CN112288595A - 一种电网负荷预测的方法、相关装置、设备及存储介质 - Google Patents
一种电网负荷预测的方法、相关装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112288595A CN112288595A CN202011189883.7A CN202011189883A CN112288595A CN 112288595 A CN112288595 A CN 112288595A CN 202011189883 A CN202011189883 A CN 202011189883A CN 112288595 A CN112288595 A CN 112288595A
- Authority
- CN
- China
- Prior art keywords
- historical
- attention
- time unit
- target
- head
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims abstract description 305
- 239000013598 vector Substances 0.000 claims abstract description 239
- 230000000737 periodic effect Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 106
- 230000007246 mechanism Effects 0.000 claims description 48
- 108010001267 Protein Subunits Proteins 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 238000013461 design Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000001932 seasonal effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于人工智能技术实现的电网负荷预测方法，该方法包括：获取历史特征矩阵，历史特征矩阵包括历史周期的周期负荷以及周期描述特征；获取历史特征向量，历史特征向量包括历史时间单元的历史负荷以及历史描述特征；获取目标特征矩阵，目标特征矩阵包括目标周期的周期负荷以及周期描述特征；获取目标特征向量，目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征；对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。本申请实施例提供了一种相关装置、设备及存储介质。本申请基于时间单元和周期共同预测电网负荷，能够更好地捕捉复杂的周期性，从而提升电网负荷预测的准确度。
Description
技术领域
本申请涉及深度学习技术领域，尤其涉及一种电网负荷预测的方法、相关装置、设备及存储介质。
背景技术
智能电网旨在创建自动化和高效的能源输送网络，通过提高电力输送的可靠性和质量，以满足网络安全、能源效率和需求侧管理等方面的要求。对于电网负荷的预测，是保证电网安全可靠运行、减少电网经济损失的关键所在，提高负荷预测的精度多年来一直是人们研究的重点。
针对电网负荷预测目前已有许多预测方法，例如，采用前馈神经网络、循环神经网络、序列到序列的神经网络，或者时间卷积神经网络等机器学习模型进行电网负荷的预测。将机器学习的算法应用于对电网负荷的预测，能够处理负荷数据的波动性和随机性等问题，在一定程度上提高对电网负荷预测的精度，电网的管理和调度上提供依据。
由于城市内人们的经济活动以及气候的季节性，负荷序列往往表现出较强的周期性和趋势性，现有的机器学习模型仅对单一周期性的时间序列提供了解决方案，而针对多种周期性的时间序列的电网负荷预测并未解决方案。
发明内容
本申请实施例提供了一种电网负荷预测的方法、相关装置、设备及存储介质，基于时间单元和周期共同预测电网负荷，能够更好地捕捉复杂的周期性，从而提升电网负荷预测的准确度。
有鉴于此，本申请一方面提供一种电网负荷预测的方法，包括：
获取历史特征矩阵，其中，历史特征矩阵包括历史周期的周期负荷以及周期描述特征，历史周期包括D个时间单元，每个时间单元包括T个时间子单元，D和T均为大于1的整数；
获取历史特征向量，其中，历史特征向量包括历史时间单元的历史负荷以及历史描述特征，历史时间单元为出现历史周期之后的下一个时间单元，历史时间单元包括T个时间子单元；
获取目标特征矩阵，其中，目标特征矩阵包括目标周期的周期负荷以及周期描述特征，目标周期包括D个时间单元；
获取目标特征向量，其中，目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征，目标时间单元为出现在第一预测时间单元之前的一个相邻时间单元，第一预测时间单元为出现目标周期之后的下一个时间单元，目标时间单元包括T个时间子单元，第一预测时间单元包括T个时间子单元；
根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。
本申请另一方面提供一种电网负荷预测装置，包括：
获取模块，用于获取历史特征矩阵，其中，历史特征矩阵包括历史周期的周期负荷以及周期描述特征，历史周期包括D个时间单元，每个时间单元包括T个时间子单元，D和T均为大于1的整数；
获取模块，还用于获取历史特征向量，其中，历史特征向量包括历史时间单元的历史负荷以及历史描述特征，历史时间单元为出现历史周期之后的下一个时间单元，历史时间单元包括T个时间子单元；
获取模块，还用于获取目标特征矩阵，其中，目标特征矩阵包括目标周期的周期负荷以及周期描述特征，目标周期包括D个时间单元；
获取模块，还用于获取目标特征向量，其中，目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征，目标时间单元为出现在第一预测时间单元之前的一个相邻时间单元，第一预测时间单元为出现目标周期之后的下一个时间单元，目标时间单元包括T个时间子单元，第一预测时间单元包括T个时间子单元；
预测模块，用于根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。
在一种可能的设计中，在本申请实施例的另一方面的一种实现方式中，
获取模块，具体用于获取历史周期内每个时间单元所对应的历史负荷；
获取历史周期内每个时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对历史周期内每个时间单元所对应的历史负荷，以及历史周期内每个时间单元所对应的历史描述信息进行编码，得到历史特征矩阵。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，
获取模块，具体用于获取历史时间单元所对应的历史负荷；
获取历史时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对历史时间单元所对应的历史负荷，以及历史时间单元所对应的历史描述信息进行编码，得到历史特征向量。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，
获取模块，具体用于获取目标周期内每个时间单元所对应的历史负荷；
获取目标周期内每个时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对目标周期内每个时间单元所对应的历史负荷，以及目标周期内每个时间单元所对应的历史描述信息进行编码，得到目标特征矩阵。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，
获取模块，具体用于获取目标时间单元所对应的历史负荷；
获取第一预测时间单元所对应的描述信息，其中，描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对目标时间单元所对应的历史负荷，以及第一预测时间单元所对应的描述信息进行编码，得到目标特征向量。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，
预测模块，具体用于基于目标特征矩阵以及目标特征向量，通过局部序列模块获取第一特征矩阵；
基于历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，通过全局上下文模块获取第二特征矩阵；
基于第一特征矩阵以及第二特征矩阵，通过线性层获取第一预测时间单元所对应的电网负荷预测结果，其中，电网负荷预测结果包括第一预测时间单元中每个时间子单元所对应的负荷。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，
预测模块，具体用于根据局部序列模块所包括的编码器，对目标特征矩阵进行注意力编码处理，得到目标特征矩阵的编码结果；
根据局部序列模块所包括的解码器，对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第一特征矩阵。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，编码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
预测模块，具体用于针对于编码器中的每个多头注意力层，基于第一注意力头对目标特征矩阵进行注意力编码处理，得到第一编码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于编码器中的每个多头注意力层，基于第二注意力头对目标特征矩阵进行注意力编码处理，得到第二编码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第一编码结果以及第二编码结果，获取目标特征矩阵的编码结果。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，解码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
预测模块，具体用于针对于解码器中的每个多头注意力层，基于第一注意力头对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第一解码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于解码器中的每个多头注意力层，基于第二注意力头对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第二解码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第一解码结果以及第二解码结果，获取第一特征矩阵。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，
预测模块，具体用于根据全局上下文模块所包括上下文编码器，对历史特征矩阵进行注意力编码处理，得到历史特征矩阵的编码结果；
根据全局上下文模块所包括上下文编码器，对历史特征向量进行注意力编码处理，得到历史特征向量的编码结果；
基于上下文注意力机制，对历史特征矩阵的编码结果、历史特征向量的编码结果以及目标特征矩阵的编码结果进行计算，得到注意力编码结果；
根据全局上下文模块所包括上下文解码器，对注意力编码结果以及目标特征向量进行注意力解码处理，得到第二特征矩阵。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，上下文编码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
预测模块，具体用于根据全局上下文模块所包括上下文编码器，对历史特征矩阵进行注意力编码处理，得到历史特征矩阵的编码结果，包括：
针对于上下文编码器中的每个多头注意力层，基于第一注意力头对历史特征矩阵进行注意力编码处理，得到第三编码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于上下文编码器中的每个多头注意力层，基于第二注意力头对历史特征矩阵进行注意力编码处理，得到第四编码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第三编码结果以及第四编码结果，获取历史特征矩阵的编码结果；
预测模块，具体用于针对于上下文编码器中的每个多头注意力层，基于第一注意力头对历史特征向量进行注意力编码处理，得到第五编码结果；
针对于上下文编码器中的每个多头注意力层，基于第二注意力头对历史特征向量进行注意力编码处理，得到第六编码结果；
根据第五编码结果以及第六编码结果，获取历史特征向量的编码结果。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，上下文解码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
预测模块，具体用于针对于上下文解码器中的每个多头注意力层，基于第一注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，得到第三解码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于解码器中的每个多头注意力层，基于第二注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，得到第四解码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第三解码结果以及第四解码结果，获取第二特征矩阵。
在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，
获取模块，还用于在预测模块根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果之后，获取已更新特征矩阵，其中，已更新特征矩阵包括已更新周期的周期负荷以及周期描述特征，已更新周期包括D个时间单元，已更新周期包括第一预测时间单元；
获取模块，还用于获取已更新特征向量，其中，已更新特征向量包括第一预测时间单元所对应的电网负荷预测结果以及第二预测时间单元的描述特征，第一预测时间单元为出现在第二预测时间单元之前的一个相邻时间单元，第二预测时间单元为出现已更新周期之后的下一个时间单元，第二预测时间单元包括T个时间子单元；
预测模块，还用于根据历史特征矩阵、历史特征向量、已更新特征矩阵以及已更新特征向量，对第二预测时间单元的电网负荷进行预测，得到第二电网负荷预测结果。
本申请的另一方面提供了一种计算机设备，包括：存储器以及处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，所述处理器用于根据程序代码中的指令执行上述各方面的方法。
本申请的另一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。
本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方面所提供的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种电网负荷预测的方法，获取历史特征矩阵，历史特征矩阵包括历史周期的周期负荷以及周期描述特征，获取历史特征向量，历史特征向量包括历史时间单元的历史负荷以及历史描述特征，历史时间单元为出现历史周期之后的下一个时间单元，获取目标特征矩阵，目标特征矩阵包括目标周期的周期负荷以及周期描述特征，获取目标特征向量，目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征，根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。通过上述方式，长期而言，可基于目标特征矩阵和大量的历史特征矩阵，对未来某个时间单元的电网负荷进行预测，历史周期内的历史特征矩阵显式地提供了全局信息，有助于目标周期在一个较长的历史周期里查询并定位到负荷走势相似的周期。短期而言，负荷序列具有多周期性的特性，因此，基于时间单元和周期共同预测电网负荷，能够更好地捕捉复杂的周期性，从而提升电网负荷预测的准确度。
附图说明
图1为本申请实施例中智能电网的一个架构示意图；
图2为本申请实施例中基于公开数据集上负荷序列分解的示意图；
图3为本申请实施例中电网负荷预测方法的一个流程示意图；
图4为本申请实施例中生成电网负荷预测结果的一个实施例示意图；
图5为本申请实施例中负荷预测模型的一个分层网络结构示意图；
图6为本申请实施例中局部序列模块的一个网络结构示意图；
图7为本申请实施例中局部序列模块中编码器的一个网络结构示意图；
图8为本申请实施例中局部序列模块中解码器的一个网络结构示意图；
图9为本申请实施例中全局上下文模块的一个网络结构示意图；
图10为本申请实施例中全局上下文模块中上下文编码器的一个网络结构示意图；
图11为本申请实施例中全局上下文模块中上下文解码器的一个网络结构示意图；
图12为本申请实施例中电网负荷预测装置的一个实施例示意图；
图13为本申请实施例中终端设备的一个结构示意图；
图14为本申请实施例中服务器的一个结构示意图。
具体实施方式
本申请实施例提供了一种电网负荷预测的方法、相关装置、设备及存储介质，基于时间单元和周期共同预测电网负荷，能够更好地捕捉复杂的周期性，从而提升电网负荷预测的准确度。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
智能电网简单来说，就是电力网络和互联网技术(internet technology，IT)的结合，采集电网各种数字化传感器的实时数据，结合电力设备的资产数据，通过IT手段监控、分析和统计这些数据，从而对电网进行智能和自动化的控制。智能电网旨在创建自动化和高效的能源输送网络，通过提高电力输送的可靠性和质量，以满足网络安全、能源效率和需求侧管理等方面的要求。现代电力配送系统配备了先进的监测基础设施，足以产生实现细粒度分析和改进预测性能的大量数据。而在能源领域中，电力负荷预测是一项关键任务。因为它能够为决策的制定提供支撑，辅助相关工作人员制定价格策略，以及实现可再生能源的无缝整合和降低维护成本等。
智能电网可以更快更准确地搜集数据，技术人员可以实时观察到全网电能流动的状态，获取设备故障高发区的数据，及时进行调整，使得电网变得更加智能化。为了便于理解，请参阅图1，图1为本申请实施例中智能电网的一个架构示意图，如图所示，智能电网包括智能发电、智能输电、智能变电、智能配电以及智能用电等过程。
智能发电除了风力发电和水力发电以外，还涉及常规能源、清洁能源和大容量储能应用等发电，在常规能源方面，主要涉及常规电源网厂协调关键技术，研制大型能源基地机组群接入电网的协调控制系统及设备，水电、火电以及核电机组优化控制系统等。在清洁能源方面，主要开展风电场、光伏电站的建模、系统仿真、功率预测和并网运行控制等先进技术的研发及推广应用，研制大规模可再生能源接入电网安全稳定控制系统、可再生能源发电站综合控制及可靠性评估系统、可再生能源功率预测系统、风光储互补发电及接入系统等。在储能应用方面，需要研制大容量储能设备。
智能输电需要降低大规模停运风险，主要包括输电阻塞管理、输电数据采集与监视控制系统(supervisory control and data acquisition，SCADA)、广域测量系统(widearea measurement system，WAMS)、输电地理信息系统(Geographic Information System，GIS)技术、能源管理系统(energy management system，EMS)高级报警可视化以及输电系统仿真与模拟等。
智能变电基于计算机设备自动完成信息采集、测量、控制、保护、计量和检测等基本功能。本申请提供的电网负荷预测方法可基于人工智能(artificial intelligence，AI)技术预测电网负荷，采用机器学习(machine learning，ML)构建负荷预测模型，通过计算机设备实现电网实时自动控制、智能调节、在线分析决策和协同互动等功能。
AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，AI是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。AI也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。AI技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。AI基础技术一般包括如传感器、专用AI芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。AI软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及ML/深度学习等几大方向。
机器学习(machine learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。ML是AI的核心，是使计算机具有智能的根本途径，其应用遍及AI的各个领域。ML和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。
智能配电是按照用户的需求，遵循配电系统的标准规范而二次开发的电能管理系统，具有专业性强、自动化程度高、易使用、高性能以及高可靠等特点。通过遥测和遥控可以合理调配负荷，实现优化运行，有效节约电能，并有高峰与低谷用电记录，从而为能源管理提供了必要条件。
智能用电主要包括工业用电、居民用电、风光储能以及电动汽车等应用。例如，电力光纤到户通信网络，构建覆盖小区的电力光纤到户网络，实现小区住宅用户的电视、电话和互联网的三网合一。小区建设统一的网管系统，对通信网络的各个节点进行管理，实现网络和设备的实时监测，故障快速定位。又例如，电动汽车充电设施，包括充电桩、计量装置、控制装置、电能质量治理设施并部署充电控制系统。
需要说明的是，本申请提供的计算机设备可以是服务器，也可以是终端设备，本申请涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、掌上电脑、个人电脑、智能电视、智能手表等，但并不局限于此。
基于上述智能电网，本申请提供了一种电网负荷预测方法，可基于时间单元和周期共同预测电网负荷，其中，电网负荷的预测可以在不同时间跨度内进行，其预测范围从毫秒到几年不等。长期负荷预测(long term load forecasting，LTLF)通常指一年或几年的峰值和趋势预测，这种预测甚至可以扩展到几十年的范围。本申请主要关注的是提前一日的电网负荷预测，也被称为短期负荷预测(short term load forecasting，STLF)。通常而言，未来几小时或几天的需求侧管理和供电对这种短期负荷预测具有较高的精度要求。
由于城市内人们的经济活动以及气候的季节性，负荷序列往往表现出较强的周期性和趋势性，可以利用季节与趋势分解法(seasonal and trend decomposition usingloess，STL)对负荷序列进行分解，请参阅图2，图2为本申请实施例中基于公开数据集上负荷序列分解的示意图，如图所示，负荷序列每天或者是每周均体现了周期性，在一整年的周期内，冬季和夏季负荷序列表现出明显的特征差异，这也被称为季节性。负荷序列在扣除趋势(trend)和周期性(seasonality)组成部分后剩下的部分(residual)可视为非周期扰动。负荷序列的预测是一项非常具有挑战意义的任务，因为，它具有以下特点：
一、具有多周期性与季节性的特点；
由于负荷序列往往包含多种周期性，因此，具有难以捕捉周期性负荷序列的问题。一天的负荷序列可以简单分为工作时间和家庭时间，表现为以日为单位的周期性，具有明显的短期用电高峰和低谷特点。而在更长的时间区间里，负荷序列还具有以一周为单位的周期性特征。在一年中，具有高电力加热或者制冷需求的地区在夏季或者冬季也常常表现出季节性的特征。
二、非周期性的扰动的特点；
负荷序列除了具有周期性组成部分还包括随天气、节假日以及其它随机因素变化的非周期性的扰动部分。在大多数情况下负荷序列均表现为相对稳定的周期性特征，仅有少部分时刻出现与周期性相背的明显扰动。因此，一些工作也将对这种非周期扰动的预测视为数据不平衡问题，并设计了一些方法来评估负荷序列的暂态和稳态，但是，仍然很难同时捕捉时间序列的多周期性特征和非周期扰动。
结合上述介绍，下面将对本申请中电网负荷预测的方法进行介绍，请参阅图3，本申请实施例中电网负荷预测方法的一个实施例包括：
101、获取历史特征矩阵，其中，历史特征矩阵包括历史周期的周期负荷以及周期描述特征，历史周期包括D个时间单元，每个时间单元包括T个时间子单元，D和T均为大于1的整数；
本实施例中，电网负荷预测装置可获取历史周期所对应的历史特征矩阵，每个历史周期具有D个时间单元，且每个时间单元具有T个时间子单元。具体地，历史特征矩阵可以是过去一年内某个历史周期的电网相关数据，以一个时间子单元为1个小时，一个时间单元为1天，且一个历史周期为7天(即一个礼拜)作为示例，那么D为7，T为24。基于此，一个历史周期所对应的周期负荷包括7*24个小时的负荷，一个历史周期所对应的周期描述特征包括7*M个描述特征，其中，M表示描述特征的维度，例如，7天内每天所对应气温。可选地，一个历史周期所对应的周期描述特征也可以包括7*24*M个描述特征，例如，7天内每天的每个小时所对应的气温。
可以理解的是，在实际预测的过程中，还可以根据需求对时间子单元的长度，时间单元的长度和周期的长度进行设定，本申请以D为7，T为24作为示例进行介绍，然而这不应理解为本申请的限定。通常情况下，电网负荷预测装置需要获取长时间段内的N个历史特征矩阵，例如，获取一年内52个历史周期(即52个礼拜)的历史特征矩阵。
需要说明的是，本申请提供的电网负荷预测装置可部署于服务器、也可以部署于终端设备，还可以部署于服务器与终端设备构成的系统，本申请不做限定。
102、获取历史特征向量，其中，历史特征向量包括历史时间单元的历史负荷以及历史描述特征，历史时间单元为出现历史周期之后的下一个时间单元，历史时间单元包括T个时间子单元；
本实施例中，电网负荷预测装置可获取大量历史时间单元所对应的历史特征向量，每个历史时间单元也具有T个时间子单元。基于此，例如，某个历史周期为2020年7月6日至2020年7月12日，那么该历史周期对应的历史时间单元为2020年7月13日，即历史时间单元为出现历史周期之后的下一个时间单元。
具体地，一个历史时间单元所对应的历史负荷包括1*24个小时的负荷，一个历史时间单元所对应的历史描述特征包括1*M个描述特征，其中，M表示描述特征的维度，例如，1天所对应气温。可选地，一个历史时间单元所对应的历史描述特征也可以包括1*24*M个描述特征，例如，1天内每个小时所对应的气温。
可以理解的是，通常情况下，电网负荷预测装置需要获取长时间段内的N个历史特征矩阵，例如，获取一年内52个历史周期(即52个礼拜)的历史特征矩阵，因此，历史特征向量与历史特征矩阵的数量一致，即获取N个历史特征向量。
103、获取目标特征矩阵，其中，目标特征矩阵包括目标周期的周期负荷以及周期描述特征，目标周期包括D个时间单元；
本实施例中，电网负荷预测装置可获取目标周期所对应的目标特征矩阵，目标周期具有D个时间单元，且每个时间单元具有T个时间子单元。具体地，目标特征矩阵可以是距离当前时间最近一个周期的电网相关数据。以一个时间子单元为1个小时，一个时间单元为1天，且一个目标周期为7天(即一个礼拜)作为示例，那么D为7，T为24。基于此，一个目标周期所对应的周期负荷包括7*24个小时的负荷，一个目标周期所对应的周期描述特征包括7*M个描述特征，或者7*24*M个描述特征。
104、获取目标特征向量，其中，目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征，目标时间单元为出现在第一预测时间单元之前的一个相邻时间单元，第一预测时间单元为出现目标周期之后的下一个时间单元，目标时间单元包括T个时间子单元，第一预测时间单元包括T个时间子单元；
本实施例中，电网负荷预测装置可获取目标时间单元所对应的目标特征向量，目标时间单元也具有T个时间子单元。基于此，例如，目标周期为2020年10月12日至2020年10月18日，那么该目标周期对应的目标时间单元为2020年10月18日，该目标周期对应的第一预测时间单元为2020年10月19日，即目标时间单元和第一预测时间单元均包括T个时间子单元(例如，均包括24小时)。
具体地，一个目标时间单元所对应的历史负荷包括1*24个小时的负荷，第一预测时间单元所对应的描述特征包括1*M个描述特征，其中，M表示描述特征的维度，例如，1天所对应气温。可选地，第一预测时间单元的描述特征也可以包括1*24*M个描述特征，例如，1天内每个小时所对应的气温。
需要说明的是，假设第一预测时间单元为2020年10月19日，即星期一，则目标时间单元为2020年10月18日，即星期日。目标周期即为2020年10月12日至2020年10月18日，即星期一至星期日。基于此，历史周期可来源于过去一年的数据，为了更好地表现出周期相似性的特点，历史周期与目标周期可具有相同的周期排布，即每个历史周期为星期一至星期日。
105、根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。
本实施例中，电网负荷预测装置可以将历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量输入至训练好的负荷预测模型中，由该负荷预测模型输出第一电网负荷预测结果，即预测得到下一个时间单元的电网负荷。
具体地，负荷预测可以被看作是监督学习问题，输入的历史负荷序列可以被定义为
它由固定时间滞后的负荷数据组成。滞后窗口是通过经验来选择的，以D为7，T为24为例，则滞后窗口可以为过去一个礼拜的负荷序列，且每个小时有一个负荷。滞后窗口大小为nT，那么nT＝7×24。当给定一滞后窗口的历史负荷数据时，基于构造的负荷预测模型f以预测接下来的nO个时刻的值，其中，nT表示负荷预测模型f的输入序列长度，nO表示负荷预测模型f的输出序列长度，nO可设定为1个小时，也可以以半个小时为单位，本申请以1个小时为例进行说明，然而不应理解为对本申请的限定。基于此，序列
被定义为负荷预测模型f输出的负荷序列。
同时，假设在每个小时具有M个描述特征的维度，并采用矩阵
来表示对应于输入的nT个小时的描述特征，
是对应于输出的nO个小时的描述特征，于是，电网负荷预测的问题采用数学表达式来表示，即为：
其中，θ表示负荷预测模型f的模型参数，
可表示为1×24维度的特征向量。
需要说明的是，负荷预测模型f可以是基于注意力机制的深度神经网络，负荷预测模型f也可以基于循环神经网络、时间卷积神经网络或者多层前馈神经网络等于适用于负荷预测的网络结构。负荷预测模型f还可以是基于非深度神经网络构造模型，例如，极端梯度提升(extreme gradient boosting，XGBoost)、差分整合移动平均自回归模型(autoregressive integrated moving average model，ARIMA)或者季节性(Seasonal)ARIMA等。
为了便于理解，请参阅图4，图4为本申请实施例中生成电网负荷预测结果的一个实施例示意图，如图所示，服务器可以从数据库中提取大量的历史数据，例如，过去一年的历史数据，基于这些历史数据生成周期负荷以及周期描述特征，用户可通过终端设备查看今天的描述信息，例如，今天的日期、天气情况、气温、季节以及电网负荷等数据，如果用户希望预测第二天的电网负荷，那么可以填入预测未来“1”天的电网负荷，并通过终端设备向服务器发送预测指令，由服务器采用训练好的负荷预测模型，对未来1天的电网负荷进行预测，最后将预测得到的结果推送至终端设备。
本申请实施例中，提供了一种电网负荷预测的方法。通过上述方式，长期而言，可基于目标特征矩阵和大量的历史特征矩阵，对未来某个时间单元的电网负荷进行预测，历史周期内的历史特征矩阵显式地提供了全局信息，有助于目标周期在一个较长的历史周期里查询并定位到负荷走势相似的周期。短期而言，负荷序列具有多周期性的特性，因此，基于时间单元和周期共同预测电网负荷，能够更好地捕捉复杂的周期性，从而提升电网负荷预测的准确度。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，获取历史特征矩阵，具体包括如下步骤：
获取历史周期内每个时间单元所对应的历史负荷；
获取历史周期内每个时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对历史周期内每个时间单元所对应的历史负荷，以及历史周期内每个时间单元所对应的历史描述信息进行编码，得到历史特征矩阵。
本实施例中，介绍了一种提取历史特征矩阵的方式。本申请提出的负荷预测模型可以为基于注意力机制提出的一种多步预测网络，并以D等于7，T等于24为例进行介绍，基于此，可以将一天中24小时的负荷作为一个整体进行负荷序列的建模与预测。
具体地，定义一个历史特征矩阵为Xt＝[Lt-D:t,Zt-D:t]，为了便于说明，请参阅表1，表1为历史周期的历史负荷以及历史描述信息的一个示意。
表1
| 上下文编码器的输入 | 历史特征矩阵的维度 | 描述 |
| L<sub>t-D:t</sub> | D×24 | 从第t天往前推共D天的历史负荷 |
| T<sub>t-D:t</sub> | D×1 | D天的气温 |
| S<sub>t-D:t</sub> | D×4 | 独热(one-hot)编码的季节信息 |
| W<sub>t-D:t</sub> | D×7 | one-hot编码的星期信息 |
| E<sub>t-D:t</sub> | D×2 | one-hot编码的工作日信息 |
| H<sub>t-D:t</sub> | D×2 | one-hot编码的节假日信息 |
由表1可知，获取历史周期内每个时间单元所对应的历史负荷，即获取每天中每个小时所对应的负荷。其中，以天为时间单元，即Lt-D:t∈RD×24，表示从第t天往前推共D天的历史负荷，第t天为历史周期内的某一天，Zt-D:t∈RD×16表示在特征维度上对[Tt-D:t,St-D:t,Wt-D:t,Et-D:t,Ht-D:t]进行衔接后得到的结果，M为16，即描述特征的维度为16。
需要说明的是，上下文编码器(context encoder)属于全局上下文模块，全局上下文模块为负荷预测模型中的一部分，在后续实施例中将进行具体说明。
其次，本申请实施例中，提供了一种提取历史特征矩阵的方式，通过上述方式，基于多个维度的历史描述信息进行特征编码，可提升历史特征矩阵的特征多样性。此外，基于气温信息、季节信息、星期信息、工作日信息以及节假日信息，能够更好地构建出多周期性的特征，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，获取历史特征向量，具体包括如下步骤：
获取历史时间单元所对应的历史负荷；
获取历史时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对历史时间单元所对应的历史负荷，以及历史时间单元所对应的历史描述信息进行编码，得到历史特征向量。
本实施例中，介绍了一种提取历史特征向量的方式。可以将一天中24小时的负荷作为一个整体进行负荷序列的建模与预测。
具体地，定义一个历史特征向量为Yt＝[Lt:t+1,Zt:t+1]，为了便于说明，请参阅表2，表2为历史时间单元的历史负荷以及历史描述信息的一个示意。
表2
| 上下文编码器的输入 | 历史特征向量的维度 | 描述 |
| L<sub>t:t+1</sub> | 1×24 | 第t天的历史负荷 |
| T<sub>t:t+1</sub> | 1×1 | 第t天的气温 |
| S<sub>t:t+1</sub> | 1×4 | one-hot编码的季节信息 |
| W<sub>t:t+1</sub> | 1×7 | one-hot编码的星期信息 |
| E<sub>t:t+1</sub> | 1×2 | one-hot编码的工作日信息 |
| H<sub>t:t+1</sub> | 1×2 | one-hot编码的节假日信息 |
由表2可知，获取历史时间单元所对应的历史负荷，即获取第t天内每个小时所对应的负荷，此外，以天为时间单元的特征矩阵Zt：t+1∈R1×16，是在特征维度上对[Tt：t+1，St：t+1，Wt：t+1，Et：t+1，Ht：t+1]进行衔接后得到的，M为16，即描述特征的维度为16。
示例性地，下面将结合一个例子进行说明：
即，Lt:t+1中的24个元素为从第t天内每个小时的历史负荷，例如，280表示280万千瓦，275表示275万千瓦。可选地，还可以对Lt:t+1中的24个元素进行归一化处理，此处不做限定。
示例性地，下面将结合一个例子进行说明：
Tt:t+1＝[25.5]；
即，Tt:t+1中的25.5表示第t天的气温是25.5摄氏度。
示例性地，下面将结合一个例子进行说明：
St:t+1＝[0,0,1,0]；
假设第一个元素对应的位置为“1”时表示“春季”，第二个元素对应的位置为“1”时表示“夏季”，第三个元素对应的位置为“1”时表示“秋季”，第四个元素对应的位置为“1”时表示“冬季”，即，St:t+1＝[0,0,1,0]表示第t天属于秋季。
示例性地，下面将结合一个例子进行说明：
Wt:t+1＝[0,0,0,0,1,0，0]；
假设第一个元素对应的位置为“1”时表示“星期一”，第二个元素对应的位置为“1”时表示“星期二”，第三个元素对应的位置为“1”时表示“星期三”，第四个元素对应的位置为“1”时表示“星期四”，第五个元素对应的位置为“1”时表示“星期五”，第六个元素对应的位置为“1”时表示“星期六”，第七个元素对应的位置为“1”时表示“星期七”，即，Wt:t+1＝[0,0,0,0,1,0，0]表示第t天为星期五。
示例性地，下面将结合一个例子进行说明：
Et:t+1＝[1,0]；
假设第一个元素对应的位置为“1”时表示“工作日”，第二个元素对应的位置为“1”时表示“休息日”，即，Et:t+1＝[1,0]表示第t天为工作日。
示例性地，下面将结合一个例子进行说明：
Ht:t+1＝[0,1]；
假设第一个元素对应的位置为“1”时表示“节假日”，第二个元素对应的位置为“1”时表示“非节假日”，即，Ht:t+1＝[0,1]表示第t天为非节假日。
其次，本申请实施例中，提供了一种提取历史特征向量的方式，通过上述方式，基于多个维度的历史描述信息进行特征编码，可提升历史特征向量的特征多样性。此外，基于气温信息、季节信息、星期信息、工作日信息以及节假日信息，能够更好地构建出多周期性的特征，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，获取目标特征矩阵，具体包括如下步骤：
获取目标周期内每个时间单元所对应的历史负荷；
获取目标周期内每个时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对目标周期内每个时间单元所对应的历史负荷，以及目标周期内每个时间单元所对应的历史描述信息进行编码，得到目标特征矩阵。
本实施例中，介绍了一种提取目标特征矩阵的方式。以D等于7，T等于24为例进行介绍，基于此，可以将一天中24小时的负荷作为一个整体进行负荷序列的建模与预测。
具体地，定义一个目标特征矩阵为Xd＝[Ld-D:d,Zd-D:d]，为了便于说明，请参阅表3，表3为目标周期的历史负荷以及历史描述信息的一个示意。
表3
由表3可知，获取目标周期内每个时间单元所对应的历史负荷，即获取每天中每个小时所对应的负荷。其中，以天为时间单元，即Ld-D:d∈RD×24，表示从第d天往前推共D天的历史负荷，第d天即为目标时间单元，Zd-D:d∈RD×16表示在特征维度上对[Td-D:d,Sd-D:d,Wd-D:d,Ed-D:d,Hd-D:d]进行衔接后得到的结果，M为16，即描述特征的维度为16。
需要说明的是，编码器(encoder)属于局部序列模块，局部序列模块为负荷预测模型中的另一部分，在后续实施例中将进行具体说明。
其次，本申请实施例中，提供了一种提取目标特征矩阵的方式，通过上述方式，基于多个维度的历史描述信息进行特征编码，可提升目标特征矩阵的特征多样性。此外，基于气温信息、季节信息、星期信息、工作日信息以及节假日信息，能够更好地构建出多周期性的特征，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，获取目标特征向量，具体包括如下步骤：
获取目标时间单元所对应的历史负荷；
获取第一预测时间单元所对应的描述信息，其中，描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对目标时间单元所对应的历史负荷，以及第一预测时间单元所对应的描述信息进行编码，得到目标特征向量。
本实施例中，介绍了一种提取目标特征向量的方式。可以将一天中24小时的负荷作为一个整体进行负荷序列的建模与预测。
具体地，定义一个目标特征向量为Yd＝[Ld-1:d,Zd:d+1]，为了便于说明，请参阅表4，表4为目标时间单元的历史负荷以及第一预测时间单元的描述信息的一个示意。
表4
由表4可知，获取目标时间单元所对应的历史负荷，即获取第(d-1)天内每个小时所对应的负荷，此外，以天为时间单元的特征矩阵Zd:d+1∈R1×16，是在特征维度上对[Td:d+1,Sd:d+1,Wd:d+1,Ed:d+1,Hd:d+1]进行衔接后得到的，M为16，即描述特征的维度为16。
需要说明的是，解码器(dencoder)属于局部序列模块，局部序列模块为负荷预测模型中的另一部分，在后续实施例中将进行具体说明。
其次，本申请实施例中，提供了一种提取目标特征向量的方式，通过上述方式，基于多个维度的描述信息进行特征编码，可提升目标特征向量的特征多样性。此外，基于气温信息、季节信息、星期信息、工作日信息以及节假日信息，能够更好地构建出多周期性的特征，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果，具体包括如下步骤：
基于目标特征矩阵以及目标特征向量，通过局部序列模块获取第一特征矩阵；
基于历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，通过全局上下文模块获取第二特征矩阵；
基于第一特征矩阵以及第二特征矩阵，通过线性层获取第一预测时间单元所对应的电网负荷预测结果，其中，电网负荷预测结果包括第一预测时间单元中每个时间子单元所对应的负荷。
本实施例中，介绍了一种基于分层网络结构的电网负荷预测方式。从长期来看，对于第一预测时间单元(例如，第d天)的电网负荷预测，可基于输入的目标特征矩阵(Xd)和大量的上下文对(即，历史特征矩阵和历史特征向量)进行预测，其中，上下文对可表示为(XC,YC)：＝(Xi,Yi)i∈C，Xi表示第i个历史特征矩阵，Yi表示第i个历史特征向量，：＝表示定义为。C表示上下文对的总数，可以理解的是，大量的上下文对可以是一年或多年的上下文对，这些上下文对显式地提供了全局的信息，有助于目标特征矩阵(Xd)在一个较长的周期里查询并定位到负荷走势相似的日子。
为了便于理解，请参阅图5，图5为本申请实施例中负荷预测模型的一个分层网络结构示意图，如图所示，负荷预测模型包括局部序列模块(local sequence module)以及全局上下文模块(global context module)，其中，局部序列模块包括编码器和解码器，全局上下文模块包括上下文编码器、上下文注意力层以及上下文解码器。将目标特征矩阵输入至局部序列模块所包括的编码器，然后将目标特征向量以及编码后的目标特征矩阵输入至局部序列模块所包括的解码器，通过该局部序列模块输出第一特征矩阵，第一特征矩阵可表示为1×Hdf。
类似地，将历史特征矩阵以及历史特征向量输入至全局上下文模块，再通过全局上下文模块所包括的上下文注意力层(context attention)对编码后的目标特征矩阵进行注意力计算，最后将注意力计算结果以及目标特征向量输入至全局上下文模块所包括的上下文解码器，由此输出第二特征矩阵，第二特征矩阵可表示为1×Hdf。
最后，将局部序列模块输出的第一特征矩阵和全局上下文模块输入的第二特征矩阵输入至线性(linear)层，其中，线性层可以为全连接层，经过线性层后输出第一预测时间单元所对应的电网负荷预测结果
电网负荷预测结果
可表示为1×24的特征向量，特征向量中的每个元素对应于一个小时所对应的负荷。
其次，本申请实施例中，提供了一种基于分层网络结构的电网负荷预测方式，通过上述方式，考虑到负荷序列往往包含复杂的周期特性，以时刻点为单位难以捕捉这种复杂的周期性，如果在序列模型中简单地计算负荷序列中每个时刻之间的相似性，尽管可以从时间序列的角度对负荷预测问题进行建模，但还是无法充分地捕获负荷序列的多周期性特征，因此，本申请采用分层周期性提取机制，由局部序列模块和全局上下文模块分别长期和短期来提取负荷序列的周期性特征，由此提升电网负荷预测的准确性。局部序列模块和全局上下文模块可以层次性地提取负荷序列中的多重周期性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，基于目标特征矩阵以及目标特征向量，通过局部序列模块获取第一特征矩阵，具体包括如下步骤：
根据局部序列模块所包括的编码器，对目标特征矩阵进行注意力编码处理，得到目标特征矩阵的编码结果；
根据局部序列模块所包括的解码器，对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第一特征矩阵。
本实施例中，介绍了一种基于局部序列模块输出第一特征矩阵的方式。结合前述实施例所描述的内容可知，局部序列模块包括编码器和解码器，下面将结合图6进行介绍。
具体地，请参阅图6，图6为本申请实施例中局部序列模块的一个网络结构示意图，如图所示，将目标特征矩阵Xd输入至输入嵌入层(input embedding layer)，其中，输入嵌入层可采用全连接层来实现，它通过参数矩阵
将输入映射到特征维度为Hdf，从而实现线性映射，其中，H表示多头注意力机制中注意力头的个数，df表示每个注意力头的特征维度。由于目标特征矩阵(Xd)中需要并行处理每一天的描述特征以及负荷，因此，需要加入位置编码(Position encoding)以达到对每日数据出现时序进行编码的效果。
将线性映射后的目标特征矩阵输入至编码器，经过注意力自编码处理后得到目标特征矩阵的编码结果，其中，在注意力自编码处理过程中，查询(query，Q)、关键字(key,K)和值(value，V)均来源于目标特征矩阵。类似地，将目标特征向量Yd输入至输入嵌入层，从而实现线性映射，将线性映射后的目标特征向量和目标特征矩阵的编码结果，共同输入至解码器，从而得到第一特征矩阵。
再次，本申请实施例中，提供了一种基于局部序列模块输出第一特征矩阵的方式，通过上述方式，在局部序列模块中设置有基于注意力机制的编码器和解码器，采用编码器能够更好地关注到目标特征矩阵内部的注意力关系，采用解码器能够预测目标特征向量与目标特征矩阵之间的注意力关系，从而提升电网负荷预测的准确度。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，编码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
根据局部序列模块所包括的编码器，对目标特征矩阵进行注意力编码处理，得到目标特征矩阵的编码结果，具体包括如下步骤：
针对于编码器中的每个多头注意力层，基于第一注意力头对目标特征矩阵进行注意力编码处理，得到第一编码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于编码器中的每个多头注意力层，基于第二注意力头对目标特征矩阵进行注意力编码处理，得到第二编码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第一编码结果以及第二编码结果，获取目标特征矩阵的编码结果。
本实施例中，介绍了一种基于多头注意力机制进行编码的方式。局部序列模块所包括的编码器由多层的多头注意力机制层堆叠而成，为了便于介绍，以一层的多头注意力层为例进行介绍，在实际应用中，还可以包括两个或两个以上的多头注意力层，此处不做限定。且为了便于介绍，每个多头注意力层至少包括两个注意力头，即第一注意力头和第二注意力头，第一注意力头采用标准的多头注意力机制，而第二注意力头采用非周期扰动增强多头注意力机制，本申请以采用四个注意力头为例，其中，有两个第一注意力头以及两个第二注意力头。
为了便于理解，请参阅图7，图7为本申请实施例中局部序列模块中编码器的一个网络结构示意图，如图所示，对于编码器而言，在每一层多头注意力层中，采用第一注意力头对目标特征矩阵进行注意力编码处理，由此得到第一编码结果，如果采用两个第一注意力头对目标特征矩阵进行注意力编码处理，即得到两个第一编码结果。类似地，将采用第二注意力头对目标特征矩阵进行注意力编码处理，由此得到第二编码结果，如果采用两个第二注意力头对目标特征矩阵进行注意力编码处理，即得到两个第二编码结果。
第一注意力头的注意力编码处理方式如下：
第二注意力头的注意力编码处理方式如下：
其中，O表示编码结果，df表示每个注意力头的特征维度，Q表示查询矩阵，K表示关键字矩阵，V表示值矩阵，h∈{1,2,...,H}表示各个注意力头的索引，H表示多头注意力机制中注意力头的个数。
基于此，在每一层多头注意力层中，结合四个注意力头对应的编码结果得到中间编码结果，也就是将四个注意力头拼接(concat)在一起作为中间编码结果，最后将中间编码结果继续作为下一个多头注意力层的输入，直至经过所有多头注意力层的处理后得到目标特征矩阵的编码结果。
需要说明的是，在标准注意力机制中，采用第一注意力头计算两个特征向量之间的正相关性，例如，需要预测星期二在一天内的24个负荷，输入的是过去一周的目标特征矩阵，那么待预测的星期二会与前一周中的星期二之间具有强相关性，但是，如果待预测的星期二正好是春节假期，那么用电量相比于前一周的星期二而言会有很大的区别，因此，增加第二注意力头，网络可以学习到两个特征向量之间的负相关性，由此关注到非周期扰动的影响。
由于负荷序列还受到许多因素的影响，例如，节假日或者是极端的天气会出现突然的转变。而这种转变往往与之前的观测到的负荷走势表现出较大的差异。标准的多头注意力机制能够通过多头关注到来自不同表示子空间的信息，却不能保证增加更多的头就能捕捉到更多有用的特征。标准的多头注意力机制基于每一个头计算一个权重分布。每一个头的查询矩阵和关键字矩阵通过点乘计算负荷序列中天与天之间的相似性，并通过softmax函数得到权重分布。结合本申请提供的非周期扰动增强多头注意力机制，即可关注到负荷序列之间的负相关性。
进一步地，本申请实施例中，提供了一种基于多头注意力机制进行编码的方式，通过上述方式，局部序列模块中的编码器采用多层的多头注意力机制层堆叠而成，此外，对于编码器而言，一部分采用标准的多头注意力机制，能够利用多头来充分提取序列的模式，另一部分采用非周期扰动增强多头注意力机制，能够准确地预测负荷序列的在受到非周期扰动时产生的转折点，两者结合起来使用的效果更好，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，解码器至少包括一层多头注意力层，每个多头注意力层至少包括第一注意力头以及第二注意力头；
根据局部序列模块所包括的解码器，对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第一特征矩阵，具体包括如下步骤：
针对于解码器中的每个多头注意力层，基于第一注意力头对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第一解码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于解码器中的每个多头注意力层，基于第二注意力头对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第二解码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第一解码结果以及第二解码结果，获取第一特征矩阵。
本实施例中，介绍了一种基于多头注意力机制进行解码的方式。局部序列模块所包括的解码器由多层的多头注意力机制层堆叠而成，为了便于介绍，以一层多头注意力层为例进行介绍，在实际应用中，还可以包括两个或两个以上的多头注意力层，此处不做限定。且为了便于介绍，每个多头注意力层至少包括两个注意力头，即第一注意力头和第二注意力头，第一注意力头采用标准的多头注意力机制，而第二注意力头采用非周期扰动增强多头注意力机制，本申请以采用四个注意力头为例，其中，有两个第一注意力头以及两个第二注意力头。
为了便于理解，请参阅图8，图8为本申请实施例中局部序列模块中解码器的一个网络结构示意图，如图所示，对于解码器而言，在每一层多头注意力层中，采用第一注意力头对目标特征矩阵的解码结果以及目标特征向量进行注意力解码处理，由此得到第一解码结果，类似地，采用第二注意力头对目标特征矩阵的解码结果以及目标特征向量进行注意力解码处理，由此得到第二解码结果。
需要说明的是，第一注意力头的注意力编码处理方式和第二注意力头的注意力编码处理方式，如前述实施例所描述的内容，故此处不做赘述。
基于此，在每一层多头注意力层中，结合四个注意力头对应的解码结果得到中间解码结果，也就是将四个注意力头拼接在一起作为中间结果，最后将中间解码结果继续作为下一个多头注意力层的输入，直至经过所有多头注意力层的处理后得到第一特征矩阵。
进一步地，本申请实施例中，提供了一种基于多头注意力机制进行解码的方式，通过上述方式，局部序列模块中的解码器采用多层的多头注意力机制层堆叠而成，此外，对于解码器而言，一部分采用标准的多头注意力机制，能够利用多头来充分提取序列的模式，另一部分采用非周期扰动增强多头注意力机制，能够准确地预测负荷序列的在受到非周期扰动时产生的转折点，两者结合起来使用的效果更好，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，基于历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，通过全局上下文模块获取第二特征矩阵，具体包括如下步骤：
根据全局上下文模块所包括上下文编码器，对历史特征矩阵进行注意力编码处理，得到历史特征矩阵的编码结果；
根据全局上下文模块所包括上下文编码器，对历史特征向量进行注意力编码处理，得到历史特征向量的编码结果；
基于上下文注意力机制，对历史特征矩阵的编码结果、历史特征向量的编码结果以及目标特征矩阵的编码结果进行计算，得到注意力编码结果；
根据全局上下文模块所包括上下文解码器，对注意力编码结果以及目标特征向量进行注意力解码处理，得到第二特征矩阵。
本实施例中，介绍了一种基于全局上下文模块输出第二特征矩阵的方式。结合前述实施例所描述的内容可知，全局上下文模块包括上下文编码器和上下文解码器，下面将结合图9进行介绍。
具体地，请参阅图9，图9为本申请实施例中全局上下文模块的一个网络结构示意图，如图所示，将历史特征矩阵(X1至XN)输入至输入嵌入层，将历史特征向量(Y1至YN)也输入至输入嵌入层，其中，输入嵌入层可采用全连接层来实现，它通过参数矩阵
将输入映射到特征维度为Hdf，从而实现线性映射，其中，H表示多头注意力机制中注意力头的个数，df表示每个注意力头的特征维度。由于历史特征矩阵(X1至XN)中需要并行处理每一天的描述特征以及负荷，因此，需要加入位置编码以达到对每日数据出现时序进行编码的效果。
将线性映射后的历史特征矩阵和历史特征向量输入至上下文编码器，经过注意力自编码处理后得到历史特征矩阵的编码结果(k1至kN)，以及历史特征向量的编码结果。其中，在对历史特征矩阵进行注意力自编码处理过程中，Q、K和V均来源于历史特征矩阵，在对历史特征向量进行注意力自编码处理过程中，Q、K和V均来源于历史特征向量。
得到历史特征矩阵的编码结果(k1至kN)之后，将其和目标特征矩阵的编码结果(qd)共同输入至上下文注意力层(Context Attention)，通过上下文注意力层进行相似性计算，对集合中的上下文对进行加权，并根据历史特征向量的编码结果得到注意力编码结果(vd)。当目标特征矩阵(Xd)与历史特征矩阵中某个上下文点(Xi)比较高时，其对应的目标特征向量(Yd)与上下文点(Yi)也应当具有较高的相似性。短期来看，负荷序列具有日周期和周周期的特性。因此，以一周作为输入的滞后窗口。在局部序列模块中，使用注意力机制建模日负荷与周负荷之间的序列关系，而不是以每个时刻点为单位探索序列关系。
最后，采用上下文解码器对注意力编码结果以及目标特征向量进行注意力解码处理，得到第二特征矩阵。
再次，本申请实施例中，提供了一种基于全局上下文模块输出第二特征矩阵的方式，通过上述方式，在全局上下文模块中设置有基于注意力机制的上下文编码器和上下文解码器，采用编上下文码器能够更好地关注到历史特征矩阵和历史特征向量内部的注意力关系，采用上下文解码器能够预测注意力编码结果以及目标特征向量之间的注意力关系，从而提升电网负荷预测的准确度。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，上下文编码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
根据全局上下文模块所包括上下文编码器，对历史特征矩阵进行注意力编码处理，得到历史特征矩阵的编码结果，具体包括如下步骤：
针对于上下文编码器中的每个多头注意力层，基于第一注意力头对历史特征矩阵进行注意力编码处理，得到第三编码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于上下文编码器中的每个多头注意力层，基于第二注意力头对历史特征矩阵进行注意力编码处理，得到第四编码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第三编码结果以及第四编码结果，获取历史特征矩阵的编码结果；
根据全局上下文模块所包括上下文编码器，对历史特征向量进行注意力编码处理，得到历史特征向量的编码结果，具体包括如下步骤：
针对于上下文编码器中的每个多头注意力层，基于第一注意力头对历史特征向量进行注意力编码处理，得到第五编码结果；
针对于上下文编码器中的每个多头注意力层，基于第二注意力头对历史特征向量进行注意力编码处理，得到第六编码结果；
根据第五编码结果以及第六编码结果，获取历史特征向量的编码结果。
本实施例中，提供了一种基于多头注意力机制进行编码的方式。全局上下文模块所包括的上下文编码器由多层的多头注意力机制层堆叠而成，为了便于介绍，以一层多头注意力层为了进行介绍，在实际应用中，还可以包括两个或两个以上的多头注意力层，此处不做限定。且为了便于介绍，每个多头注意力层至少包括两个注意力头，即第一注意力头和第二注意力头，第一注意力头采用标准的多头注意力机制，而第二意力头采用非周期扰动增强多头注意力机制，本申请以采用四个注意力头为例，其中，有两个第一注意力头以及两个第二注意力头。
为了便于理解，请参阅图10，图10为本申请实施例中全局上下文模块中上下文编码器的一个网络结构示意图，如图所示，对于上下文编码器而言，在每一层多头注意力层中，采用第一注意力头对历史特征矩阵进行注意力编码处理，由此得到第三编码结果。在每一层多头注意力层中，采用第二注意力头对历史特征矩阵进行注意力编码处理，由此得到第四编码结果。
基于此，在每一层多头注意力层中，结合四个注意力头对应的编码结果得到中间编码结果，也就是将四个注意力头拼接在一起作为中间编码结果，最后将中间编码结果继续作为下一个多头注意力层的输入，直至经过所有多头注意力层的处理后得到历史特征矩阵的编码结果。
类似地，在每一层多头注意力层中，采用第一注意力头对历史特征向量进行注意力编码处理，由此得到第五编码结果，在每一层多头注意力层中，采用第二注意力头对历史特征向量进行注意力编码处理，由此得到第六编码结果。
基于此，在每一层多头注意力层中，结合四个注意力头对应的编码结果得到中间编码结果，也就是将四个注意力头拼接在一起，通过线性层转换为一个和单头一样的中间编码结果，最后将中间编码结果继续作为下一个多头注意力层的输入，直至经过所有多头注意力层的处理后得到历史特征向量的编码结果。
需要说明的是，第一注意力头的注意力编码处理方式和第二注意力头的注意力编码处理方式，如前述实施例所描述的内容，故此处不做赘述。
再次，本申请实施例中，提供了一种基于多头注意力机制进行编码的方式，通过上述方式，全局上下文模块中的上下文编码器采用多层的多头注意力机制层堆叠而成，此外，对于上下文编码器而言，一部分采用标准的多头注意力机制，能够利用多头来充分提取序列的模式，另一部分采用非周期扰动增强多头注意力机制，能够准确地预测负荷序列的在受到非周期扰动时产生的转折点，两者结合起来使用的效果更好，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，上下文解码器至少包括一层多头注意力层，每个多头注意力层至少包括第一注意力头以及第二注意力头；
根据全局上下文模块所包括上下文解码器，对注意力编码结果以及目标特征向量进行注意力解码处理，得到第二特征矩阵，具体包括如下步骤：
针对于上下文解码器中的每个多头注意力层，基于第一注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，得到第三解码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于解码器中的每个多头注意力层，基于第二注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，得到第四解码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第三解码结果以及第四解码结果，获取第二特征矩阵。
本实施例中，介绍了一种基于多头注意力机制进行解码的方式。全局上下文模块所包括的上下文解码器由多层的多头注意力机制层堆叠而成，为了便于介绍，以一层多头注意力层为了进行介绍，在实际应用中，还可以包括三个或三个以上的多头注意力层，此处不做限定。且为了便于介绍，每个多头注意力层至少包括两个注意力头，即第一注意力头和第二注意力头，第一注意力头采用标准的多头注意力机制，而第二意力头采用非周期扰动增强多头注意力机制，本申请以采用四个注意力头为例，其中，有两个第一注意力头以及两个第二注意力头。
为了便于理解，请参阅图11，图11为本申请实施例中全局上下文模块中上下文解码器的一个网络结构示意图，如图所示，对于上下文解码器而言，在每一层多头注意力层中，采用第一注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，由此得到第三解码结果，类似地，采用第二注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，由此得到第四解码结果。
需要说明的是，第一注意力头的注意力编码处理方式和第二注意力头的注意力编码处理方式，如前述实施例所描述的内容，故此处不做赘述。
基于此，在每一层多头注意力层中，结合四个注意力头对应的解码结果得到中间解码结果，也就是将四个注意力头拼接在一起，通过线性层转换为一个和单头一样的中间解码结果，最后将中间解码结果继续作为下一个多头注意力层的输入，直至经过所有多头注意力层的处理后得到第二特征矩阵。
再次，本申请实施例中，提供了一种基于多头注意力机制进行解码的方式，通过上述方式，全局上下文模块中的上下文解码器采用多层的多头注意力机制层堆叠而成，此外，对于上下文解码器而言，一部分采用标准的多头注意力机制，能够利用多头来充分提取序列的模式，另一部分采用非周期扰动增强多头注意力机制，能够准确地预测负荷序列的在受到非周期扰动时产生的转折点，两者结合起来使用的效果更好，从而提升电网负荷预测的准确性。
可选地，在上述图3对应的各个实施例的基础上，本申请实施例提供的另一个可选实施例中，根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果之后，还可以包括如下步骤：
获取已更新特征矩阵，其中，已更新特征矩阵包括已更新周期的周期负荷以及周期描述特征，已更新周期包括D个时间单元，已更新周期包括第一预测时间单元；
获取已更新特征向量，其中，已更新特征向量包括第一预测时间单元所对应的电网负荷预测结果以及第二预测时间单元的描述特征，第一预测时间单元为出现在第二预测时间单元之前的一个相邻时间单元，第二预测时间单元为出现已更新周期之后的下一个时间单元，第二预测时间单元包括T个时间子单元；
根据历史特征矩阵、历史特征向量、已更新特征矩阵以及已更新特征向量，对第二预测时间单元的电网负荷进行预测，得到第二电网负荷预测结果。
本实施例中，介绍了一种对第二预测时间的负荷进行预测的方式。在预测得到第一电网负荷预测结果之后，可获取已更新周期所对应的已更新特征矩阵，已更新周期与目标周期不同的是，已更新周期包括第一预测时间单元，而目标周期并不包括第一预测时间单元。相同的是，已更新周期也具有D个时间单元，且每个时间单元具有T个时间子单元。具体地，已更新特征矩阵可以是距离当前时间最近一个周期的电网相关数据。以一个时间子单元为1个小时，一个时间单元为1天，且一个已更新特征矩阵为7天作为示例，那么D为7，T为24。基于此，一个已更新特征矩阵所对应的周期负荷包括7*24个小时的负荷，一个已更新特征矩阵所对应的周期描述特征包括7*M个描述特征，或者7*24*M个描述特征。
在预测得到第一电网负荷预测结果之后，还可获取已更新特征向量，已更新特征向量包括第一预测时间单元所对应的电网负荷预测结果以及第二预测时间单元的描述特征。基于此，例如，已更新周期为2020年10月13日至2020年10月19日，那么该已更新周期对应的第一预测时间单元为2020年10月19日，该已更新周期对应的第二预测时间单元为2020年10月20，即第一预测时间单元和第二预测时间单元均包括T个时间子单元(例如，均包括24小时)。
具体地，第一预测时间单元所对应的电网负荷预测结果包括1*24个小时的负荷，第二预测时间单元所对应的描述特征包括1*M个描述特征，其中，M表示描述特征的维度。
最后将历史特征矩阵、历史特征向量、已更新特征矩阵以及已更新特征向量输入至训练好的负荷预测模型中，由该负荷预测模型输出第二电网负荷预测结果，即预测得到下一个时间单元的电网负荷。
其次，本申请实施例中，提供了一种对第二预测时间的负荷进行预测的方式，通过上述方式，构造了分层的多重周期性提取机制以及非周期扰动增强多头注意力机制，使得在负荷预测问题中，可以准确地预测未来一到两天的短期负荷值，且适用于电网等对能源管理有较大需求的机构，并集成到其已有的系统中，实现预测时计算代价小，成本低的优势。
下面对本申请中的电网负荷预测装置进行详细描述，请参阅图12，图12为本申请实施例中电网负荷预测装置的一个实施例示意图，电网负荷预测装置20包括：
获取模块201，用于获取历史特征矩阵，其中，历史特征矩阵包括历史周期的周期负荷以及周期描述特征，历史周期包括D个时间单元，每个时间单元包括T个时间子单元，D和T均为大于1的整数；
获取模块201，还用于获取历史特征向量，其中，历史特征向量包括历史时间单元的历史负荷以及历史描述特征，历史时间单元为出现历史周期之后的下一个时间单元，历史时间单元包括T个时间子单元；
获取模块201，还用于获取目标特征矩阵，其中，目标特征矩阵包括目标周期的周期负荷以及周期描述特征，目标周期包括D个时间单元；
获取模块201，还用于获取目标特征向量，其中，目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征，目标时间单元为出现在第一预测时间单元之前的一个相邻时间单元，第一预测时间单元为出现目标周期之后的下一个时间单元，目标时间单元包括T个时间子单元，第一预测时间单元包括T个时间子单元；
预测模块202，用于根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
获取模块201，具体用于获取历史周期内每个时间单元所对应的历史负荷；
获取历史周期内每个时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对历史周期内每个时间单元所对应的历史负荷，以及历史周期内每个时间单元所对应的历史描述信息进行编码，得到历史特征矩阵。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
获取模块201，具体用于获取历史时间单元所对应的历史负荷；
获取历史时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对历史时间单元所对应的历史负荷，以及历史时间单元所对应的历史描述信息进行编码，得到历史特征向量。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
获取模块201，具体用于获取目标周期内每个时间单元所对应的历史负荷；
获取目标周期内每个时间单元所对应的历史描述信息，其中，历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对目标周期内每个时间单元所对应的历史负荷，以及目标周期内每个时间单元所对应的历史描述信息进行编码，得到目标特征矩阵。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
获取模块201，具体用于获取目标时间单元所对应的历史负荷；
获取第一预测时间单元所对应的描述信息，其中，描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对目标时间单元所对应的历史负荷，以及第一预测时间单元所对应的描述信息进行编码，得到目标特征向量。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
预测模块202，具体用于基于目标特征矩阵以及目标特征向量，通过局部序列模块获取第一特征矩阵；
基于历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，通过全局上下文模块获取第二特征矩阵；
基于第一特征矩阵以及第二特征矩阵，通过线性层获取第一预测时间单元所对应的电网负荷预测结果，其中，电网负荷预测结果包括第一预测时间单元中每个时间子单元所对应的负荷。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
预测模块202，具体用于根据局部序列模块所包括的编码器，对目标特征矩阵进行注意力编码处理，得到目标特征矩阵的编码结果；
根据局部序列模块所包括的解码器，对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第一特征矩阵。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，编码器至少包括一层多头注意力层，每个多头注意力层至少包括两个注意力头以及第二注意力头；
预测模块202，具体用于针对于编码器中的每个多头注意力层，基于第一注意力头对目标特征矩阵进行注意力编码处理，得到第一编码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于编码器中的每个多头注意力层，基于第二注意力头对目标特征矩阵进行注意力编码处理，得到第二编码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第一编码结果以及第二编码结果，获取目标特征矩阵的编码结果。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，解码器至少包括一层多头注意力层，每个多头注意力层至少包括第一注意力头以及第二注意力头；
预测模块202，具体用于针对于解码器中的每个多头注意力层，基于第一注意力头对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第一解码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于解码器中的每个多头注意力层，基于第二注意力头对目标特征矩阵的编码结果以及目标特征向量进行注意力解码处理，得到第二解码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第一解码结果以及第二解码结果，获取第一特征矩阵。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
预测模块202，具体用于根据全局上下文模块所包括上下文编码器，对历史特征矩阵进行注意力编码处理，得到历史特征矩阵的编码结果；
根据全局上下文模块所包括上下文编码器，对历史特征向量进行注意力编码处理，得到历史特征向量的编码结果；
基于上下文注意力机制，对历史特征矩阵的编码结果、历史特征向量的编码结果以及目标特征矩阵的编码结果进行计算，得到注意力编码结果；
根据全局上下文模块所包括上下文解码器，对注意力编码结果以及目标特征向量进行注意力解码处理，得到第二特征矩阵。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
上下文编码器至少包括一层多头注意力层，每个多头注意力层至少包括第一注意力头以及第二注意力头；
预测模块202，具体用于根据全局上下文模块所包括上下文编码器，对历史特征矩阵进行注意力编码处理，得到历史特征矩阵的编码结果，包括：
针对于上下文编码器中的每个多头注意力层，基于第一注意力头对历史特征矩阵进行注意力编码处理，得到第三编码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于上下文编码器中的每个多头注意力层，基于第二注意力头对历史特征矩阵进行注意力编码处理，得到第四编码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第三编码结果以及第四编码结果，获取历史特征矩阵的编码结果；
预测模块202，具体用于针对于上下文编码器中的每个多头注意力层，基于第一注意力头对历史特征向量进行注意力编码处理，得到第五编码结果；
针对于上下文编码器中的每个多头注意力层，基于第二注意力头对历史特征向量进行注意力编码处理，得到第六编码结果；
根据第五编码结果以及第六编码结果，获取历史特征向量的编码结果。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，上下文解码器至少包括一层多头注意力层，每个多头注意力层至少包括第一注意力头以及第二注意力头；
预测模块202，具体用于针对于上下文解码器中的每个多头注意力层，基于第一注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，得到第三解码结果，其中，第一注意力头用于计算特征向量之间的正相关性；
针对于解码器中的每个多头注意力层，基于第二注意力头对注意力编码结果以及目标特征向量进行注意力解码处理，得到第四解码结果，其中，第二注意力头用于计算特征向量之间的负相关性；
根据第三解码结果以及第四解码结果，获取第二特征矩阵。
可选地，在上述图12所对应的实施例的基础上，本申请实施例提供的电网负荷预测装置20的另一实施例中，
获取模块201，还用于在预测模块202根据历史特征矩阵、历史特征向量、目标特征矩阵以及目标特征向量，对第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果之后，获取已更新特征矩阵，其中，已更新特征矩阵包括已更新周期的周期负荷以及周期描述特征，已更新周期包括D个时间单元，已更新周期包括第一预测时间单元；
获取模块201，还用于获取已更新特征向量，其中，已更新特征向量包括第一预测时间单元所对应的电网负荷预测结果以及第二预测时间单元的描述特征，第一预测时间单元为出现在第二预测时间单元之前的一个相邻时间单元，第二预测时间单元为出现已更新周期之后的下一个时间单元，第二预测时间单元包括T个时间子单元；
预测模块202，还用于根据历史特征矩阵、历史特征向量、已更新特征矩阵以及已更新特征向量，对第二预测时间单元的电网负荷进行预测，得到第二电网负荷预测结果。
本申请实施例还提供了另一种电网负荷预测装置，该电网负荷预测装置可部署于终端设备，如图13所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端设备可以为包括手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、销售终端设备(Point of Sales，POS)、车载电脑等任意终端设备，以终端设备为手机为例：
图13示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图13，手机包括：射频(Radio Frequency，RF)电路310、存储器320、输入单元330、显示单元340、传感器350、音频电路360、无线保真(wireless fidelity，WiFi)模块370、处理器380、以及电源390等部件。本领域技术人员可以理解，图13中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图13对手机的各个构成部件进行具体的介绍：
RF电路310可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器380处理；另外，将设计上行的数据发送给基站。通常，RF电路310包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路310还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器320可用于存储软件程序以及模块，处理器380通过运行存储在存储器320的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元330可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元330可包括触控面板331以及其他输入设备332。触控面板331，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板331上或在触控面板331附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板331可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器380，并能接收处理器380发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板331。除了触控面板331，输入单元330还可以包括其他输入设备332。具体地，其他输入设备332可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元340可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元340可包括显示面板341，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板341。进一步的，触控面板331可覆盖显示面板341，当触控面板331检测到在其上或附近的触摸操作后，传送给处理器380以确定触摸事件的类型，随后处理器380根据触摸事件的类型在显示面板341上提供相应的视觉输出。虽然在图13中，触控面板331与显示面板341是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板331与显示面板341集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器350，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板341的亮度，接近传感器可在手机移动到耳边时，关闭显示面板341和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路360、扬声器361，传声器362可提供用户与手机之间的音频接口。音频电路360可将接收到的音频数据转换后的电信号，传输到扬声器361，由扬声器361转换为声音信号输出；另一方面，传声器362将收集的声音信号转换为电信号，由音频电路360接收后转换为音频数据，再将音频数据输出处理器380处理后，经RF电路310以发送给比如另一手机，或者将音频数据输出至存储器320以便进一步处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块370可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图13示出了WiFi模块370，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器380是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器320内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器380可包括一个或多个处理单元；可选的，处理器380可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器380中。
手机还包括给各个部件供电的电源390(比如电池)，可选的，电源可以通过电源管理系统与处理器380逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
上述实施例中由终端设备所执行的步骤可以基于该图13所示的终端设备结构。
本申请实施例还提供了另一种电网负荷预测装置，该电网负荷预测装置可部署于服务器，图14是本申请实施例提供的一种服务器结构示意图，该服务器400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)422(例如，一个或一个以上处理器)和存储器432，一个或一个以上存储应用程序442或数据444的存储介质430(例如一个或一个以上海量存储设备)。其中，存储器432和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器422可以设置为与存储介质430通信，在服务器400上执行存储介质430中的一系列指令操作。
服务器400还可以包括一个或一个以上电源426，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口458，和/或，一个或一个以上操作系统441，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图14所示的服务器结构。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前述各个实施例描述的方法。
本申请实施例中还提供一种包括程序的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例描述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (16)
1.一种电网负荷预测的方法，其特征在于，包括：
获取历史特征矩阵，其中，所述历史特征矩阵包括历史周期的周期负荷以及周期描述特征，所述历史周期包括D个时间单元，每个时间单元包括T个时间子单元，所述D和所述T均为大于1的整数；
获取历史特征向量，其中，所述历史特征向量包括历史时间单元的历史负荷以及历史描述特征，所述历史时间单元为出现所述历史周期之后的下一个时间单元，所述历史时间单元包括T个时间子单元；
获取目标特征矩阵，其中，所述目标特征矩阵包括目标周期的周期负荷以及周期描述特征，所述目标周期包括D个时间单元；
获取目标特征向量，其中，所述目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征，所述目标时间单元为出现在第一预测时间单元之前的一个相邻时间单元，所述第一预测时间单元为出现所述目标周期之后的下一个时间单元，所述目标时间单元包括T个时间子单元，所述第一预测时间单元包括T个时间子单元；
根据所述历史特征矩阵、所述历史特征向量、所述目标特征矩阵以及所述目标特征向量，对所述第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取历史特征矩阵，包括：
获取所述历史周期内每个时间单元所对应的历史负荷；
获取所述历史周期内每个时间单元所对应的历史描述信息，其中，所述历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对所述历史周期内每个时间单元所对应的历史负荷，以及所述历史周期内每个时间单元所对应的历史描述信息进行编码，得到所述历史特征矩阵。
3.根据权利要求1所述的方法，其特征在于，所述获取历史特征向量，包括：
获取所述历史时间单元所对应的历史负荷；
获取所述历史时间单元所对应的历史描述信息，其中，所述历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对所述历史时间单元所对应的历史负荷，以及所述历史时间单元所对应的历史描述信息进行编码，得到所述历史特征向量。
4.根据权利要求1所述的方法，其特征在于，所述获取目标特征矩阵，包括：
获取所述目标周期内每个时间单元所对应的历史负荷；
获取所述目标周期内每个时间单元所对应的历史描述信息，其中，所述历史描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对所述目标周期内每个时间单元所对应的历史负荷，以及所述目标周期内每个时间单元所对应的历史描述信息进行编码，得到所述目标特征矩阵。
5.根据权利要求1所述的方法，其特征在于，所述获取目标特征向量，包括：
获取所述目标时间单元所对应的历史负荷；
获取所述第一预测时间单元所对应的描述信息，其中，所述描述信息包括气温信息、季节信息、星期信息、工作日信息以及节假日信息中的至少一种；
对所述目标时间单元所对应的历史负荷，以及所述第一预测时间单元所对应的描述信息进行编码，得到所述目标特征向量。
6.根据权利要求1所述的方法，其特征在于，所述根据所述历史特征矩阵、所述历史特征向量、所述目标特征矩阵以及所述目标特征向量，对所述第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果，包括：
基于所述目标特征矩阵以及所述目标特征向量，通过局部序列模块获取第一特征矩阵；
基于所述历史特征矩阵、所述历史特征向量、所述目标特征矩阵以及所述目标特征向量，通过全局上下文模块获取第二特征矩阵；
基于所述第一特征矩阵以及所述第二特征矩阵，通过线性层获取所述第一预测时间单元所对应的电网负荷预测结果，其中，所述电网负荷预测结果包括所述第一预测时间单元中每个时间子单元所对应的负荷。
7.根据权利要求6所述的方法，其特征在于，所述基于所述目标特征矩阵以及所述目标特征向量，通过局部序列模块获取第一特征矩阵，包括：
根据所述局部序列模块所包括的编码器，对所述目标特征矩阵进行注意力编码处理，得到所述目标特征矩阵的编码结果；
根据所述局部序列模块所包括的解码器，对所述目标特征矩阵的编码结果以及所述目标特征向量进行注意力解码处理，得到所述第一特征矩阵。
8.根据权利要求7所述的方法，其特征在于，所述编码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一个注意力头以及一个第二注意力头；
所述根据所述局部序列模块所包括的编码器，对所述目标特征矩阵进行注意力编码处理，得到所述目标特征矩阵的编码结果，包括：
针对于所述编码器中的每个多头注意力层，基于所述第一注意力头对所述目标特征矩阵进行注意力编码处理，得到第一编码结果，其中，所述第一注意力头用于计算特征向量之间的正相关性；
针对于所述编码器中的每个多头注意力层，基于所述第二注意力头对所述目标特征矩阵进行注意力编码处理，得到第二编码结果，其中，所述第二注意力头用于计算特征向量之间的负相关性；
根据所述第一编码结果以及所述第二编码结果，获取所述目标特征矩阵的编码结果。
9.根据权利要求7所述的方法，其特征在于，所述解码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
所述根据所述局部序列模块所包括的解码器，对所述目标特征矩阵的编码结果以及所述目标特征向量进行注意力解码处理，得到所述第一特征矩阵，包括：
针对于所述解码器中的每个多头注意力层，基于所述第一注意力头对所述目标特征矩阵的编码结果以及所述目标特征向量进行注意力解码处理，得到第一解码结果，其中，所述第一注意力头用于计算特征向量之间的正相关性；
针对于所述解码器中的每个多头注意力层，基于所述第二注意力头对所述目标特征矩阵的编码结果以及所述目标特征向量进行注意力解码处理，得到第二解码结果，其中，所述第二注意力头用于计算特征向量之间的负相关性；
根据所述第一解码结果以及所述第二解码结果，获取所述第一特征矩阵。
10.根据权利要求6至9中任一项所述的方法，其特征在于，所述基于所述历史特征矩阵、所述历史特征向量、所述目标特征矩阵以及所述目标特征向量，通过全局上下文模块获取第二特征矩阵，包括：
根据所述全局上下文模块所包括上下文编码器，对所述历史特征矩阵进行注意力编码处理，得到所述历史特征矩阵的编码结果；
根据所述全局上下文模块所包括上下文编码器，对所述历史特征向量进行注意力编码处理，得到所述历史特征向量的编码结果；
基于上下文注意力机制，对所述历史特征矩阵的编码结果、所述历史特征向量的编码结果以及所述目标特征矩阵的编码结果进行计算，得到注意力编码结果；
根据所述全局上下文模块所包括上下文解码器，对所述注意力编码结果以及所述目标特征向量进行注意力解码处理，得到所述第二特征矩阵。
11.根据权利要求10所述的方法，其特征在于，所述上下文编码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
所述根据所述全局上下文模块所包括上下文编码器，对所述历史特征矩阵进行注意力编码处理，得到所述历史特征矩阵的编码结果，包括：
针对于所述上下文编码器中的每个多头注意力层，基于所述第一注意力头对所述历史特征矩阵进行注意力编码处理，得到第三编码结果，其中，所述第一注意力头用于计算特征向量之间的正相关性；
针对于所述上下文编码器中的每个多头注意力层，基于所述第二注意力头对所述历史特征矩阵进行注意力编码处理，得到第四编码结果，其中，所述第二注意力头用于计算特征向量之间的负相关性；
根据所述第三编码结果以及所述第四编码结果，获取所述历史特征矩阵的编码结果；
所述根据所述全局上下文模块所包括上下文编码器，对所述历史特征向量进行注意力编码处理，得到所述历史特征向量的编码结果，包括：
针对于所述上下文编码器中的每个多头注意力层，基于所述第一注意力头对所述历史特征向量进行注意力编码处理，得到第五编码结果；
针对于所述上下文编码器中的每个多头注意力层，基于所述第二注意力头对所述历史特征向量进行注意力编码处理，得到第六编码结果；
根据所述第五编码结果以及所述第六编码结果，获取所述历史特征向量的编码结果。
12.根据权利要求10所述的方法，其特征在于，所述上下文解码器至少包括一层多头注意力层，每个多头注意力层至少包括一个第一注意力头以及一个第二注意力头；
所述根据所述全局上下文模块所包括上下文解码器，对所述注意力编码结果以及所述目标特征向量进行注意力解码处理，得到所述第二特征矩阵，包括：
针对于所述上下文解码器中的每个多头注意力层，基于所述第一注意力头对所述注意力编码结果以及所述目标特征向量进行注意力解码处理，得到第三解码结果，其中，所述第一注意力头用于计算特征向量之间的正相关性；
针对于所述解码器中的每个多头注意力层，基于所述第二注意力头对所述注意力编码结果以及所述目标特征向量进行注意力解码处理，得到第四解码结果，其中，所述第二注意力头用于计算特征向量之间的负相关性；
根据所述第三解码结果以及所述第四解码结果，获取所述第二特征矩阵。
13.根据权利要求1所述的方法，其特征在于，所述根据所述历史特征矩阵、所述历史特征向量、所述目标特征矩阵以及所述目标特征向量，对所述第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果之后，所述方法还包括：
获取已更新特征矩阵，其中，所述已更新特征矩阵包括已更新周期的周期负荷以及周期描述特征，所述已更新周期包括D个时间单元，所述已更新周期包括第一预测时间单元；
获取已更新特征向量，其中，所述已更新特征向量包括所述第一预测时间单元所对应的电网负荷预测结果以及第二预测时间单元的描述特征，所述第一预测时间单元为出现在第二预测时间单元之前的一个相邻时间单元，所述第二预测时间单元为出现所述已更新周期之后的下一个时间单元，所述第二预测时间单元包括T个时间子单元；
根据所述历史特征矩阵、所述历史特征向量、所述已更新特征矩阵以及所述已更新特征向量，对所述第二预测时间单元的电网负荷进行预测，得到第二电网负荷预测结果。
14.一种电网负荷预测装置，其特征在于，包括：
获取模块，用于获取历史特征矩阵，其中，所述历史特征矩阵包括历史周期的周期负荷以及周期描述特征，所述历史周期包括D个时间单元，每个时间单元包括T个时间子单元，所述D和所述T均为大于1的整数；
所述获取模块，还用于获取历史特征向量，其中，所述历史特征向量包括历史时间单元的历史负荷以及历史描述特征，所述历史时间单元为出现所述历史周期之后的下一个时间单元，所述历史时间单元包括T个时间子单元；
所述获取模块，还用于获取目标特征矩阵，其中，所述目标特征矩阵包括目标周期的周期负荷以及周期描述特征，所述目标周期包括D个时间单元；
所述获取模块，还用于获取目标特征向量，其中，所述目标特征向量包括目标时间单元的历史负荷以及第一预测时间单元的描述特征，所述目标时间单元为出现在第一预测时间单元之前的一个相邻时间单元，所述第一预测时间单元为出现所述目标周期之后的下一个时间单元，所述目标时间单元包括T个时间子单元，所述第一预测时间单元包括T个时间子单元；
预测模块，用于根据所述历史特征矩阵、所述历史特征向量、所述目标特征矩阵以及所述目标特征向量，对所述第一预测时间单元的电网负荷进行预测，得到第一电网负荷预测结果。
15.一种计算机设备，其特征在于，包括：存储器以及处理器；
其中，所述存储器用于存储程序；
所述处理器用于执行所述存储器中的程序，所述处理器用于根据程序代码中的指令执行权利要求1至13中任一项所述的方法。
16.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至13中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011189883.7A CN112288595A (zh) | 2020-10-30 | 2020-10-30 | 一种电网负荷预测的方法、相关装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011189883.7A CN112288595A (zh) | 2020-10-30 | 2020-10-30 | 一种电网负荷预测的方法、相关装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288595A true CN112288595A (zh) | 2021-01-29 |
Family
ID=74352948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011189883.7A Pending CN112288595A (zh) | 2020-10-30 | 2020-10-30 | 一种电网负荷预测的方法、相关装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288595A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598201A (zh) * | 2021-03-01 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
| CN113191544A (zh) * | 2021-04-28 | 2021-07-30 | 河海大学 | 一种基于多层神经网络的短期电力负荷预测方法 |
| CN113704511A (zh) * | 2021-07-30 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 多媒体资源的推荐方法、装置、电子设备及存储介质 |
| CN113807027A (zh) * | 2021-10-09 | 2021-12-17 | 华北电力大学（保定） | 一种风电机组健康状态评估模型、方法及系统 |
| CN113837503A (zh) * | 2021-11-29 | 2021-12-24 | 新风光电子科技股份有限公司 | 基于人工智能的电网负荷预测方法及系统 |
| CN114062812A (zh) * | 2021-11-15 | 2022-02-18 | 国网四川省电力公司营销服务中心 | 一种计量柜故障诊断方法及系统 |
| CN115099502A (zh) * | 2022-06-29 | 2022-09-23 | 四川大学 | 一种基于用户间用电行为相似性的短期电力负荷预测方法 |
| CN115622047A (zh) * | 2022-11-04 | 2023-01-17 | 中海储能科技(北京)有限公司 | 基于Transformer模型的电力变压器负荷预测方法 |
-
2020
- 2020-10-30 CN CN202011189883.7A patent/CN112288595A/zh active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112598201B (zh) * | 2021-03-01 | 2021-05-18 | 湖北鑫英泰系统技术股份有限公司 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
| CN112598201A (zh) * | 2021-03-01 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
| CN113191544B (zh) * | 2021-04-28 | 2022-08-12 | 河海大学 | 一种基于多层神经网络的短期电力负荷预测方法 |
| CN113191544A (zh) * | 2021-04-28 | 2021-07-30 | 河海大学 | 一种基于多层神经网络的短期电力负荷预测方法 |
| CN113704511A (zh) * | 2021-07-30 | 2021-11-26 | 北京达佳互联信息技术有限公司 | 多媒体资源的推荐方法、装置、电子设备及存储介质 |
| CN113807027A (zh) * | 2021-10-09 | 2021-12-17 | 华北电力大学（保定） | 一种风电机组健康状态评估模型、方法及系统 |
| CN113807027B (zh) * | 2021-10-09 | 2023-08-18 | 华北电力大学（保定） | 一种风电机组健康状态评估模型、方法及系统 |
| CN114062812A (zh) * | 2021-11-15 | 2022-02-18 | 国网四川省电力公司营销服务中心 | 一种计量柜故障诊断方法及系统 |
| CN114062812B (zh) * | 2021-11-15 | 2024-05-07 | 国网四川省电力公司营销服务中心 | 一种计量柜故障诊断方法及系统 |
| CN113837503B (zh) * | 2021-11-29 | 2022-03-29 | 新风光电子科技股份有限公司 | 基于人工智能的电网负荷预测方法及系统 |
| CN113837503A (zh) * | 2021-11-29 | 2021-12-24 | 新风光电子科技股份有限公司 | 基于人工智能的电网负荷预测方法及系统 |
| CN115099502A (zh) * | 2022-06-29 | 2022-09-23 | 四川大学 | 一种基于用户间用电行为相似性的短期电力负荷预测方法 |
| CN115622047A (zh) * | 2022-11-04 | 2023-01-17 | 中海储能科技(北京)有限公司 | 基于Transformer模型的电力变压器负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112288595A (zh) | 一种电网负荷预测的方法、相关装置、设备及存储介质 | |
| US11204591B2 (en) | Modeling and calculating normalized aggregate power of renewable energy source stations | |
| Fan et al. | Development of prediction models for next-day building energy consumption and peak power demand using data mining techniques | |
| CN111537945A (zh) | 基于联邦学习的智能电表故障诊断方法及设备 | |
| Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
| CN110232476B (zh) | 一种基于深度学习的微电网负荷预测方法 | |
| JP2013074695A (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| CN112653241B (zh) | 电网监测方法和装置、物联计量单元 | |
| Shah et al. | A novel prediction error-based power forecasting scheme for real pv system using pvusa model: A grey box-based neural network approach | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| CN115456235A (zh) | 一种基于多模态融合的光伏功率预测系统 | |
| Munsif et al. | CT-NET: A Novel Convolutional Transformer-Based Network for Short-Term Solar Energy Forecasting Using Climatic Information. | |
| JP7529334B1 (ja) | エネルギー時系列データ予測システム | |
| KR102382984B1 (ko) | 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법 | |
| CN113591391A (zh) | 一种电力负荷控制装置、控制方法、终端、介质及应用 | |
| CN117708710A (zh) | 一种面向配电台区的短期轻量级负荷预测方法 | |
| CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
| Wang et al. | Live power generation predictions via AI-driven resilient systems in smart microgrids | |
| KR102383012B1 (ko) | 시간별 추세 예측 및 계절별 추세 예측을 동시에 수행하여 신재생에너지 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법 | |
| Deng et al. | Hybrid short-term load forecasting using the Hadoop MapReduce framework | |
| Die et al. | Optimal approach in the EMS of microgrids based on online forecasts | |
| CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
| Wu et al. | Short-term PV Power Prediction based on VMD-SE-TCAN Model | |
| CN112001518A (zh) | 一种基于云计算的预测和能量管理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40037375 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |