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。
1.一种基于多元时间序列的电力负荷预测方法，其特征在于，包括：获取电力负荷预测过程中的时序原始数据；
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；
其中，所述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，包括：按如下公式获取所述时序样本数据中每一变量的空间向量表达：其中， A是时序样本数据的变量之间的图结构，I是单位矩阵； 表示 的度矩(l) (0) (l)阵；H 为l层的节点表示，H 为随机初始化的节点表示，W 表示权重矩阵，σ表示sigmoid函数；
根据得到的每一变量的空间向量表达构建所述第一特征矩阵；
其中，所述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，包括：将所述第一特征矩阵输入sigmoid函数，并按如下公式获取概率向量：P＝σ(WG·G+bG)；其中，G表示第一特征矩阵，WG和bG是线性变换的两个训练参数；
G′＝G·P；其中G′表示经过门控机制提取后的图结构信息；
按如下公式将所述时序样本数据与图结构信息进行特征融合；
X′＝X+G′；其中，X′表示第二特征矩阵；X表示第一特征矩阵，G′表示G′的转置矩阵。
2.根据权利要求1所述的基于多元时间序列的电力负荷预测方法，其特征在于，对所述时序原始数据进行预处理并得到时序样本数据，包括：检测所述时序原始数据的数据缺失量，利用插值算法或回归算法进行缺失值填充；
对填充缺失值后的所述时序原始数据进行数据标准化处理；
根据标准化处理后的所述时序原始数据得到时序样本数据。
3.根据权利要求1所述的基于多元时间序列的电力负荷预测方法，其特征在于，所述构建所述时序样本数据的变量之间的图结构，包括：将所述时序样本数据的变量作为节点，以及将变量之间的相似度作为节点之间的边，并按如下公式计算变量之间的相似度，以构建出所述时序样本数据的变量之间的图结构：其中，A[i，j]表示邻接矩阵中第i行第j列对应的元素；Ei为初始化的第i个节点的向量，Ej为初始化的第j个节点的向量，||Ei||表示第i个节点的向量的模，||Ej||表示第j个节点的向量的模。
4.根据权利要求1所述的基于多元时间序列的电力负荷预测方法，其特征在于，所述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，包括：将所述第二特征矩阵的当前特征序列输入编码器，按如下公式计算并得到每一所述当前特征序列的查询向量、键向量以及值向量：Query
其中，W ，W ，W 分别表示将当前特征序列x′i映射为q：i，k：i，v：i的三个权重矩阵；
Query表示查询向量，Key表示键向量，Value表示值向量；
根据所述当前特征序列的查询向量、键向量以及值向量进行相关性建模，并按如下公式计算并得到所述当前特征序列所占取的权重向量：T
其中，α：i表示权重向量，K表示输入的所有当前特征序列的Key组成的矩阵；
根据每一所述特征序列所占取的权重向量，按如下公式计算并得到所述特征序列的向量c：i：c：i＝V·α：i；
其中，V表示输入的所有当前特征序列的Value组成的矩阵；
采用非缩放的多注意力机制进行多次计算并得到多个所述特征序列的向量c：i，并将得到的多个所述特征序列的向量c：i进行拼接，再进行线性变换后输出向量C；
按如下公式对向量C进行残差连接与归一化处理并得到向量X″：其中，μ′表示向量C进行残差连接后的均值，σ′表示向量C进行残差连接后的标准差制；
按如下公式对向量X″进行训练并输出向量其中，f1表示前馈神经网络的函数集合，w1，w2，b1，b2为训练参数；
对向量 进行残差连接与归一化处理并得到向量Z；根据向量Z构建待解码序列；
按如下公式对所述待解码序列进行编码得到新的特征序列ht：ht＝f2(ht‑1，Zt‑1)；
其中，f2表示双向LSTM结构的函数集合，Zt‑1表示所述待解码序列中的第t‑1个特征对应的向量。
5.根据权利要求1所述的基于多元时间序列的电力负荷预测方法，其特征在于，还包括：按如下公式计算损失函数，以对所述时序预测模型进行参数更新；
其中，L为损失函数，Y为历史周期内的时序样本数据中的真实值，Ypre为对应Y的历史周i期内的时序样本数据的预测值，P为预测的时期数，Y为历史周期内的时序样本数据中的第ii时刻的真实值， 为对应Y的历史周期内的时序样本数据中第i时刻对应的预测值。
6.一种基于多元时间序列的电力负荷预测装置，其特征在于，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；
提取单元，用于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；
预测单元，用于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；
按如下公式获取所述时序样本数据中每一变量的空间向量表达：其中， A是时序样本数据的变量之间的图结构，I是单位矩阵； 表示 的度矩(l) (0) (l)阵；H 为l层的节点表示，H 为随机初始化的节点表示，W 表示权重矩阵，σ表示sigmoid函数；
根据得到的每一变量的空间向量表达构建所述第一特征矩阵；
将所述第一特征矩阵输入sigmoid函数，并按如下公式获取概率向量：P＝σ(WG·G+bG)；其中，G表示第一特征矩阵，WG和bG是线性变换的两个训练参数；
G′＝G·P；其中G′表示经过门控机制提取后的图结构信息；
按如下公式将所述时序样本数据与图结构信息进行特征融合；
X′＝X+G′；其中，X′表示第二特征矩阵；X表示第一特征矩阵，G′表示G′的转置矩阵。
7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的基于多元时间序列的电力负荷预测方法。
8.一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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的基于多元时间序列的电力负荷预测方法。
基于多元时间序列的电力负荷预测方法、装置及相关组件
技术领域
[0001] 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
[0002] 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。
[0003] 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。
[0004] 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
[0005] 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。
[0006] 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：
[0007] 获取电力负荷预测过程中的时序原始数据；
[0008] 对所述时序原始数据进行预处理并得到时序样本数据；
[0009] 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；
[0010] 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；
[0011] 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；
[0012] 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。
[0013] 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：
[0014] 获取单元，用于获取电力负荷预测过程中的时序原始数据；
[0015] 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；
[0016] 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；
[0017] 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；
[0018] 提取单元，用于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；
[0019] 预测单元，用于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。
[0020] 第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于多元时间序列的电力负荷预测方法。
[0021] 第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于多元时间序列的电力负荷预测方法。
[0022] 本发明实施例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。本发明实施例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。
附图说明
[0023] 为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024] 图1为本发明实施例提供的基于多元时间序列的电力负荷预测方法的流程示意图；
[0025] 图2为本发明实施例提供的基于多元时间序列的电力负荷预测方法的步骤S102的子流程示意图；
[0026] 图3为本发明实施例提供的基于多元时间序列的电力负荷预测方法装置的示意性框图；
[0027] 图4为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
[0028] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0029] 应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0030] 还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0031] 还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0032] 请参阅图1，图1为本发明实施例提供的基于多元时间序列的电力负荷预测方法的流程图；
[0033] 如图1所示，该方法包括步骤S101～S106。
[0034] S101、获取电力负荷预测过程中的时序原始数据。
[0035] 本实施例中，获取电力负荷的相关时序原始数据，其中，所述时序原始数据包括历史周期内的原始特征序列和原始目标序列，时序原始数据的数据源为历史M时期内的时间序列数据(y，x)，其中y为用电量历史数据，可表示为(y1，y2，…，ym)，即原始目标序列，x表示N个原始特征序列(x1，x2，…，yn)，每个原始特征序列可以是月份、日期、天气、温度、节假日等，其中每个原始特征序列可表示为 举例来说，对于温度，其原始特征序列可以是(26.1，27.2，....，18.5，20.1)。
[0036] S102、对所述时序原始数据进行预处理并得到时序样本数据。
[0037] 具体的，如图2所示，所述步骤S102包括：
[0038] S201、检测所述时序原始数据的数据缺失量，利用插值算法或回归算法进行缺失值填充；
[0039] S202、对填充缺失值后的所述时序原始数据进行数据标准化处理；
[0040] S203、根据标准化处理后的所述时序原始数据得到时序样本数据。
[0041] 本实施例中，首先，检测所述时序原始数据的数据缺失量，若一个原始特征序列的数据缺失量小于预设缺失比例阈值，则利用插值算法或回归算法进行缺失值填充，若数据缺失量大于等于所述预设缺失比例阈值，则直接删除该原始特征序列；所述预设缺失比例阈值可以是40％或50％或60％或其他比例，具体的缺失值可根据情况进行设定。
[0042] 其次，为了统一输入变量的量纲，进而提升模型的预测精度，通过阿尔曼模型对数据进行标准化处理并得到时序样本数据。
[0043] 最后，采用滑动窗口的方式来构造所述时序样本数据的数据集；数据集中数据的输入维度分别是[T，N+1]，输出维度为[P，1]，即使用T个时间点的N+1个序列所构成的历史数据，对未来P个时间点的目标序列进行预测，具体的构建结果如下：
[0044]
[0045] S103、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。
[0046] 具体的，所述步骤S103包括：
[0047] 将所述时序样本数据的变量作为节点，以及将变量之间的相似度作为节点之间的边，并按如下公式计算变量之间的相似度，以构建出所述时序样本数据的变量之间的图结构：
[0048]
[0049] 其中，A[i，j]表示邻接矩阵中第i行第j列对应的元素(该元素即为节点i与节点j之间的相似度值)；Ei为初始化的第i个节点向量；||Ei||表示第i个节点的向量的模，向量的模的计算的方式为 Ej||表示第j个节点的向量的模，向量的模的计算的方式为
[0050] 本实施例中，通过上述公式得到的相似度值越大，说明两个节点之间的相关性越高；进一步的，为了提高学习图结构的计算效率，可以减少邻居节点的个数，使邻接矩阵A变得稀疏，目的是在降低计算代价的情况下，尽可能捕捉每个节点的最相近的有用信息；具体的方式可以是设置相似度阈值，在邻接矩阵A的每行元素中，若每个元素都大于等于相似度阈值，则保留全部元素，若每个元素都小于相似度阈值，则只保留一个或部分元素，这里的相似度阈值可以是0.3、0.4或者其他数值，具体可根据捕捉的有用信息进行调参。
[0051] 本实施例中通过自学习构造时序数据变量的图结构，解决了图结构未知问题。
[0052] 在一实施例中，所述步骤S103还包括：
[0053] 按如下公式获取所述时序样本数据中每一变量的空间向量表达：
[0054](l) (0)
[0055] 其中， I是单位矩阵； 表示 的度矩阵；H 为l层的节点表示，H 为随(l)
机初始化的节点表示，W 表示权重矩阵；
[0056] 根据得到的每一变量的空间向量表达构建所述第一特征矩阵。
[0057] 本实施例中，根据上述公式，分别将I、 H(l)、W(l)代入公式并进行计算，即可得到所述时序样本数据中每一变量的空间向量表达；其中， I是单位矩阵；(l) (0)
表示 的度矩阵；H 为l层的节点表示(维度为[N+1，T])，H 为随机初始化的节点表示(维度为[N+1，T])，其中N+1表示节点数(即变量的数量)，T表示输入的特征数(这里跟滑窗大小(l)
一致，目的是方便与原数据进行融合)，W 表示权重矩阵。
[0058] 根据得到的每一变量的空间向量表达即可构建所述第一特征矩阵，这里的第一特征矩阵也就是融合前的特征矩阵，在获取所述第一特征矩阵的过程中，本实施例通过图神经网络对时间序列的变量进行建模，并引入了时序数据所蕴含的结构信息，准确表达了时序数据各变量之间的关系，使特征表达更丰富，有效的提高了后续的融合过程。
[0059] S104、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。
[0060] 具体的，所述步骤S104包括：
[0061] 将所述第一特征矩阵输入sigmoid函数，并按如下公式获取概率向量：
[0062] P＝σ(WG·G+bG)；其中，σ表示sigmoid函数(曲线生长函数)，G表示第一特征矩阵，WG和bG是线性变换的两个训练参数；
[0063] 按如下公式提取图结构信息：
[0064] G'＝G·P；其中G'表示经过门控机制提取后的图结构信息；
[0065] 按如下公式将所述时序样本数据与图结构信息进行特征融合；
[0066] X'＝X+G'T；其中，X'表示第二特征矩阵；X表示第一特征矩阵，G'T表示G'的转置矩阵。
[0067] 本实施例中，根据上述三个步骤，依次进行概率向量的计算、图结构信息的提取以及时序样本数据与图结构信息的融合，即可得到所述第二特征矩阵。
[0068] S105、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。
[0069] 具体的，所述步骤S105包括：
[0070] 将所述第二特征矩阵的当前特征序列输入编码器，按如下公式计算并得到每一所述当前特征序列的查询向量、键向量以及值向量：
[0071] q:i＝x'i·WQuery
[0072] k:i＝x'i·WKey
[0073] v:i＝x'i·WValue；
[0074] 其中，WQuery，WKey，WValue分别表示将当前特征序列x'i映射为q:i，k:i，v:i的三个权重矩阵；Query表示查询向量，Key表示键向量，Value表示值向量；
[0075] 该步骤中，对于得到所述第二特征矩阵X'，表示为(y′,x1′,x′2,…,x′n)，其中，所述当前特征序列(即特征序列x'i)是以T为时间步长的向量，可表示为 某(t)
一时刻t的序列是由N+1个当前特征序列的值组成的向量X ′ ，可表示
[0076] 分别将WQuery，WKey，WValue以及x'i代入上述公式，即可得到一所述当前特征序列的查询向量、键向量以及值向量。
[0077] 根据所述当前特征序列的查询向量、键向量以及值向量进行相关性建模，并按如下公式计算并得到所述当前特征序列所占取的权重向量：
[0078] α:i＝softmax(KT·q:i)；
[0079] 其中，α:i表示权重向量，K表示输入的所有当前特征序列的Key组成的矩阵；
[0080] 该步骤中，将K，q:i代入上述公式中，即可计算并得到所述当前特征序列所占取的权重向量。本步骤中，先对输入的所述当前特征序列进行相关性建模，然后计算每个当前特征序列所占取得权重。具体的，采用非缩放的点乘注意力机制，也就是对编码器(Transformer)的编码部分中原始权重计算公式进行改进，去掉了公式中的缩放因子 (d表示Query与key的维度)，能够有效提取出对预测结果影响更大的空间依赖信息。
[0081] 根据每一所述特征序列所占取的权重向量，按如下公式计算并得到所述特征序列的向量c:i：
[0082] c:i＝V·α:i；
[0083] 其中，V表示输入的所有当前特征序列的Value组成的矩阵；
[0084] 采用非缩放的多注意力机制进行多次计算并得到多个所述特征序列的向量c:i，并将得到的多个所述特征序列的向量c:i进行拼接，再进行线性变换后输出向量C；
[0085] 该步骤中，通过上述公式计算得到的c:i为一次单头注意力机制计算得到的结构，为使所述当前特征序列的表征更精确，本实施例采用了非缩放的多头注意力机制(Nonscaled Multi‑HeadAttention)，将多头个数设置为Q，对所述当前特征序列重复Q次的计算操作(从计算当前特征序列的q:i，k:i，v:i到输出向量c:i的计算操作)，最后将得到的多个所述特征序列的向量c:i进行拼接，再进行线性变换后输出向量C。
[0086] 按如下公式对向量C进行残差连接与归一化处理并得到向量X”：
[0087]
[0088] 其中，μ'表示向量C进行残差连接后的均值，σ′表示向量C进行残差连接后的标准差制；
[0089] 该步骤中，分别将μ'，σ′，C以及X'代入上述公式中，计算并得到向量X”。
[0090] 按如下公式对向量X”进行训练并输出向量
[0091]
[0092] 其中，f1表示前馈神经网络的函数集合，w1，w2，b1，b2为训练参数；
[0093] 该步骤中，将向量X”作为输入向量，代入上述公式中，并结合f1，w1，w2，b1，b2进行计算即可输出向量
[0094] 对向量 进行残差连接与归一化处理并得到向量Z；根据向量Z构建待解码序列；
[0095] 该步骤中，将向量 代入 中进行残差连接与归一化处理，即可得到向量Z，根据向量Z构成待解码序列，所述待解码序列也就通过编码器编码后输出的最终序列。
[0096] 按如下公式对所述待解码序列进行编码得到新的特征序列ht：
[0097] ht＝f2(ht‑1,Zt‑1)；
[0098] 其中，f2表示双向LSTM结构的函数集合，Zt‑1表示所述待解码序列中的第t‑1个特征对应的向量；
[0099] 该步骤中，将f2，Zt‑1代入上述公式，即可得到新的特征序列ht。
[0100] 本实施例使用seq2seq结构，以Transformer的编码部分作为编码器，Bi‑LSTM作为解码器，充分提取时序数据的时间与空间依赖信息，提升特征表征精确性。
[0101] S106、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。
[0102] 本实施例中，对新的特征序列ht进行归一化操作，然后将归一化得到的数据进行全连接，构建得到时序预测模型，基于该时序预测模型，将获取的历史时期内的时间序列数据输入所述时序预测模型后，即可输出未来时间点的目标序列的预测结果Ypre，可表示为Ypre＝(yt+1,yt+2,…yt+p)。
[0103] 在一实施例中，该方法还包括：
[0104] 按如下公式计算损失函数，以对所述时序预测模型进行参数更新；
[0105]
[0106] 其中，L为损失函数，Y为历史周期内的时序样本数据中的真实值，Ypre为对应Y的历i史周期内的时序样本数据的预测值，p为预测的时期数，Y为历史周期内的时序样本数据中i
的第i时刻的真实值， 为对应Y的历史周期内的时序样本数据中第i时刻对应的预测值。
i
[0107] 本实施例中，根据上述损失函数计算公式，分别将Y，Ypre，p，Y ， 的值代入计算公式并得到损失函数，通过所述损失函数对所述时序预测模型进行参数更新，从而提高对时间序列预测的精度。
[0108] 本发明实施例还提供一种基于多元时间序列的电力负荷预测装置，该基于多元时间序列的电力负荷预测装置用于执行前述基于多元时间序列的电力负荷预测方法的任一实施例。具体地，请参阅图3，图3是本发明实施例提供的基于多元时间序列的电力负荷预测装置的示意性框图。
[0109] 如图3所示，基于多元时间序列的电力负荷预测装置300，包括：获取单元301、预处理单元302、构建单元303、融合单元304、提取单元305以及预测单元306。
[0110] 获取单元301，用于获取电力负荷预测过程中的时序原始数据，所述时序原始数据包括历史周期内的原始特征序列和原始目标序列；
[0111] 预处理单元302，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；
[0112] 构建单元303，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；
[0113] 融合单元304，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；
[0114] 提取单元305，用于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；
[0115] 预测单元306，用于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。
[0116] 该装置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，具有提升预测精度的优点。
[0117] 上述基于多元时间序列的电力负荷预测装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
[0118] 请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备400是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
[0119] 参阅图4，该计算机设备400包括通过系统总线401连接的处理器402、存储器和网络接口404，其中，存储器可以包括非易失性存储介质403和内存储器404。
[0120] 该非易失性存储介质403可存储操作系统4031和计算机程序4032。该计算机程序4032被执行时，可使得处理器402执行基于多元时间序列的电力负荷预测方法。
[0121] 该处理器402用于提供计算和控制能力，支撑整个计算机设备400的运行。
[0122] 该内存储器404为非易失性存储介质403中的计算机程序4032的运行提供环境，该计算机程序4032被处理器402执行时，可使得处理器402执行基于多元时间序列的电力负荷预测方法。
[0123] 该网络接口405用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备400的限定，具体的计算机设备400可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0124] 本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。
[0125] 应当理解，在本发明实施例中，处理器402可以是中央处理单元(Central Processing Unit，CPU)，该处理器402还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0126] 在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例的基于多元时间序列的电力负荷预测方法。
[0127] 所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read‑OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的实体存储介质。
[0128] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0129] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
