本发明涉及电力系统负荷预测，具体涉及基于深度学习电力负荷预测方法。
背景技术：
1、随着电力系统不断发展，电力系统对社会的经济发展也越来越重要。随着电网技术的不断进步和经济社会对电力需求的增加，目前电力能源服务已经覆盖诸多领域。在此背景下，电网系统的正常运行十分重要，而电力需求预测对于电网系统的运行有着重要的意义，电网系统的复杂性与多变性决定了对电力负荷预测需要有较强的自适应与较高的准确性，目前主流的电力负荷预测方法是基于深度学习的方法，通过选择、优化模型及调整参数以获得更好的电力负荷预测结果。现有技术中可通过负荷预测系统实现电力数据的负荷预测功能。
2、针对现有技术存在一下问题：
3、现有的预测方法不能够根据周围环境的实际情况，如温度、湿度、节假日等特征预测未来的电力负荷，预测的准确度较低，因此提出基于深度学习电力负荷预测方法。
技术实现思路
1、本发明的目的在于提供基于深度学习电力负荷预测方法，以解决上述背景技术中提出的问题。
2、为解决上述技术问题，本发明所采用的技术方案是：
3、基于深度学习电力负荷预测方法，该基于深度学习电力负荷预测方法，包括以下步骤：
4、步骤s1，数据预处理：
5、步骤s101：收集历史电力的负荷数据组成的数据集，并进行数据清洗，去除异常值和噪声，每个数据集样本包括是否为节假日、外界环境温度值、湿度值、当天电力负荷值及未来三天电力平均负荷值五个指标；
6、步骤s102：对数据集进行归一化处理，使数据集的取值范围统一，以提高模型的训练效果；
7、步骤s2，模型训练：
8、步骤s201：将预处理后的数据集输入到autoformer模型中进行训练，autoformer模型包含编码器和解码器两个部分，编码器负责提取输入序列中的特征，解码器则根据这些特征进行未来负荷的预测；
9、步骤s202：在训练过程中，使用滑动窗口方法生成训练样本，使模型能够捕捉到时间序列中的长期依赖关系；
10、步骤s3，负荷预测：
11、步骤s301：将最新的电力负荷数据输入到训练好的模型中，预测未来一段时间的电力负荷情况；
12、步骤s302：对预测结果进行反归一化处理，得到实际负荷值。
13、作为本技术方案的进一步改进方案：所述步骤s201中：利用所述数据集对autoformer模型进行训练时，其中autoformer模型以经过预处理后的是否为节假日、外界环境温度值、湿度值、当天电力负荷值四个指标作为输入，以未来三天电力平均负荷值作为输出。
14、作为本技术方案的进一步改进方案：所述步骤s201中：将预处理后的数据分为训练集和验证集，利用训练集输入到autoformer模型中进行训练后，并利用验证集评估autoformer模型的表现精度。
15、作为本技术方案的进一步改进方案：数据集中是否为节假日，是输入值为1，否输入值为0。
16、作为本技术方案的进一步改进方案：针对需要预测未来一段时间的电力负荷情况，首先测定当天是否为节假日、当天外界环境温度值、湿度值、当天电力负荷值四个指标，将其标准化后输入所述autoformer模型中，得到未来三天电力平均负荷值的预测结果。
17、作为本技术方案的进一步改进方案：所述编码器中引入改进的序列分解块，使得autoformer模型能够更好地提取时间序列中的长期趋势和周期性特征。
18、作为本技术方案的进一步改进方案：通过滑动窗口方法生成多个训练样本，增强了模型对时间序列中长期依赖关系的学习能力。
19、作为本技术方案的进一步改进方案：还包括预测报警模块，预测报警模块用于预测未来三天电力平均负荷值数据超过预期负荷时，进行及时报警，发出提示信号。
20、由于采用了上述技术方案，本发明相对现有技术来说，取得的技术进步是：
21、本发明提供了一种基于深度学习的电力负荷预测方法，采用了改进的autoformer模型。通过对历史负荷数据的分析和建模，实现了对未来电力负荷的准确预测，有效提升了电力系统的运行效率和稳定性。
1.基于深度学习电力负荷预测方法，其特征在于：该基于深度学习电力负荷预测方法，包括以下步骤：
2.根据权利要求1所述的基于深度学习电力负荷预测方法，其特征在于：所述步骤s201中：利用所述数据集对autoformer模型进行训练时，其中autoformer模型以经过预处理后的是否为节假日、外界环境温度值、湿度值、当天电力负荷值四个指标作为输入，以未来三天电力平均负荷值作为输出。
3.根据权利要求2所述的基于深度学习电力负荷预测方法，其特征在于：所述步骤s201中：将预处理后的数据分为训练集和验证集，利用训练集输入到autoformer模型中进行训练后，并利用验证集评估autoformer模型的表现精度。
4.根据权利要求3所述的基于深度学习电力负荷预测方法，其特征在于：数据集中是否为节假日，是输入值为1，否输入值为0。
5.根据权利要求4所述的基于深度学习电力负荷预测方法，其特征在于：所述步骤s301中：针对需要预测未来一段时间的电力负荷情况，首先测定当天是否为节假日、当天外界环境温度值、湿度值、当天电力负荷值四个指标，将其标准化后输入所述autoformer模型中，得到未来三天电力平均负荷值的预测结果。
6.根据权利要求5所述的基于深度学习电力负荷预测方法，其特征在于：所述编码器中引入改进的序列分解块，使得autoformer模型能够更好地提取时间序列中的长期趋势和周期性特征。
7.根据权利要求6所述的基于深度学习电力负荷预测方法，其特征在于：通过滑动窗口方法生成多个训练样本，增强了模型对时间序列中长期依赖关系的学习能力。
8.根据权利要求7所述的基于深度学习电力负荷预测方法，其特征在于：还包括预测报警模块，预测报警模块用于预测未来三天电力平均负荷值数据超过预期负荷时，进行及时报警，发出提示信号。
