[发明专利]一种短期电力负荷预测方法、装置、设备和介质

权利要求书

1.一种短期电力负荷预测方法，其特征在于，包括：

获取电力系统的电力负荷序列，并将电力负荷序列作为训练样本的输入序列和目标输出；

构建负荷预测模型，其中负荷预测模型包括图卷积神经网络模块、时序卷积神经网络模块以及全连接层；

将时序卷积神经网络模块和图卷积神经网络模块的权重参数初始化后，将输入序列输入至负荷预测模型中计算预测的电力负荷值；

通过目标函数计算预测的电力负荷值与目标输出的误差；

分别计算图卷积神经网络模块和时序卷积神经网络模块中的权重参数与误差的梯度，通过梯度分别更新图卷积神经网络模块和时序卷积神经网络模块的权重参数来对负荷预测模型进行训练；

将电力负荷数据输入至训练完成的负荷预测模型中，输出下一时刻的电力负荷的预测结果。

2.根据权利要求1所述的方法，其特征在于，获取电力系统的电力负荷序列，包括：

采集各个时刻对应的电力负荷值，依据各个时刻对应的电力负荷值生成时间序列长度为t的电力负荷序列。

3.根据权利要求1所述的方法，其特征在于，将输入序列输入至负荷预测模型中计算预测的电力负荷值，具体为：

对电力负荷序列进行特征分解，得到特征矩阵，其中所述特征矩阵包括负荷子序列和残差序列，采用经验模态分解模型对电力负荷序列进行特征分解，得到包括至少一个负荷子序列和至少一个残差序列的特征矩阵；

将所述负荷子序列和残差序列连接成节点特征矩阵作为预置图卷积神经网络的节点特征；

利用注意力头生成图卷积神经网络节点在t时刻的图权重矩阵；

根据所述图权重矩阵计算图卷积神经网络节点在t时刻的嵌入；

采用平均池化融合节点在t时刻的嵌入，得到负荷序列值；

将所述负荷序列值输入至时序卷积神经网络的输入层中，并在时序卷积神经网络的输出层连接一个全连接层以输出t+1时刻的电力负荷值。

4.根据权利要求3所述的方法，其特征在于，将所述负荷子序列和残差序列连接成节点特征矩阵作为预置图卷积神经网络的节点特征，具体为：

将同一时刻的负荷子序列和残差序列连接成节点特征矩阵作为预置图卷积神经网络的节点特征。

5.根据权利要求3所述的方法，其特征在于，利用注意力头生成图卷积神经网络节点在t时刻的图权重矩阵，具体为：

通过注意力头为图卷积神经网络的每个节点生成图权重矩阵，图权重矩阵计算式为：其中，N表示节点特征的维度，W₁^p和分别表示注意力头中的两个不同的传递矩阵，t表示时间序列的长度，V_t表示t时刻图卷积神经网络的节点特征，P表示注意力头的个数，Softmax函数表示将输入值转换到区间[0,1]的值。

6.根据权利要求3所述的方法，其特征在于，根据所述图权重矩阵计算图卷积神经网络节点在t时刻的嵌入的计算式为：其中，W_t^p表示第t时刻的权重矩阵，是第t时刻的偏差，ReLU是激活函数，表示节点在t时刻时P个注意力头计算的嵌入。

7.根据权利要求3所述的方法，其特征在于，将所述负荷序列值输入至时序卷积神经网络的输入层中，并在时序卷积神经网络的输出层连接一个全连接层以输出t+1时刻的电力负荷值，具体为：

在所述时序卷积神经网络的扩张卷积层中执行扩张卷积操作，通过激活函数将扩张卷积层的输入映射到残差块上，添加权重和偏差，输出激活值；其中时序卷积神经网络模块包含多个残差块，每个残差块包含两个扩张卷积层；

将时刻t的最后一个残差块的输出连接到一个全连接层以输出时刻t+1的电力负荷预测结果，表示为:其中，O和g分别表示全连接层的权重矩阵和偏置，σ表示sigmoid函数，被用作激活函数，表示t时刻第b块残差块的第l层的激活值。