[发明专利]一种基于分布注意力的电力能耗长期控制方法

说明书

本发明公开了一种基于分布注意力的电力能耗长期控制方法，包括：构建电力能耗长期预测网络结构，网络结构由编码器部分和解码器部分组成；训练数据经N层编码器训练注意力参数，测试与验证数据经N层解码器得到解码结果，解码结果会经过全连接层与softmax层得到最后的预测结果；将预测结果与用户行为模式进行匹配，获取用户的未来状态，进而调整供电的路径与电量；根据预测曲线的波形进行供电的削峰填谷。基于本发明的长期预测结果调整供电的路径与电量，防止供电不足或电力过量囤积的情况出现；根据预测曲线的波形进行供电的削峰填谷，可以使电路稳定供电，减少设备电路老化的同时提高供电的安全性。

技术领域

本发明涉及电力能耗领域，尤其涉及一种基于分布注意力的电力能耗长期控制方法。

背景技术

电力能耗预测具有广泛的应用和研究价值，具体表现为以下几个方面：(1)用于设备运行状况的感知与预警，便于系统设备更换与调度。例如：通过预测老旧设备的运行寿命制定修理与更换方案，减少设备停工与闲置带来的损失。(2)用于预测客户电力需求，有助于及时供电与调度。(3)用于新型设备的稳定性评估预测，可以发现新设备中存在的漏洞与风险。(4)用于在保持关键信息的前提下进行数据压缩和传输。这在智能电网项目中对大规模采集电力数据并高效传输具有重要的价值。(5)用于用户肖像刻画与用电用户数据库检索研究。通过建立不同类型用户的用电习惯数据库，可以对用户进行语义学意义上的存取与查找。

由于电力能耗预测的结果后续会用于电网系统的决策，而系统的决策具有时效性，即需要在一定时间内做出正确判断，同时越是准确的决策系统需要计算的时间越长，因此需要在一定时间内预测更久的数据，这就是电力能耗预测的长期稳定预测问题。

在长期预测过程中，需要通过历史数据来预测短期未来数据，再通过短期未来数据预测长期未来数据。在这一过程中预测的误差会逐渐积累，导致需要预测的数据越远，得到的正确率越低。另一方面，用户行为的改变可能导致数据分布逐渐偏移，如果不能捕获数据分布偏移的方向不但会使预测的准确率逐渐降低，还会因为误判用户状态进而影响控制决策。

电力能耗数据记录用户在不同时间的用电情况，其数据序列具有明显的周期性和长期趋势性特征。具体表现上，根据用电用户类型的不同，数据序列可能以天、周、月、年等时间尺度形成周期，如日低晚高、春秋低夏冬高等；又会因为外部环境、用户行为习惯等原因形成分布变化，如住宅人员流动、工厂设备更换等。因此电力能耗预测面临着数据分布存在变化、长期预测精度低的问题。而准确的预测是电力均衡供给的前提，高需低供将导致用户无电可用，低需高供会使得电能囤积耗散、造成浪费。

现有电力能耗预测技术分为传统统计技术和深度学习技术。传统统计技术认为数据处于某一稳定分布，它对于数据的分布变化不敏感。当用户行为改变导致数据分布变化，传统统计技术会认为此刻出现了异常值，并仍然依赖旧有分布预测未来值，因此传统方法无法通过长期预测判断用户状态改变、电路突发故障等问题。深度学习方法在数据样本中学习规律，当数据分布发生变化时，深度学习方法会更新自身内部的参数与状态来适应这种变化，而后续预测都会基于这种变化后的状态，导致预测的数据的分布难以恢复平稳，逐渐偏离正常；将导致电网配电与需求不匹配，使得用户断电或造成电力浪费；也会使得供电削峰填谷、用户行为预测等一些进阶性工作难以展开。

发明内容

本发明提供了一种基于分布注意力的电力能耗长期控制方法，本发明针对长期稳定预测问题，设计一个新颖的基于深度学习的网络模型，描述了一个基于分布注意力机制和时空注意力的深度网络结构(Multi-Source Long Term,MSLT)，该模型充分利用Transformer的矩阵并行运算的速度优势，融合了电力能耗数据的时间上下文信息以及数据的分布统计信息，解决该领域的长期预测精度低、效果不稳定的问题，进而维护了电网的安全性，详见下文描述：

一种基于分布注意力的电力能耗长期控制方法，所述方法包括：

构建电力能耗长期预测网络结构，所述网络结构由编码器部分和解码器部分组成；