本發(fā)明涉及電力負(fù)荷預(yù)測，具體涉及一種多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測方法和系統(tǒng)。

背景技術(shù)：

1、電力負(fù)荷預(yù)測是電力系統(tǒng)規(guī)劃的重要組成部分，也是電力系統(tǒng)經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，其對電力系統(tǒng)規(guī)劃和運(yùn)行都極其重要。

2、現(xiàn)有的電力負(fù)荷預(yù)測主要是通過歷史負(fù)荷數(shù)據(jù)和數(shù)值氣象數(shù)據(jù)進(jìn)行電力負(fù)荷預(yù)測，如cn118332415a，基于dbo-svr算法的電力系統(tǒng)負(fù)荷預(yù)測方法及系統(tǒng)，2024.07.12中從電力系統(tǒng)負(fù)荷相關(guān)的參數(shù)中篩選出與電力負(fù)荷相關(guān)性最大的參數(shù)，建立訓(xùn)練集；并基于訓(xùn)練集構(gòu)建支持向量回歸模型；通過蜣螂優(yōu)化算法確定支持向量回歸模型的超參數(shù)；通過支持向量回歸模型迭代尋優(yōu)更新蜣螂種群全局最優(yōu)位置，得到優(yōu)化后的支持向量回歸模型進(jìn)行負(fù)荷預(yù)測。cn118333225a，基于深度學(xué)習(xí)的電力負(fù)荷預(yù)測方法、裝置及電子設(shè)備，2024.07.12中提出基于深度學(xué)習(xí)的負(fù)荷預(yù)測方法，基于vmd算法對所述電力負(fù)荷原始數(shù)據(jù)進(jìn)行分解，得到多個重構(gòu)子模態(tài)數(shù)據(jù)，對重構(gòu)數(shù)據(jù)進(jìn)行數(shù)據(jù)劃分，得到訓(xùn)練集、驗(yàn)證集和測試集，將所述訓(xùn)練集和所述驗(yàn)證集輸入至crossformer網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，得到電力負(fù)荷預(yù)測模型。

3、通過上述描述可知，現(xiàn)有的電力負(fù)荷預(yù)測主要依賴于歷史負(fù)荷數(shù)據(jù)和數(shù)值氣象數(shù)據(jù)，數(shù)據(jù)類型較為單一，預(yù)測精度較低。

技術(shù)實(shí)現(xiàn)思路

1、(一)解決的技術(shù)問題

2、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測方法和系統(tǒng)，解決了現(xiàn)有的電力負(fù)荷預(yù)測方法預(yù)測精度較低的技術(shù)問題。

3、(二)技術(shù)方案

4、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：

5、第一方面，本發(fā)明提供一種多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測方法，包括：

6、s1、獲取歷史負(fù)荷序列，并對歷史負(fù)荷序列進(jìn)行分解，得到包括趨勢分量，周期分量，高頻分量的分量序列集合；

7、s2、利用多尺度transformer模型對分量序列集合中的每個分量進(jìn)行多尺度負(fù)荷時序特征提取；

8、s3、采用跨模態(tài)注意力機(jī)制將多尺度負(fù)荷時序特征和衛(wèi)星圖像特征進(jìn)行融合，得到融合特征；

9、s4、通過多步預(yù)測解碼器對融合特征進(jìn)行解碼處理，得到多步電力負(fù)荷預(yù)測結(jié)果；

10、其中，所述衛(wèi)星圖像特征的獲取方式包括：基于grvt模型對衛(wèi)星圖像進(jìn)行特征提取，得到衛(wèi)星圖像特征；所述grvt模型的包括若干堆疊的門控殘差編碼器網(wǎng)絡(luò)單元。

11、優(yōu)選的，所述對歷史負(fù)荷序列進(jìn)行分解，包括：

12、通過ceemdan算法對歷史負(fù)荷序列進(jìn)行分解。

13、優(yōu)選的，所述利用多尺度transformer模型對分量序列集合中的每個分量進(jìn)行多尺度負(fù)荷時序特征提取，包括：

14、所述多尺度transformer模型包括一個patch分割單元、n個多頭自注意力模塊和一個融合模塊；其中，

15、其中，patch分割單元將分量序列集合中每一個分量都不重疊地分割為n個尺寸不同的patch的分量集合；

16、n個多頭自注意力模塊對n個尺寸不同的patch的分量集合進(jìn)行處理，輸出n個單尺度特征；

17、融合模塊對n個單尺度特征進(jìn)行融合，得到多尺度負(fù)荷時序特征。

18、優(yōu)選的，所述多尺度transformer模型中包括若干全連接層，全連接層中采用swiglu作為激活函數(shù)，swiglu激活函數(shù)的表達(dá)式如下：

19、ffnswiglu＝swiglu(xinput,w1,v)w2

20、swiglu(xinput,w1,v)w2＝swishβ(xinputw1xinputv)w2

21、swishβ(xinput)＝xσ(βxinput)

22、其中，w1，v為swiglu模塊的兩個權(quán)重矩陣，w2為原始ffn的第二層全連接權(quán)重矩陣，代表哈達(dá)瑪積逐位相乘，swish為激活函數(shù)，β為swish激活函數(shù)的一個可學(xué)習(xí)的參數(shù)，當(dāng)β＝1時等同于silu激活函數(shù)，xinput為全連接層的輸入數(shù)據(jù)。

23、優(yōu)選的，所述grvt模型還包括patch單元、線性投影+位置編碼單元和全連接層；

24、其中，patch單元將衛(wèi)星圖像切分為多個patch；

25、線性投影+位置編碼單元將多個patch進(jìn)行線性投影后，進(jìn)行位置編碼，得到門控殘差編碼器的輸入特征；

26、若干堆疊的門控殘差編碼器對輸入特征進(jìn)行處理后，得到融合淺層信息和深層信息的編碼特征，

27、編碼特征經(jīng)過全連接層輸出衛(wèi)星圖像特征。

28、優(yōu)選的，采用跨模態(tài)注意力機(jī)制將多尺度負(fù)荷時序特征和衛(wèi)星圖像特征進(jìn)行融合，得到融合特征，包括：

29、多尺度負(fù)荷時序特征ftem經(jīng)過一個可學(xué)習(xí)的權(quán)重矩陣，輸出的結(jié)果被視為查詢向量qtem，包括：

30、qtem＝wtemftem

31、衛(wèi)星圖像特征fspa通過一個可學(xué)習(xí)的權(quán)重矩陣進(jìn)行線性變換，以生成兩組輸出：鍵向量kspa和值向量vspa，包括：

32、kspa＝wspa_kfspa

33、vspa＝wspa_vfspa

34、使用點(diǎn)積操作計(jì)算時序查詢向量qtem與每個圖像鍵向量kspa之間的相似度，得到的相似度值通過縮放操作后，應(yīng)用softmax函數(shù)進(jìn)行歸一化，得到注意力分?jǐn)?shù)，包括：

35、

36、利用注意力分?jǐn)?shù)，對圖像的值向量vspa進(jìn)行加權(quán)求和，得到融合特征fusion，包括：

37、fusion＝score·vspa。

38、優(yōu)選的，所述多步預(yù)測解碼器包括z個交替堆疊的解碼器單元和第z+1個全連接層，每一解碼器均集成了相同的層歸一化、多頭自注意力機(jī)制以及一個全連接層，最后一個解碼器單元的全連接層輸出的特征再經(jīng)過第z+1個全連接層，輸出多步電力負(fù)荷預(yù)測結(jié)果，z為正整數(shù)，z≥2。

39、第二方面，本發(fā)明提供一種多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測系統(tǒng)，包括：

40、序列分解模塊，用于獲取歷史負(fù)荷序列，并對歷史負(fù)荷序列進(jìn)行分解，得到包括趨勢分量，周期分量，高頻分量的分量序列集合；

41、特征提取模塊，用于利用多尺度transformer模型對分量序列集合中的每個分量進(jìn)行多尺度負(fù)荷時序特征提??；

42、特征融合模塊，用于采用跨模態(tài)注意力機(jī)制將多尺度負(fù)荷時序特征和衛(wèi)星圖像特征進(jìn)行融合，得到融合特征；

43、解碼預(yù)測模塊，用于通過多步預(yù)測解碼器對融合特征進(jìn)行解碼處理，得到多步電力負(fù)荷預(yù)測結(jié)果；

44、其中，所述衛(wèi)星圖像特征的獲取方式包括：基于grvt模型對衛(wèi)星圖像進(jìn)行特征提取，得到衛(wèi)星圖像特征；所述grvt模型的包括若干堆疊的門控殘差編碼器網(wǎng)絡(luò)單元。

45、第三方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲介質(zhì)，其存儲用于多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測的計(jì)算機(jī)程序，其中，所述計(jì)算機(jī)程序使得計(jì)算機(jī)執(zhí)行如上述所述的多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測方法。

46、第四方面，本發(fā)明提供一種電子設(shè)備，包括：

47、一個或多個處理器，存儲器，以及一個或多個程序，其中所述一個或多個程序被存儲在所述存儲器中，并且被配置成由所述一個或多個處理器執(zhí)行，所述程序包括用于執(zhí)行如上述所述的多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測方法。

48、(三)有益效果

49、本發(fā)明提供了一種多模態(tài)多尺度特征融合的電力負(fù)荷預(yù)測方法和系統(tǒng)。與現(xiàn)有技術(shù)相比，具備以下有益效果：

50、本發(fā)明首先獲取歷史負(fù)荷序列，并對歷史負(fù)荷序列進(jìn)行分解，得到包括趨勢分量，周期分量，高頻分量的分量序列集合；然后利用多尺度transformer模型對分量序列集合中的每個分量進(jìn)行多尺度負(fù)荷時序特征提??；采用跨模態(tài)注意力機(jī)制將多尺度負(fù)荷時序特征和衛(wèi)星圖像特征進(jìn)行融合，得到融合特征；最后通過多步預(yù)測解碼器對融合特征進(jìn)行解碼處理，得到多步電力負(fù)荷預(yù)測結(jié)果；其中，所述衛(wèi)星圖像特征的獲取方式包括：基于grvt模型對衛(wèi)星圖像進(jìn)行特征提取，得到衛(wèi)星圖像特征；所述grvt模型的包括若干堆疊的門控殘差編碼器網(wǎng)絡(luò)單元。本發(fā)明基于grvt模型進(jìn)行衛(wèi)星圖像特征提取，不僅利用了transformer處理全局信息的優(yōu)勢，而且還利用了殘差連接機(jī)制保留單層信息的能力，將兩者結(jié)合高效提取衛(wèi)星圖像特征，實(shí)現(xiàn)在電力負(fù)荷預(yù)測時，融入衛(wèi)星圖像特征，避免了數(shù)據(jù)類型單一，提高了電力負(fù)荷預(yù)測的精度。