本發(fā)明涉及電力，特別是基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、當(dāng)前，電力負(fù)載預(yù)測(cè)是電力系統(tǒng)規(guī)劃和運(yùn)行的重要基礎(chǔ)，對(duì)電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行具有重要意義，傳統(tǒng)的電力負(fù)載預(yù)測(cè)方法主要包括回歸分析法、時(shí)間序列法、人工神經(jīng)網(wǎng)絡(luò)法等。這些方法在一定程度上可以滿(mǎn)足電力負(fù)載預(yù)測(cè)的需求，但是，預(yù)測(cè)精度不夠高，難以充分捕捉電力負(fù)載數(shù)據(jù)的非線(xiàn)性特征和時(shí)變特性，導(dǎo)致預(yù)測(cè)精度不夠理想，特別是對(duì)于短期負(fù)載和波動(dòng)較大的負(fù)載預(yù)測(cè)效果較差。

2、針對(duì)現(xiàn)有電力負(fù)載預(yù)測(cè)技術(shù)中存在的問(wèn)題，本專(zhuān)利提出了一種基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)模型，旨在提高電力負(fù)載預(yù)測(cè)的精度，特別是對(duì)于短期負(fù)載和波動(dòng)較大的負(fù)載預(yù)測(cè)，增強(qiáng)預(yù)測(cè)模型的泛化能力，使其能夠適應(yīng)不同的負(fù)載模式和異常情況。

技術(shù)實(shí)現(xiàn)思路

1、鑒于現(xiàn)有的基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法及系統(tǒng)中存在的問(wèn)題，提出了本發(fā)明。

2、因此，本發(fā)明針對(duì)現(xiàn)有電力負(fù)載預(yù)測(cè)技術(shù)中存在的問(wèn)題，本發(fā)明采用基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法，其包括，收集歷史電力負(fù)載數(shù)據(jù)，所述歷史電力負(fù)載數(shù)據(jù)包括分時(shí)段電力負(fù)載值、溫度以及濕度氣象數(shù)據(jù)、節(jié)假日信息經(jīng)濟(jì)指標(biāo)以及用電戶(hù)類(lèi)型分布，將收集的歷史電力負(fù)載數(shù)據(jù)進(jìn)行清洗；采用時(shí)間序列插值方法對(duì)清洗后的歷史電力負(fù)載數(shù)據(jù)進(jìn)行線(xiàn)性插值，對(duì)線(xiàn)性插值進(jìn)行標(biāo)準(zhǔn)化處理，完成線(xiàn)性插值的模型魯棒性，設(shè)計(jì)用于處理時(shí)間序列數(shù)據(jù)的學(xué)習(xí)架構(gòu)，利用判別器并采用條件變分自編碼器結(jié)構(gòu)進(jìn)行數(shù)據(jù)分布；對(duì)分布后的數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)生成器和判別器參數(shù)進(jìn)行評(píng)估，完成對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)。

5、作為本發(fā)明所述基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述將收集的歷史電力負(fù)載數(shù)據(jù)進(jìn)行清洗包括對(duì)異常值檢測(cè)進(jìn)行處理，使用z-score方法檢測(cè)異常值，所述z-score方法包括異常值檢測(cè)技術(shù)，基于數(shù)據(jù)的均值和標(biāo)準(zhǔn)差識(shí)別異常值，z-score的計(jì)算公式如下：

6、

7、其中，x是數(shù)據(jù)點(diǎn)的值；μ是數(shù)據(jù)集的平均值；σ是數(shù)據(jù)集的標(biāo)準(zhǔn)差；

8、將|z|≥3的數(shù)據(jù)點(diǎn)視為潛在的異常值，當(dāng)數(shù)據(jù)點(diǎn)距離均值超過(guò)了3個(gè)標(biāo)準(zhǔn)差時(shí)，對(duì)異常值進(jìn)行局部回歸平滑處理，所述局部回歸平滑處理的具體步驟如下：

9、對(duì)于每個(gè)數(shù)據(jù)點(diǎn)，選擇局部鄰域，在鄰域內(nèi)擬合加權(quán)最小二乘回歸，使用擬合的回歸模型預(yù)測(cè)當(dāng)前點(diǎn)的值，預(yù)測(cè)值替換原始的異常值。

10、作為本發(fā)明所述基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述采用時(shí)間序列插值方法對(duì)清洗后的歷史電力負(fù)載數(shù)據(jù)進(jìn)行線(xiàn)性插值包括在兩個(gè)已知數(shù)據(jù)點(diǎn)之間畫(huà)一條直線(xiàn)，并使用這條直線(xiàn)來(lái)估計(jì)中間的缺失值，線(xiàn)性插值步驟如下：

11、當(dāng)有兩個(gè)已知的時(shí)間點(diǎn)和對(duì)應(yīng)的數(shù)據(jù)值：(t1,y1)和(t2,y2)時(shí)，估計(jì)時(shí)間t處的值y,其中t1≤t≤t2；

12、

13、對(duì)各類(lèi)數(shù)據(jù)進(jìn)行最小-最大標(biāo)準(zhǔn)化處理，將數(shù)值范圍統(tǒng)一到[0,1]區(qū)間，最小-最大標(biāo)準(zhǔn)化的公式如下：

14、

15、其中，x是原始數(shù)據(jù)點(diǎn)的值，xmin是數(shù)據(jù)集中的最小值，xmax是數(shù)據(jù)集中的最大值，xnorm是標(biāo)準(zhǔn)化后的數(shù)據(jù)點(diǎn)的值。

16、作為本發(fā)明所述基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述對(duì)生成器和判別器參數(shù)進(jìn)行評(píng)估包括評(píng)估輸入層和多尺度卷積塊，所述輸入層包括接收標(biāo)準(zhǔn)化后的多維時(shí)間序列數(shù)據(jù)，將不同尺度的特征轉(zhuǎn)換到相同的范圍內(nèi)，所述多尺度卷積塊包括使用不同大小的卷積核捕捉不同時(shí)間尺度的特征，使用卷積核大小為1,3,5,7的一維卷積層，捕捉不同時(shí)間尺度的特征，采用歸一化和relu激活函數(shù)，將不同尺度的特征進(jìn)行拼接；

17、relu函數(shù)的公式如下：

18、relu(x)＝max(0,x)

19、其中，當(dāng)輸入x是正數(shù)，relu函數(shù)輸出x，當(dāng)x是負(fù)數(shù)，relu函數(shù)輸出0；

20、所述多尺度卷積塊包括殘差連接、膨脹卷積層、注意力機(jī)制以及輸出層；

21、所述殘差連接包括將多尺度卷積塊的輸入和輸出之間添加殘差連接，通過(guò)引入新的網(wǎng)絡(luò)架構(gòu)單元—?dú)埐顗K解決梯度消失問(wèn)題，將在多尺度卷積塊的輸入和輸出之間添加殘差連接，即公式表示為：

22、xout＝xin+f(xin)

23、其中，xin是殘差塊的輸入，f(xin)是殘差塊內(nèi)部的一系列操作，xout是殘差塊的輸出。

24、作為本發(fā)明所述基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述膨脹卷積層包括使用膨脹率逐層遞增的膨脹卷積，通過(guò)在卷積核中引入空洞擴(kuò)大卷積核的感受野，計(jì)算參數(shù)數(shù)量；

25、所述注意力機(jī)制包括在多尺度卷積塊之間添加自注意力層，對(duì)重要特征的關(guān)注，自注意力機(jī)制計(jì)算序列中每個(gè)位置與所有其他位置的關(guān)聯(lián)度；所述自注意力機(jī)制計(jì)算的公式為：

26、

27、其中，q是查詢(xún)矩陣，k是鍵矩陣，v是值矩陣，dk是鍵向量的維度用于縮放點(diǎn)積；

28、所述輸出層包括全連接層，輸出預(yù)測(cè)的負(fù)載值。

29、作為本發(fā)明所述基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述對(duì)分布后的數(shù)據(jù)進(jìn)行訓(xùn)練包括收集并計(jì)算電力負(fù)載數(shù)據(jù)，具體計(jì)算公式為：

30、lw＝ex～p[f(x)]-ez～q[f(g(z))]

31、其中，f(x)是判別器，g(z)是生成器，z是從先驗(yàn)噪聲分布中采樣的噪聲。

32、作為本發(fā)明所述基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述完成對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)包括分析模型性能，確定是否滿(mǎn)足要求；

33、當(dāng)不滿(mǎn)足根據(jù)性能分析結(jié)果調(diào)整超參數(shù)時(shí)，則重復(fù)訓(xùn)練循環(huán)，直到模型性能滿(mǎn)意，完成訓(xùn)練過(guò)程。

34、第二方面，本發(fā)明實(shí)施例提供了基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)系統(tǒng)，其包括：

35、收集模塊，其收集歷史電力負(fù)載數(shù)據(jù)，所述歷史電力負(fù)載數(shù)據(jù)包括分時(shí)段電力負(fù)載值、溫度以及濕度氣象數(shù)據(jù)、節(jié)假日信息經(jīng)濟(jì)指標(biāo)以及用電戶(hù)類(lèi)型分布，將收集的歷史電力負(fù)載數(shù)據(jù)進(jìn)行清洗；

36、設(shè)計(jì)模塊，其采用時(shí)間序列插值方法對(duì)清洗后的歷史電力負(fù)載數(shù)據(jù)進(jìn)行線(xiàn)性插值，對(duì)線(xiàn)性插值進(jìn)行標(biāo)準(zhǔn)化處理，完成線(xiàn)性插值的模型魯棒性，設(shè)計(jì)用于處理時(shí)間序列數(shù)據(jù)的學(xué)習(xí)架構(gòu)，利用判別器并采用條件變分自編碼器結(jié)構(gòu)進(jìn)行數(shù)據(jù)分布；

37、預(yù)測(cè)模塊，其對(duì)分布后的數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)生成器和判別器參數(shù)進(jìn)行評(píng)估，完成對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)。

38、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的任一步驟。

39、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的基于生成式人工智能對(duì)抗網(wǎng)絡(luò)的電力負(fù)載預(yù)測(cè)方法的任一步驟。

40、本發(fā)明的有益效果為：本發(fā)明通過(guò)整合多種先進(jìn)技術(shù)，包括時(shí)間序列插值、z-score異常值檢測(cè)、多尺度卷積塊、殘差連接、膨脹卷積層和注意力機(jī)制等，顯著提升了電力負(fù)載預(yù)測(cè)的精度與可靠性，通過(guò)對(duì)歷史數(shù)據(jù)的深度清洗和線(xiàn)性插值處理，確保了輸入數(shù)據(jù)的質(zhì)量，減少了噪聲對(duì)模型訓(xùn)練的影響。其次，采用條件變分自編碼器結(jié)構(gòu)進(jìn)行數(shù)據(jù)分布學(xué)習(xí)，并結(jié)合生成對(duì)抗網(wǎng)絡(luò)優(yōu)化模型參數(shù)，不僅增強(qiáng)了模型魯棒性，還能模擬復(fù)雜的數(shù)據(jù)分布，提高了預(yù)測(cè)的準(zhǔn)確性，再者，引入多尺度卷積塊和注意力機(jī)制有效捕捉了不同時(shí)間尺度下的特征變化，特別是長(zhǎng)期依賴(lài)關(guān)系，使模型能夠更好地適應(yīng)電力負(fù)載的動(dòng)態(tài)特性。最后，該方案還具備靈活調(diào)整超參數(shù)的能力，可根據(jù)實(shí)際需求優(yōu)化模型性能，滿(mǎn)足不同場(chǎng)景下的預(yù)測(cè)要求，從而為電力系統(tǒng)的穩(wěn)定運(yùn)行提供了有力支持。此外，該技術(shù)方案的應(yīng)用有助于電力公司提前做好資源配置，減少能源浪費(fèi)，提高經(jīng)濟(jì)效益和社會(huì)效益。