CN114819372B 一种基于神经网络的电力消费概率预测方法 （广东工业大学）

BryanLim.TemporalTransformersforinterpret一种基于神经网络的电力消费概率预测方法本发明公开了一种基于神经网络的电力消了同时对电网中不同用户的电力消费数据进行2posK和向量V；将从T+1时刻到T+H时刻的时间posS3、使用处理后的训练集数据训练神经网络模型，利S4、选取电力消费的近期数据并进行预处理，将预处S1-2、将训练集及测试集中的历史数据划分为若干3其中用户从t1时刻到t2时刻的用电量表示为从t1时刻到t2时刻的时间信息变量表S3-1、将处理后的训练集前T个时间点的数据输入神经网络模型，输出分位数预测结4S4-3、将模型输出逆归一化，还原成原始5间卷积网络(TemporalConvolutionNetworks,TCN)、基于注意力机制(Attention)的Transformer模型。这些已有的基于深度学习的方法在时间序列预测任务上都取得了不错[0003]上述基于深度学习的时间序列预测架构也存在着一些问题，循环神经网络(RNN)期的重复模式。但是Transformer模型是由多层的Attention构成编码器与解码器，Attention的计算复杂度为时间序列长度L的2次方，多层Attention的堆叠使得的依赖关系，由于Transformer架构允许模型访问历史数据的任意部分，也就造成Transformer对于时间序列的短期依赖关系的捕获并不敏感，需要经过大量数据长时间的并将采集到的数据划分为训练集和测试集；确定用于进行电力负荷预测的深度学习模型；[0006]本发明为克服上述现有的电力消费预测技术所述的捕捉时间序列特征的能力较6长度为(T+H)，将每个样本前T个时间点的数据作为输入神经网络模型的历史时间序列数[0020]进一步的，所述对时间信息作归一化处理的具体内容为，将时间信息转换为月、[0021]其中用户从t1时刻到t2时刻的用电量表示为从t1时刻到t2时刻的时间信息变7pospos8[0056]本发明提供了一种基于神经网络的电力消费概率预测方法，通过对数据进行处型的预测结果包含了常规的点预测结果和更加符合实际的概率预测[0058]图2为本发明一种基于神经网络的电力消费概率预测方法的神经网络模型示意9长度为(T+H)，将每个样本前T个时间点的数据作为输入神经网络模型的历史时间序列数[0077]进一步的，所述对时间信息作归一化处理的具体内容为，将时间信息转换为月、[0079]其中用户从t1时刻到t2时刻的用电量表示为从t1时刻到t2时刻的时间信息变pospos[0101]QC,核通道数为25，经过扩张因果卷积的计算得到输出矩阵h∈R25×T，之后进行层归一化操作[0118]在时间卷积网络中还有一个可选的1*1卷积操作，该操作用于将输入数据与经过不匹配的情况下需要通过1*1卷积处理输入数据使其[0124]其中时间卷积网络提取的特征at∈R1×25，经过嵌入层处理的用户编号信息c∈R1。[0130]门控残差网络GRN是对所有位置的at∈R1[0142]经过清洗后的数据集包含了321个用户从2012年到2014年之间每小时的用电数域表示i(0.9)与之间的区域，代表了80％置信度下预测结果的取值范围，即概率预测[0145]附图中描述结构位置关系的图标仅用于示例性说明，不能理解为对本专利的限