【技术实现步骤摘要】
本专利技术属于短期电力负荷概率预测，具体涉及一种基于timesnet-crossformer-lstm的短期电力负荷预测方法。
技术介绍
1、由于现有技术的局限性，电能无法进行大量存储，电能的产生、传输、分配和消费几乎是同时进行的。因此，电力系统的供电端和需求端应该需要时刻保持平衡。故高效精准的负荷预测不但能够为电力系统平稳调度带来便利，还能提高经济效益和社会效益，为人们的正常生活和生产提供更好的电力保障。通常电力负荷预测按时间跨度和运行决策可分为短期、中期和长期预测,它们所对应的职责也有所不同。长期预测是为了电力系统的规划，中期预测是为了电力系统能够更好的进行维护，短期预测的职责是为电力系统的日常运行提供更准确的负荷信息。
2、在过去的时间里，许多单一的模型被应用于短期电力负荷预测。其中多元线性回归通过对负荷曲线进行拟合而完成预测任务的方法，通过对输入变量和输出变量不断拟合，得到未来变量，实现短期负荷预测。而时间序列分析法是经典的处理负荷预测的方法。对历史负荷序列的随机过程进行分析、设立相应参数并建立模型，再对模型中参数的大小进行估计。机器学习技术的发展，其已经被广泛应用于负荷预测中，其中包括支持向量机(svm)、随机森林等，而递归神经网络(rnn)的出现，衍生出了一系列可用于时间序列预测的模型。rnn可以很好记忆短序列变化的数据，但对长序列的处理时容易发生梯度消失和梯度爆炸等问题；而与对所有输入信息重复的进行叠加的rnn不同，长短期记忆网络(lstm)可以将不重要的时序信息进行遗忘，在解决rnn梯度爆炸的同时也在
技术实现思路
1、本专利技术的目的是针对现有技术的不足，提供一种基于timesnet-crossformer-lstm的短期电力负荷预测方法，timesnet模块将一维时间序列转换到二维空间进行分析，再通过2d卷积对二维张量进行信息提取，再聚合成一维张量后对序列进行了二阶段的注意力，最大程度的挖掘出序列与时间、特征于特征之间的关系，最后再通过lstm模块对预测结果进行修正，且在一定程度上帮助解决整体模型在处理长序列过程中的梯度消失和梯度爆炸等问题，从而在短期电力负荷预测任务中拥有更好的效果和精度。
2、为实现上述技术目的，本专利技术采用如下技术方案。
3、一种基于timesnet-crossformer-lstm的短期电力负荷预测方法，包括以下步骤：
4、步骤s1、对导入的数据集进行特征筛选，采用皮尔逊相关系数分析法进行特征选择；并对所选特征进行归一化处理；
5、步骤s2、将筛选、处理后的数据集以8:1:1的比例划分训练集、验证集和测试集，并将训练集和验证集输入模型进行训练；
6、步骤s3、使用timesnet-crossformer-lstm模型进行训练，通过模型的特殊结构将输入的一维时间序列转化到二维空间进行信息提取，提取到时间序列中周期内和周期间的关系；
7、步骤s4、采用adam算法来调整神经网络的参数，利用反向传播来训练网络，通过观察验证集上的损失值来评估模型参数的训练效果；
8、步骤s5、对timesnet-crossformer-lstm模型进行激活函数的消融实验，选取tanshark作为模型的激活函数；
9、步骤s6、将测试集输入到训练好的模型当中，获得点预测的结果，并通过四个评价指标对模型预测效果进行评价。
10、进一步地，步骤s1中所述采用皮尔逊相关系数分析法进行特征选择，所述皮尔逊相关系数分析法的公式如下：
11、
12、上式中，{xi,,i＝1,2,···,n}和{yi,,i＝1,2,···,n}分别为两组长度为n的数列，和是两组长度为n的数列平均值，rxy是变量相关系数。
13、所述对所选特征进行归一化处理，归一化处理的公式如下：
14、
15、上式中，其中：z为某一维度下的原始数据；zmin为数据集中该维度的最小值；zmax为数据集中该维度的最大值；z′为z归一化后的数据。
16、进一步地，步骤s2中所述将训练集和验证集输入模型进行训练，模型的输入表示为x＝[x1···xi-1,xi···xz]t；并设置batch size＝516。
17、进一步地，步骤s3中所述提取到时间序列中周期内和周期间的关系，过程如下：
18、首先将预处理过后的时间序列输入到timesnet-crossformer-lstm模型当中，经timesnet模块将原始序列通过快速傅里叶分解将一维时间序列分解，并快速的将序列的周期性计算出来，进而将输入数据转换到频域来对时间序列进行分析，然后再通过2d卷积对二维张量进行信息提取，再通过信息聚合回到一维，之后再通过crossformer模块中dwg将时间序列分割成patch形式，得到的patch embedding作为二阶段注意力的输入，在对序列与时间、特征与特征之间进行二阶段注意力后输入到lstm模块中进行预测修正，输出最后的结果；
19、所述timesnet模块是在选定周期和频率的情况下得到的二维时间序列张量，当选定的周期或频率不同时，得到的二维时间序列张量也不相同，所述timesnet模块通过二维卷积对分解后的时间序列进行信息挖掘；
20、所述crossformer模块将时间序列分割成patch的形式后，将每个变量的时间序列按照一定的窗口大小划分为多个区块，每个区块通过全连接进行映射，再通过两阶段关注层，关注时间序列的两个阶段，即时间维度关注和变量维度关注，捕捉并预测时间本文档来自技高网...
【技术保护点】
1.一种基于TimesNet-Crossformer-LSTM的短期电力负荷预测方法，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TimesNet-Crossformer-LSTM的短期电力负荷预测方法，其特征在于，步骤S1中所述采用皮尔逊相关系数分析法进行特征选择，所述皮尔逊相关系数分析法的公式如下：
3.根据权利要求1所述的一种基于TimesNet-Crossformer-LSTM的短期电力负荷预测方法，其特征在于，步骤S2中所述将训练集和验证集输入模型进行训练，模型的输入表示为X＝[x1···xi-1,xi···xz]T；并设置batch size＝516。
4.根据权利要求1所述的一种基于TimesNet-Crossformer-LSTM的短期电力负荷预测方法，其特征在于，步骤S3中所述提取到时间序列中周期内和周期间的关系，过程如下：
5.根据权利要求1所述的一种基于TimesNet-Crossformer-LSTM的短期电力负荷预测方法，其特征在于，步骤S5中所述对TimesNet-Crossformer-
6.根据权利要求1所述的一种基于TimesNet-Crossformer-LSTM的短期电力负荷预测方法，其特征在于，步骤S6中所述通过四个评价指标对模型预测效果进行评价，四个评价指标分别是：平均绝对百分比误差MAPE、均方根误差RMSE、平均绝对误差MAE以及决定系数R2，其中：
...【技术特征摘要】
1.一种基于timesnet-crossformer-lstm的短期电力负荷预测方法，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timesnet-crossformer-lstm的短期电力负荷预测方法，其特征在于，步骤s1中所述采用皮尔逊相关系数分析法进行特征选择，所述皮尔逊相关系数分析法的公式如下：
3.根据权利要求1所述的一种基于timesnet-crossformer-lstm的短期电力负荷预测方法，其特征在于，步骤s2中所述将训练集和验证集输入模型进行训练，模型的输入表示为x＝[x1···xi-1,xi···xz]t；并设置batch size＝516。
4.根据权利要求1所述的一种基于timesnet-crossformer-lstm的短期电力负荷预测方法，其特征在于，...
【专利技术属性】
技术研发人员：袁魁东，何俊，钟子捷，孙一凡，程子健，
申请(专利权)人：南昌大学，
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。