本发明涉及电力预测领域，特别涉及基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质。
背景技术：
随着社会的不断进步和国民经济的快速发展，我国电力能源消耗量日渐增大，人们对供电质量和效率方面的要求越来越高。但由于电力的生产与使用具有特殊性，即电能难以大量的储存，而且各类.用户对电力的需求是时刻变化的，这就要求发电部门的电力供应紧跟实际的负荷消耗情况，使之保持稳定且高效，否则，就会影响用电的质量，甚至危及整个电力系统的安全和稳定。因此，针对电量的短时负荷预测十分有必要。目前，针对电量负荷预测的方法较多，但一般都会有一定的局限性。
传统的短时负荷预测方法是用现成的数学表达式加以描述，而现在的电力系统结构复杂，电力负荷变化的非线性、时变性和不确定性的特点更加明显，从而导致难以建立一个合适的数学模型来清晰的表达负荷和影响负荷的变量之间的关系。目前，对于电量负荷预测大多采用的方法有时间序列法、回归法、人工神经网络预测模型、专家系统法等。但其大部分的拟合数据、捕捉特征以及计算能力都有所欠缺。
因此，如何解决现有电力负荷预测方法预测精度不足是本领域技术人员需要面临的问题。
技术实现要素：
本发明实施例提供了一种基于a-tcn的电力负荷预测方法、装置、计算机设备及存储介质，旨在解决现有电力负荷预测方法预测精度不足的问题。
第一方面，本发明实施例提供了一种基于a-tcn的电力负荷预测方法，所述方法包括：
获取历史用电量数据及其对应的特征变量，并对所述历史用电量数据及其对应的特征变量进行归一化处理，得到数据集；
将所述数据集滚动切分分组，使每组包含n个特征序列；
将每组包含的n个特征序列输入至注意力模型中，得到每组n个特征序列的特征权重；
对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列；
通过lstm网络对所述每组对应的加权特征序列进行信息提取处理，得到每组对应的目标序列；
通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，从而构建得到a-tcn网络模型；
对未来指定时间的用电量数据进行预测。
进一步的，所述将所述数据集滚动切分分组，使每组包含n个特征序列，包括：
根据预设时间窗对所述数据集进行滚动切分分组，使每组包含t个样本数据，且每个样本数据包含n个特征变量。
进一步的，所述将每组包含的n个特征序列依次输入至注意力模型中，得到每组n个特征序列的特征权重，包括：
获取lstm网络更新前的隐藏层状态以及细胞状态；
将所述隐藏层状态、细胞状态以及每组包含的n个特征序列依次输入至注意力模型中，并按如下公式进行计算：
en＝vtanh(w[h；s] uxn)
式中，v、w、u均表示权重，h、s分别是lstm网络的隐藏层状态与细胞状态，xn是第n个特征序列，en是第n个特征序列经过输入注意力模型的输出数据，其中，n＝1，……，n；
利用softmax层对每组n个输出数据进行归一化处理，得到每组n个特征序列的特征权重。
进一步的，所述对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列，包括：
将所述每组包含的n个特征序列的特征权重分别与每组包含的t个样本依次相乘，得到每组t个样本的加权特征序列。
进一步的，所述通过lstm网络对所述每组对应的加权特征序列进行处理，得到每组对应的目标序列，包括：
利用遗忘门控制所述细胞状态对历史信息进行遗忘，遗忘门计算公式如下：
ft＝σ(wf[ht-1,xt] bf)
式中，xt表示时刻t的输入，ht-1表示时刻t-1的隐藏层状态，wf是权重矩阵，bf是偏置项，σ表示sigmoid函数；
利用输入门中的sigmoid层确定细胞状态中需要更新的信息，并利用输入门中的tanh层生成备选的细胞状态，计算公式如下：
it＝σ(wi[ht-1,xt] bi)
式中，it为细胞状态中需要更新的信息，
在经过遗忘门和输入门处理后，通过如下公式对细胞状态进行更新：
式中，ct为t时刻的细胞状态，ct-1为t-1时刻的细胞状态；
利用输出门控制所述细胞状态对更新后的信息进行输出，得到目标序列，输出门的计算公式如下所示：
ot＝σ(wo[ht-1,xt] bo)
ht＝ot*tanh(ct)
式中，wo是权重矩阵，bo是偏置项，σ是sigmoid函数，tanh是双曲正切函数。
进一步的，所述通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，包括：
通过膨胀因果卷积对所述每组对应的目标序列进行计算，计算公式如下：
式中，f(i)表示第i个滤波器，d为膨胀因子，d＝{1,2,..,2n}，n为时间卷积网络中的隐藏层层数，i＝0,……,k-1，k为滤波器的个数，x为输入，t为时间，f(x)为膨胀因果卷积后的结果；
通过残差模块将输入x与膨胀因果卷积后的结果f(x)相加，再通过relu函数后得到最终的用电量预测结果，计算公式如下：
o＝relu(x f(x))
式中，o为最终的用电量预测结果。
进一步的，还包括:
根据真实值与预测值计算均方误差，并根据均方误差使用反向传播对所述a-tcn网络模型中的参数进行优化。
第二方面，本发明实施例提供了一种基于a-tcn的电力负荷预测装置，所述装置包括：
第一获取单元，用于获取历史用电量数据及其对应的特征变量，并对所述历史用电量数据及其对应的特征变量进行归一化处理，得到数据集；
滚动切分单元，用于将所述数据集滚动切分分组，使每组包含n个特征序列；
权重生成单元，用于将每组包含的n个特征序列依次输入至注意力模型中，得到每组n个特征序列的特征权重；
加权处理单元，用于对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列；
信息提取单元，用于通过lstm网络对所述每组对应的加权特征序列进行信息提取处理，得到每组对应的目标序列；
学习构建单元，用于通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，从而构建得到a-tcn网络模型；
指定预测单元，用于对未来指定时间的用电量数据进行预测。
第三方面，本发明实施例提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现上述的基于a-tcn的电力负荷预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于a-tcn的电力负荷预测方法。
本发明实施例提供了一种基于a-tcn的电力负荷预测方法、装置、计算机设备及存储介质。所述方法包括：获取历史用电量数据及其对应的特征变量，并对所述历史用电量数据及其对应的特征变量进行归一化处理，得到数据集；将所述数据集滚动切分分组，使每组包含n个特征序列；将每组包含的n个特征序列依次输入至注意力模型中，得到每组n个特征序列的特征权重；对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列；通过lstm网络对所述每组对应的加权特征序列进行信息提取处理，得到每组对应的目标序列；通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，从而构建得到a-tcn网络模型；对未来指定时间的用电量数据进行预测。该方法提高了电力负荷预测精度，使预测结果更准确。
附图说明
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。
图1为本发明实施例提供的一种基于a-tcn的电力负荷预测方法的流程示意图；
图2为本发明实施例提供的一种基于a-tcn的电力负荷预测方法的子流程示意图；
图3为本发明实施例提供的一种基于a-tcn的电力负荷预测方法的网络结构示意图；
图4为本发明实施例提供的一种基于a-tcn的电力负荷预测装置的示意性框图。
具体实施方式
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。
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。
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。
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。
下面请参见图1，图1为本发明实施例提供的一种基于a-tcn的电力负荷预测方法，具体包括：步骤s101～s107。
s101、获取历史用电量数据及其对应的特征变量，并对所述历史用电量数据及其对应的特征变量进行归一化处理，得到数据集；
s102、将所述数据集滚动切分分组，使每组包含n个特征序列；
s103、将每组包含的n个特征序列输入至注意力模型中，得到每组n个特征序列的特征权重；
s104、对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列；
s105、通过lstm网络对所述每组对应的加权特征序列进行信息提取处理，得到每组对应的目标序列；
s106、通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，从而构建得到a-tcn网络模型；
s107、对未来指定时间的用电量数据进行预测。
随着人工智能的高速发展，基于深度神经网络的研究应用已在各个领域取得突破性进展，其在电量负荷预测领域的研究应用也在成为热点。时间卷积网络(temporalconvolutionalnetwork，tcn)是一种能够处理时间序列数据的网络结构，由于其具有灵活的感受野、训练时间比rnn网络模型(循环神经网络，recurrentneuralnetwork)更短等特点而深受追捧。但是，tcn网络模型对每一特征的权重是一样的，因此，本实施例通过引入注意力模型(attention)对特征的权重进行计算，对tcn网络模型进行改进，从而提高电力负荷预测精度。本实施例中，如图3所示的a-tcn网络模型的网络结构示意图，首先获取历史用电量数据及其对应的特征变量，并进行归一化处理，并且为了匹配模型的输入条件，从而对归一化处理后的数据集进行滚动切分分组，使每组包含多个特征序列，其次利用attention模型计算每组中各特征序列的权重，再根据计算的每组的各特征序列的权重生成每组对应的加权的特征序列，然后将每组生成的对应的加权特征序列输入至lstm网络模型(longshort-termmemory，长短期记忆网络，一种循环神经网络)中进行信息提取，并输出每组对应的目标序列，最后将每组对应的目标序列输入至时间卷积网络(tcn)中进行训练，提高了电力负荷预测精度。
需要说明的是，在步骤s101中，所获取的历史用电量数据对应的特征变量是指与历史用电量数据对应的特征变量的数据，例如与历史用电量数据对应的特征变量可以是温度、天气、降水量、节假日以及季节等，则获取的特征变量即是指温度、天气、降水量、节假日、季节等各自对应的数据，并且由于各特征变量的数量级或者量纲可能不一致，因此需要对获取的历史用电量数据及其对应的特征变量进行归一化处理。另外，在步骤s106中，将lstm网络输出的t个目标序列送入至tcn网络模型中进行训练，是因为tcn网络模型相对于cnn网络模型(convolutionalneuralnetworks，卷积神经网络)有着更大的感受野，这意味着可以使用更长的历史信息，这是对cnn网络模型的局部感受野的重要改进。
在一实施例中，所述步骤s102包括：
根据预设时间窗对所述数据集进行滚动切分分组，使每组包含t个样本，且每个样本包含n个特征变量。
本实施例中，根据预设的时间窗可以将数据集滚动切分为(k，t，n)形式，其中，k为经过滚动切分后的组数，t为每一组包含的样本个数(也就是时间窗)，n为某时刻的样本特征数。在这里，时间窗的大小和(k，t，n)中的t的大小相同。例如，假设时间窗大小为7，即t＝7，则对数据集进行滚动切分后，得到的第一组数据为样本1到样本7，第二组数据为样本2到样本8，以此类推，最终得到k组数据。通过上述滚动切分的方法，使得到的每一组数据均包含t个样本，每个样本有n个特征，也就是说，每一组数据中包含n个特征，每个特征有t个数据，因此，每一组数据包含n个长度为t的特征序列。
在一实施例中，如图2所示，所述步骤s103包括：步骤s201～s203。
s201、获取lstm网络更新前的隐藏层状态以及细胞状态；
s202、将所述隐藏层状态、细胞状态以及每组包含的n个特征序列依次输入至注意力模型中，并按如下公式进行计算：
en＝vtanh(w[h；s] uxn)
式中，v、w、u均表示权重，h、s分别是lstm网络的隐藏层状态与细胞状态，xn是第n个特征序列，en是第n个特征序列经过输入注意力模型的输出数据，其中，n＝1,……,n；
s203、利用softmax层对每组n个输出数据进行归一化处理，得到每组n个特征序列的特征权重。
本实施例中，将步骤s102中得到的每组数据的n个特征序列，以及长短时记忆网络(lstm)中未更新的隐藏层状态和细胞状态作为注意力模型(attention)的输入，并根据步骤s202中的公式对注意力模型中的输入进行计算后得到n个输出，即(e1,e2,...,en)，再将这n个输出送入至softmax层中进行归一化处理，softmax层的计算公式如下：
根据softmax层的计算公式对(e1,e2,...,en)进行计算，可以得到n个特征的权重，即(α1,α2,...,αn)。
在一实施例中，所述步骤s104包括：将所述每组包含的n个特征序列的特征权重分别与每组包含的t个样本依次相乘，得到每组t个样本的加权特征序列。
本实施例中，将步骤s203得到的每组n个特征的权重，即(α1,α2,...,αn)，依次与每组中的t个样本分别相乘，也就是将(α1,α2,...,αn)依次与每组第一个样本数据相乘得到每组第一个样本的加权特征序列，再将(α1,α2,...,αn)依次与每组第二个样本数据相乘得到每组第二个样本的加权特征序列，以此类推，最后每组会得到t个样本的加权特征序列。
在一实施例中，所述步骤s105包括：
利用遗忘门控制所述细胞状态对历史信息进行遗忘，遗忘门计算公式如下：
ft＝σ(wf[ht-1,xt] bf)
式中，xt表示时刻t的输入，ht-1表示时刻t-1的隐藏层状态，wf是权重矩阵，bf是偏置项，σ表示sigmoid函数；
利用输入门中的sigmoid层确定细胞状态中需要更新的信息，并利用输入门中的tanh层生成备选的细胞状态，计算公式如下：
it＝σ(wi[ht-1,xt] bi)
式中，it为细胞状态中需要更新的信息，
在经过遗忘门和输入门处理后，通过如下公式对细胞状态进行更新：
式中，ct为t时刻的细胞状态，ct-1为t-1时刻的细胞状态；
利用输出门控制所述细胞状态对更新后的信息进行输出，得到目标序列，输出门的计算公式如下所示：
ot＝σ(wo[ht-1,xt] bo)
ht＝ot*tanh(ct)
式中，wo是权重矩阵，bo是偏置项，σ是sigmoid函数，tanh是双曲正切函数。
本实施例中，lstm网络模型具有两个作用，一个是对t个样本的加权特征序列的信息进行提取得到t个目标序列，另一个作用是对lstm网络模型的隐藏层状态和细胞状态进行更新，以方便进行下一次attention权重计算。具体地，lstm网络模型通过细胞状态ct保存信息，通过隐藏层状态ht实现对信息的输出，其中，t代表时间，t＝1,2,3,...,t。在时刻t，lstm网络模型会根据输入xt对上一时刻t-1的隐藏层状态ht-1以及细胞状态ct-1分别进行更新，得到时刻t的隐藏层状态ht与细胞状态ct，同时隐藏层状态ht会作为lstm网络模型在时刻t的输出。
本实施例中lstm网络模型的更新与输出由三个门单元实现，分别是遗忘门、输入门和输出门，其中，遗忘门的功能是控制细胞状态ct对信息的遗忘，由输入xt和上一时刻t-1的隐藏层状态ht-1共同决定；输入门的功能是控制细胞状态ct对信息的更新，具体包括两个步骤：第一步是通过sigmoid层确定细胞状态ct中需要更新的信息，第二步是通过tanh层来生成备选的细胞状态
在一实施例中，所述步骤s106包括：
通过膨胀因果卷积对所述每组对应的目标序列进行计算，计算公式如下：
式中，f(i)表示第i个滤波器，d为膨胀因子，d＝{1,2,..,2n}，n为时间卷积网络中的隐藏层层数，i＝0,……,k-1，k为滤波器的个数，x为输入，t为时间，f(x)为膨胀因果卷积后的结果；
通过残差模块将输入x与膨胀因果卷积后的结果f(x)相加，再通过代入relu函数后得到最终的用电量预测结果，计算公式如下：
o＝relu(x f(x))
式中，o为最终的用电量预测结果。
本实施例中，tcn网络模型由膨胀因果卷积和残差模块两部分组成。其中，膨胀因果卷积实现了两个功能，一个是因果卷积功能，即输入只能是时刻t以及时刻t以前时刻的数据进行卷积运算；另一个是膨胀卷积，即允许卷积计算时的输入存在间隔采样，而采样间隔受膨胀因子d控制。残差模块是为了解决网络结构过深时而导致梯度消失的问题，残差模块将输入x与膨胀因果卷积后的结果f(x)相加，再通过relu函数(rectifiedlinearunit，线性整流函数，一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数)后即得到最终的输出，也就是最终的用电量预测结果。
在一实施例中，所述基于a-tcn的电力负荷预测方法还包括：
根据真实值与预测值计算均方误差，并根据均方误差使用反向传播对所述a-tcn网络模型中的参数进行优化。
本实施例中，根据真实值与预测值之间的均方误差使用反向传播(backpropagation，简称bp，是一种适合于多层神经元网络的学习算法)对a-tcn网络模型进行优化，也就是对a-tcn网络模型中的参数进行优化，使a-tcn网络模型对电力负荷的预测更为准确。真实值与预测值之间的均方误差计算公式如下：
式中，yi为第i个样本的真实值，yi'为第i个样本的预测值。
请参见图4，图4为本发明实施例提供的一种基于a-tcn的电力负荷预测装置400，所述装置400包括：
第一获取单元401，用于获取历史用电量数据及其对应的特征变量，并对所述历史用电量数据及其对应的特征变量进行归一化处理，得到数据集；
滚动切分单元402，用于将所述数据集滚动切分分组，使每组包含n个特征序列；
权重生成单元403，用于将每组包含的n个特征序列依次输入至注意力模型中，得到每组n个特征序列的特征权重；
加权处理单元404，用于对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列；
信息提取单元405，用于通过lstm网络对所述每组对应的加权特征序列进行信息提取处理，得到每组对应的目标序列；
学习构建单元406，用于通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，从而构建得到a-tcn网络模型；
指定预测单元407，用于对未来指定时间的用电量数据进行预测。
在一实施例中，所述滚动切分单元402包括：
样本切分单元，用于根据预设时间窗对所述数据集进行滚动切分分组，使每组包含t个样本，且每个样本包含n个特征变量。
在一实施例中，所述权重生成单元403包括：
第二获取单元，用于获取lstm网络更新前的隐藏层状态以及细胞状态；
输入单元，用于将所述隐藏层状态、细胞状态以及每组包含的n个特征序列依次输入至注意力模型中，并按如下公式进行计算：
en＝vtanh(w[h；s] uxn)
式中，v、w、u均表示权重，h、s分别是lstm网络的隐藏层状态与细胞状态，xn是第n个特征序列，en是第n个特征序列经过输入注意力模型的输出数据，其中，n＝1，……，n；
归一化单元，用于利用softmax层对每组n个输出数据进行归一化处理，得到每组n个特征序列的特征权重。
在一实施例中，所述加权处理单元404包括：
相乘单元，用于将所述每组包含的n个特征序列分别与每组包含的的t个样本依次相乘，得到每组t个样本的加权特征序列。
在一实施例中，所述信息提取单元405包括：
遗忘门单元，用于利用遗忘门控制所述细胞状态对历史信息进行遗忘，遗忘门计算公式如下：
ft＝σ(wf[ht-1,xt] bf)
式中，xt表示时刻t的输入，ht-1表示时刻t-1的隐藏层状态，wf是权重矩阵，bf是偏置项，σ表示sigmoid函数；
输入门单元，用于利用输入门中的sigmoid层确定细胞状态中需要更新的信息，并利用输入门中的tanh层生成备选的细胞状态，计算公式如下：
it＝σ(wi[ht-1,xt] bi)
式中，it为细胞状态中需要更新的信息，
更新单元，用于在经过遗忘门和输入门处理后，通过如下公式对细胞状态进行更新：
式中，ct为t时刻的细胞状态，ct-1为t-1时刻的细胞状态；
输出门单元，用于利用输出门控制所述细胞状态对更新后的信息进行输出，得到目标序列，输出门的计算公式如下所示：
ot＝σ(wo[ht-1,xt] bo)
ht＝ot*tanh(ct)
式中，wo是权重矩阵，bo是偏置项，σ是sigmoid函数，tanh是双曲正切函数。
在一实施例中，所述学习构建单元406包括：
膨胀因果卷积单元，用于通过膨胀因果卷积对所述每组对应的目标序列进行计算，计算公式如下：
式中，f(i)表示第i个滤波器，d为膨胀因子，d＝{1,2,..,2n}，n为时间卷积网络中的隐藏层层数，i＝0,……,k-1，k为滤波器的个数，x为输入，t为时间，f(x)为膨胀因果卷积后的结果；
残差模块单元，用于通过残差模块将输入x与膨胀因果卷积后的结果f(x)相加，再通过relu函数后得到最终的用电量预测结果，计算公式如下：
o＝relu(x f(x))
式中，o为最终的用电量预测结果。
在一实施例中，所述装置400还包括：
优化单元，用于根据真实值与预测值计算均方误差，并根据均方误差使用反向传播对所述a-tcn网络模型中的参数进行优化。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然电子设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
1.一种基于a-tcn的电力负荷预测方法，其特征在于，包括：
获取历史用电量数据及其对应的特征变量，并对所述历史用电量数据及其对应的特征变量进行归一化处理，得到数据集；
将所述数据集滚动切分分组，使每组包含n个特征序列；
将每组包含的n个特征序列依次输入至注意力模型中，得到每组n个特征序列的特征权重；
对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列；
通过lstm网络对所述每组对应的加权特征序列进行信息提取处理，得到每组对应的目标序列；
通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，从而构建得到a-tcn网络模型；
对未来指定时间的用电量数据进行预测。
2.根据权利要求1所述的基于a-tcn的电力负荷预测方法，其特征在于，所述将所述数据集滚动切分分组，使每组包含n个特征序列，包括：
根据预设时间窗对所述数据集进行滚动切分分组，使每组包含t个样本，且每个样本包含n个特征变量。
3.根据权利要求2所述的基于a-tcn的电力负荷预测方法，其特征在于，所述将每组包含的n个特征序列依次输入至注意力模型中，得到每组n个特征序列的特征权重，包括：
获取lstm网络更新前的隐藏层状态以及细胞状态；
将所述隐藏层状态、细胞状态以及每组包含的n个特征序列依次输入至注意力模型中，并按如下公式进行计算：
en＝vtanh(w[h；s] uxn)
式中，v、w、u均表示权重，h、s分别是lstm网络的隐藏层状态与细胞状态，xn是第n个特征序列，en是第n个特征序列经过输入注意力模型的输出数据，其中，n＝1,……,n；
利用softmax层对每组n个输出数据进行归一化处理，得到每组n个特征序列的特征权重。
4.根据权利要求2所述的基于a-tcn的电力负荷预测方法，其特征在于，所述对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列，包括：
将所述每组包含的n个特征序列分别与每组包含的t个样本依次相乘，得到每组t个样本的加权特征序列。
5.根据权利要求1所述的基于a-tcn的电力负荷预测方法，其特征在于，所述通过lstm网络对所述每组对应的加权特征序列进行处理，得到每组对应的目标序列，包括：
利用遗忘门控制所述细胞状态对历史信息进行遗忘，遗忘门计算公式如下：
ft＝σ(wf[ht-1,xt] bf)
式中，xt表示时刻t的输入，ht-1表示时刻t-1的隐藏层状态，wf是权重矩阵，bf是偏置项，σ表示sigmoid函数；
利用输入门中的sigmoid层确定细胞状态中需要更新的信息，并利用输入门中的tanh层生成备选的细胞状态，计算公式如下：
it＝σ(wi[ht-1,xt] bi)
式中，it为细胞状态中需要更新的信息，
在经过遗忘门和输入门处理后，通过如下公式对细胞状态进行更新：
式中，ct为t时刻的细胞状态，ct-1为t-1时刻的细胞状态；
利用输出门控制所述细胞状态对更新后的信息进行输出，得到目标序列，输出门的计算公式如下所示：
ot＝σ(wo[ht-1,xt] bo)
ht＝ot*tanh(ct)
式中，wo是权重矩阵，bo是偏置项，σ是sigmoid函数，tanh是双曲正切函数。
6.根据权利要求1所述的基于a-tcn的电力负荷预测方法，其特征在于，所述通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，包括：
通过膨胀因果卷积对所述每组对应的目标序列进行计算，计算公式如下：
式中，f(i)表示第i个滤波器，d为膨胀因子，d＝{1,2,..,2n}，n为时间卷积网络中的隐藏层层数，i＝0,……,k-1，k为滤波器的个数，x为输入，t为时间，f(x)为膨胀因果卷积后的结果；
通过残差模块将输入x与膨胀因果卷积后的结果f(x)相加，再通过relu函数后得到最终的用电量预测结果，计算公式如下：
o＝relu(x f(x))
式中，o为最终的用电量预测结果。
7.根据权利要求1所述的基于a-tcn的电力负荷预测方法，其特征在于，还包括:
根据真实值与预测值计算均方误差，并根据均方误差使用反向传播对所述a-tcn网络模型中的参数进行优化。
8.一种基于a-tcn的电力负荷预测装置，其特征在于，包括：
第一获取单元，用于获取历史用电量数据及其对应的特征变量，并对所述历史用电量数据及其对应的特征变量进行归一化处理，得到数据集；
滚动切分单元，用于将所述数据集滚动切分分组，使每组包含n个特征序列；
权重生成单元，用于将每组包含的n个特征序列依次输入至注意力模型中，得到每组n个特征序列的特征权重；
加权处理单元，用于对所述每组包含的n个特征序列进行加权处理，得到每组对应的加权特征序列；
信息提取单元，用于通过lstm网络对所述每组对应的加权特征序列进行信息提取处理，得到每组对应的目标序列；
学习构建单元，用于通过时间卷积网络对所述每组对应的目标序列进行学习，得到用电量预测结果，从而构建得到a-tcn网络模型；
指定预测单元，用于对未来指定时间的用电量数据进行预测。
9.一种计算机设备，其特征在于，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如权利要求1至7任一项所述的基于a-tcn的电力负荷预测方法。
10.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于a-tcn的电力负荷预测方法。
技术总结