[发明专利]基于多元时间序列的电力负荷预测方法、装置及相关组件

说明书

本发明公开了基于多元时间序列的电力负荷预测方法、装置及相关组件，该方法包括获取电力负荷预测过程中的时序原始数据并进行预处理得到时序样本数据；构建时序样本数据的变量之间的图结构，根据图结构获取每个变量的空间向量表达，根据每个变量的空间向量表达构建第一特征矩阵；将第一特征矩阵与时序样本数据进行特征融合，得到第二特征矩阵；对第二特征矩阵进行特提取得到新的特征序列并进行归一化操作，再进行全连接操作，从而构建得到时序预测模型，并利用时序预测模型输出预测值。本发明通过引入了时序数据的结构信息，并对时序数据时空特征进行充分提取，在电力负荷预测领域中具有提升预测精度的优点。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种基于多元时间序列的电力负荷预测方法、装置及相关组件。

背景技术

随着社会的进步以及大数据技术的发展，产生了大量具有时空特性的时序数据，这些数据大多以多元特征的形式出现，普遍存在于各个领域，比如电力负荷预测领域。

传统的时间序列预测方法在电力负荷预测领域的应用中，通过自回归模型(AR，MA，ARIMA，SARIMAX等)对时间序列的长期依赖性进行提取，在平稳、线性的条件下具有较好的预测结果，但对非线性的时序数据建模效果不理想，除此之外，该类模型也难以对多元数据进行建模，忽略了多元序列的空间相关性。而基于机器学习的预测模型(支持向量回归(SVR)，多元回归，决策回归树等)能对多元特征的空间依赖性进行提取，在一定程度提升了预测的精度，但是却忽略了时间序列的时间依赖性特征。

现有对电力负荷预测的技术中，较为常用的是基于深度学习的时间序列预测方法，该类方法不仅能够对时间序列数据所蕴含的时空特征进行充分挖掘，还能在处理大样本数据时，展示其独特的优越性。但是也存在着一定的缺陷。比如长短期记忆模型循环神经网络LSTM、门控循环单元GRU等循环神经网络模型就更加关注于时序数据的时间依赖性，难以对空间特征进行捕捉。因此近年来，就有不少研究学者将注意力机制引入到时间序列预测中，用于对时序数据的空间依赖特征进行提取，虽改善了LSTM、GRU等循环神经网络空间依赖问题，但是却忽略了时序数据所隐含的结构信息。

发明内容

本发明的目的是提供一种基于多元时间序列的电力负荷预测方法、装置及相关组件，旨在解决现有技术采用的时间序列预测方法在电力负荷预测领域的预测精度还有待提高的问题。

第一方面，本发明实施例提供了一种基于多元时间序列的电力负荷预测方法，其包括：

获取电力负荷预测过程中的时序原始数据；

对所述时序原始数据进行预处理并得到时序样本数据；

构建所述时序样本数据的变量之间的图结构，根据所述图结构获取每个变量的空间向量表达，根据每个变量的空间向量表达构建第一特征矩阵；

将所述第一特征矩阵与所述时序样本数据进行特征融合，得到第二特征矩阵；

对所述第二特征矩阵进行编码并输出待解码序列，对所述待解码序列进行解码得到新的特征序列；

对新的特征序列进行归一化操作，并将归一化操作后的数据进行全连接，构建得到时序预测模型，并利用所述时序预测模型输出预测值。

第二方面，本发明实施例提供了一种基于多元时间序列的电力负荷预测装置，其包括：

获取单元，用于获取电力负荷预测过程中的时序原始数据；

预处理单元，用于对所述时序原始数据进行预处理并得到时序样本数据；

构建单元，用于构建所述时序样本数据的变量之间的图结构，根据所述图结构获取每个变量的空间向量表达，根据每个变量的空间向量表达构建第一特征矩阵；

融合单元，用于将所述第一特征矩阵与所述时序样本数据进行特征融合，得到第二特征矩阵；