本发明涉及电力负荷预测，具体而言，涉及一种基于台区画像的负荷预测方法及装置、电子设备。
背景技术：
1、配电变压器台区是电力系统中连接高压输电网络和低压用户网络的关键环节，它的作用在于将高压电能转换为适合家用和小型商业设施使用的低压电能。在电力系统中，台区不仅是电能分配的节点，更是数据收集和监控的中心，能够实时监测用户用电情况，收集大量用电数据。电力负荷预测是电力系统运行管理的核心部分，在电力调度、发电量计划安排、用电计划制定、电力需求管理和电力系统规划中具有重大意义，通过分析历史用电数据，预测未来某一时刻内的用电需求，电力公司可以提前调整发电计划，优化电力资源的分配，避免电力供需失衡，导致经济损失和环境损害。
2、相关技术中，现有的电力负荷预测策略通常为统计分析策略，统计分析策略包括时间序列分析策略和线性回归策略，时间序列分析策略通过分析历史负荷数据的模式和趋势来进行预测，线性回归策略基于历史负荷与影响因素之间的线性关系来进行预测，但这些策略难以捕捉到电力负荷数据中的复杂周期性变化特征。电力负荷数据受多种因素影响，包括天气条件、工作日与节假日、季节变化等，这些因素会影响电力负荷数据在不同的时间尺度上呈现出周期性变化特征。然而，由于统计分析策略的模型参数在所有时间点上均是恒定的，难以精确捕捉电力负荷数据中长期和短期的周期性变化特征，使得现有的电力负荷预测策略在电力负荷预测的精度和可靠性方面存在局限性。
3、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本发明实施例提供了一种基于台区画像的负荷预测方法及装置、电子设备，以至少解决相关技术中无法有效识别负荷数据的周期性特征，导致预测精度降低的技术问题。
2、根据本发明实施例的一个方面，提供了一种基于台区画像的负荷预测方法，包括：对采集的台区数据进行预处理，采用聚类算法将预处理后的台区数据划分为多个台区画像，提取每个台区画像的时间序列的负荷数据；将负荷数据输入目标神经网络中的输入层，并将所述输入层的输出序列输入所述目标神经网络中的位置编码层，在位置编码层进行位置编码处理，获得位置编码输出序列；将位置编码输出序列输入目标神经网络中的卷积层和长短期记忆层，获得特征数据，其中，长短期记忆层用于捕捉负荷数据的数据间依赖关系；将特征数据输入目标神经网络中的多头注意力层，对特征数据进行线性变换得到多个数据向量，计算多头注意力层中每个头的周期性位置编码，基于数据向量与周期性位置编码，获得多头注意力层的输出向量；将输出向量输入目标神经网络中的全连接层，对输出向量进行维度转化处理，获得负荷数据的预测结果。
3、可选地，对采集的台区数据进行预处理的步骤，包括：获取台区数据中的非数值型数据，其中，台区数据至少包括：台区容量、台区负荷、台区类别、天气条件以及地理位置信息；对非数值型数据进行数字化处理，其中，非数值型数据包括：台区类别、天气条件以及地理位置信息。
4、可选地，采用聚类算法对台区数据进行聚类处理，获得多个台区画像的步骤，包括：确定聚类算法的聚类数目；基于聚类数目，执行聚类算法，将台区数据划分为多个台区集群，每个台区集群对应一个台区画像。
5、可选地，将负荷数据输入目标神经网络中的输入层，并将输入层的输出序列输入目标神经网络中的位置编码层，在位置编码层进行位置编码处理的步骤，包括：将时间序列的负荷数据输入目标神经网络中的输入层，得到输出序列，其中，目标神经网络包括：输入层、位置编码层、卷积层、长短期记忆层、多头注意力层以及全连接层；将输出序列输入位置编码层，基于输出序列的长度和目标神经网络的层数，确定位置编码向量的维度；基于位置编码向量的维度，根据第一公式计算输出序列中每个位置的位置编码向量，第一公式为：
6、；
7、其中，为输出序列第个位置的位置编码向量中第个元素的位置编码，为位置编码向量的维度；组合输出序列和位置编码向量，获得位置编码输出序列。
8、可选地，对特征数据进行线性变换得到多个数据向量的步骤，包括：获取多头注意力层中每个头的权重矩阵，其中，权重矩阵包括：查询权重矩阵、键权重矩阵、值权重矩阵；将特征数据与权重矩阵相乘，得到数据向量，其中，数据向量包括：查询向量、键向量、值向量。
9、可选地，计算多头注意力层中每个头的周期性位置编码的步骤，包括：为多头注意力层中每个头定义不同的频率；基于第二公式，计算多头注意力层中每个头的周期性位置编码，第二公式为：
10、；
11、其中，为特征数据第个位置在第个头上的周期性位置编码，为第个头的频率，为特征数据的位置序号。
12、可选地，基于数据向量与周期性位置编码，获得多头注意力层的输出向量的步骤，包括：基于第三公式，计算多头注意力层中每个头的注意力得分，第三公式为：
13、；
14、其中，为第个头的注意力得分，为第个头的查询向量，为第个头的键向量，为键向量的维度，代表转置操作，为特征数据中所有位置在第个头上的周期性位置编码之和；对每个头的注意力得分进行归一化处理；采用注意力得分对值向量进行加权处理，得到每个头的上下文向量；将所有头的上下文向量进行拼接处理，得到多头注意力层的输出向量。
15、根据本发明实施例的另一方面，还提供了一种基于台区画像的负荷预测装置，包括：提取单元，用于对采集的台区数据进行预处理，采用聚类算法将预处理后的台区数据划分为多个台区画像，提取每个台区画像的时间序列的负荷数据；编码单元，用于将负荷数据输入目标神经网络中的输入层，并将所述输入层的输出序列输入所述目标神经网络中的位置编码层，在位置编码层进行位置编码处理，获得位置编码输出序列；捕捉单元，用于将位置编码输出序列输入目标神经网络中的卷积层和长短期记忆层，获得特征数据，其中，长短期记忆层用于捕捉负荷数据的数据间依赖关系；计算单元，用于将特征数据输入目标神经网络中的多头注意力层，对特征数据进行线性变换得到多个数据向量，计算多头注意力层中每个头的周期性位置编码，基于数据向量与周期性位置编码，获得多头注意力层的输出向量；转化单元，用于将输出向量输入目标神经网络中的全连接层，对输出向量进行维度转化处理，获得负荷数据的预测结果。
16、可选地，提取单元包括：第一获取模块，用于获取台区数据中的非数值型数据，其中，台区数据至少包括：台区容量、台区负荷、台区类别、天气条件以及地理位置信息；数字化模块，用于对非数值型数据进行数字化处理，其中，非数值型数据包括：台区类别、天气条件以及地理位置信息。
17、可选地，提取单元还包括：确定模块，用于确定聚类算法的聚类数目；执行模块，基于聚类数目，执行聚类算法，将台区数据划分为多个台区集群，每个台区集群对应一个台区画像。
18、可选地，编码单元包括：第一输入模块，用于将时间序列的负荷数据输入目标神经网络中的输入层，得到输出序列，其中，目标神经网络包括：输入层、位置编码层、卷积层、长短期记忆层、多头注意力层以及全连接层；第二输入模块，用于将输出序列输入位置编码层，基于输出序列的长度和目标神经网络的层数，确定位置编码向量的维度；第一计算模块，基于位置编码向量的维度，根据第一公式计算输出序列中每个位置的位置编码向量，第一公式为：
19、；
20、其中，为输出序列第个位置的位置编码向量中第个元素的位置编码，为位置编码向量的维度；组合模块，用于组合输出序列和位置编码向量，获得位置编码输出序列。
21、可选地，计算单元包括：第二获取模块，用于获取多头注意力层中每个头的权重矩阵，其中，权重矩阵包括：查询权重矩阵、键权重矩阵、值权重矩阵；第二计算模块，用于将特征数据与权重矩阵相乘，得到数据向量，其中，数据向量包括：查询向量、键向量、值向量。
22、可选地，计算单元还包括：定义模块，用于为多头注意力层中每个头定义不同的频率；第三计算模块，基于第二公式，计算多头注意力层中每个头的周期性位置编码，第二公式为：
23、；
24、其中，为特征数据第个位置在第个头上的周期性位置编码，为第个头的频率，为特征数据的位置序号。
25、可选地，计算单元还包括：第四计算模块，基于第三公式，计算多头注意力层中每个头的注意力得分，第三公式为：
26、；
27、其中，为第个头的注意力得分，为第个头的查询向量，为第个头的键向量，为键向量的维度，代表转置操作，为特征数据中所有位置在第个头上的周期性位置编码之和；归一化模块，用于对每个头的注意力得分进行归一化处理；加权模块，用于采用注意力得分对值向量进行加权处理，得到每个头的上下文向量；拼接模块，用于将所有头的上下文向量进行拼接处理，得到多头注意力层的输出向量。
28、根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述任意一项的基于台区画像的负荷预测方法。
29、根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述任意一项的基于台区画像的负荷预测方法。
30、根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述任意一项的基于台区画像的负荷预测方法的步骤。
31、在本公开中，通过对采集的台区数据进行预处理，采用聚类算法将预处理后的台区数据划分为多个台区画像，提取每个台区画像的时间序列的负荷数据，再将负荷数据输入目标神经网络中的输入层，并将输入层的输出序列输入目标神经网络中的位置编码层，在位置编码层进行位置编码处理，获得位置编码输出序列，然后将位置编码输出序列输入目标神经网络中的卷积层和长短期记忆层，获得特征数据，长短期记忆层用于捕捉负荷数据的数据间依赖关系，再将特征数据输入目标神经网络中的多头注意力层，对特征数据进行线性变换得到多个数据向量，计算多头注意力层中每个头的周期性位置编码，基于数据向量与周期性位置编码，获得多头注意力层的输出向量，最后将输出向量输入目标神经网络中的全连接层，对输出向量进行维度转化处理，获得负荷数据的预测结果。
32、本公开通过对负荷数据进行位置编码，使得目标神经网络能够区分负荷数据中不同位置的信息，通过采用多头注意力层，使得目标神经网络能够捕捉到负荷数据中不同时间尺度上的周期性变化特性，通过位置编码层和周期性位置编码相结合，显著提高了目标神经网络在处理具有周期性特征的时间序列负荷数据时的预测精度，增强了对负荷数据进行预测的可靠性，进而解决了相关技术中无法有效识别负荷数据的周期性特征，导致预测精度降低的技术问题。
1.一种基于台区画像的负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的负荷预测方法，其特征在于，对采集的台区数据进行预处理的步骤，包括：
3.根据权利要求1所述的负荷预测方法，其特征在于，采用聚类算法对所述台区数据进行聚类处理，获得多个台区画像的步骤，包括：
4.根据权利要求1所述的负荷预测方法，其特征在于，将所述负荷数据输入目标神经网络中的输入层，并将所述输入层的输出序列输入所述目标神经网络中的位置编码层，在所述位置编码层进行位置编码处理的步骤，包括：
5.根据权利要求1所述的负荷预测方法，其特征在于，对所述特征数据进行线性变换得到多个数据向量的步骤，包括：
6.根据权利要求5所述的负荷预测方法，其特征在于，计算所述多头注意力层中每个头的周期性位置编码的步骤，包括：
7.根据权利要求5所述的负荷预测方法，其特征在于，基于所述数据向量与所述周期性位置编码，获得所述多头注意力层的输出向量的步骤，包括：
8.一种基于台区画像的负荷预测装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于台区画像的负荷预测方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的基于台区画像的负荷预测方法。
