买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本申请提出了一种数据驱动的需求侧负荷预测与不确定性估计方法及系统，该方法包括：采集历史电力负荷和相应天气数据，并对收集的电力负荷及天气数据进行切片构建训练样本集，在ProbSparseTransformer模型的基础上，构建参数为分布的贝叶斯深度学习负荷预测模型，利用变分推断方法优化模型参数，训练结束后得到目标模型；通过目标模型估计负荷预测结果的不确定性及置信区间；通过指标参数对目标模型的预测精度进行评估，以及通过置信区间的覆盖判断对负荷预测结果的不确定性进行检验。基于本申请提出的方案，可应用于实时在线智能负荷预测，提供更准确的负荷预测及其不确定性估计，对提高能源管理效率和准确性，实现节能降耗和环保减排具有重要意义。

主权项：1.一种数据驱动的需求侧负荷预测与不确定性估计方法，其特征在于，包括：收集历史数据，所述历史数据包括历史电力负荷数据及相应时刻的历史天气数据；通过滑动窗口对所述历史数据进行固定长度的时间序列切片，将切片后的数据作为输入序列，将未来多步后的负荷值作为预测标签构建训练样本集；在ProbSparseTransformer模型的基础上，构建参数为分布的贝叶斯深度学习负荷预测模型，根据所述训练样本集利用变分推断方法优化所述贝叶斯深度学习负荷预测模型的模型参数，训练结束后，得到目标模型；根据所述目标模型输出负荷预测结果，并通过所述目标模型估计负荷预测结果的不确定性及置信区间；通过指标参数对所述目标模型的预测精度进行评估，以及通过置信区间的覆盖判断对所述负荷预测结果的不确定性进行检验；所述在ProbSparseTransformer模型的基础上，构建参数为分布的贝叶斯深度学习负荷预测模型，包括：设定ProbSparseTransformer模型的模型参数，所述模型参数包括注意力头数、多头自注意力机制、前馈网络层数，所述多头自注意力机制用于对输入序列进行特征提取，所述多头自注意力机制能够采用稀疏注意力机制；设定ProbSparseTransformer模型的模型架构，所述模型架构包括输入层、多个Transformer编码层、多个Transformer解码层和输出层，所述输出层用于输出负荷预测结果，所述负荷预测结果包括负荷预测值和负荷预测值的不确定性，所述不确定性为负荷预测值的方差和均值；模型参数的优化过程，包括： 其中，为变分分布，为真实后验分布，表示模型的最佳参数，为Kullback-Leibler散度，用于衡量真实后验分布与变分分布之间的差异，是模型的权重参数；所述根据所述目标模型输出负荷预测结果，包括：将其他切片后的数据作为输入序列输入所述目标模型，得到负荷预测结果；所述通过所述目标模型估计负荷预测结果的不确定性及置信区间，包括：通过变分分布表达模型不确定性，所述变分分布通过蒙特卡洛采样获得；通过输出层的高斯分布表达随机不确定性；通过负荷预测值的标准差和均值构建置信区间，表达式为： 其中，为负荷预测值的均值，为负荷预测值的标准差。

全文数据：

权利要求：

百度查询： 北京理工大学 安徽海螺信息技术工程有限责任公司 安徽海螺集团有限责任公司 数据驱动的需求侧负荷预测与不确定性估计方法及系统