本技術涉及電力負荷預測，更具體地，涉及一種電力負荷預測方法及系統(tǒng)。

背景技術：

1、在電力系統(tǒng)的穩(wěn)定運行與高效管理中，電力負荷預測至關重要。精準預測能助力電力企業(yè)優(yōu)化發(fā)電計劃、合理安排電網(wǎng)調度，有效降低運營成本并提升供電可靠性。傳統(tǒng)預測方法常局限于單一數(shù)據(jù)源，如僅依賴歷史電力負荷數(shù)據(jù)，難以全面反映影響負荷變化的復雜因素，致使預測精度欠佳。伴隨電力系統(tǒng)規(guī)模持續(xù)擴大及用電場景日益多元，氣象條件波動、社會經(jīng)濟發(fā)展等因素對電力負荷的影響愈發(fā)顯著。例如，高溫天氣下制冷設備用電需求激增，工業(yè)產(chǎn)值增長會帶動生產(chǎn)用電攀升。因此，綜合多源數(shù)據(jù)的電力負荷預測方法成為研究熱點，但現(xiàn)有技術在數(shù)據(jù)融合、模型構建及訓練優(yōu)化等環(huán)節(jié)仍存在改進空間，亟待新方法提升預測準確性與穩(wěn)定性，以滿足現(xiàn)代電力系統(tǒng)運行需求。

2、現(xiàn)有技術如公開號為“cn117856240a”的中國專利申請公開了一種基于多源數(shù)據(jù)融合的電網(wǎng)負荷預測方法，包括以下步驟：步驟s1:獲取多源數(shù)據(jù)，并進行融合處理；步驟s2：對融合處理后的多源數(shù)據(jù)進行數(shù)據(jù)分解和預處理；步驟s3:基于預處理后的數(shù)據(jù)，采用特征工程提取關鍵特征，構建負荷歷史數(shù)據(jù)集；步驟s4:構建多層encoder-decoder結構模型，結合自注意力機制和頻域分析，基于負荷歷史數(shù)據(jù)集進行訓練，得到電網(wǎng)負荷預測模型；步驟s5:將實時獲取的多源數(shù)據(jù)預處理后輸入電網(wǎng)負荷預測模型，得到負荷波動預測值。該發(fā)明可以更全面地捕捉影響電力負荷變化的多種因素，提高對電力系統(tǒng)未來負荷波動的準確預測。

3、上述現(xiàn)有技術存在的問題是，該方法在數(shù)據(jù)處理流程上，融合后再分解預處理，可能增加數(shù)據(jù)復雜性與信息損失風險；另多層encoder-decoder結構結合自注意力機制和頻域分析，在捕捉長序列依賴及復雜因素關聯(lián)上效率和效果存在一定缺陷。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提出了一種電力負荷預測方法及系統(tǒng)。

2、本發(fā)明技術方案如下：

3、本發(fā)明提出一種電力負荷預測方法，包括以下步驟：

4、步驟s1，采集電力負荷相關數(shù)據(jù)，并進行預處理；

5、步驟s2，對預處理后的電力負荷相關數(shù)據(jù)提取多源特征并融合，得到綜合特征向量；

6、步驟s3，將綜合特征向量作為電力負荷預測模型的輸入，歷史時刻的電力負荷真實值作為標簽值，進行電力負荷預測模型的訓練；

7、步驟s4，利用訓練好的電力負荷預測模型進行電力負荷的預測。

8、作為優(yōu)選實施方式，所述電力負荷相關數(shù)據(jù)包括：電力系統(tǒng)運行數(shù)據(jù)、氣象數(shù)據(jù)和社會經(jīng)濟數(shù)據(jù)；所述電力系統(tǒng)運行數(shù)據(jù)包括：歷史電力負荷數(shù)據(jù)、電網(wǎng)拓撲結構數(shù)據(jù)和發(fā)電設備運行狀態(tài)數(shù)據(jù)；氣象數(shù)據(jù)包括：溫度、濕度、風速和日照時間；社會經(jīng)濟數(shù)據(jù)包括：地區(qū)生產(chǎn)總值、人口數(shù)量、工業(yè)產(chǎn)值。

9、作為優(yōu)選實施方式，所述對預處理后的電力負荷相關數(shù)據(jù)提取多源特征并融合，得到綜合特征向量，綜合特征向量表達式如下：

10、f(t)＝[xelec(t)t,xweather(t)t,xsocior(t)t]；

11、式中，xelec(t)為從電力系統(tǒng)運行數(shù)據(jù)提取的n1個特征；xweather(t)為從氣象數(shù)據(jù)中提取的n2個特征；xsocior(t)為從社會經(jīng)濟數(shù)據(jù)中提取的n3個特征；f(t)的綜合特征向量維度為n，n＝n1+n2+n3。

12、作為優(yōu)選實施方式，所述電力負荷預測模型采用改進的transformer模型，改進的transformer模型包括對位置編碼改進、對多頭注意力機制改進，以及增加殘差連接和層歸一化；其中：

13、改進后的位置編碼表達式為：

14、

15、式中：pepos,i為改進后的位置編碼在位置pos處、第i維度上的值；α為可學習參數(shù)權重，用于平衡可學習參數(shù)矩陣wpos和原位置編碼；wpos,i為第i個維度的可學習參數(shù)矩陣，用于調整位置編碼的表示方式；為改進后位置編碼pepos,i的貢獻程度；

16、對多頭注意力機制改進包括增加注意力頭數(shù)量；并采用自適應權重分配方法，對于每個注意力頭r，計算其權重ωr，具體公式如下：

17、

18、式中：ωr為第r個注意力頭的權重；βr為第r個注意力頭的可學習的參數(shù)；score(headr)為第r個注意力頭的得分；h′為改進后的注意力頭數(shù)量；βb為第b個注意力頭的可學習的參數(shù)；score(headb)為第b個注意力頭的得分；

19、增加殘差連接和層歸一化，在每一層中，輸入x經(jīng)過多頭注意力機制和前饋網(wǎng)絡后得到輸出y，殘差連接為：

20、yres＝x+y；

21、層歸一化公式為：

22、

23、式中：γ、β為可學習參數(shù)；σ2、μ分別為yres的方差和均值；ε為防止分母為零的常數(shù)。

24、作為優(yōu)選實施方式，所述transformer模型采用均方誤差作為損失函數(shù)，具體為：

25、

26、式中：l為均方誤差函數(shù)值；n為樣本數(shù)量；v為樣本索引；為tv時刻transformer模型的電力負荷預測值；l(tv)為tv時刻的電力負荷真實值。

27、作為優(yōu)選實施方式，在所述電力負荷預測模型的訓練過程中，還包括使用adam優(yōu)化器更新電力負荷預測模型中的可學習參數(shù)，具體公式如下：

28、

29、式中：θs為第s次迭代時可學習參數(shù)θ的值；∈為學習率；為偏差修正后的一階矩估計；為為偏差修正后的二階矩估計；τ為防止分母為零的常數(shù)。

30、另一方面，本發(fā)明還提供一種電力負荷預測系統(tǒng)，包括：

31、數(shù)據(jù)采集及預處理模塊，采集電力負荷相關數(shù)據(jù)，并進行預處理；

32、特征提取融合模塊，對預處理后的電力負荷相關數(shù)據(jù)提取多源特征并融合，得到綜合特征向量；

33、模型訓練模塊，將綜合特征向量作為電力負荷預測模型的輸入，預測歷史時刻的電力負荷真實值作為輸出，進行電力負荷預測模型的訓練；

34、模型預測模塊，利用訓練好的電力負荷預測模型進行電力負荷的預測。

35、作為優(yōu)選實施方式，所述數(shù)據(jù)采集及預處理模塊中，電力負荷相關數(shù)據(jù)包括：電力系統(tǒng)運行數(shù)據(jù)、氣象數(shù)據(jù)和社會經(jīng)濟數(shù)據(jù)；所述電力系統(tǒng)運行數(shù)據(jù)包括：歷史電力負荷數(shù)據(jù)、電網(wǎng)拓撲結構數(shù)據(jù)和發(fā)電設備運行狀態(tài)數(shù)據(jù)；氣象數(shù)據(jù)包括：溫度、濕度、風速和日照時間；社會經(jīng)濟數(shù)據(jù)包括：地區(qū)生產(chǎn)總值、人口數(shù)量、工業(yè)產(chǎn)值。

36、再一方面，本發(fā)明還提供一種電子設備，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明任一實施例所述的一種電力負荷預測方法。

37、再一方面，本發(fā)明還提供一種計算機可讀介質，用于存儲一個或者多個程序，當所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)如本發(fā)明任一實施例所述的一種電力負荷預測方法。

38、本發(fā)明具有如下有益效果：在數(shù)據(jù)處理上，采集電力系統(tǒng)運行、氣象、社會經(jīng)濟等多源數(shù)據(jù)并合理預處理，全面涵蓋影響負荷的各類因素，為精準預測奠定基礎。特征提取融合環(huán)節(jié)，創(chuàng)新性提取多源特征并科學拼接為綜合特征向量，充分挖掘數(shù)據(jù)內在關聯(lián)。改進的transformer模型通過優(yōu)化位置編碼、多頭注意力機制，以及增加殘差連接和層歸一化，大幅提升對長序列依賴關系的捕捉能力與模型訓練效率、穩(wěn)定性。同時，選用均方誤差為損失函數(shù)并結合adam優(yōu)化器，能有效調整模型參數(shù)，提高預測精度，增強模型泛化能力，為電力系統(tǒng)可靠運行提供有力技術支撐。