基于深度学习的电力预测方法、装置及存储介质

1.本发明涉及基于深度学习的电力预测技术领域，尤其涉及一种基于深度学习的电力预测方法、装置及存储介质。


背景技术：

2.电力预测是指基于给定的历史电力特征完成对未来电力特征的预测，其中电力特征是指基于电力数值计算而来的各项特征（如用电峰值，方差，均值等）。电力预测技术在电力系统的运营和管理中至关重要，高精度的电力预测可以协助能源供应商和电网管理者对电力能源进行更好地规划，以便调整能源供应，保持电力系统的稳定运行，进而提升整体能效。
3.电力预测受诸多因素影响，如人口、政治、经济、气候等因素。这些因素极大提升了电力数据预测的困难程度。为了准确地预测电力数据，先后提出了许多优秀的算法。目前，随着transformer模型的兴起，越来越多的深度学习模型采取transformer结构分析时间序列。其中最具代表性的是fedformer。fedformer基于不同感受野的滑动窗口均值滤波输入序列实现了对输入序列的季节项与趋势项的拆分，再通过季节项和趋势项的分开预测实现电力预测。fedformer在时域和频域上分别讨论了序列的趋势项与季节项，并通过随机采样季节项的傅里叶分量以增强季节项的表征能力。
4.由于fedformer基于傅里叶变换将季节项由时域转换到频域，并对频域的多个傅里叶分量进行随机采样以增强季节项的频率特征，极大地降低了输入向量的长度。但是，随机的采样方式导致包含重要信息的傅里叶分量被丢弃，致使模型无法捕获到数据中的一些重要信息，导致模型预测的准确率较低。
5.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

6.本发明的主要目的在于提供一种基于深度学习的电力预测方法、装置及存储介质，旨在解决现有电力预测的准确率较低技术问题。
7.为实现上述目的，本发明提供一种基于深度学习的电力预测方法，所述基于深度学习的电力预测方法包括以下步骤：将历史电力特征数据对应的时序序列数据输入电力预测模型的编码器进行处理，以获得所述时序序列数据对应的第一季节信息，其中，所述编码器包括依次连接的多个编码层，所述编码层包括注意力机制的第一季节模块；将所述时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，获得趋势信息以及第二季节信息；将所述第一季节信息、所述趋势信息以及第二季节信息输入所述电力预测模型的解码器进行处理，以获得所述时序序列数据对应的目标季节信息以及目标趋势信息，其中，
所述解码器包括多个依次连接的解码层，所述解码层包括注意力机制的第二季节模块；将所述目标趋势信息输入所述电力预测模型的趋势模块进行处理，以获得趋势预测信息；通过所述电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果。
8.进一步地，所述将时序序列数据输入电力预测模型的编码器进行处理，以获得所述时序序列数据对应的第一季节信息的步骤包括：对于每一个当前编码层，通过所述当前编码层的第二频率拆解模块获取第一输入信息，其中，若所述当前编码层为所述编码器的第一个编码层，则所述第一输入信息为所述时序序列数据，若所述当前编码层非第一个编码层，则所述第一输入信息为上一个编码层的输出信息；通过所述第二频率拆解模块对所述第一输入信息进行频率拆解处理，获得第三季节信息；将所述第三季节信息输入所述当前编码层的第一前向传播模块进行处理，获得第一中间参数，通过所述当前编码层基于所述第三季节信息以及所述第一中间参数确定第一中间隐藏状态参数；将所述第一中间隐藏状态参数输入所述当前编码层的第一季节模块进行处理，以获得第二中间参数；通过所述当前编码层基于所述第二中间参数以及所述中间隐藏状态参数，确定所述当前编码层的输出信息，其中，若所述当前编码层为所述编码器的最后一个编码层，则确定所述当前编码层的输出信息为所述第一季节信息。
9.进一步地，所述将所述第一季节信息、所述趋势信息以及第二季节信息输入所述电力预测模型的解码器进行处理，以获得所述时序序列数据对应的目标季节信息以及目标趋势信息的步骤包括：对于每一个当前解码层，通过所述当前解码层获取第二输入信息，其中，所述第二输入信息包括季节项输入信息、余项输入信息以及趋势项输入信息；将所述余项输入信息输入所述当前解码层的第三频率拆解模块进行频率拆解处理，获得第一余项信息以及第一趋势信息；将所述第一余项信息以及所述第一季节信息输入所述当前解码层的第二季节模块进行处理，以获得第四季节信息；通过所述当前解码层基于所述第一余项信息以及所述第四季节信息，确定第三中间参数；将所述第三中间参数输入所述当前解码层的第二前向传播模块进行处理，以获得第四中间参数，通过所述当前解码层基于所述第三中间参数以及所述第四中间参数确定第二中间隐藏状态参数；将所述第二中间隐藏状态参数输入所述当前解码层的第四频率拆解模块进行频率拆解处理，获得第二趋势信息以及所述当前编码层的余项输出信息；通过所述当前解码层基于所述趋势项输入信息、所述第一趋势信息以及所述第二趋势信息，确定所述当前解码层的趋势项输出信息；
通过所述当前解码层基于所述季节项输入信息以及所述第四季节信息，确定所述当前解码层的季节项输出信息，其中，若所述当前解码层为所述解码器的最后一个解码层，则所述趋势项输出信息为所述目标趋势信息，所述季节项输出信息为所述目标季节信息。
10.进一步地，所述将所述第一余项信息以及所述第一季节信息输入所述当前解码层的第二季节模块进行处理，以获得第四季节信息的步骤包括：通过所述第二季节模块对所述第一余项信息进行线性映射，以获得注意力机制的查询向量，并通过所述第二季节模块对所述第一季节信息进行线性映射，以获得注意力机制的键和值；通过所述第二季节模块基于所述查询向量、键和值，确定所述第一余项信息对应时间维度上的加权注意力表征；通过所述第二季节模块基于所述加权注意力表征，确定周期编码函数对应的幅值；基于所述时序序列数据的时间序列长度对应的时间向量以及所述幅值，通过所述第二季节模块确定所述第四季节信息。
11.进一步地，若所述当前解码层为所述解码器的第一个解码层，则确定所述季节项输入信息为预设季节信息，基于所述第二季节信息确定余项输入信息以及基于所述趋势信息确定趋势项输入信息；若所述当前解码层非第一个解码层，则确定所述季节项输入信息为上一个编码层的季节项输出信息、余项输入信息为上一个编码层的余项输出信息以及趋势项输入信息为上一个编码层的趋势项输出信息。
12.进一步地，所述将所述时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，获得趋势信息以及第二季节信息的步骤包括：通过所述第一频率拆解模块对所述时序序列数据进行快速傅里叶变换，以获得所述时序序列数据对应的频域数据；通过所述第一频率拆解模块的傅里叶分解模块对所述频域数据进行分解处理，以获得所述频域数据对应的低频分量以及高频分量；通过所述第一频率拆解模块对所述低频分量进行快速傅里叶反变换以获得所述趋势信息，通过所述第一频率拆解模块对所述高频分量进行快速傅里叶反变换以获得所述第二季节信息。
13.进一步地，所述将所述目标趋势信息输入所述电力预测模型的趋势模块进行处理，以获得趋势预测信息的步骤包括：通过所述趋势模块对所述目标趋势信息进行线性变换，以获得线性变换后的趋势信息；将所述目标趋势信息的时间序列长度对应的时间向量以及线性变换后的趋势信息，输入所述趋势模块的趋势函数进行拟合处理，以获得所述趋势预测信息。
14.进一步地，所述通过所述电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果的步骤包括：通过所述电力预测模型分别对所述目标季节信息以及所述趋势预测信息进行切片操作，以获得预测季节项序列以及预测趋势项序列；
通过所述电力预测模型基于所述预测季节项序列以及预测趋势项序列，确定所述电力预测结果。
15.此外，为实现上述目的，本技术还提供一种基于深度学习的电力预测装置，所述基于深度学习的电力预测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的电力预测程序，所述基于深度学习的电力预测程序被处理器执行时实现如上所述的基于深度学习的电力预测方法的步骤。
16.此外，为实现上述目的，本技术还提供一种计算机可读存储介质，所述可读存储介质上存储有基于深度学习的电力预测程序，所述基于深度学习的电力预测程序被处理器执行时实现如上所述的基于深度学习的电力预测方法的步骤。
17.本发明通过将历史电力特征数据对应的时序序列数据输入电力预测模型的编码器进行处理，以获得所述时序序列数据对应的第一季节信息，其中，所述编码器包括依次连接的多个编码层，所述编码层包括注意力机制的第一季节模块；接着将所述时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，获得趋势信息以及第二季节信息；而后将所述第一季节信息、所述趋势信息以及第二季节信息输入所述电力预测模型的解码器进行处理，以获得所述时序序列数据对应的目标季节信息以及目标趋势信息，其中，所述解码器包括多个依次连接的解码层，所述解码层包括注意力机制的第二季节模块；然后将所述目标趋势信息输入所述电力预测模型的趋势模块进行处理，以获得趋势预测信息；最后通过所述电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果，通过注意力机制的第一季节模块以及第二季节模块筛选重要的频域傅里叶分量，能够减少携带重要信息的傅里叶分量被丢弃所造成的信息缺失，提升了模型预测的精度，提高了电力预测的准确性。
附图说明
18.图1是本发明实施例方案涉及的硬件运行环境的基于深度学习的电力预测装置的结构示意图；图2为本发明基于深度学习的电力预测方法第一实施例的流程示意图；图3为本发明基于深度学习的电力预测方法中电力预测模型的结构示意图；图4为本发明基于深度学习的电力预测方法中电力预测模型的解码器的结构示意图；图5为本发明基于深度学习的电力预测方法中电力预测模型的第二季节模块的结构示意图；图6为本发明基于深度学习的电力预测方法中电力预测模型的编码器的结构示意图；图7为本发明基于深度学习的电力预测方法中电力预测模型的第一频率拆解模块的结构示意图。
19.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
20.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
21.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的基于深度学习的电力预测装置的结构示意图。
22.本发明实施例基于深度学习的电力预测装置可以是pc，也可以是智能手机、平板电脑、电子书阅读器、mp3（moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3）播放器、mp4（moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4）播放器、便携计算机等具有显示功能的可移动式终端设备。
23.如图1所示，该基于深度学习的电力预测装置可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（display）、输入单元比如键盘（keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如wi-fi接口）。存储器1005可以是高速ram存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
24.可选地，基于深度学习的电力预测装置还可以包括摄像头、rf（radio frequency，射频）电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、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屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度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，可用于识别移动终端姿态的应用（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；当然，移动终端还可配置陀螺仪、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。
25.本领域技术人员可以理解，图1中示出的终端结构并不构成对基于深度学习的电力预测装置的限定，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。
26.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于深度学习的电力预测程序。
27.在图1所示的基于深度学习的电力预测装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于深度学习的电力预测程序。
28.在本实施例中，基于深度学习的电力预测装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的基于深度学习的电力预测程序，其中，处理器1001调用存储器1005中存储的基于深度学习的电力预测程序时，执行以下各个实施例中基于深度学习的电力预测方法的步骤。
29.本发明还提供一种基于深度学习的电力预测方法，参照图2，图2为本发明基于深度学习的电力预测方法第一实施例的流程示意图。
30.本实施例中，通过将历史电力特征数据输入电力预测模型进行模型训练得到电力
预测结果，如图3所示，该电力预测模型包括编码器、解码器、频率拆解模块以及趋势模块，编码器包括依次连接的多个编码层，各个编码层均包括注意力机制的第一季节模块，解码器包括依次连接的多个解码层，各个解码层均包括注意力机制的第二季节模块。
31.本实施例中，该基于深度学习的电力预测方法包括：步骤s101，将历史电力特征数据对应的时序序列数据输入电力预测模型的编码器进行处理，以获得所述时序序列数据对应的第一季节信息，其中，所述编码器包括依次连接的多个编码层，所述编码层包括注意力机制的第一季节模块；本技术中，在进行电力预测时，先获取历史电力特征数据，其中，电力特征是指基于电力数值计算而来的各项特征，例如用电峰值、方差、均值等，其中，历史电力特征数据可以为某一省、市、县、乡的电力特征数据、某一区域（例如某一小区、某一工业区等）的电力特征数据，之后获取历史电力特征数据对应的时序序列数据。
32.电力预测模型用于根据历史电力特征数据对应的时序序列数据进行模型训练，获得预测的未来电力特征数据，例如，时序序列数据为，，未来电力特征数据（电力预测结果）为，则电力预测模型可以为；其中，即为x
t:t+o
，d为历史电力特征数据的电力特征个数，i为历史电力特征数据的历史时间长度；o为预测结果的预测时间长度。该编码器包括依次连接的多个编码层，各个编码层均包括注意力机制的第一季节模块。
33.本实施例中，获取到历史电力特征数据对应的时序序列数据之后，将该时序序列数据输入电力预测模型的编码器进行处理，以获得时序序列数据对应的第一季节信息，具体地，在每一个编码层中，该编码层的第一季节模块对第一输入信息进行处理，然后通过该编码层的处理得到该编码层的输出信息，若该编码层为所述编码器的第一个编码层，则第一输入信息为时序序列数据，若该编码层非第一个编码层，则第一输入信息为上一个编码层的输出信息，若该编码层为所述编码器的最后一个编码层，则确定该编码层的输出信息为第一季节信息。
34.步骤s102，将所述时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，获得趋势信息以及第二季节信息；本实施例中，可在将将历史电力特征数据对应的时序序列数据输入电力预测模型的编码器进行处理的同时，将该时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，得到该时序序列数据对应的趋势信息以及第二季节信息。
35.步骤s103，将所述第一季节信息、所述趋势信息以及第二季节信息输入所述电力预测模型的解码器进行处理，以获得所述时序序列数据对应的目标季节信息以及目标趋势信息，其中，所述解码器包括多个依次连接的解码层，所述解码层包括注意力机制的第二季节模块；本实施例中，在获取到第一季节信息、趋势信息以及第二季节信息之后，将第一季节信息、趋势信息以及第二季节信息输入电力预测模型的解码器进行处理，该解码器包括多个依次连接的解码层，解码层包括注意力机制的第二季节模块，对于每一个解码层，分别通过该解码层的第二季节模块对述余项输入信息以及第一季节信进行处理，该解码层对处理后的数据以及趋势信息进行处理得到季节项输出信息、余项输出信息以及趋势项输出信
息，若该解码层为解码器的最后一个解码层，则趋势项输出信息为目标趋势信息，季节项输出信息为所述目标季节信息。
36.步骤s104，将所述目标趋势信息输入所述电力预测模型的趋势模块进行处理，以获得趋势预测信息；本实施例中，在获取到目标趋势信息之后，将目标趋势信息输入电力预测模型的趋势模块进行处理，以获得趋势预测信息，具体地，趋势模块对目标趋势信息进行线性变换以及拟合处理，得到趋势预测信息。
37.步骤s105，通过所述电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果。
38.本实施例中，在获取到趋势预测信息之后，电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果，具体地，该步骤s105包括：步骤s1051，通过所述电力预测模型分别对所述目标季节信息以及所述趋势预测信息进行切片操作，以获得预测季节项序列以及预测趋势项序列；步骤s1052，通过所述电力预测模型基于所述预测季节项序列以及预测趋势项序列，确定所述电力预测结果。
39.本实施例中，获取到趋势预测信息之后，电力预测模型分别对所述目标季节信息以及所述趋势预测信息进行切片操作，以获得预测季节项序列以及预测趋势项序列，具体地，由于目标季节信息以及所述趋势预测信息的时间长度为（i/2+o），而电力预测结果的时间长度为o，因此，需要对目标季节信息以及趋势预测信息进行切片操作，以得到时间长度为o的预测季节项序列以及时间长度为o的预测趋势项序列，其中，具体公式为：；；其中，为目标季节信息，为目标趋势信息，trendblock()为趋势预测信息，∈rd×o为预测季节项序列，∈rd×o为预测趋势项序列，d为历史电力特征数据的电力特征个数，o为预测结果的预测时间长度，trendblock()为趋势模块的函数。本实施例中，分别保留目标季节信息以及趋势预测信息中最后o个时间序列长度的数据作为预测季节项序列以及预测趋势项序列。
40.接着，通过所述电力预测模型基于所述预测季节项序列以及预测趋势项序列，确定所述电力预测结果，具体地，电力预测模型将预测季节项序列以及预测趋势项序列进行加和得到电力预测结果，进而准确得到电力预测结果，提升电力预测结果的准确性。该电力预测结果的公式为：；其中，为电力预测结果。
41.本实施例提出的基于深度学习的电力预测方法，通过将历史电力特征数据对应的时序序列数据输入电力预测模型的编码器进行处理，以获得所述时序序列数据对应的第一
季节信息，其中，所述编码器包括依次连接的多个编码层，所述编码层包括注意力机制的第一季节模块；接着将所述时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，获得趋势信息以及第二季节信息；而后将所述第一季节信息、所述趋势信息以及第二季节信息输入所述电力预测模型的解码器进行处理，以获得所述时序序列数据对应的目标季节信息以及目标趋势信息，其中，所述解码器包括多个依次连接的解码层，所述解码层包括注意力机制的第二季节模块；然后将所述目标趋势信息输入所述电力预测模型的趋势模块进行处理，以获得趋势预测信息；最后通过所述电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果，通过注意力机制的第一季节模块以及第二季节模块筛选重要的频域傅里叶分量，能够减少携带重要信息的傅里叶分量被丢弃所造成的信息缺失，提升了模型预测的精度，提高了电力预测的准确性。
42.基于第一实施例，提出本发明基于深度学习的电力预测方法的第二实施例，在本实施例中，步骤s103包括：步骤s201，对于每一个当前解码层，通过所述当前解码层获取第二输入信息，其中，所述第二输入信息包括季节项输入信息、余项输入信息以及趋势项输入信息；步骤s202，将所述余项输入信息输入所述当前解码层的第三频率拆解模块进行频率拆解处理，获得第一余项信息以及第一趋势信息；步骤s203，将所述第一余项信息以及所述第一季节信息输入所述当前解码层的第二季节模块进行处理，以获得第四季节信息；步骤s204，通过所述当前解码层基于所述第一余项信息以及所述第四季节信息，确定第三中间参数；步骤s205，将所述第三中间参数输入所述当前解码层的第二前向传播模块进行处理，以获得第四中间参数，通过所述当前解码层基于所述第三中间参数以及所述第四中间参数确定第二中间隐藏状态参数；步骤s206，将所述第二中间隐藏状态参数输入所述当前解码层的第四频率拆解模块进行频率拆解处理，获得第二趋势信息以及所述当前编码层的余项输出信息；步骤s207，通过所述当前解码层基于所述趋势项输入信息、所述第一趋势信息以及所述第二趋势信息，确定所述当前解码层的趋势项输出信息；步骤s208，通过所述当前解码层基于所述季节项输入信息以及所述第四季节信息，确定所述当前解码层的季节项输出信息，其中，若所述当前解码层为所述解码器的最后一个解码层，则所述趋势项输出信息为所述目标趋势信息，所述季节项输出信息为所述目标季节信息。
43.本实施例中，解码器包括多个依次连接的解码层，如图4所示，包括第一个解码层至第n个解码层共n个解码层，对于每一个当前解码层，该当前解码层包括第三频率拆解模块、第二季节模块、第二前向传播模块以及第四频率拆解模块。
44.在获取到第一季节信息、趋势信息以及第二季节信息之后，将第一季节信息、趋势信息以及第二季节信息输入电力预测模型的解码器进行处理，具体地，对于每一个当前解码层，通过当前解码层获取第二输入信息，其中，所述第二输入信息包括季节项输入信息∈rd×
(i/2+o)
、余项输入信息∈rd×
(i/2+o)
以及趋势项输入信息∈rd×
(i/2+o)
。
45.进一步地，在一可能实现方式中，若所述当前解码层非第一个解码层，则确定所述季节项输入信息为上一个编码层的季节项输出信息、余项输入信息为上一个编码层的余项输出信息以及趋势项输入信息为上一个编码层的趋势项输出信息；若所述当前解码层为所述解码器的第一个解码层，则确定所述季节项输入信息为预设季节信息，基于所述第二季节信息确定余项输入信息以及基于所述趋势信息确定趋势项输入信息。
46.其中，当前解码层为第一个解码层时，季节项输入信息∈rd×
(i/2+o)
可以初始化为0，第一频率拆解模块得到的趋势项数据x
t
以及季节项数据xs输入解码器之后，将季节项数据与趋势项数据分别进行切片得到输入长度后一半的季节序列和趋势序列，季节序列通过padding()函数将季节序列用0值填充到长度为的(i/2+o）的余项输入信息，具体地公式为：；其中，为余项输入信息，为季节序列。
47.对于趋势序列，解码器先获取趋势序列的均值mean()，通过广播机制broadcast()进行均值的拓展得到扩展序列，将扩展序列与趋势序列进行链接得到趋势项输入信息，具体地公式为：；；其中，∈rd×o为扩展序列，∈rd×
(i/2)
为趋势序列，∈rd×
(i/2+o)
为趋势项输入信息。padding()为时间维度的填充函数，broadcast()广播到o长度的广播机制函数，concat()为时间维度的拼接函数，mean()为时间维度的均值化函数，d为历史电力特征数据的电力特征个数，o为预测结果的预测时间长度，i为历史电力特征数据的历史时间长度。
48.对于每一个当前解码层，在获取到第二输入信息之后，将余项输入信息输入所述当前解码层的第三频率拆解模块进行频率拆解处理，获得第一余项信息以及第一趋势信息，其中，第三频率拆解模块的处理过程与第一频率拆解模块的处理过程相同，参照第四实施例中第一频率拆解模块的处理过程，在将余项输入信息输入第三频率拆解模块进行频率拆解处理之后，同样会获得趋势项数据x
t
以及季节项数据xs，本实施例中，第三频率拆解模块输出的趋势项数据x
t
为第一趋势信息、季节项数据xs为第一余项信息，第三频率拆解模的具体公式可以为：；
其中，decomp()为第三频率拆解模的频率拆解函数，为余项输入信息，为第一趋势信息，为第一余项信息，当前解码层为解码器的第l个解码层。
49.在获取到第一余项信息以及第一趋势信息之后，当前解码层将第一余项信息以及第一季节信息输入第二季节模块进行处理，以获得第四季节信息，第四季节信息的具体公式可以为：；其中，为第一余项信息，为第一季节信息，为第四季节信息。
50.进一步地，在一可能实现方式中，该步骤s203包括：步骤s2031，通过所述第二季节模块对所述第一余项信息进行线性映射，以获得注意力机制的查询向量，并通过所述第二季节模块对所述第一季节信息进行线性映射，以获得注意力机制的键和值；步骤s2032，通过所述第二季节模块基于所述查询向量、键和值，确定所述第一余项信息对应时间维度上的加权注意力表征；步骤s2033，通过所述第二季节模块基于所述加权注意力表征，确定周期编码函数对应的幅值；步骤s2034，基于所述时序序列数据的时间序列长度对应的时间向量以及所述幅值，通过所述第二季节模块确定所述第四季节信息。
51.本实施例中，第二季节模块的结构如图5所示，当前解码层将第一余项信息以及第一季节信息输入第二季节模块之后，第二季节模块对第一余项信息进行线性映射，以获得注意力机制的查询向量q∈rd×
l
，同时第二季节模块对第一季节信息进行线性映射，以获得注意力机制的键k∈rd×
l
和值v∈rd×
l
，具体公式分别为：q=wqs+bq，k=wks’+bk，v=wvs’+bv，其中，wq∈rd×d，wk∈rd×d，wv∈rd×d，bq∈rd×
l
，bk∈rd×
l
，bv∈rd×
l
，wq、wk、wv为对应的权重矩阵，bq、bk、bv为对应的偏置项，l为输入数据（第一余项信息或第一季节信息）的时间序列长度，d为时序序列数据的电力特征个数，s为第一余项信息，s’为第一季节信息。
52.第二季节模块基于所述查询向量、键和值，确定所述第一余项信息对应时间维度上的加权注意力表征，其公式为：；其中，m∈rd×
l
为加权注意力表征，k为键，v为值，q为查询向量，d为时序序列数据的电力特征个数。
53.获取到加权注意力表征时，第二季节模块基于所述加权注意力表征，确定周期编码函数对应的幅值，θs=mw
θs
+b
θs
，其中，w
θs
∈rd×d，b
θs
∈rd×
l
，w
θs
为对应的权重矩阵，b
θs
为对应的偏置项，θs为幅值，m
l
为加权注意力表征。
54.获取到幅值之后，第二季节模块基于时序序列数据的时间序列长度对应的时间向量以及所述幅值，确定第四季节信息，具体地，其公式为：
；其中，为第四季节信息，θs为幅值，h为预设隐藏状态维度，t=[0,1/l,1/l
…
(l-1)/l]∈r
l
为时间向量，l为输入数据（第一余项信息或第一趋势信息）的时间序列长度。
[0055]
获取到第四季节信息之后，当前解码层基于第一余项信息以及第四季节信息，确定第三中间参数，具体地，将第一余项信息与第四季节信息之差作为第三中间参数，其公式为：；其中，为第三中间参数，为第四季节信息，为第一余项信息。
[0056]
获取到第三中间参数之后，将第三中间参数输入所述当前解码层的第二前向传播模块进行处理，以获得第四中间参数，其中，第二前向传播模块使用多个全连接层对输入的特性信息进行整合，第二前向传播模块具体的计算公式如下：u1=relu（w1r+b1）；u2=w2u1+b2；其中，r为第三中间参数，u2为第四中间参数，w1∈rd’×d，w2∈rd×
d’，b1∈rd’×
l
，b2∈rd×
l
，w1、w2、b1、b2均为第二前向传播模块的模块学习参数，relu（）为激活函数，d’为预设参数，本实施例中，d’=4d，d为时序序列数据的电力特征个数。
[0057]
获取到第四中间参数之后，通过所述当前解码层基于所述第三中间参数以及所述第四中间参数确定第二中间隐藏状态参数，具体地，第二中间隐藏状态参数为第三中间参数与第四中间参数之和，其具体公式为：；其中，为第三中间参数，为第四中间参数，为第二中间隐藏状态参数。
[0058]
获取到第二中间隐藏状态参数之后，将第二中间隐藏状态参数输入当前解码层的第四频率拆解模块进行频率拆解处理，获得第二趋势信息以及所述当前编码层的余项输出信息；其中，第四频率拆解模块的处理过程与第一频率拆解模块的处理过程相同，参照第四实施例中第一频率拆解模块的处理过程，在将第二中间隐藏状态参数输入第四频率拆解模块进行频率拆解处理之后，同样会获得趋势项数据x
t
以及季节项数据xs，本实施例中，第四频率拆解模块输出的趋势项数据x
t
为第二趋势信息、季节项数据xs为当前编码层的余项输出信息，第四频率拆解模的具体公式可以为：；
其中，∈rd×
(i/2+o)
为余项输出信息，∈rd×
(i/2+o)
为第二趋势信息，decomp()为第四频率拆解模的频率拆解函数。
[0059]
获取到第二趋势信息之后，当前解码层基于趋势项输入信息、第一趋势信息以及第二趋势信息，确定所述当前解码层的趋势项输出信息，具体地，趋势项输出信息为趋势项输入信息、第一趋势信息以及第二趋势信息三者之和，具体公式可以为：；其中，为趋势项输出信息，为第一趋势信息，为第二趋势信息，为趋势项输入信息。
[0060]
最后，通过所述当前解码层基于所述季节项输入信息以及所述第四季节信息，确定所述当前解码层的季节项输出信息，具体地，季节项输出信息为季节项输入信息以及所述第四季节信息之和，具体公式可以为：；其中，为季节项输出信息，为第四季节信息，为季节项输入信息。
[0061]
若当前解码层为所述解码器的最后一个解码层，则趋势项输出信息为所述目标趋势信息，季节项输出信息为目标季节信息。
[0062]
本实施例中，在获取到第一季节信息、趋势信息以及第二季节信息之后，将第一季节信息、趋势信息以及第二季节信息输入电力预测模型的解码器进行处理，该解码器包括多个依次连接的解码层，解码层包括注意力机制的第二季节模块，对于每一个解码层，分别通过该解码层的第二季节模块对述余项输入信息以及第一季节信进行处理，该解码层对处理后的数据以及趋势信息进行处理得到季节项输出信息、余项输出信息以及趋势项输出信息，若该解码层为解码器的最后一个解码层，则趋势项输出信息为目标趋势信息，季节项输出信息为所述目标季节信息。
[0063]
本实施例提出的基于深度学习的电力预测方法，通过对于每一个当前解码层，通过所述当前解码层获取第二输入信息，其中，所述第二输入信息包括季节项输入信息、余项输入信息以及趋势项输入信息；将所述余项输入信息输入所述当前解码层的第三频率拆解模块进行频率拆解处理，获得第一余项信息以及第一趋势信息；将所述第一余项信息以及所述第一季节信息输入所述当前解码层的第二季节模块进行处理，以获得第四季节信息；通过所述当前解码层基于所述第一余项信息以及所述第四季节信息，确定第三中间参数；将所述第三中间参数输入所述当前解码层的第二前向传播模块进行处理，以获得第四中间参数，通过所述当前解码层基于所述第三中间参数以及所述第四中间参数确定第二中间隐藏状态参数；将所述第二中间隐藏状态参数输入所述当前解码层的第四频率拆解模块进行频率拆解处理，获得第二趋势信息以及所述当前编码层的余项输出信息；通过所述当前解码层基于所述趋势项输入信息、所述第一趋势信息以及所述第二趋势信息，确定所述当前解码层的趋势项输出信息；通过所述当前解码层基于所述季节项输入信息以及所述第四季节信息，确定所述当前解码层的季节项输出信息，其中，若所述当前解码层为所述解码器的
最后一个解码层，则所述趋势项输出信息为所述目标趋势信息，所述季节项输出信息为所述目标季节信息，可以通过解码器准确得到目标季节信息以及目标趋势信息，通过注意力机制的第二季节模块筛选重要的频域傅里叶分量，能够减少携带重要信息的傅里叶分量被丢弃所造成的信息缺失，提升了模型预测的精度，提高了电力预测的准确性。通过第三频率拆解模块以及第四频率拆解模块的频率拆解操作，对整体序列的傅里叶变换获取序列的傅里叶分量，再基于能量占比来设定阈值划分趋势分量与季节分量，从而实现对序列季节项与趋势项的拆分，同时频率拆解模块基于整体序列进行处理，将季节项的长期依赖性考虑其中，实现了高质量的序列拆解。
[0064]
基于第一实施例，提出本发明基于深度学习的电力预测方法的第三实施例，在本实施例中，步骤s101包括：步骤s301，对于每一个当前编码层，通过所述当前编码层的第二频率拆解模块获取第一输入信息，其中，若所述当前编码层为所述编码器的第一个编码层，则所述第一输入信息为所述时序序列数据，若所述当前编码层非第一个编码层，则所述第一输入信息为上一个编码层的输出信息；步骤s302，通过所述第二频率拆解模块对所述第一输入信息进行频率拆解处理，获得第三季节信息；步骤s303，将所述第三季节信息输入所述当前编码层的第一前向传播模块进行处理，获得第一中间参数，通过所述当前编码层基于所述第三季节信息以及所述第一中间参数确定第一中间隐藏状态参数；步骤s304，将所述第一中间隐藏状态参数输入所述当前编码层的第一季节模块进行处理，以获得第二中间参数；步骤s305，通过所述当前编码层基于所述第二中间参数以及所述中间隐藏状态参数，确定所述当前编码层的输出信息，其中，若所述当前编码层为所述编码器的最后一个编码层，则确定所述当前编码层的输出信息为所述第一季节信息。
[0065]
本实施例中，编码器包括多个依次连接的编码层，如图6所示，包括第一个编码层至第n个编码层共n个编码层，对于每一个当前编码层，该当前编码层包括第二频率拆解模块、第一前向传播模块以及第一季节模块。在获取到时序序列数据之后，编码器将时序序列数据输入第一个编码层进行处理，并通过依次连接的编码层进行后续处理，直至得到最后一个编码层的输出信息即第一季节信息。
[0066]
对于每一个当前编码层，若所述当前编码层为所述编码器的第一个编码层，则第一输入信息为所述时序序列数据，若所述当前编码层非第一个编码层，则所述第一输入信息为上一个编码层的输出信息。
[0067]
当前编码层得到第一输入信息之后，将该第一输入信息输入第二频率拆解模块进行频率拆解处理，获得第三季节信息；其中，第二频率拆解模块的处理过程与第一频率拆解模块的处理过程相同，参照第四实施例中第一频率拆解模块的处理过程，在将第一输入信息输入第二频率拆解模块进行频率拆解处理之后，同样会获得趋势项数据x
t
以及季节项数据xs，本实施例中，第二频率拆解模块输出的趋势项数据x
t
为舍去、季节项数据xs第三季节信息，第二频率拆解模的具体公式可以为：
；其中，decomp()为第三频率拆解模的频率拆解函数，为第一输入信息，∈ri×d为第三季节信息，∈ri×d为第二频率拆解模块输出的趋势项数据，当前编码层为编码器的第l个编码层。
[0068]
获取到第三季节信息之后，将第三季节信息输入所述当前编码层的第一前向传播模块进行处理，获得第一中间参数，其中，第二前向传播模块的处理过程与第一前向传播模块的处理过程相同，参照第二实施例中第二前向传播模块的处理过程，在将第三季节信息输入第一前向传播模块进行处理之后即可获得第一中间参数。
[0069]
获取到第一中间参数之后，当前编码层基于所述第三季节信息以及所述第一中间参数确定第一中间隐藏状态参数；具体地，将第三季节信息与第一中间参数相加即可得到第一中间隐藏状态参数，具体公式为：；其中，为第三季节信息，feedforward()为第一中间参数，为第一中间隐藏状态参数。
[0070]
获取到第一中间隐藏状态参数之后，将第一中间隐藏状态参数输入第一季节模块进行处理，以获得第二中间参数，其中，第一季节模块的处理过程与第二季节模块的处理过程相同，参照第二实施例中第二季节模块的处理过程，在将第一中间隐藏状态参数输入第一季节模块之后，第一季节模块，s为第一中间隐藏状态参数，s’为第一中间隐藏状态参数，l为输入数据（第一中间隐藏状态参数）的时间序列长度，d为时序序列数据的电力特征个数，为第二中间参数。
[0071]
获取到第二中间参数之后，当前编码层基于所述第二中间参数以及所述中间隐藏状态参数，确定所述当前编码层的输出信息，其中，当前编码层的输出信息为第二中间参数与中间隐藏状态参数之和，具体公式为：；其中，为第二中间参数，为第一中间隐藏状态参数，为当前编码层的输出信息。
[0072]
其中，若所述当前编码层为所述编码器的最后一个编码层，则确定所述当前编码层的输出信息为所述第一季节信息。
[0073]
本实施例提出的基于深度学习的电力预测方法，通过对于每一个当前编码层，通过所述当前编码层的第二频率拆解模块获取第一输入信息，其中，若所述当前编码层为所述编码器的第一个编码层，则所述第一输入信息为所述时序序列数据，若所述当前编码层非第一个编码层，则所述第一输入信息为上一个编码层的输出信息；通过所述第二频率拆解模块对所述第一输入信息进行频率拆解处理，获得第三季节信息；将所述第三季节信息
输入所述当前编码层的第一前向传播模块进行处理，获得第一中间参数，通过所述当前编码层基于所述第三季节信息以及所述第一中间参数确定第一中间隐藏状态参数；将所述第一中间隐藏状态参数输入所述当前编码层的第一季节模块进行处理，以获得第二中间参数；通过所述当前编码层基于所述第二中间参数以及所述中间隐藏状态参数，确定所述当前编码层的输出信息，其中，若所述当前编码层为所述编码器的最后一个编码层，则确定所述当前编码层的输出信息为所述第一季节信息，可以通过编码器准确得到第一季节信息，通过注意力机制的第一季节模块筛选重要的频域傅里叶分量，能够减少携带重要信息的傅里叶分量被丢弃所造成的信息缺失，提升了模型预测的精度，提高了电力预测的准确性。通过第二拆解模块的频率拆解操作，对整体序列的傅里叶变换获取序列的傅里叶分量，再基于能量占比来设定阈值划分趋势分量与季节分量，从而实现对序列季节项与趋势项的拆分，同时频率拆解模块基于整体序列进行处理，将季节项的长期依赖性考虑其中，实现了高质量的序列拆解。
[0074]
基于第一实施例，提出本发明基于深度学习的电力预测方法的第四实施例，在本实施例中，步骤s104包括：步骤s401，通过所述第一频率拆解模块对所述时序序列数据进行快速傅里叶变换，以获得所述时序序列数据对应的频域数据；步骤s402，通过所述第一频率拆解模块的傅里叶分解模块对所述频域数据进行分解处理，以获得所述频域数据对应的低频分量以及高频分量；步骤s403，通过所述第一频率拆解模块对所述低频分量进行快速傅里叶反变换以获得所述趋势信息，通过所述第一频率拆解模块对所述高频分量进行快速傅里叶反变换以获得所述第二季节信息。
[0075]
本实施例中，频率拆解模块的结构如图7所示，在电力预测模型获取到时序序列数据之后，第一频率拆解模块对时序序列数据进行快速傅里叶变换，以获得时序序列数据对应的频域数据，即f=fft(x)，其中，x为时序序列数据，f∈cd×
l’为频域数据。
[0076]
接着，第一频率拆解模块的傅里叶分解模块对频域数据进行分解处理，以获得所述频域数据对应的低频分量以及高频分量；具体地，傅里叶分解模块先确定分量个数m，而后傅里叶分解模块对频域数据进行分解处理，以获得所述频域数据对应的低频分量以及高频分量；其中，具体公式为：f
t
=padding（f[:,:m]）；fs=padding（f[:,m:]）；；其中，padding（）为时间维度的填充函数，f为频域数据，m为分量个数，f
t
为低频分量，fs为高频分量，f
t
∈cd×
l’，fs∈cd×
l’，α为低频傅里叶分量的能量占比阈值，α设置为0.8，fi为频域数据中的第i个数据，l为输入数据（时序序列数据）的时间序列长度，l’为频域数据中的傅里叶分量个数，d为时序序列数据的电力特征个数。
[0077]
而后，通过第一频率拆解模块对低频分量进行快速傅里叶反变换以获得趋势信息，对高频分量进行快速傅里叶反变换以获得第二季节信息，具体地，快速傅里叶反变换的公式为：x
t
=ifft（f
t
），xs=ifft（fs），其中，x
t
为趋势信息，xs为第二季节信息。
[0078]
本实施例提出的基于深度学习的电力预测方法，通过所述第一频率拆解模块对所述时序序列数据进行快速傅里叶变换，以获得所述时序序列数据对应的频域数据；接着通过所述第一频率拆解模块的傅里叶分解模块对所述频域数据进行分解处理，以获得所述频域数据对应的低频分量以及高频分量；而后通过所述第一频率拆解模块对所述低频分量进行快速傅里叶反变换以获得所述趋势信息，通过所述第一频率拆解模块对所述高频分量进行快速傅里叶反变换以获得所述第二季节信息，可以根据时序序列数据准确得到趋势信息以及第二季节信息，进一步提升电力预测的准确性以及效率。
[0079]
基于第一实施例，提出本发明基于深度学习的电力预测方法的第五实施例，在本实施例中，步骤s104包括：步骤s501，通过所述趋势模块对所述目标趋势信息进行线性变换，以获得线性变换后的趋势信息；步骤s502，将所述目标趋势信息的时间序列长度对应的时间向量以及线性变换后的趋势信息，输入所述趋势模块的趋势函数进行拟合处理，以获得所述趋势预测信息。
[0080]
本实施例中，在获取到目标趋势信息之后，将目标趋势信息输入电力预测模型的趋势模块进行处理，趋势模块对所述目标趋势信息进行时间维度的线性变换，以获得线性变换后的趋势信息，具体公式为：；其中，θ
t
为线性变换后的趋势信息，t为目标趋势信息，w
θt
为权重矩阵，b
θt
为偏置项，w
θt
∈c
l
×
p
，b
θt
∈cd×
p
，l为输入数据（目标趋势信息）的时间序列长度。
[0081]
获取到线性变换后的趋势信息之后，趋势模块将目标趋势信息的时间序列长度对应的时间向量以及线性变换后的趋势信息，输入趋势函数进行拟合处理，以获得所述趋势预测信息，具体公式为：；其中，为趋势预测信息，t=[0,1/l,1/l
…
(l-1)/l]∈r
l
为时间向量，l为输入数据（目标趋势信息）的时间序列长度，θ
t
为线性变换后的趋势信息。
[0082]
本实施例提出的基于深度学习的电力预测方法，通过所述趋势模块对所述目标趋势信息进行线性变换，以获得线性变换后的趋势信息；接着将所述目标趋势信息的时间序列长度对应的时间向量以及线性变换后的趋势信息，输入所述趋势模块的趋势函数进行拟合处理，以获得所述趋势预测信息，通过趋势模块基于多项式拟合的方式拟合数据的总体趋势特征，提高了模型对于趋势信息的学习能力，进一步提升了电力预测的准确性。
[0083]
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于深度学习的电力预测程序，所述基于深度学习的电力预测程序被处理器执行时实现如上所述的基于深度学习的电力预测方法的步骤。
[0084]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而
且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0085]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0086]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0087]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于深度学习的电力预测方法，其特征在于，所述基于深度学习的电力预测方法包括以下步骤：将历史电力特征数据对应的时序序列数据输入电力预测模型的编码器进行处理，以获得所述时序序列数据对应的第一季节信息，其中，所述编码器包括依次连接的多个编码层，所述编码层包括注意力机制的第一季节模块；将所述时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，获得趋势信息以及第二季节信息；将所述第一季节信息、所述趋势信息以及第二季节信息输入所述电力预测模型的解码器进行处理，以获得所述时序序列数据对应的目标季节信息以及目标趋势信息，其中，所述解码器包括多个依次连接的解码层，所述解码层包括注意力机制的第二季节模块；将所述目标趋势信息输入所述电力预测模型的趋势模块进行处理，以获得趋势预测信息；通过所述电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果。2.如权利要求1所述的基于深度学习的电力预测方法，其特征在于，所述将时序序列数据输入电力预测模型的编码器进行处理，以获得所述时序序列数据对应的第一季节信息的步骤包括：对于每一个当前编码层，通过所述当前编码层的第二频率拆解模块获取第一输入信息，其中，若所述当前编码层为所述编码器的第一个编码层，则所述第一输入信息为所述时序序列数据，若所述当前编码层非第一个编码层，则所述第一输入信息为上一个编码层的输出信息；通过所述第二频率拆解模块对所述第一输入信息进行频率拆解处理，获得第三季节信息；将所述第三季节信息输入所述当前编码层的第一前向传播模块进行处理，获得第一中间参数，通过所述当前编码层基于所述第三季节信息以及所述第一中间参数确定第一中间隐藏状态参数；将所述第一中间隐藏状态参数输入所述当前编码层的第一季节模块进行处理，以获得第二中间参数；通过所述当前编码层基于所述第二中间参数以及所述中间隐藏状态参数，确定所述当前编码层的输出信息，其中，若所述当前编码层为所述编码器的最后一个编码层，则确定所述当前编码层的输出信息为所述第一季节信息。3.如权利要求1所述的基于深度学习的电力预测方法，其特征在于，所述将所述第一季节信息、所述趋势信息以及第二季节信息输入所述电力预测模型的解码器进行处理，以获得所述时序序列数据对应的目标季节信息以及目标趋势信息的步骤包括：对于每一个当前解码层，通过所述当前解码层获取第二输入信息，其中，所述第二输入信息包括季节项输入信息、余项输入信息以及趋势项输入信息；将所述余项输入信息输入所述当前解码层的第三频率拆解模块进行频率拆解处理，获得第一余项信息以及第一趋势信息；将所述第一余项信息以及所述第一季节信息输入所述当前解码层的第二季节模块进
行处理，以获得第四季节信息；通过所述当前解码层基于所述第一余项信息以及所述第四季节信息，确定第三中间参数；将所述第三中间参数输入所述当前解码层的第二前向传播模块进行处理，以获得第四中间参数，通过所述当前解码层基于所述第三中间参数以及所述第四中间参数确定第二中间隐藏状态参数；将所述第二中间隐藏状态参数输入所述当前解码层的第四频率拆解模块进行频率拆解处理，获得第二趋势信息以及所述当前编码层的余项输出信息；通过所述当前解码层基于所述趋势项输入信息、所述第一趋势信息以及所述第二趋势信息，确定所述当前解码层的趋势项输出信息；通过所述当前解码层基于所述季节项输入信息以及所述第四季节信息，确定所述当前解码层的季节项输出信息，其中，若所述当前解码层为所述解码器的最后一个解码层，则所述趋势项输出信息为所述目标趋势信息，所述季节项输出信息为所述目标季节信息。4.如权利要求3所述的基于深度学习的电力预测方法，其特征在于，所述将所述第一余项信息以及所述第一季节信息输入所述当前解码层的第二季节模块进行处理，以获得第四季节信息的步骤包括：通过所述第二季节模块对所述第一余项信息进行线性映射，以获得注意力机制的查询向量，并通过所述第二季节模块对所述第一季节信息进行线性映射，以获得注意力机制的键和值；通过所述第二季节模块基于所述查询向量、键和值，确定所述第一余项信息对应时间维度上的加权注意力表征；通过所述第二季节模块基于所述加权注意力表征，确定周期编码函数对应的幅值；基于所述时序序列数据的时间序列长度对应的时间向量以及所述幅值，通过所述第二季节模块确定所述第四季节信息。5.如权利要求3所述的基于深度学习的电力预测方法，其特征在于，若所述当前解码层为所述解码器的第一个解码层，则确定所述季节项输入信息为预设季节信息，基于所述第二季节信息确定余项输入信息以及基于所述趋势信息确定趋势项输入信息；若所述当前解码层非第一个解码层，则确定所述季节项输入信息为上一个编码层的季节项输出信息、余项输入信息为上一个编码层的余项输出信息以及趋势项输入信息为上一个编码层的趋势项输出信息。6.如权利要求1所述的基于深度学习的电力预测方法，其特征在于，所述将所述时序序列数据输入所述电力预测模型的第一频率拆解模块进行频率拆解处理，获得趋势信息以及第二季节信息的步骤包括：通过所述第一频率拆解模块对所述时序序列数据进行快速傅里叶变换，以获得所述时序序列数据对应的频域数据；通过所述第一频率拆解模块的傅里叶分解模块对所述频域数据进行分解处理，以获得所述频域数据对应的低频分量以及高频分量；通过所述第一频率拆解模块对所述低频分量进行快速傅里叶反变换以获得所述趋势信息，通过所述第一频率拆解模块对所述高频分量进行快速傅里叶反变换以获得所述第二
季节信息。7.如权利要求1所述的基于深度学习的电力预测方法，其特征在于，所述将所述目标趋势信息输入所述电力预测模型的趋势模块进行处理，以获得趋势预测信息的步骤包括：通过所述趋势模块对所述目标趋势信息进行线性变换，以获得线性变换后的趋势信息；将所述目标趋势信息的时间序列长度对应的时间向量以及线性变换后的趋势信息，输入所述趋势模块的趋势函数进行拟合处理，以获得所述趋势预测信息。8.如权利要求1至7任一项所述的基于深度学习的电力预测方法，其特征在于，所述通过所述电力预测模型基于所述目标季节信息以及所述趋势预测信息，确定电力预测结果的步骤包括：通过所述电力预测模型分别对所述目标季节信息以及所述趋势预测信息进行切片操作，以获得预测季节项序列以及预测趋势项序列；通过所述电力预测模型基于所述预测季节项序列以及预测趋势项序列，确定所述电力预测结果。9.一种基于深度学习的电力预测装置，其特征在于，所述基于深度学习的电力预测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度学习的电力预测程序，所述基于深度学习的电力预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于深度学习的电力预测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于深度学习的电力预测程序，所述基于深度学习的电力预测程序被处理器执行时实现如权利要求1至8中任一项所述的基于深度学习的电力预测方法的步骤。

技术总结
本发明公开了一种基于深度学习的电力预测方法、装置及存储介质，其中，方法包括：将时序序列数据输入电力预测模型的编码器，以获得第一季节信息；将时序序列数据输入第一频率拆解模块，获得趋势信息以及第二季节信息；将第一季节信息、趋势信息以及第二季节信息输入解码器，以获得目标季节信息以及目标趋势信息；将目标趋势信息输入电力预测模型的趋势模块，以获得趋势预测信息；基于目标季节信息以及趋势预测信息，确定电力预测结果。本发明通过注意力机制的第一季节模块以及第二季节模块筛选重要的频域傅里叶分量，能够减少携带重要信息的傅里叶分量被丢弃所造成的信息缺失，提升了模型预测的精度，提高了电力预测的准确性。提高了电力预测的准确性。提高了电力预测的准确性。


技术研发人员：王浩 宋晓宝 陈作胜 邓力玮 张耀安
受保护的技术使用者：深圳大学
技术研发日：2023.06.12
技术公布日：2023/7/12