干个相乘后的向量，对每个相乘后的向量进行快速傅里叶逆变换和flip翻转，再经过sofimax运算得到运算后的结果向量，对运算后的结果向量进行快速傅里叶变换并与快速傅里叶变换后的值向量按照元素相乘，再进行快速傅里叶逆变换，将最终得到的若干个向量组成一个矩阵；
18、所述flip翻转的方法为：将数据的顺序翻转，如果数据是向量，则翻转后的向量中的每个元素的顺序为翻转前的向量中的每个元素的顺序的倒序，如果数据是矩阵，则为将矩阵中所有行的顺序翻转；
19、所述连结模块用于将若干个注意力通道输出的矩阵进行拼接，形成一个特征表示，然后通过一个线性变换将拼接得到的特征表示映射到一个固定的维度；
20、所述第一全连接层用于对连结模块的输出进行信息整合，得到改进的auto-correlation模块的输出；
21、步骤5：利用训练集对构建的double fft autoformer模型进行训练，并利用验证集对double fftautoformer模型的参数进行调整，得到训练完成的double fftautoformer模型；
22、步骤6：将测试集输入到训练完成的double fftautoformer模型，得到预测的电力负载时间序列。
23、与现有技术相比较，本专利技术的有益效果为：
24、现有的auto-correlation机制通过自相关函数学习数据中的自相关信息，但是它为了提高计算效率，选择削除一些重要性较低的信息，从而无法完整利用所有数据和其自相关性，本专利技术为了弥补这一不足，通过将auto-correlation函数重新推导成一个循环对称矩阵和一个向量的乘积的形式，使其能使用fft算法加速计算，使得模型能完整地利用信息，并且在保持计算的时间复杂度的前提下提高预测的准确度。
本文档来自技高网...【技术保护点】
1.一种基于改进Autoformer模型的电力负载时序预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进Autoformer模型的电力负载时序预测方法，其特征在于，所述电力负载数据集中包括若干个样本，每个样本为一个时间序列，其中包括按照设定时间间隔获取的若干个时间戳下的电力负载，同时按照设定预测步长B，对每个样本进行划分，将每个样本中后B个时间戳下的电力负载作为标签。
3.根据权利要求1所述的一种基于改进Autoformer模型的电力负载时序预测方法，其特征在于，所述最大-最小归一化的方法为：
4.根据权利要求3所述的一种基于改进Autoformer模型的电力负载时序预测方法，其特征在于，所述Z-score归一化的方法为：
5.根据权利要求1所述的一种基于改进Autoformer模型的电力负载时序预测方法，其特征在于，步骤4中所述Double FFTAutoformer模型将Autoformer模型中的Auto-Correlation模块替换为改进的Auto-Correlation模块；
6.根据
...【技术特征摘要】
1.一种基于改进autoformer模型的电力负载时序预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进autoformer模型的电力负载时序预测方法，其特征在于，所述电力负载数据集中包括若干个样本，每个样本为一个时间序列，其中包括按照设定时间间隔获取的若干个时间戳下的电力负载，同时按照设定预测步长b，对每个样本进行划分，将每个样本中后b个时间戳下的电力负载作为标签。
3.根据权利要求1所述的一种基于改进autoformer模型的电力负载时序预测方法，其特征在于，所述最大-最小归一化的方法为：
4.根据权利要求3所述的一种基于改进autoformer模型的电力负载...
【专利技术属性】
技术研发人员：孙慢，王哲，张国敬，崔玉洁，王海芳，
申请(专利权)人：东北大学秦皇岛分校，
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。