基于深度神经网络的电网负荷预测系统及其方法与流程

1.本技术涉及智能监测领域，且更为具体地，涉及一种基于深度神经网络的电网负荷预测系统及其方法。


背景技术：

2.电网负荷预测是指根据历史数据和未来条件，预测电网在一定时期内的用电需求和供电能力的过程。电网负荷预测对于电力系统的规划、运行和控制具有重要的意义。通过电网负荷预测，可以合理地安排发电设备的投入和出力，保证电力供需平衡，提高电能的利用效率，降低运行成本，减少环境污染，提高电力系统的安全性和可靠性。
3.然而，现有的电网负荷预测在负荷波动大或出现异常情况时，预测结果与实际负荷相差较大，导致电力系统运行风险增加。
4.因此，期待一种优化的电网负荷预测方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于深度神经网络的电网负荷预测系统及其方法。其首先将包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别排列输入向量后再分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，接着，构建相应的高斯混合模型后进行高斯离散化以得到解码特征矩阵，最后，对所述解码特征矩阵进行特征分布优化后通过解码器进行解码回归以得到被监测区域的用能预测值。这样，可以实现对用户电、热、气、冷等各类用能行为的精准感知和预测。
6.根据本技术的一个方面，提供了一种基于深度神经网络的电网负荷预测系统，其包括：用能数据获取模块，用于获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；数据结构化模块，用于将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；时序特征提取模块，用于将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；高斯混合模块，用于构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；高斯离散化模块，用于对所述高斯混合模
型进行高斯离散化以得到解码特征矩阵；特征分布优化模块，用于对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及解码回归模块，用于将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。
7.在上述的基于深度神经网络的电网负荷预测系统中，所述时序特征提取模块，包括：第一卷积单元，用于使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；第二卷积单元，用于使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及融合单元，用于将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。
8.在上述的基于深度神经网络的电网负荷预测系统中，所述第一卷积单元，进一步用于：使用所述时序特征提取器的第一卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第一卷积层以得到所述第一尺度电用能行为消耗量特征向量、所述第一尺度热用能行为消耗量特征向量、所述第一尺度气用能行为消耗量特征向量和所述第一尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第一卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。
9.在上述的基于深度神经网络的电网负荷预测系统中，所述第二卷积单元，进一步用于：使用所述时序特征提取器的第二卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第二卷积层以得到所述第二尺度电用能行为消耗量特征向量、所述第二尺度热用能行为消耗量特征向量、所述第二尺度气用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第二卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。
10.在上述的基于深度神经网络的电网负荷预测系统中，所述高斯混合模块，用于：使用高斯密度图以如下高斯混合公式来构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；其中，所述高斯混合公式为：，其中，表示
所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量之间的按位置均值向量，且的每个位置的值表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量中各个位置的特征值之间的方差。
11.在上述的基于深度神经网络的电网负荷预测系统中，所述特征分布优化模块，包括：因数计算单元，用于计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及加权单元，用于基于所述多个位置信息图式注意力响应因数对所述解码特征矩阵的各个特征值进行加权以得到所述优化后解码特征矩阵。
12.在上述的基于深度神经网络的电网负荷预测系统中，所述因数计算单元，进一步用于：以如下因数计算公式计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述因数计算公式为：， 其中， 代表将二维实数映射为一维实数的函数，和分别是所述解码特征矩阵的宽度和高度，是所述解码特征矩阵的第 个特征值，是所述解码特征矩阵的所有特征值的全局均值，为所述解码特征矩阵的各个特征值的坐标，表示以2为底的对数函数， 表示所述多个位置信息图式注意力响应因数中第个位置信息图式注意力响应因数。
13.在上述的基于深度神经网络的电网负荷预测系统中，所述解码回归模块，用于：使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述被监测区域的用能预测值，其中，所述解码回归公式为：，其中，是所述解码特征矩阵，是所述被监测区域的用能预测值，是权重矩阵，表示矩阵乘。
14.根据本技术的另一个方面，提供了一种基于深度神经网络的电网负荷预测方法，其包括：获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及
将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。
15.在上述的基于深度神经网络的电网负荷预测方法中，将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，包括：使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。
16.与现有技术相比，本技术提供的基于深度神经网络的电网负荷预测系统及其方法，其首先将包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别排列输入向量后再分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，接着，构建相应的高斯混合模型后进行高斯离散化以得到解码特征矩阵，最后，对所述解码特征矩阵进行特征分布优化后通过解码器进行解码回归以得到被监测区域的用能预测值。这样，可以实现对用户电、热、气、冷等各类用能行为的精准感知和预测。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，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，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
18.图1为根据本技术实施例的基于深度神经网络的电网负荷预测系统的应用场景
图。
19.图2为根据本技术实施例的基于深度神经网络的电网负荷预测系统的框图示意图。
20.图3为根据本技术实施例的基于深度神经网络的电网负荷预测系统中的所述时序特征提取模块的框图示意图。
21.图4为根据本技术实施例的基于深度神经网络的电网负荷预测系统中的所述特征分布优化模块的框图示意图。
22.图5为根据本技术实施例的基于深度神经网络的电网负荷预测方法的流程图。
23.图6为根据本技术实施例的基于深度神经网络的电网负荷预测方法的系统架构的示意图。
具体实施方式
24.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，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，也属于本技术保护的范围。
25.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
26.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
27.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
28.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
29.针对上述技术问题，本技术的技术构思是综合利用被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量，并结合深度学习和人工智能技术来实现对用户电、热、气、冷等各类用能行为的精准感知和预测。
30.具体地，在本技术的技术方案中，首先，获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量。这里，为了提高电网负荷预测的精度，在本技术的技术方案中，综合考虑用户侧的多种用能行为，而不仅仅是电用能行为。因为用户侧的用能行为会受到气象条件、节假日因素、工商业用电计划等多种因素的影响，而这些因素可能会导致用户侧的电、热、气、冷等用能需求之间存在
相关性或互补性。例如，在冬季，用户侧的热用能需求可能会增加，而电用能需求可能会减少，反之亦然。因此，通过获取用户侧的多种用能行为消耗量，可以更好地反映用户侧的用能特征和变化趋势。
31.接着，将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量。也就是，将所述电用能行为消耗量、所述热用能行为消耗量、所述气用能行为消耗量和所述冷用能行为消耗量的时序离散分布构造为结构化的所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量，便于将用户的用能行为在时间上进行分析，凸显用能行为的规律和变化趋势。
32.然后，将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量。这里，时序特征提取器利用卷积神经网络（cnn）来提取时序数据中的特征，可以有效地捕捉时序数据在不同时间跨度下的隐含特征信息。具体而言，电、热、气、冷等各类用能行为消耗量具有周期性、季节性、趋势性等特点，因此使用时序特征提取器可以有效地提取这些数据中的有用信息，从而提高电网负荷预测的效果。
33.进一步地，构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型。高斯混合模型是一种概率模型，它假设数据是由多个高斯分布组成的混合分布生成的。高斯混合模型可以用来对数据的潜在结构进行建模，例如，可以用来刻画数据的聚类特征或者异常值。进而，对所述高斯混合模型进行高斯离散化以得到解码特征矩阵。也就是，通过高斯混合模型和高斯离散化操作，对电、热、气、冷等各类用能行为的时序特征进行降维和编码，从而减少数据的复杂度和噪声，提高预测的准确性和效率。通过这样的方式，可以将各类用能行为的时序特征向量转化为一个解码特征矩阵，该矩阵包含了各类用能行为的主要变化因素和隐变量，可以作为解码器的输入，从而实现对被监测区域的用能预测值的解码回归。
34.在得到所述解码特征矩阵后，将其通过解码器进行解码回归以得到被监测区域的用能预测值。其中，所述解码器可以根据输入的解码特征矩阵生成相应的输出值。具体而言，解码器的作用是自动生成被监测区域的用能预测值，从而实现对被监测区域的用能的准确预测。在本技术的一个具体示例中，所述解码器可以使用全连接层来构建，所述解码器的全连接层能够充分利用所述解码特征矩阵中各个位置的信息。
35.在本技术的技术方案中，在构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型时，所述高斯混合模型的方差矩阵是所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的自方差矩阵的加权和，因此所述方差矩阵的
各个位置的方差值具有相应的位置属性信息，由此，在对所述高斯混合模型进行高斯离散化得到所述解码特征矩阵时，所述解码特征矩阵的各个位置的特征值也具有相应的位置属性。但是，在将所述解码特征矩阵通过解码器进行解码回归时，需要将所述解码特征矩阵展开为特征向量，也就是，涉及到所述解码特征矩阵的特征值的基于位置属性的重新排列变换，因此，为了提升所述解码特征矩阵的各个特征值在排列变换时的位置信息表达效果，本技术的申请人首先计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数，具体表示为：， 代表将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，和分别是所述解码特征矩阵的宽度和高度，为所述解码特征矩阵的各个特征值的坐标，例如，可以特征矩阵的任意顶点作为坐标原点，且是所述解码特征矩阵的所有特征值的全局均值。
36.这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述解码特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述解码特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性（permutation invariance）性质。因此，通过以此所述位置信息图式注意力响应因数对所述解码特征矩阵的各个特征值进行加权，就可以提升所述解码特征矩阵展开后得到的特征向量的各个特征值在排列变换时对所述解码特征矩阵的特征值的位置信息表达效果，从而提升所述解码特征矩阵通过解码器进行解码回归得到的解码值的准确性。
37.本技术具有如下几点技术效果：1、提供了一种智能化的电网负荷预测方案。
38.2、该方案能够实现对用户电、热、气、冷等各类用能行为的精准感知和预测，从而提高电网负荷预测的准确性和稳定性，降低电力系统运行风险。
39.图1为根据本技术实施例的基于深度神经网络的电网负荷预测系统的应用场景图。如图1所示，在该应用场景中，首先，获取被监测区域（例如，图1中所示意的n）在包含当天在内的多天的电用能行为消耗量（例如，图1中所示意的d1）、热用能行为消耗量（例如，图1中所示意的d2）、气用能行为消耗量（例如，图1中所示意的d3）和冷用能行为消耗量（例如，图1中所示意的d4），然后，将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量输入至部署有基于深度神经网络的电网负荷预测算法的服务器中（例如，图1中所示意的s），其中，所述服务器能够使用所述基于深度神经网络的电网负荷预测算法对所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量进行处理以得到被监测区域的用能预测值。
40.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
41.图2为根据本技术实施例的基于深度神经网络的电网负荷预测系统的框图示意图。如图2所示，根据本技术实施例的基于深度神经网络的电网负荷预测系统100，包括：用
能数据获取模块110，用于获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；数据结构化模块120，用于将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；时序特征提取模块130，用于将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；高斯混合模块140，用于构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；高斯离散化模块150，用于对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；特征分布优化模块160，用于对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及，解码回归模块170，用于将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。
42.更具体地，在本技术实施例中，所述用能数据获取模块110，用于获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量。为了提高电网负荷预测的精度，在本技术的技术方案中，综合考虑用户侧的多种用能行为，而不仅仅是电用能行为。因为用户侧的用能行为会受到气象条件、节假日因素、工商业用电计划等多种因素的影响，而这些因素可能会导致用户侧的电、热、气、冷等用能需求之间存在相关性或互补性。例如，在冬季，用户侧的热用能需求可能会增加，而电用能需求可能会减少，反之亦然。因此，通过获取用户侧的多种用能行为消耗量，可以更好地反映用户侧的用能特征和变化趋势。
43.更具体地，在本技术实施例中，所述数据结构化模块120，用于将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量。也就是，将所述电用能行为消耗量、所述热用能行为消耗量、所述气用能行为消耗量和所述冷用能行为消耗量的时序离散分布构造为结构化的所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量，便于将用户的用能行为在时间上进行分析，凸显用能行为的规律和变化趋势。
44.更具体地，在本技术实施例中，所述时序特征提取模块130，用于将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量。这里，时序特征提取器利用卷积神经网络（cnn）来提取时序数据中的特征，可以有效地捕捉时序数据在不同时间跨度下的隐含特征信息。具体而言，电、热、气、冷等各类用能行为消耗量具有周期性、季节性、趋势性等特点，因此使用时序特征提取器可以有效地提取这些数据中的有用信
息，从而提高电网负荷预测的效果。
45.相应地，在一个具体示例中，如图3所示，所述时序特征提取模块130，包括：第一卷积单元131，用于使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；第二卷积单元132，用于使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及，融合单元133，用于将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。
46.相应地，在一个具体示例中，所述第一卷积单元131，进一步用于：使用所述时序特征提取器的第一卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第一卷积层以得到所述第一尺度电用能行为消耗量特征向量、所述第一尺度热用能行为消耗量特征向量、所述第一尺度气用能行为消耗量特征向量和所述第一尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第一卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。
47.相应地，在一个具体示例中，所述第二卷积单元132，进一步用于：使用所述时序特征提取器的第二卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第二卷积层以得到所述第二尺度电用能行为消耗量特征向量、所述第二尺度热用能行为消耗量特征向量、所述第二尺度气用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第二卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。
48.更具体地，在本技术实施例中，所述高斯混合模块140，用于构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型。高斯混合模型是一种概率模型，它假设数据是由多个高斯分布组成的混合分布生成的。高斯混合模型可以用来对数据的潜在结构进行建模，例如，可以用来刻画数据的聚类特征或者异常值。进而，对所述高斯混合模型进行高斯离散化以得到解码特征矩阵。也就是，通过高斯混合模型和高斯离
散化操作，对电、热、气、冷等各类用能行为的时序特征进行降维和编码，从而减少数据的复杂度和噪声，提高预测的准确性和效率。通过这样的方式，可以将各类用能行为的时序特征向量转化为一个解码特征矩阵，该矩阵包含了各类用能行为的主要变化因素和隐变量，可以作为解码器的输入，从而实现对被监测区域的用能预测值的解码回归。
49.相应地，在一个具体示例中，所述高斯混合模块140，用于：使用高斯密度图以如下高斯混合公式来构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；其中，所述高斯混合公式为：，其中，表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量之间的按位置均值向量，且 的每个位置的值表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量中各个位置的特征值之间的方差。
50.更具体地，在本技术实施例中，所述高斯离散化模块150，用于对所述高斯混合模型进行高斯离散化以得到解码特征矩阵。
51.更具体地，在本技术实施例中，所述特征分布优化模块160，用于对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵。在本技术的技术方案中，在构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型时，所述高斯混合模型的方差矩阵是所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的自方差矩阵的加权和，因此所述方差矩阵的各个位置的方差值具有相应的位置属性信息，由此，在对所述高斯混合模型进行高斯离散化得到所述解码特征矩阵时，所述解码特征矩阵的各个位置的特征值也具有相应的位置属性。但是，在将所述解码特征矩阵通过解码器进行解码回归时，需要将所述解码特征矩阵展开为特征向量，也就是，涉及到所述解码特征矩阵的特征值的基于位置属性的重新排列变换，因此，为了提升所述解码特征矩阵的各个特征值在排列变换时的位置信息表达效果，本技术的申请人首先计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数。
52.相应地，在一个具体示例中，如图4所示，所述特征分布优化模块160，包括：因数计算单元161，用于计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，加权单元162，用于基于所述多个位置信息图式注意力响应因数对所述解码特征矩阵的各个特征值进行加权以得到所述优化后解码特征矩阵。
53.相应地，在一个具体示例中，所述因数计算单元161，进一步用于：以如下因数计算公式计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述因数计算公式为：， 其中， 代表将二
维实数映射为一维实数的函数，和分别是所述解码特征矩阵的宽度和高度，是所述解码特征矩阵的第 个特征值，是所述解码特征矩阵的所有特征值的全局均值，为所述解码特征矩阵的各个特征值的坐标，表示以2为底的对数函数， 表示所述多个位置信息图式注意力响应因数中第个位置信息图式注意力响应因数。
54.这里，所述位置信息图式注意力响应因数通过建模像素值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示，在实现特征值相对于整体特征分布的按位置聚合的同时捕获所述解码特征矩阵的高维特征分布的特征流形的整体形状权重，从而使得所述解码特征矩阵的流形形状高度响应于各个子流形的形状信息，以获得高维特征流形的排列不变性性质。因此，通过以此所述位置信息图式注意力响应因数对所述解码特征矩阵的各个特征值进行加权，就可以提升所述解码特征矩阵展开后得到的特征向量的各个特征值在排列变换时对所述解码特征矩阵的特征值的位置信息表达效果，从而提升所述解码特征矩阵通过解码器进行解码回归得到的解码值的准确性。
55.更具体地，在本技术实施例中，所述解码回归模块170，用于将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。所述解码器可以根据输入的解码特征矩阵生成相应的输出值。具体而言，解码器的作用是自动生成被监测区域的用能预测值，从而实现对被监测区域的用能的准确预测。在本技术的一个具体示例中，所述解码器可以使用全连接层来构建，所述解码器的全连接层能够充分利用所述解码特征矩阵中各个位置的信息。
56.相应地，在一个具体示例中，所述解码回归模块170，用于：使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述被监测区域的用能预测值，其中，所述解码回归公式为：，其中，是所述解码特征矩阵，是所述被监测区域的用能预测值，是权重矩阵，表示矩阵乘。
57.综上，基于本技术实施例的基于深度神经网络的电网负荷预测系统100被阐明，其首先将包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别排列输入向量后再分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，接着，构建相应的高斯混合模型后进行高斯离散化以得到解码特征矩阵，最后，对所述解码特征矩阵进行特征分布优化后通过解码器进行解码回归以得到被监测区域的用能预测值。这样，可以实现对用户电、热、气、冷等各类用能行为的精准感知和预测。
58.如上所述，根据本技术实施例的基于本技术实施例的基于深度神经网络的电网负荷预测系统100可以实现在各种终端设备中，例如具有基于本技术实施例的基于深度神经网络的电网负荷预测算法的服务器等。在一个示例中，基于本技术实施例的基于深度神经网络的电网负荷预测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本技术实施例的基于深度神经网络的电网负荷预测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本技术实施例的基于深度神经网络的电网负荷预测系统100同样可以是该终
端设备的众多硬件模块之一。
59.替换地，在另一示例中，该基于本技术实施例的基于深度神经网络的电网负荷预测系统100与该终端设备也可以是分立的设备，并且该基于深度神经网络的电网负荷预测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
60.图5为根据本技术实施例的基于深度神经网络的电网负荷预测方法的流程图。如图5所示，根据本技术实施例的基于深度神经网络的电网负荷预测方法，其包括：s110，获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；s120，将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；s130，将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；s140，构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；s150，对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；s160，对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及，s170，将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。
61.图6为根据本技术实施例的基于深度神经网络的电网负荷预测方法的系统架构的示意图。如图6所示，在所述基于深度神经网络的电网负荷预测方法的系统架构中，首先，获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；接着，将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；然后，将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；接着，构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；然后，对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；接着，对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；最后，将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。
62.在一个具体示例中，在上述基于深度神经网络的电网负荷预测方法中，将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消
耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，包括：使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及，将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。
63.在一个具体示例中，在上述基于深度神经网络的电网负荷预测方法中，使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量，进一步包括：使用所述时序特征提取器的第一卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第一卷积层以得到所述第一尺度电用能行为消耗量特征向量、所述第一尺度热用能行为消耗量特征向量、所述第一尺度气用能行为消耗量特征向量和所述第一尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第一卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。
64.在一个具体示例中，在上述基于深度神经网络的电网负荷预测方法中，使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度，进一步包括：使用所述时序特征提取器的第二卷积层对输入数据分别进行卷积处理、池化处理
和激活处理以由所述时序特征提取器的第二卷积层以得到所述第二尺度电用能行为消耗量特征向量、所述第二尺度热用能行为消耗量特征向量、所述第二尺度气用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第二卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。
65.在一个具体示例中，在上述基于深度神经网络的电网负荷预测方法中，构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型，包括：使用高斯密度图以如下高斯混合公式来构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；其中，所述高斯混合公式为：，其中，表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量之间的按位置均值向量，且 的每个位置的值表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量中各个位置的特征值之间的方差。
66.在一个具体示例中，在上述基于深度神经网络的电网负荷预测方法中，对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵，包括：计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及，基于所述多个位置信息图式注意力响应因数对所述解码特征矩阵的各个特征值进行加权以得到所述优化后解码特征矩阵。
67.在一个具体示例中，在上述基于深度神经网络的电网负荷预测方法中，计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数，进一步包括：以如下因数计算公式计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述因数计算公式为：， 其中， 代表将二维实数映射为一维实数的函数，和分别是所述解码特征矩阵的宽度和高度，是所述解码特征矩阵的第 个特征值，是所述解码特征矩阵的所有特征值的全局均值，为所述解码特征矩阵的各个特征值的坐标，表示以2为底的对数函数， 表示所述多个位置信息图式注意力响应因数中第个位置信息图式注意力响应因数。
68.在一个具体示例中，在上述基于深度神经网络的电网负荷预测方法中，将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值，包括：使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述被监测区域的用能预测值，其中，所述解码回归公式为：，其中，是所述解码特征矩阵，是所述被监测区域的用能预测值，是权重矩阵，表示矩阵乘。
69.这里，本领域技术人员可以理解，上述基于深度神经网络的电网负荷预测方法中的各个步骤的具体操作已经在上面参考图1到图4的基于深度神经网络的电网负荷预测系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
70.根据本技术的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
71.技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
72.本技术使用了特定词语来描述本技术的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
73.此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
74.除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
75.上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种基于深度神经网络的电网负荷预测系统，其特征在于，包括：用能数据获取模块，用于获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；数据结构化模块，用于将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；时序特征提取模块，用于将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；高斯混合模块，用于构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；高斯离散化模块，用于对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；特征分布优化模块，用于对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及解码回归模块，用于将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。2.根据权利要求1所述的基于深度神经网络的电网负荷预测系统，其特征在于，所述时序特征提取模块，包括：第一卷积单元，用于使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；第二卷积单元，用于使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及融合单元，用于将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。3.根据权利要求2所述的基于深度神经网络的电网负荷预测系统，其特征在于，所述第一卷积单元，进一步用于：使用所述时序特征提取器的第一卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第一卷积层以得到所述第一尺度电用能行为消耗量特征向量、所述第一尺度热用能行为消耗量特征向量、所述第一尺度气
用能行为消耗量特征向量和所述第一尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第一卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。4.根据权利要求3所述的基于深度神经网络的电网负荷预测系统，其特征在于，所述第二卷积单元，进一步用于：使用所述时序特征提取器的第二卷积层对输入数据分别进行卷积处理、池化处理和激活处理以由所述时序特征提取器的第二卷积层以得到所述第二尺度电用能行为消耗量特征向量、所述第二尺度热用能行为消耗量特征向量、所述第二尺度气用能行为消耗量特征向量和所述第二尺度冷用能行为消耗量特征向量，其中，所述时序特征提取器的第二卷积层的输入为所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量。5.根据权利要求4所述的基于深度神经网络的电网负荷预测系统，其特征在于，所述高斯混合模块，用于：使用高斯密度图以如下高斯混合公式来构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；其中，所述高斯混合公式为：，其中，表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量之间的按位置均值向量，且 的每个位置的值表示所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量中各个位置的特征值之间的方差。6.根据权利要求5所述的基于深度神经网络的电网负荷预测系统，其特征在于，所述特征分布优化模块，包括：因数计算单元，用于计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到多个位置信息图式注意力响应因数；以及加权单元，用于基于所述多个位置信息图式注意力响应因数对所述解码特征矩阵的各个特征值进行加权以得到所述优化后解码特征矩阵。7.根据权利要求6所述的基于深度神经网络的电网负荷预测系统，其特征在于，所述因数计算单元，进一步用于：以如下因数计算公式计算所述解码特征矩阵的每个位置的特征值的位置信息图式注意力响应因数以得到所述多个位置信息图式注意力响应因数；其中，所述因数计算公式为：， 其中， 代表将二维实数映射为一维实数的函数，和分别是所述解码特征矩阵的宽度和高度，是所述解码特征矩阵的第 个特征值，是所述解码特征矩阵的所有特征值的全局均值，为所述解码特征矩阵的各个特征值的坐标，表示以2为底的对数函数， 表示所述多个位置信息图式注意力响应因数中第个位置信息图式注意力响应因数。8.根据权利要求7所述的基于深度神经网络的电网负荷预测系统，其特征在于，所述解
码回归模块，用于：使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述被监测区域的用能预测值，其中，所述解码回归公式为：，其中，是所述解码特征矩阵，是所述被监测区域的用能预测值，是权重矩阵，表示矩阵乘。9.一种基于深度神经网络的电网负荷预测方法，其特征在于，包括：获取被监测区域在包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量；将所述包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别按照时间维度排列为电用能行为消耗量时序输入向量、热用能行为消耗量时序输入向量、气用能行为消耗量时序输入向量和冷用能行为消耗量时序输入向量；将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量；构建所述电用能行为消耗量时序特征向量、所述热用能行为消耗量时序特征向量、所述气用能行为消耗量时序特征向量和所述冷用能行为消耗量时序特征向量的高斯混合模型；对所述高斯混合模型进行高斯离散化以得到解码特征矩阵；对所述解码特征矩阵进行特征分布优化以得到优化后解码特征矩阵；以及将所述优化后解码特征矩阵通过解码器进行解码回归以得到被监测区域的用能预测值。10.根据权利要求9所述的基于深度神经网络的电网负荷预测方法，其特征在于，将所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，包括：使用所述时序特征提取器的第一卷积层以具有第一长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第一尺度电用能行为消耗量特征向量、第一尺度热用能行为消耗量特征向量、第一尺度气用能行为消耗量特征向量和第一尺度冷用能行为消耗量特征向量；使用所述时序特征提取器的第二卷积层以具有第二长度的一维卷积核分别对所述电用能行为消耗量时序输入向量、所述热用能行为消耗量时序输入向量、所述气用能行为消耗量时序输入向量和所述冷用能行为消耗量时序输入向量进行一维卷积编码以得到第二尺度电用能行为消耗量特征向量、第二尺度热用能行为消耗量特征向量、第二尺度气用能行为消耗量特征向量和第二尺度冷用能行为消耗量特征向量，所述第二长度不同于所述第一长度；以及将所述第一尺度电用能行为消耗量特征向量和所述第二尺度电用能行为消耗量特征向量进行级联以得到所述电用能行为消耗量时序特征向量，将所述第一尺度热用能行为消耗量特征向量和所述第二尺度热用能行为消耗量特征向量进行级联以得到所述热用能行为消耗量时序特征向量，将所述第一尺度气用能行为消耗量特征向量和所述第二尺度气用能行为消耗量特征向量进行级联以得到所述气用能行为消耗量时序特征向量，以及，将所述第一尺度冷用能行为消耗量
特征向量和所述第二尺度冷用能行为消耗量特征向量进行级联以得到所述冷用能行为消耗量时序特征向量。

技术总结
公开了一种基于深度神经网络的电网负荷预测系统及其方法。其首先将包含当天在内的多天的电用能行为消耗量、热用能行为消耗量、气用能行为消耗量和冷用能行为消耗量分别排列输入向量后再分别通过包含第一卷积层和第二卷积层的时序特征提取器以得到电用能行为消耗量时序特征向量、热用能行为消耗量时序特征向量、气用能行为消耗量时序特征向量和冷用能行为消耗量时序特征向量，接着，构建相应的高斯混合模型后进行高斯离散化以得到解码特征矩阵，最后，对所述解码特征矩阵进行特征分布优化后通过解码器进行解码回归以得到被监测区域的用能预测值。这样，可以实现对用户电、热、气、冷等各类用能行为的精准感知和预测。冷等各类用能行为的精准感知和预测。冷等各类用能行为的精准感知和预测。


技术研发人员：阙凌燕 蒋正威 张思 孙志华 李财隆 黄兆钰 肖禹
受保护的技术使用者：浙江华云信息科技有限公司
技术研发日：2023.06.05
技术公布日：2023/9/23