一种基于深度学习的超短期负荷预测方法及系统与流程

1.本发明属于电力负荷预测领域，具体的，涉及一种基于深度学习的超短期负荷预测方法及系统。


背景技术：

2.随着电力系统规模和复杂性不断提高，电力系统短期负荷预测的准确与否对有效降低发电资费、实施各地区电力系统优化控制具有关键作用。与长期负荷预测相比，短期负荷预测主要用于安排发电计划，时效性最高。其负荷变动速度快，受温差、湿度等突变因素影响大，属于动态非线性时间序列。由于短期负荷的此类特征，若想达到精准预测较为困难。随着新电改的实施，售电市场竞争不断深化，对预测精度提出新的要求。因此，提供一种精确度高的电力系统短期负荷预测方法是很有必要的。
3.基于精确短期负荷预测(stlf)是制定电力供应计划和电力供需平衡的关键挑战之一。它考虑未来几天的预测，是电力市场运转和规划不可或缺的基础。提高短期负荷预测的精度有助于提高电力设备的利用率，减少能量的消耗，缓解电能供应端和需求端之间的不平衡。


技术实现要素：

4.根据本发明第一方面，本发明请求保护一种基于深度学习的超短期负荷预测方法，其特征在于，所述方法包括：
5.响应于当前预测负载环境中当前预测的预测操作，提取所述当前预测负载环境的多个历史预测的历史预测负荷以及与所述多个历史预测对应的目标负荷终端的工作档案信息，所述目标负荷终端为历史预测中被启动过的负荷终端；
6.根据所述目标负荷终端的工作档案信息及所述历史预测负荷，生成与所述当前预测负载环境对应的分时段特征向量；
7.提取所述当前预测的预测负荷相匹配的多个候选预测负荷；
8.根据所述分时段特征向量，确认所述多个候选预测负荷的信任特征向量；
9.根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷。
10.进一步地，所述根据所述目标负荷终端的工作档案信息及所述历史预测负荷生成所述当前预测负载环境对应的分时段特征向量，包括：
11.确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，其中，所述预测目标为所述多个历史预测中的任意一个预测；
12.根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量；
13.根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分
时段特征向量；
14.所述确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，包括：
15.确认所述多个目标负荷终端的工作档案信息所包含的第一预测负荷；
16.按照所述多个目标负荷终端的启动顺序，将所述多个目标负荷终端对应的所述第一预测负荷输入训练好的第一lstm神经网络深度学习模型进行处理，得到所述第一预测负荷对应的第一负荷向量；
17.将所述预测目标的预测负荷输入训练好的第二lstm神经网络深度学习模型进行处理，得到所述预测目标的预测负荷对应的第二负荷向量。
18.进一步地，所述根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量，包括：
19.通过第一注意力机制分别确认所述第一负荷向量及所述第二负荷向量的权重；
20.对所述第一负荷向量及所述第二负荷向量根据对应的权重进行加权求和处理，得到所述预测目标对应的预测向量；
21.所述根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分时段特征向量，包括：
22.将所述多个历史预测对应的预测向量分别输入训练好的第三lstm神经网络深度学习模型进行处理后，得到多个处理后的预测向量；
23.通过第二注意力机制确认所述多个处理后的预测向量的权重；
24.将所述多个处理后的预测向量根据对应的权重进行加权求和处理，得到所述当前预测负载环境对应的分时段特征向量。
25.进一步地，所述根据所述分时段特征向量确认所述多个候选预测负荷的信任特征向量，包括：
26.将所述分时段特征向量及所述多个候选预测负荷输入训练好的向量逆编码器模型进行处理，得到所述多个候选预测负荷的信任特征向量；
27.所述提取所述当前预测的预测负荷相匹配的多个候选预测负荷，包括：
28.提取多个目标负荷区域，其中，在预测负载环境数据库中，所述目标负荷区域对应的预测次序与所述预测负荷对应的预测次序相邻；
29.根据所述多个目标负荷区域的预测频率，从所述多个目标负荷区域中确认与所述当前预测的预测负荷相匹配的候选预测负荷。
30.进一步地，所述根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷，包括：
31.将信任特征向量划分为多个信任子特征向量，以提取每个信任子特征向量的信任子特征向量特征；
32.根据所述每个信任子特征向量的信任子特征向量特征通过显著性模块生成序列信息，以得到信任子特征向量在语义上的关联性；
33.根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分时段信息进行编码，以得到分时段信息特征；以及
34.提取信任特征值信息，并根据所述信任特征值信息和所述分时段信息特征得到特
征表达信息，以得到信任预测负荷识别结果；
35.所述将信任特征向量分化为多个信任子特征向量，进一步包括：
36.将历史预测集和待预测集中所有信任特征向量归一化到相同尺寸大小；
37.将归一化处理后的所述信任特征向量通过滑动窗口分割成所述多个信任子特征向量；
38.利用卷积神经网络提取所述每个信任子特征向量的信任子特征向量特征；
39.所述关联性的计算公式为：
40.f＝relu(wvv+whh
t-1
+wee
t-1
)；
[0041][0042][0043]
其中，f是通过感知器融合了信任子特征向量特征v，lstm神经网络隐层特征h以及特征向量语义特征e，wv、wh、we是对应感知器的参数，wfi表示第i个信任子特征向量的感知器的参数，α代表下一时段模块所预测的信任子特征向量的概率，αi代表下一时段预测第i个信任子特征向量的概率，l是所有信任子特征向量的数量，z被视为下一时段信任子特征向量的概率特征，t为序列序号，通过设置t次的迭代，模块会输出序列特征{z1,z2,..z
t
}，z
t
分别与z
t-1
和z
t+1
在语义层面强关联性；
[0044]
所述根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分时段信息进行编码，进一步包括：
[0045]
利用lstm神经网络提取具有处理时序信息的特性；
[0046]
加入门模块，利用所述lstm神经网络过滤掉所述信任子特征向量中不具有判别性能的特性；
[0047]
借助所述lstm神经网络存储对所述信任子特征向量及所述分时段信息进行编码；
[0048]
所述信任特征值信息利用卷积神经网络对整张特征向量进行特征提取，所述分时段信息特征基于所述信任子特征向量进行提取。
[0049]
根据本发明第二方面，本发明请求保护一种基于深度学习的超短期负荷预测系统，其特征在于，所述系统包括：
[0050]
第一提取模块，用于响应于当前预测负载环境中当前预测的预测操作，提取所述当前预测负载环境的多个历史预测的历史预测负荷以及与所述多个历史预测对应的目标负荷终端的工作档案信息，所述目标负荷终端为历史预测中被启动过的负荷终端；
[0051]
生成模块，用于根据所述目标负荷终端的工作档案信息及所述历史预测负荷，生成与当前预测负载环境对应的分时段特征向量；
[0052]
第二提取模块，用于提取所述当前预测的预测负荷相匹配的多个候选预测负荷；
[0053]
第一确认模块，用于根据所述分时段特征向量，确认所述多个候选预测负荷的信任特征向量；
[0054]
第二确认模块，用于根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷。
[0055]
进一步地，所述生成模块，包括：
[0056]
第一确认子模块，用于确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，其中，所述预测目标为所述多个历史预测中的任意一个预测；
[0057]
第二确认子模块，用于根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量；
[0058]
第三确认子模块，用于根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分时段特征向量；
[0059]
所述第一确认子模块还用于：
[0060]
确认所述多个目标负荷终端的工作档案信息所包含的第一预测负荷；
[0061]
按照所述多个目标负荷终端的启动顺序，将所述多个目标负荷终端对应的所述第一预测负荷输入训练好的第一lstm神经网络深度学习模型进行处理，得到所述第一预测负荷对应的第一负荷向量；
[0062]
将所述预测目标的预测负荷输入训练好的第二lstm神经网络深度学习模型进行处理，得到所述预测目标的预测负荷对应的第二负荷向量。
[0063]
进一步地，所述第二确认子模块，还用于：
[0064]
通过第一注意力机制分别确认所述第一负荷向量及所述第二负荷向量的权重；
[0065]
对所述第一负荷向量及所述第二负荷向量根据对应的权重进行加权求和处理，得到所述预测目标对应的预测向量；
[0066]
所述第三确认子模块，还用于：
[0067]
将所述多个历史预测对应的预测向量分别输入训练好的第三lstm神经网络深度学习模型进行处理后，得到多个处理后的预测向量；
[0068]
通过第二注意力机制确认所述多个处理后的预测向量的权重；
[0069]
将所述多个处理后的预测向量根据对应的权重进行加权求和处理，得到所述当前预测负载环境对应的分时段特征向量。
[0070]
进一步地，所述第一确认模块，包括：
[0071]
处理子模块，用于将所述分时段特征向量及所述多个候选预测负荷输入训练好的向量逆编码器模型进行处理，得到所述多个候选预测负荷的信任特征向量；
[0072]
所述第二提取模块，包括：
[0073]
提取子模块，用于提取多个目标负荷区域，其中，在预测负载环境数据库中，所述目标负荷区域对应的预测次序与所述预测负荷对应的预测次序相邻；
[0074]
第四确认子模块，用于根据所述多个目标负荷区域的预测频率，从所述多个目标负荷区域中确认与所述当前预测的预测负荷相匹配的候选预测负荷。
[0075]
进一步地，所述第二确认模块，用于根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷，具体包括：
[0076]
将信任特征向量划分为多个信任子特征向量，以提取每个信任子特征向量的信任子特征向量特征；
[0077]
根据所述每个信任子特征向量的信任子特征向量特征通过显著性模块生成序列信息，以得到信任子特征向量在语义上的关联性；
[0078]
根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分
时段信息进行编码，以得到分时段信息特征；以及
[0079]
提取信任特征值信息，并根据所述信任特征值信息和所述分时段信息特征得到特征表达信息，以得到信任预测负荷识别结果。
[0080]
所述将信任特征向量分化为多个信任子特征向量，进一步包括：
[0081]
将历史预测集和待预测集中所有信任特征向量归一化到相同尺寸大小；
[0082]
将归一化处理后的所述信任特征向量通过滑动窗口分割成所述多个信任子特征向量；
[0083]
利用卷积神经网络提取所述每个信任子特征向量的信任子特征向量特征；
[0084]
所述关联性的计算公式为：
[0085]
f＝relu(wvv+whh
t-1
+wee
t-1
)；
[0086][0087][0088]
其中，f是通过感知器融合了信任子特征向量特征v，lstm神经网络隐层特征h以及特征向量语义特征e，wv、wh、we是对应感知器的参数，wfi表示第i个信任子特征向量的感知器的参数，α代表下一时段模块所预测的信任子特征向量的概率，αi代表下一时段预测第i个信任子特征向量的概率，l是所有信任子特征向量的数量，z被视为下一时段信任子特征向量的概率特征，t为序列序号，通过设置t次的迭代，模块会输出序列特征{z1,z2,..z
t
}，z
t
分别与z
t-1
和z
t+1
在语义层面强关联性；
[0089]
所述根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分时段信息进行编码，进一步包括：
[0090]
利用lstm神经网络提取具有处理时序信息的特性；
[0091]
加入门模块，利用所述lstm神经网络过滤掉所述信任子特征向量中不具有判别性能的特性；
[0092]
借助所述lstm神经网络存储对所述信任子特征向量及所述分时段信息进行编码；
[0093]
所述信任特征值信息利用卷积神经网络对整张特征向量进行特征提取，所述分时段信息特征基于所述信任子特征向量进行提取。
[0094]
本发明请求保护一种基于深度学习的超短期负荷预测方法及系统，通过响应于当前预测负载环境中当前预测的预测操作，提取当前预测负载环境的多个历史预测的历史预测负荷以及与多个历史预测对应的目标负荷终端的工作档案信息，目标负荷终端为历史预测中被启动过的负荷终端；根据目标负荷终端的工作档案信息及历史预测负荷，生成与当前预测负载环境对应的分时段特征向量；提取相匹配的多个候选预测负荷；根据分时段特征向量，确认多个候选预测负荷的信任特征向量并从多个候选预测负荷中确认当前预测的信任预测负荷。本发明可以充分利用负荷终端的历史运行数据，有效地在此基础上根据特定需求准确预测出对应范围内短期的负荷水平。
附图说明
[0095]
图1为本发明所涉及的一种基于深度学习的超短期负荷预测方法的工作流程图；
[0096]
图2为本发明所涉及的一种基于深度学习的超短期负荷预测方法的第二工作流程图；
[0097]
图3为本发明所涉及的一种基于深度学习的超短期负荷预测方法的第三工作流程图；
[0098]
图4为本发明所涉及的一种基于深度学习的超短期负荷预测系统的结构模块图；
[0099]
图5为本发明所涉及的一种基于深度学习的超短期负荷预测系统的第二结构模块图。
具体实施方式
[0100]
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0101]
在这里专用的负荷“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
[0102]
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0103]
图1示出根据本公开一实施例的基于深度学习的超短期负荷预测方法的流程图。如图1所示，该方法可以包括以下步骤：
[0104]
步骤s11、响应于当前预测负载环境中当前预测的预测操作，提取所述当前预测负载环境的多个历史预测的历史预测负荷以及与所述多个历史预测对应的目标负荷终端的工作档案信息，所述目标负荷终端为历史预测中被启动过的负荷终端。
[0105]
本公开实施例可以应用于预测等应用信任预测负荷中，例如可以应用于电力系统(例如web服务器)中。电力系统可以响应于当前预测负载环境中当前预测的预测操作，提取历史预测负载环境。举例来说，电力系统可以抓取当前电力终端的日志信息，日志信息中保证每个相邻的预测在一个预置时段内。通过解析日志信息的方式，从日志信息中提取多个历史预测，并可以从多个历史预测中提取多个历史预测负荷及多个历史预测的目标负荷终端的工作档案。
[0106]
其中，上述当前预测负载环境可以为预测时间间隔在预设时间间隔内的预测的集合，例如：预设时间间隔为半个小时。则电力系统可以保证提取的日志信息中每个相邻的预测都在半小时以内。
[0107]
示例性的，电力系统可以响应于预测负荷“神经网络”对应的当前预测的预测操作(例如：对用于触发电力系统执行预测操作的控件的点击操作)，从提取的日志信息中，提取到3个历史预测。其中，第1个历史预测的预测负荷为“本地医院电力负荷”，目标负荷终端的工作档案信息分别是：“年度医院费用总结”、“县城本地医院电力负荷”及“本地医院电力负荷台账”；第2个历史预测的预测负荷为“本省学校电力负荷”，目标负荷终端的工作档案信息分别为：“本省学校人数”及“本省学校规模”。
[0108]
步骤s12、根据所述目标负荷终端的工作档案信息及所述历史预测负荷，生成与所述当前预测负载环境对应的分时段特征向量。
[0109]
电力系统可以分别生成目标负荷终端的工作档案信息及历史预测负荷对应的负荷向量，并可以进一步根据上述负荷向量生成与当前预测负载环境对应的分时段特征向量。
[0110]
步骤s13、提取所述当前预测的预测负荷相匹配的多个候选预测负荷。
[0111]
举例来说，电力系统可以从预测负载环境数据库中，提取与当前预测对应的预测负荷相邻的候选预测负荷。其中，上述预测负载环境数据库可以用于存储所有电力终端在预设时间段内创建的历史预测。
[0112]
步骤s14、根据所述分时段特征向量，确认所述多个候选预测负荷的信任特征向量。
[0113]
电力系统可以根据上述根据多个历史预测的目标负荷终端的工作档案信息和历史预测负荷确认的分时段特征向量，确认多个候选预测负荷的信任特征向量。
[0114]
在一种可能的实现方式中，上述根据所述分时段特征向量确认所述多个候选预测负荷的信任特征向量，可以包括以下步骤：
[0115]
将所述分时段特征向量及所述多个候选预测负荷输入训练好的向量逆编码器模型进行处理，得到所述多个候选预测负荷的信任特征向量。
[0116]
其中，向量逆编码器模型可以参照下述公式。
[0117][0118]
其中，上述ωn可以表示第n个候选预测负荷，n为正整数。s(q)可以表示候选预测负荷的信任特征向量，s可以表示所有历史预测信息(历史预测负荷，目标负荷终端)，p(ωn|ω
1：n-1
,s)可以表示候选预测负荷ωn的似然概率。其中，p(ωn|ω
1：n-1
,s)可以通过以下公式得到。
[0119]
p(ωn|ω
1：n-1
,s)＝softmax(ωnf(d
m,n-1
,ω
n-1
))
[0120]
其中，上述f(d
m,n-1
,ω
n-1
)可以通过以下公式得到。
[0121]
f(d
m,n-1
,ω
n-1
)＝hd
m,n-1
+eω
n-1
+b0；
[0122]
其中，m为正整数，上述dm,n-1可以表示在第m个预测中，候选预测负荷ωn-1对应的负荷向量，h、e及b0均为常数。上述候选预测负荷ωn对应的负荷向量可以通过以下公式得到。
[0123]dm,n
＝gru
dec
(d
m,n-1
,ωn)；
[0124]
其中，dm,n可以表示在第m个预测中，候选预测负荷ωn对应的负荷向量。
[0125]
当n为1时，dm,0可以通过以下公式得到。
[0126]dm,
＝dsm+b0；
[0127]
其中，sm可以表示当前预测负载环境对应的分时段特征向量，d为常数。
[0128]
这样一来，可以电力系统能够得到每个候选预测负荷的信任分数，并且在训练过程中可以将每个候选预测负荷的信任分数最大化。
[0129]
步骤s15、根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷。
[0130]
电力系统可以根据多个候选预测负荷的信任特征向量，从多个候选预测负荷中确认当前预测的信任预测负荷，例如确认信任特征向量较大的候选预测负荷为信任预测负
荷。
[0131]
举例来说，电力系统可以确认信任特征向量排在前n位的候选预测负荷为信任预测负荷，其中n为预置的信任预测负荷的个数。例如：预置的候选预测负荷的个数为9，则电力系统可以从候选预测负荷中提取信任特征向量排在前9位的候选预测负荷，并确认该9个候选预测负荷为信任预测负荷，并在显示当前预测负载环境对应的显示界面时，在显示界面中显示上述9个候选预测负荷。
[0132]
这样一来，电力系统可以结合历史预测中被启动过的目标负荷终端的工作档案信息及历史预测负荷，建立当前预测负载环境的分时段特征向量。在提取根据当前预测的预测负荷相匹配的多个候选预测负荷后，电力系统可以根据当前预测负载环境的分时段特征向量确认多个候选预测负荷的信任特征向量，并可以根据信任特征向量从候选预测负荷中确认信任预测负荷。相对于相关技术中通过历史预测负荷分析信任预测负荷，所得到的信任预测内容精准性不高的问题，本公开实施例提供的基于深度学习的超短期负荷预测方法，可以根据当前预测负载环境的历史预测结合历史预测中启动过的负荷终端的工作档案信息确认信任预测负荷，由于本公开更为细致的利用了电力终端在预测操作过程中的行为信息，丰富了用于分析信任预测负荷的历史信息，因此能够提高信任预测负荷的精准度。
[0133]
图2示出根据本公开一实施例的基于深度学习的超短期负荷预测方法的流程图。
[0134]
在一种可能的实现方式中，参照图2，上述步骤s12、根据所述目标负荷终端的工作档案信息及所述历史预测负荷，生成与当前预测负载环境对应的分时段特征向量，可以包括以下步骤：
[0135]
步骤s121、确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，其中，所述预测目标为所述多个历史预测中的任意一个预测。
[0136]
电力系统可以确认各个历史预测对应的多个目标负荷终端的工作档案信息对应的第一负荷向量，及各个历史预测的历史预测负荷对应的第二负荷向量。
[0137]
在一种可能的实现方式中，上述步骤s121中可以包括：
[0138]
确认所述多个目标负荷终端的工作档案信息所包含的第一预测负荷。
[0139]
电力系统可以将预测目标的每个目标负荷终端的工作档案信息均进行拆分，并在去除各个工作档案信息中的无效负荷后，得到多个目标负荷终端对应的第一预测负荷。无效负荷可以包括为了提高信任效率，在处理目标负荷终端的工作档案信息之前确认的可以自动过滤掉负荷。
[0140]
上述步骤s121中可以包括：按照所述多个目标负荷终端的启动顺序，将所述多个目标负荷终端对应的所述第一预测负荷输入训练好的第一lstm神经网络深度学习模型进行处理，得到所述第一预测负荷对应的第一负荷向量。
[0141]
上述步骤s121中可以包括：将所述预测目标的预测负荷输入训练好的第二lstm神经网络深度学习模型进行处理，得到所述预测目标的预测负荷对应的第二负荷向量。
[0142]
需要说明的是，上述第一lstm神经网络深度学习模型的最后一个输出，可以作为第二lstm神经网络深度学习模型的第一个输入。假设第一lstm神经网络深度学习模型的最后一个输出为该可以作为第二lstm神经网络深度学习模型中的第一个输入。
[0143]
需要说明的是，本公开实施例利用简单的特征方法对原始的输入进行表示，直接
向优化目标进行学习。在本公开中，每一个负荷最原始的输入通过负荷向量表示，负荷向量长度等于整个语料库(该预料库用于存储历史预测负荷)的大小。通过一个映射矩阵，将所有的负荷向量均映射到低维的表示向量中。映射矩阵将作为模型学习的参数，在训练过程中不断调整，最后学习到第一lstm神经网络深度学习模型、第二lstm神经网络深度学习模型和第三lstm神经网络深度学习模型。在输出端，本公开实施例将第m个预测作为前面m
–
1个历史预测的学习目标，使得lstm神经网络深度学习模型在看到前面的历史预测时，能够最大化的输出预测目标。
[0144]
在本实施方式中，第一lstm神经网络深度学习模型可以用于从经过预处理后的目标负荷图像产生第一高级特征集。同样地，第二lstm神经网络深度学习模型可以用于从经过预处理后的参考负荷图像产生第二高级特征集。其中，第一lstm神经网络深度学习模型和第二lstm神经网络深度学习模型可以通过例如组合多层低级特征(像素级特征)，实现了对目标负荷图像和参考负荷图像的抽象描述。这里，高级特征仅指示经过人工神经网络的处理后相对于原始图像的初级特征(例如像素级的特征)而言，并非为了精确描述特征的高级性，但一般而言，经过神经网络处理，随着神经网络越往深层次会呈现出越高层次和越抽象的趋势。另外，特征集一般是指包括了两个或两个以上的特征，在本发明中有时也可以称为“特征矩阵”。另外，在一些特殊的情况下，特征集也可以仅有1个特征例如中间结果，这时“特征集”可以仅特指单个“特征”。
[0145]
在本实施方式中，第三lstm神经网络深度学习模型可以用于根据特征融合的结果(特征组合集)产生对负荷变化的判断结果。第三lstm神经网络深度学习模型可以基于特征组合所获得的结果，对所输入的目标负荷图像形成判断结果。也即，第三lstm神经网络深度学习模型根据特征组合集产生对负荷变化的判断结果。在本实施方式中，第三lstm神经网络深度学习模型的输出维度与待分类类别(例如负荷变化类型)一致。也即，例如待分类类别为超负荷和合理负荷两种类别时，第三lstm神经网络深度学习模型的输出维度可以为2；如果待分类类别为超负荷和合理负荷(例如5种)时，第三lstm神经网络深度学习模型的输出维度可以为6。另外，第三lstm神经网络深度学习模型的输出维度可以根据实际情况调整。
[0146]
步骤s122、根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量。
[0147]
电力系统确认第一负荷向量及第二负荷向量后，可以对第一负荷向量及第二负荷向量进行加权求和，得到该预测目标对应的预测向量。在一种可能的实现方式中，上述步骤s122可以包括：通过第一注意力机制分别确认所述第一负荷向量及所述第二负荷向量的权重。
[0148]
上述步骤s122还可以包括：对所述第一负荷向量及所述第二负荷向量根据对应的权重进行加权求和处理，得到所述预测目标对应的预测向量。
[0149]
步骤s123、根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分时段特征向量。
[0150]
在得到多个历史预测对应的预测向量之后，电力系统可以根据多个预测向量确认与所述当前预测负载环境对应的分时段特征向量。
[0151]
在一种可能的实现方式中，上述步骤s123可以包括：将所述多个历史预测对应的
预测向量分别输入训练好的第三lstm神经网络深度学习模型进行处理后，得到多个处理后的预测向量。
[0152]
注意力机制实际上是一种权重自学习方法，由于本公开实施例所使用的历史预测负荷，点击负荷终端信息中的第一预测负荷中含有很多不重要的负荷，对于一个历史预测来说，也不是所有的预测负荷都起一样的作用，所以有必要对预测负荷进行加权表示处理。本公开实施例将注意力机制运用到负荷与预测两方面。可以在训练中学习到权重的表示策略，对新来的预测也给予不同的权重表示。在得到权重后，再对所有的负荷向量加权处理，可以得到更为准确地向量表示。
[0153]
这样一来，本公开实施例中可以采用注意力机制有效的从预测负荷层面及预测负载环境层面计算重要性权要，更好的表示了当前预测负载环境的分时段特征向量，可以更细致的利用电力终端在预测操作过程中的行为信息，并能精确提取行为信息中的重要部分，以此丰富用于分析信任预测负荷的历史信息，因此能够提高信任预测负荷的精准度。
[0154]
图3示出根据本公开一实施例的基于深度学习的超短期负荷预测方法的流程图。
[0155]
在一种可能的实现方式中，参照图3，上述步骤s13、提取所述当前预测的预测负荷相匹配的多个候选预测负荷，可以包括以下步骤。
[0156]
步骤s131、提取多个目标负荷区域，其中，在预测负载环境数据库中，所述目标负荷区域对应的预测次序与所述预测负荷对应的预测次序相邻。
[0157]
举例来说，上述预测负载环境数据库可以用于存储所有电力终端的历史预测操作信息，该历史预测操作信息可以包括历史预测的相关信息。电力系统可以根据当前预测的预测负荷在预测负载环境数据库中查找与该预测负荷对应的预测，确认该预测为第一预测。并在预测负载环境数据库中查找预测次序与上述第一预测次序相邻的第二预测，并确认这些相邻的第二预测对应的预测负荷为目标负荷区域。
[0158]
步骤s132、根据所述多个目标负荷区域的预测频率，从所述多个目标负荷区域中确认与所述当前预测的预测负荷相匹配的候选预测负荷。
[0159]
电力系统可以确认上述各个目标负荷区域的预测频率，该预测频率可以用于表示目标负荷区域的个数在所有目标负荷区域中的比例，例如：存在10个目标负荷区域，其中有5个目标负荷区域是相同的，均为“各区负荷使用”，故“各区负荷使用”的预测频率为50％。电力系统可以根据目标负荷区域的预测频率从多个目标负荷区域中确认候选预测负荷。
[0160]
举例来说，候选预测负荷的预置个数为m，则电力系统可以确认目标负荷区域中预测频率的大小排在前m位的m个目标负荷区域为候选预测负荷。
[0161]
这样一来，电力系统可以从目标负荷区域中确认候选预测负荷，并计算候选预测负荷的信任特征向量，以根据信任特征向量从候选预测负荷中确认信任预测负荷，能够减少电力系统的计算量，可以加快电力系统的计算效率，进一步的提高信任预测负荷的信任效率。
[0162]
本公开实施例利用深度学习里面的lstm神经网络，构建了一套基于深度学习的超短期负荷预测模型。模型在原来仅仅基于电力终端先前预测的预测负荷的基础上，加入了电力终端点击过的日志负荷终端的工作档案信息。这些信息作为电力终端当前预测的辅助信息，在预测信任中可以更为有效地为电力终端信任更符合电力终端预测需求的预测内容。本公开实施例中利用注意力机制，也可以有效地从负荷层面以及预测层面计算出重要
性权重，更好地表示分时段信息向量。与已有的预测信任方法相比，本公开将更细致地利用搜索中的电力终端行为信息，并提取电力终端行为信息中的重要部分，更准确地实现预测信任。
[0163]
图4示出根据本公开一实施例的基于深度学习的超短期负荷预测系统的结构示意图。如图4所示，该系统可以包括：
[0164]
第一提取模块41，可以用于响应于当前预测负载环境中当前预测的预测操作，提取所述当前预测负载环境的多个历史预测的历史预测负荷以及与所述多个历史预测对应的目标负荷终端的工作档案信息，所述目标负荷终端为历史预测中被启动过的负荷终端；
[0165]
生成模块42，可以用于根据所述目标负荷终端的工作档案信息及所述历史预测负荷，生成与当前预测负载环境对应的分时段特征向量；
[0166]
第二提取模块43，可以用于提取所述当前预测预测负荷相匹配的多个候选预测负荷；
[0167]
第一确认模块44，可以用于根据所述分时段特征向量，确认所述多个候选预测负荷的信任特征向量；
[0168]
第二确认模块45，可以用于根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷。
[0169]
这样一来，电力系统可以结合历史预测中被启动过的目标负荷终端的工作档案信息及历史预测负荷，建立当前预测负载环境的分时段特征向量。在提取根据当前预测的预测负荷相匹配的多个候选预测负荷后，电力系统可以根据当前预测负载环境的分时段特征向量确认多个候选预测负荷的信任特征向量，并可以根据信任特征向量从候选预测负荷中确认信任预测负荷。相对于相关技术中通过历史预测负荷分析信任预测负荷，所得到的信任预测内容精准性不高的问题，本公开实施例提供的基于深度学习的超短期负荷预测系统，可以根据当前预测负载环境的历史预测结合历史预测中启动过的负荷终端的工作档案信息确认信任预测负荷，由于本公开更为细致的利用了电力终端在预测操作过程中的行为信息，丰富了用于分析信任预测负荷的历史信息，因此能够提高信任预测负荷的精准度。
[0170]
图5示出根据本公开一实施例的基于深度学习的超短期负荷预测系统的结构示意图。
[0171]
在一种可能的实现方式中，如图5所示，上述生成模块42可以包括：
[0172]
第一确认子模块421，可以用于确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，其中，所述预测目标为所述多个历史预测中的任意一个预测；
[0173]
第二确认子模块422，可以用于根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量；
[0174]
第三确认子模块423，可以用于根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分时段特征向量。
[0175]
在一种可能的实现方式中，上述第一确认子模块421还可以用于：
[0176]
确认所述多个目标负荷终端的工作档案信息所包含的第一预测负荷；
[0177]
按照所述多个目标负荷终端的启动顺序，将所述多个目标负荷终端对应的所述第一预测负荷输入训练好的第一lstm神经网络深度学习模型进行处理，得到所述第一预测负
荷对应的第一负荷向量；
[0178]
将所述预测目标的预测负荷输入训练好的第二lstm神经网络深度学习模型进行处理，得到所述预测目标的预测负荷对应的第二负荷向量。
[0179]
在一种可能的实现方式中，上述第二确认子模块422还可以用于：
[0180]
通过第一注意力机制分别确认所述第一负荷向量及所述第二负荷向量的权重；
[0181]
对所述第一负荷向量及所述第二负荷向量根据对应的权重进行加权求和处理，得到所述预测目标对应的预测向量。
[0182]
在一种可能的实现方式中，上述第三确认子模块423还可以用于：
[0183]
将所述多个历史预测对应的预测向量分别输入训练好的第三lstm神经网络深度学习模型进行处理后，得到多个处理后的预测向量；
[0184]
通过第二注意力机制确认所述多个处理后的预测向量的权重；
[0185]
将所述多个处理后的预测向量根据对应的权重进行加权求和处理，得到所述当前预测负载环境对应的分时段特征向量。
[0186]
在一种可能的实现方式中，上述第一确认模块44可以包括：
[0187]
处理子模块441，可以用于将所述分时段特征向量及所述多个候选预测负荷输入训练好的向量逆编码器模型进行处理，得到所述多个候选预测负荷的信任特征向量。
[0188]
在一种可能的实现方式中，第二提取模块43可以包括：
[0189]
提取子模块431，可以用于提取多个目标负荷区域，其中，在预测负载环境数据库中，所述目标负荷区域对应的预测次序与所述预测负荷对应的预测次序相邻；
[0190]
第四确认子模块432，可以用于根据所述多个目标负荷区域的预测频率，从所述多个目标负荷区域中确认与所述当前预测的预测负荷相匹配的候选预测负荷。
[0191]
本发明一个实施例的基于特征向量分时段信息的信任预测负荷识别方法包括以下步骤：
[0192]
在步骤s601中，将信任特征向量划分为多个信任子特征向量，以提取每个信任子特征向量的信任子特征向量特征。
[0193]
进一步地，在本发明的一个实施例中，将信任特征向量分化为多个信任子特征向量，还可以包括：将历史预测集和待预测集中所有信任特征向量归一化到相同尺寸大小；将归一化处理后的信任特征向量通过滑动窗口分割成多个信任子特征向量；利用卷积神经网络提取每个信任子特征向量的信任子特征向量特征。
[0194]
举例而言，首先对给定的历史预测集和待预测集中所有特征向量归一化到相同尺寸大小，然后将特征向量通过滑动窗口分割成多个信任子特征向量，利用卷积神经网络提取每个信任子特征向量的特征。
[0195]
在步骤s602中，根据每个信任子特征向量的信任子特征向量特征通过显著性模块生成序列信息，以得到信任子特征向量在语义上的关联性。
[0196]
进一步地，在本发明的一个实施例中，关联性的计算公式为：
[0197]
f＝relu(wvv+whh
t-1
+wee
t-1
)；
[0198]
[0199][0200]
其中，f是通过感知器融合了信任子特征向量特征v，lstm神经网络隐层特征h以及特征向量语义特征e，wv、wh、we是对应感知器的参数，wfi表示第i个信任子特征向量的感知器的参数，α代表下一时段模块所预测的信任子特征向量的概率，αi代表下一时段预测第i个信任子特征向量的概率，l是所有信任子特征向量的数量，z被视为下一时段信任子特征向量的概率特征，t为序列序号，通过设置t次的迭代，模块会输出序列特征{z1,z2,..z
t
}，z
t
分别与z
t-1
和z
t+1
在语义层面强关联性。
[0201]
具体而言，通过输出一系列的信任子特征向量特征v，这些信任子特征向量特征在几何位置上相关，但在语义概念上可能不存在相关性。设计显著性模块，生成序列信息，序列中的每个特征与其相邻元素在语义上有很强的关联性。该模块基于多层感知机结构以信任子特征向量特征v，s2中隐层特征ht-1以及分时段特征et-1为输入，找到与当前信任子特征向量特征最相关的特征e，比如周围环境信息或在某些信任预测负荷中会成对出现。如下所示：
[0202]
f＝relu(wvv+whh
t-1
+wee
t-1
)；
[0203][0204][0205]
其中，f是通过感知器融合了信任子特征向量特征v，lstm神经网络隐层特征h以及特征向量语义特征e，wv、wh、we是对应感知器的参数，wfi表示第i个信任子特征向量的感知器的参数，α代表下一时段模块所预测的信任子特征向量的概率，αi代表下一时段预测第i个信任子特征向量的概率，l是所有信任子特征向量的数量，z被视为下一时段信任子特征向量的概率特征，t为序列序号，通过设置t次的迭代，模块会输出序列特征{z1,z2,..z
t
}，z
t
分别与z
t-1
和z
t+1
在语义层面强关联性。
[0206]
在步骤s603中，根据信任子特征向量在语义上的关联性对每个信任子特征向量及其分时段信息进行编码，以得到分时段信息特征。
[0207]
进一步地，在本发明的一个实施例中，根据信任子特征向量在语义上的关联性对每个信任子特征向量及其分时段信息进行编码，还可以包括：利用lstm神经网络提取具有处理时序信息的特性；加入门模块，利用lstm神经网络过滤掉信任子特征向量中不具有判别性能的特性；借助lstm神经网络存储对信任子特征向量及分时段信息进行编码。
[0208]
可以理解的是，根据步骤s602中的s1找到信任子特征向量在语义上的关联性，为了联合信任子特征向量与分时段信息，利用lstm神经网络具有处理时序信息的特性，通过加入门模块，使得改进的lstm神经网络一方面过滤掉信任子特征向量中不具有判别性能的特征，同时借助于lstm神经网络存储信息的能力，对信任子特征向量及其分时段信息进行编码。
[0209]
在步骤s604中，提取信任特征值信息，并根据信任特征值信息和分时段信息特征得到特征表达信息，以得到信任预测负荷识别结果。
[0210]
进一步地，在本发明的一个实施例中，信任特征值信息利用卷积神经网络对整张特征向量进行特征提取，分时段信息特征基于信任子特征向量进行提取。
[0211]
可以理解的是，根据步骤s101、步骤s102和步骤s103对分时段信息特征基于信任子特征向量特征进行提取，融合特征向量信任特征值信息和局部分时段信息，生成最后特征表达。
[0212]
下面为本发明实施例的基于特征向量分时段信息的信任预测负荷识别方法的优点进行详细赘述，具体如下：
[0213]
1、本发明实施例将信任预测负荷特征向量的信任特征值信息与局部分时段信息结合在一起，可以利用信任预测负荷中多方面的信息，提高网络对信任预测负荷的特征表示。
[0214]
2、本发明实施例在捕捉特征向量分时段信息时，利用显著性模块找到与信任子特征向量联系密切的特征，生成序列信息，序列中每个元素(信任子特征向量特征)与其相邻元素具有很强关联性，可以反映信任子特征向量特征在语义上的相关性，便于增强特征向量表征能力。
[0215]
3、本发明实施例通过加入门模块改进lstm神经网络，一方面清除掉不具有判别性能的信任子特征向量特征，同时对具有判别能力的信任子特征向量特征与其分时段信息进行编码，可以提高特征向量特征的判别能力并捕捉特征向量的分时段信息。
[0216]
根据本发明实施例提出的基于特征向量分时段信息的信任预测负荷识别方法，通过融合特征向量信任特征值信息以及局部分时段信息，充分利用特征向量分时段信息，联合信任预测负荷中物体特征与其分时段的特征，有效利用多方面特征提高网络对信任预测负荷的表达能力提高特征的判别能力，很大程度上提高了性能。
[0217]
其次参照附图描述根据本发明实施例提出的基于特征向量分时段信息的信任预测负荷识别系统。
[0218]
除非另有定义，这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的分时段中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
[0219]
以上是对本公开的说明，而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解，上面是对本公开的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
[0220]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0221]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不
脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.一种基于深度学习的超短期负荷预测方法，其特征在于，所述方法包括：响应于当前预测负载环境中当前预测的预测操作，提取所述当前预测负载环境的多个历史预测的历史预测负荷以及与所述多个历史预测对应的目标负荷终端的工作档案信息，所述目标负荷终端为历史预测中被启动过的负荷终端；根据所述目标负荷终端的工作档案信息及所述历史预测负荷，生成与所述当前预测负载环境对应的分时段特征向量；提取所述当前预测的预测负荷相匹配的多个候选预测负荷；根据所述分时段特征向量，确认所述多个候选预测负荷的信任特征向量；根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标负荷终端的工作档案信息及所述历史预测负荷生成所述当前预测负载环境对应的分时段特征向量，包括：确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，其中，所述预测目标为所述多个历史预测中的任意一个预测；根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量；根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分时段特征向量；所述确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，包括：确认所述多个目标负荷终端的工作档案信息所包含的第一预测负荷；按照所述多个目标负荷终端的启动顺序，将所述多个目标负荷终端对应的所述第一预测负荷输入训练好的第一lstm神经网络深度学习模型进行处理，得到所述第一预测负荷对应的第一负荷向量；将所述预测目标的预测负荷输入训练好的第二lstm神经网络深度学习模型进行处理，得到所述预测目标的预测负荷对应的第二负荷向量。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量，包括：通过第一注意力机制分别确认所述第一负荷向量及所述第二负荷向量的权重；对所述第一负荷向量及所述第二负荷向量根据对应的权重进行加权求和处理，得到所述预测目标对应的预测向量；所述根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分时段特征向量，包括：将所述多个历史预测对应的预测向量分别输入训练好的第三lstm神经网络深度学习模型进行处理后，得到多个处理后的预测向量；通过第二注意力机制确认所述多个处理后的预测向量的权重；将所述多个处理后的预测向量根据对应的权重进行加权求和处理，得到所述当前预测负载环境对应的分时段特征向量。4.根据权利要求3所述的方法，其特征在于，所述根据所述分时段特征向量确认所述多
个候选预测负荷的信任特征向量，包括：将所述分时段特征向量及所述多个候选预测负荷输入训练好的向量逆编码器模型进行处理，得到所述多个候选预测负荷的信任特征向量；所述提取所述当前预测的预测负荷相匹配的多个候选预测负荷，包括：提取多个目标负荷区域，其中，在预测负载环境数据库中，所述目标负荷区域对应的预测次序与所述预测负荷对应的预测次序相邻；根据所述多个目标负荷区域的预测频率，从所述多个目标负荷区域中确认与所述当前预测的预测负荷相匹配的候选预测负荷。5.根据权利要求4所述的方法，其特征在于，所述根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷，包括：将信任特征向量划分为多个信任子特征向量，以提取每个信任子特征向量的信任子特征向量特征；根据所述每个信任子特征向量的信任子特征向量特征通过显著性模块生成序列信息，以得到信任子特征向量在语义上的关联性；根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分时段信息进行编码，以得到分时段信息特征；以及提取信任特征值信息，并根据所述信任特征值信息和所述分时段信息特征得到特征表达信息，以得到信任预测负荷识别结果；所述将信任特征向量分化为多个信任子特征向量，进一步包括：将历史预测集和待预测集中所有信任特征向量归一化到相同尺寸大小；将归一化处理后的所述信任特征向量通过滑动窗口分割成所述多个信任子特征向量；利用卷积神经网络提取所述每个信任子特征向量的信任子特征向量特征；所述关联性的计算公式为：f＝relu(w
v
v+w
h
h
t-1
+w
e
e
t-1
)；)；其中，f是通过感知器融合了信任子特征向量特征v，lstm神经网络隐层特征h以及特征向量语义特征e，w
v
、w
h
、w
e
是对应感知器的参数，wf
i
表示第i个信任子特征向量的感知器的参数，α代表下一时段模块所预测的信任子特征向量的概率，α
i
代表下一时段预测第i个信任子特征向量的概率，l是所有信任子特征向量的数量，z被视为下一时段信任子特征向量的概率特征，t为序列序号，通过设置t次的迭代，模块会输出序列特征{z1,z2,..z
t
}，z
t
分别与z
t-1
和z
t+1
在语义层面强关联性；所述根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分时段信息进行编码，进一步包括：利用lstm神经网络提取具有处理时序信息的特性；加入门模块，利用所述lstm神经网络过滤掉所述信任子特征向量中不具有判别性能的特性；借助所述lstm神经网络存储对所述信任子特征向量及所述分时段信息进行编码；
所述信任特征值信息利用卷积神经网络对整张特征向量进行特征提取，所述分时段信息特征基于所述信任子特征向量进行提取。6.一种基于深度学习的超短期负荷预测系统，其特征在于，所述系统包括：第一提取模块，用于响应于当前预测负载环境中当前预测的预测操作，提取所述当前预测负载环境的多个历史预测的历史预测负荷以及与所述多个历史预测对应的目标负荷终端的工作档案信息，所述目标负荷终端为历史预测中被启动过的负荷终端；生成模块，用于根据所述目标负荷终端的工作档案信息及所述历史预测负荷，生成与当前预测负载环境对应的分时段特征向量；第二提取模块，用于提取所述当前预测的预测负荷相匹配的多个候选预测负荷；第一确认模块，用于根据所述分时段特征向量，确认所述多个候选预测负荷的信任特征向量；第二确认模块，用于根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷。7.根据权利要求6所述的系统，其特征只在于，所述生成模块，包括：第一确认子模块，用于确认与预测目标对应的多个目标负荷终端的工作档案信息对应的第一负荷向量及所述预测目标的预测负荷对应的第二负荷向量，其中，所述预测目标为所述多个历史预测中的任意一个预测；第二确认子模块，用于根据所述第一负荷向量及所述第二负荷向量，确认与所述预测目标对应的预测向量；第三确认子模块，用于根据所述多个历史预测对应的预测向量，确认与所述当前预测负载环境对应的分时段特征向量；所述第一确认子模块还用于：确认所述多个目标负荷终端的工作档案信息所包含的第一预测负荷；按照所述多个目标负荷终端的启动顺序，将所述多个目标负荷终端对应的所述第一预测负荷输入训练好的第一lstm神经网络深度学习模型进行处理，得到所述第一预测负荷对应的第一负荷向量；将所述预测目标的预测负荷输入训练好的第二lstm神经网络深度学习模型进行处理，得到所述预测目标的预测负荷对应的第二负荷向量。8.根据权利要求7所述的系统，其特征在于，所述第二确认子模块，还用于：通过第一注意力机制分别确认所述第一负荷向量及所述第二负荷向量的权重；对所述第一负荷向量及所述第二负荷向量根据对应的权重进行加权求和处理，得到所述预测目标对应的预测向量；所述第三确认子模块，还用于：将所述多个历史预测对应的预测向量分别输入训练好的第三lstm神经网络深度学习模型进行处理后，得到多个处理后的预测向量；通过第二注意力机制确认所述多个处理后的预测向量的权重；将所述多个处理后的预测向量根据对应的权重进行加权求和处理，得到所述当前预测负载环境对应的分时段特征向量。9.根据权利要求8所述的系统，其特征在于，所述第一确认模块，包括：
处理子模块，用于将所述分时段特征向量及所述多个候选预测负荷输入训练好的向量逆编码器模型进行处理，得到所述多个候选预测负荷的信任特征向量；所述第二提取模块，包括：提取子模块，用于提取多个目标负荷区域，其中，在预测负载环境数据库中，所述目标负荷区域对应的预测次序与所述预测负荷对应的预测次序相邻；第四确认子模块，用于根据所述多个目标负荷区域的预测频率，从所述多个目标负荷区域中确认与所述当前预测的预测负荷相匹配的候选预测负荷。10.根据权利要求9所述的系统，其特征在于，所述第二确认模块，用于根据所述信任特征向量，从所述多个候选预测负荷中确认所述当前预测的信任预测负荷，具体包括：将信任特征向量划分为多个信任子特征向量，以提取每个信任子特征向量的信任子特征向量特征；根据所述每个信任子特征向量的信任子特征向量特征通过显著性模块生成序列信息，以得到信任子特征向量在语义上的关联性；根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分时段信息进行编码，以得到分时段信息特征；以及提取信任特征值信息，并根据所述信任特征值信息和所述分时段信息特征得到特征表达信息，以得到信任预测负荷识别结果；所述将信任特征向量分化为多个信任子特征向量，进一步包括：将历史预测集和待预测集中所有信任特征向量归一化到相同尺寸大小；将归一化处理后的所述信任特征向量通过滑动窗口分割成所述多个信任子特征向量；利用卷积神经网络提取所述每个信任子特征向量的信任子特征向量特征；所述关联性的计算公式为：f＝relu(w
v
v+w
h
h
t-1
+w
e
e
t-1
)；)；其中，f是通过感知器融合了信任子特征向量特征v，lstm神经网络隐层特征h以及特征向量语义特征e，w
v
、w
h
、w
e
是对应感知器的参数，wf
i
表示第i个信任子特征向量的感知器的参数，α代表下一时段模块所预测的信任子特征向量的概率，α
i
代表下一时段预测第i个信任子特征向量的概率，l是所有信任子特征向量的数量，z被视为下一时段信任子特征向量的概率特征，t为序列序号，通过设置t次的迭代，模块会输出序列特征{z1,z2,..z
t
}，z
t
分别与z
t-1
和z
t+1
在语义层面强关联性；所述根据所述信任子特征向量在语义上的关联性对所述每个信任子特征向量及其分时段信息进行编码，进一步包括：利用lstm神经网络提取具有处理时序信息的特性；加入门模块，利用所述lstm神经网络过滤掉所述信任子特征向量中不具有判别性能的特性；借助所述lstm神经网络存储对所述信任子特征向量及所述分时段信息进行编码；所述信任特征值信息利用卷积神经网络对整张特征向量进行特征提取，所述分时段信
息特征基于所述信任子特征向量进行提取。

技术总结
本发明请求保护一种基于深度学习的超短期负荷预测方法及系统，通过响应于当前预测负载环境中当前预测的预测操作，提取当前预测负载环境的多个历史预测的历史预测负荷以及与多个历史预测对应的目标负荷终端的工作档案信息，目标负荷终端为历史预测中被启动过的负荷终端；根据目标负荷终端的工作档案信息及历史预测负荷，生成与当前预测负载环境对应的分时段特征向量；提取相匹配的多个候选预测负荷；根据分时段特征向量，确认多个候选预测负荷的信任特征向量并从多个候选预测负荷中确认当前预测的信任预测负荷。本发明可以充分利用负荷终端的历史运行数据，有效地在此基础上根据特定需求准确预测出对应范围内短期的负荷水平。荷水平。荷水平。


技术研发人员：蒋雪冬 李晓波 汪超群 徐晓波 陈懿 王翔 迟长云
受保护的技术使用者：浙江浙达能源科技有限公司
技术研发日：2023.04.18
技术公布日：2023/7/12