本发明涉及自然语言处理，尤其涉及一种基于多视角时间特征的短期电力负荷预测方法。
背景技术：
1、本专利提出了一种基于多视角时间特征的短期电力负荷预测方法，旨在应对电力行业发展和规划中的挑战。该方法通过对历史电力负荷数据进行特征提取，并将电力负荷分为分钟、小时和天三个时间视角进行分析。针对不同时间视角，采用了适应性的神经网络模型进行特征提取。在分钟负荷值的预测中，利用长短期记忆网络(lstm)提取连续性和序列相关性特征；对于小时负荷值，采用卷积神经网络(cnn)提取周期性和规律性特征；而天负荷值则通过多层感知机(mlp)提取全局性特征。此外，引入了多视角特征合并模块，利用不同时间尺度上的信息来提高分钟负荷值的预测准确性。该方法在短期电力负荷数据集上表现出较好的预测性能。本专利的技术方案在短期电力负荷预测领域具有广阔的应用前景和商业价值。通过提高预测准确性和可靠性，可以帮助电力行业更好地应对挑战，优化电力系统运行，并提供准确的负荷预测信息，以实现经济效益的最大化。此外，该方法还可以为能源规划、电力市场交易等领域提供支持，为决策者提供可靠的数据和参考依据，促进电力行业的可持续发展。
技术实现思路
1、鉴于上述现有存在的问题，提出了本发明。
2、因此，本发明提供了一种基于多视角时间特征的短期电力负荷预测方法，以用于外部因素特征难以提取情况下的短期电力负荷预测问题，本发明在短期电力预测取得了较好的效果。
3、为解决上述技术问题，本发明提供如下技术方案，一种基于多视角时间特征的短期电力负荷预测方法，包括：
4、通过lstm网络提取并计算分钟电力负荷值的特征表示；通过cnn网络提取并计算小时电力负荷值的特征表示；通过mmp网络提取并计算天电力负荷值的特征表示；通过多视角特征合并模块合并分钟电力负荷、小时电力负荷、天电力负荷的特征得到融合特征并使用融合特征预测未来负荷值。
5、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述计算分钟电力负荷值的特征表示包括，构建一个用于训练短期电力负荷预测模型的数据集，对于电力负荷预测数据，将按照时间维度进行划分，即将数据划分为分钟负荷值、小时负荷值和天负荷值，对于每个时间维度，将计算当前时间段内负荷值的平均值，并作为相应时间维度的数据点。
6、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述计算分钟电力负荷值的特征表示包括，使用lstm的三个控制门建模对电力负荷序列进行建模：
7、it＝sigma(wi·[ht-1,yt-1]+bi)
8、ft＝sigma(wf·[ht-1,yt-1]+bf)
9、ot＝sigma(wo·[ht-1,yt-1]+bo)
10、其中，w和b表示lstm的不同门的可训练参数，yt-1表示上一个时刻的电力负荷值，ht-1表示上一时刻的电力负荷特征向量；为了增加lstm的记忆力，使用记忆机制包括，长记忆和短记忆：
11、
12、ht＝ot×tanh(ct)
13、其中，c表示遗忘权重，ht表示yt的表示特征。
14、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述计算小时电力负荷值的特征表示包括，使用两层cnn网络对小时视角的电力负荷特征进行提取，其过程可表示为
15、h1＝relu(wcxd+bc)
16、h2＝maxpool(h1)
17、h3＝relu(wc2h2+bc2)
18、h4＝maxpool(h3)
19、h5＝flatten(h4)
20、ho＝relu(wfh5+bf)
21、其中，xd表示输入数据，wc和bc是第一个卷积层的卷积核权重和偏置，wc2和bc2是第二个卷积层的卷积核权重和偏置，wf和bf是全连接层的权重和偏置。
22、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述计算天电力负荷值的特征表示包括，
23、通过使用多个隐藏层，能够提取出更高维度的天电力负荷值特征，并且能够保留更完整的特征信息的模型表示为以下公式：
24、f(x)＝σ(w3σ(w2σ(w1x+b1)+b2)+b2)
25、其中，x是输入的天负荷数据wi和bi分别是第i层的权重矩阵和偏置向量，σ(·)是激活函数。
26、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述融合不同时间尺度的负荷数据包括，对于每个时刻t，分别考虑当前时刻的小时级别数据和天级别数据，以及当前时刻的分钟级别电力负荷特征，将小时级别和天级别数据与分钟级别负荷特征相结合，以提高对当前时刻分钟级别负荷值的预测。
27、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述融合不同时间尺度的负荷数据还包括，对于分钟和小时特征融合器，其具体方法为：
28、
29、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述融合不同时间尺度的负荷数据还包括，对于分钟和天的特征融合器，具体方法为：
30、
31、其中，为特征的维度。
32、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述融合不同时间尺度的负荷数据还包括，使用合并模块来计算小时级别和分钟级别负荷数据之间的关系，并将关系与天级别负荷数据相结合，将小时级别和分钟级别负荷数据拼接在一起，形成一个新的特征向量使用一个神经网络来学习小时级别和分钟级别负荷数据之间的非线性关系，并将关系应用于天级别负荷数据：
33、
34、得到新的特征向量用作分钟级别负荷值的预测。
35、作为本发明所述的基于多视角时间特征的短期电力负荷预测方法的一种优选方案，其中：所述融合不同时间尺度的负荷数据还包括，使用已知历史负荷值和其他相关特征得到融合向量，然后使用该模型来进行未来负荷值的预测。其过程为：
36、
37、其中w为模型参数，为t时刻的预测特征。
38、本发明的有益效果：本发明短期电力负荷预测中外部因素特征难以提取的问题，使用不同时间维度负荷特征来间接提取外部因素；本发明针对不同时间维度电力负荷特征的特点，使用了适应的神经网络来提取特征；本发明提出一种多时间角度电力负荷特征的融合方法，充分的融合了不同时间维度的特征，提高电力负荷的性能。
1.一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：包括，
2.如权利要求1所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述计算分钟电力负荷值的特征表示包括，构建一个用于训练短期电力负荷预测模型的数据集，对于电力负荷预测数据，将按照时间维度进行划分，将数据划分为分钟负荷值、小时负荷值和天负荷值，对于每个时间维度，将计算当前时间段内负荷值的平均值，并作为相应时间维度的数据点。
3.如权利要求2所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述计算分钟电力负荷值的特征表示包括，使用lstm的三个控制门建模对电力负荷序列进行建模：
4.如权利要求3所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述计算小时电力负荷值的特征表示包括，使用两层cnn网络对小时视角的电力负荷特征进行提取，其过程可表示为
5.如权利要求4所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述计算天电力负荷值的特征表示包括，
6.如权利要求5所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述融合不同时间尺度的负荷数据包括，对于每个时刻t，分别考虑当前时刻的小时级别数据和天级别数据，以及当前时刻的分钟级别电力负荷特征，将小时级别和天级别数据与分钟级别负荷特征相结合，以提高对当前时刻分钟级别负荷值的预测。
7.如权利要求6所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述融合不同时间尺度的负荷数据还包括，对于分钟和小时特征融合器，其具体方法为：
8.如权利要求7所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述融合不同时间尺度的负荷数据还包括，对于分钟和天的特征融合器，具体方法为：
9.如权利要求8所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述融合不同时间尺度的负荷数据还包括，使用合并模块来计算小时级别和分钟级别负荷数据之间的关系，并将关系与天级别负荷数据相结合，将小时级别和分钟级别负荷数据拼接在一起，形成一个新的特征向量使用一个神经网络来学习小时级别和分钟级别负荷数据之间的非线性关系，并将关系应用于天级别负荷数据：
10.如权利要求9所述的一种基于多视角时间特征的短期电力负荷预测方法，其特征在于：所述融合不同时间尺度的负荷数据还包括，使用已知历史负荷值和相关特征得到融合向量，然后使用模型来进行未来负荷值的预测。其过程为：
