基于深度学习的电力负荷预测方法、装置及电子设备

技术领域

本发明涉及电力负荷预测技术领域，具体涉及一种基于深度学习的电力负荷预测方法、装置及电子设备。

背景技术

随着电力需求的不断增长和电力系统的发展，精确地预测电力负荷成为电力市场运营和规划中的关键任务之一。短期电力负荷数据受多种外部因素的影响，使得电力负荷呈现出复杂的非线性和时变特性，给预测模型的建立和应用带来了困难。为了保证电力企业合理利用资源。作为电能调度的重要依据，可以保证经济稳定的电网运行环境。电力负荷预测可以优化电力系统发电设备运行，提高资源利用率，增强电网安全运行的稳固性，提高电力系统的稳定性和可靠性，降低电网故障的风险。因此电力负荷预测越来越重要。

目前，主流的电力负荷预测方法主要分为两种。一种是以信号分析为主的电力负荷预测方法，如经验模态分解、变分模态分解和奇异值分解等，该方法主要依靠人工提取负荷信号的特征值，从而对电力负荷进行预测。另一种是以数据驱动为主的深度学习方法，该方法无需人工参与但对电力负荷预测的结果不够准确。现有技术中存在对电力负荷预测准确性和可靠性不高的技术问题。

发明内容

有鉴于此，有必要提供一种基于深度学习的电力负荷预测方法、装置及电子设备，用以解决现有技术中存在对电力负荷预测准确性和可靠性不高的技术问题。

为了实现上述目的，本发明提供了一种基于深度学习的电力负荷预测方法，包括：

获取电力负荷原始数据，基于VMD算法对所述电力负荷原始数据进行分解，得到多个子模态数据；

基于所述电力负荷原始数据和所述多个子模态数据，得到重构数据，对所述重构数据进行数据划分，得到训练集、验证集和测试集；

获取Crossformer网络模型，将所述训练集和所述验证集输入至所述Crossformer网络模型中进行迭代训练，得到电力负荷预测模型；

将所述测试集输入至所述电力负荷预测模型，得到电力负荷预测结果。

在一种可能的实现方式中，所述基于VMD算法对所述电力负荷原始数据进行分解，得到多个子模态数据，包括：

获取分解层数，基于VMD算法依次对所述电力负荷原始数据按照所述分解层数进行分解，得到多个子模态数据。

在一种可能的实现方式中，所述获取分解层数，包括：

基于相关系数对分解层数进行自适应的调整，得到最佳的分解层数。

在一种可能的实现方式中，所述电力负荷预测模型，包括：

维度分段嵌入、两阶段注意层和特征融合模块；

将所述测试集输入至所述电力负荷预测模型，通过所述维度分段嵌入对所述测试集进行分段，得到多个分段数据，获取特征向量，并将所述多个分段数据嵌入到所述特征向量，得到多个二维矢量数组，通过所述两阶段注意层对所述二维矢量数组进行特征捕捉，得到捕捉的特征，通过所述特征融合模块基于所述捕捉的特征对所述多个二维矢量数组进行合并，得到多个合并的向量，基于多个合并的向量得到电力负荷预测结果。

在一种可能的实现方式中，所述特征融合模块，包括：三层编码器-解码器单元；

通过所述特征融合模块中的所述三层编码器-解码器单元基于所述捕捉的特征对所述多个二维矢量数组进行合并和预测，得到多个合并的向量。

在一种可能的实现方式中，所述三层编码器-解码器单元，包括：第一层编码器-解码器单元；

第一层编码器-解码器单元包括：编码器和解码器；所述第一层编码器的输出端和第一层解码器的输入端连接；

通过所述三层编码器-解码器单元中的第一层编码器-解码器单元中的第一层编码器基于所述捕捉的特征对所述多个二维矢量数据进行合并，得到第一层编码器的特征表示，基于所述三层编码器-解码器单元中的第一层编码器-解码器单元中的第一层解码器对所述第一层编码器的特征表示进行预测，得到第一层合并的向量。

在一种可能的实现方式中，所述基于多个合并的向量得到电力负荷预测结果，包括：

基于多个合并的向量进行相加处理，得到电力负荷预测结果。

另一方面，本发明还提供了一种基于深度学习的电力负荷预测装置，包括：

子模态数据单元，用于获取电力负荷原始数据，基于VMD算法对所述电力负荷原始数据进行分解，得到多个子模态数据；

划分数据集单元，用于基于所述电力负荷原始数据和所述多个子模态数据，得到重构数据，对所述重构数据进行数据划分，得到训练集、验证集和测试集；

构建电力负荷预测模型单元，用于获取Crossformer网络模型，将所述训练集和所述验证集输入至所述Crossformer网络模型中进行迭代训练，得到电力负荷预测模型；

输出单元，用于将所述测试集输入至所述电力负荷预测模型，得到电力负荷预测结果。

另一方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如上述任意实现方式中所述基于深度学习的电力负荷预测方法中的步骤。

另一方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读的程序或指令，所述程序或指令被处理器执行时能够实现上述任意实现方式中所述基于深度学习的电力负荷预测方法中的步骤。

本发明的有益效果是：本发明提供的洪水灾害防御方法，获取电力负荷原始数据，基于VMD算法对所述电力负荷原始数据进行分解，得到多个子模态数据，这样做的目的是为了通过改进的VMD算法对原始数据进行分解，得到更加精确的子模态数据；基于所述电力负荷原始数据和所述多个子模态数据，得到重构数据，对所述重构数据进行数据划分，得到训练集、验证集和测试集，这样做的目的是为了对精确的子模态数据进行定量划分，进而使得到的结果更加客观真实；获取Crossformer网络模型，将所述训练集和所述验证集输入至所述Crossformer网络模型中进行迭代训练，得到电力负荷预测模型，这样做的目的是为了得到电力负荷预测模型，本申请提出的电力负荷模型是基于现有的Crossformer网络模型得到的，相比于传统的网络模型而言对特征的捕捉更加精细，从而便于得到更加准确的预测结果；将所述测试集输入至所述电力负荷预测模型，得到电力负荷预测结果，这样做的目的是为了通过电力负荷预测模型对测试集数据进行预测，得到电力负荷预测结果，减少人工参与，得出的电力负荷具有较高的准确性和可靠性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域技术人员来讲，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为本发明提供的基于深度学习的电力负荷预测方法的一个实施例流程示意图；

图2为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的电力负荷原始数据波形图；

图3为本发明提供的基于深度学习的电力负荷预测方法的一个实施例算法流程示意图；

图4为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的DSM嵌入示意图；

图5为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的跨维度的路由器机构示意图；

图6为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的VMD（Variational Mode Decomposition，变分模态分解）结果示意图；

图7为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的分层编码器-解码器的架构示意图；

图8为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的简单模型对比实验示意图；

图9为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的复杂模型对比示意图；

图10为本发明提供的基于深度学习的电力负荷预测装置的一个实施例结构示意图；

图11为本发明提供的电子设备的一个实施例结构示意图。

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，所描述的实施例仅仅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。

在本申请实施例的描述中，除非另有说明， “多个”的含义是两个或两个以上。

本发明实施例中术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

在本发明实施例中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本 发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明提供了一种基于深度学习的电力负荷预测方法、装置及电子设备，以下分别进行说明。

图1为本发明提供的基于深度学习的电力负荷预测方法的一个实施例流程示意图，包括：

S101、获取电力负荷原始数据，基于VMD算法对所述电力负荷原始数据进行分解，得到多个子模态数据；

S102、基于所述电力负荷原始数据和所述多个子模态数据，得到重构数据，对所述重构数据进行数据划分，得到训练集、验证集和测试集；

S103、获取Crossformer（A Versatile Vision Transformer Based on Cross-scale Attention，基于跨尺度注意力的视觉深度学习）网络模型，将所述训练集和所述验证集输入至所述Crossformer网络模型中进行迭代训练，得到电力负荷预测模型；

S104、将所述测试集输入至所述电力负荷预测模型，得到电力负荷预测结果。

可以理解的是，在步骤S101中，电力负荷原始数据，包括时间和负荷量；

具体的说，在本实施例中采用了两个数据集。I数据集为 GEFCom2014开放数据集，该数据集是一个广泛应用于电力负荷预测的标准数据集。II数据集为比利时电网公司Elia的电力负荷公开数据集，该数据集是高度可靠的，具有较低的数据错误和缺失率。

在步骤S101中，VMD算法是一种自适应的信号分解方法，它能够根据信号的特点自动调整分解参数，从而得到更准确的模态分量。将待处理的原始信号

;

;

式中：

通过引入二次惩罚因子

；

采用交替方向乘子法，不断迭代更新

；

；

；

式中，

；

式中，

经研究发现，模态数 K需要人为设置并且对信号的分解效果影响较大。为了解决这一问题，本发明采用原始信号与VMD各分量之间的相关系数来对VMD参数K进行自适应的调整。Pearson相关系数可以衡量各模态分量与原始信号之间的线性相关程度，它在数据分析、故障诊断等领域具有广泛的应用，计算公式为：

；

式中, 变量

表1 相关性的衡量标准

对原始数据进行VMD分解后得到K个模态分量，计算各模态分量与原始信号之间的相关系数来衡量对应的相关程度。当相关系数的绝对值小于 0.2 时，就可以认为两个变量几乎没有相关性；当相关系数的绝对值高于0.2时，表明各模态分量均为有效分量，信号还处于欠分解状态，需要增加 K 的数值。当首次出现最小相关系数的绝对值低于 0.2 时，则认为信号中的重要信息已经被充分地分解出来，此时的K即为最佳分解层数。

可以进一步理解的是，在步骤S102中，对数据进行重构，并将数据集划分为训练集、验证集和测试集；

该步骤具体包括：

将分解的个子模态数据与原始数据组成重构数据，再将重构数据按照7:2:1划分为训练集、验证集和测试集。

在步骤S103中，将训练集和验证集输入到建立好的Crossformer网络模型中进行训练，得到负荷预测模型；

该步骤的过程如下：

使用了均方误差作为损失函数和Adam优化器对模型进行训练。

在步骤S104中，将所述测试集输入至所述电力负荷预测模型，得到电力负荷预测结果。

该步骤的过程如下：

将所述测试集输入电力负荷预测模型中，进行电力负荷预测，获得预测评估与预测结果。

本发明还对提供的电力负荷预测模型进行了试验验证和性能分析。

图2为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的电力负荷原始数据波形图，包括：

获取分解层数，基于VMD算法依次对所述电力负荷原始数据按照所述分解层数进行分解，得到多个子模态数据。

需要说明的是，为了验证本发明方法的有效性，本次实验采用了两个数据集进行实验分析。I数据集为GEFCom2014开放数据集，该数据集是一个广泛应用于电力负荷预测的标准数据集。本发明只选取GEFCom2014数据集中一段时间内的每小时负荷数据进行实验。该数据集中只选取含负荷信息的数据，共有78888个采样点。II数据集为比利时电网公司Elia的电力负荷公开数据集，该数据集是高度可靠的，具有较低的数据错误和缺失率。本发明选取 一段时间内每隔15 min 的用电负荷，共有70176个采样点。

本申请是基于改进的VMD算法进行信号处理，具体包括：

将两个数据集通过一种改进的VMD方法对原始数据进行分解，在不同模态数下，各分量与原始数据之间的相关系数如表2所示。两个数据集都是当K= 4时相关系数才首次出现低于 0.2的情况，因此最佳分解层数都为4。

表2 各模态分量与原始数据之间的相关系数

I数据集

II数据集

根据 VMD 参数设置方法，将模态数K设为4，二次惩罚因子α = 2000,其他参数取VMD默认值，VMD 分解得到的各模态分量。将两个数据集中的模态分量数据与原始负荷数据分别组成重构数据并输入Crossformer预测网络中。

在一种可能的实现方式中，所述获取分解层数，包括：

基于相关系数对分解层数进行自适应的调整，得到最佳的分解层数。

可以理解的是，首先，对分解层数K进行初始化，即K=2。其次，对电力负荷数据进行VMD 分解并获取 K 个模态分量。接着，计算原始数据与各模态分解之间的相关系数p。最后，判断最小的||是否低于0.2，如果否，则K=K+1，并再次进行VMD分解和计算相关系数；如果是，则当前分解层数即为最佳分解层数K。确定好分解层数K后，VMD将原始负荷数据分解成多个子模态。

图3为本发明提供的基于深度学习的电力负荷预测方法的一个实施例算法流程示意图、图4为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的DSM嵌入示意图、图5为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的跨维度的路由器机构示意图及图6为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的VMD分解结果示意图，包括：

维度分段嵌入、两阶段注意层和特征融合模块；

将所述测试集输入至所述电力负荷预测模型，通过所述维度分段嵌入对所述测试集进行分段，得到多个分段数据，获取特征向量，并将所述多个分段数据嵌入到所述特征向量，得到多个二维矢量数组，通过所述两阶段注意层对所述二维矢量数组进行特征捕捉，得到捕捉的特征，通过所述特征融合模块基于所述捕捉的特征对所述多个二维矢量数组进行合并，得到多个合并的向量，基于多个合并的向量得到电力负荷预测结果。

需要说明的是，电力负荷预测模型包括：维度分段嵌入、两阶段注意层和特征融合模块，其中维度分段式嵌入，以前的基于transformer的模型在跨维度依赖性在嵌入期间没有显式捕获，这使得它们的预测能力没有被完全挖掘。而DSW嵌入保持了维度信息，有助于模型更好地捕捉多变量时间序列数据的固有结构，同时也为Crossformer网络提供了有效的输入，使其能够处理多变量时间序列数据并捕获其中的依赖关系。

Transformer中每个嵌入向量包含一个信息。在原始Transformer用于MTS预测的典型注意力中，相近的数据点具有相似的注意力权重。对于MTS，单个步骤的值提供的信息很少，嵌入向量表示为单个维度的序列段，而不是单个步骤中所有维度的值。在DSW嵌入中，用相同长度的嵌入矢量将每个维度的时间轴附近的点形成一个用于切入的段，然后将每个片段使用添加了位置嵌入的线性投影嵌入到向量中得到一个二维向量阵列。

两阶段注意层，对于得到的2D阵列，可以将其展平成1D序列，从而可以将其输入到典型的变压器中。MTS具有不同含义的时间和维度轴，可以通过TSA层捕获向量数组之间的跨时间和跨维度依赖关系。TSA层的解决了直接应用自注意力会产生二次方复杂度的问题。

在跨时间阶段，将二维数组作为TSA层的输入，在二维数组中捕获同一维度的时间段之间的依赖关系。每个维度直接应用多头自注意(multiple -head self-attention，MSA)，并且采取多层前馈网络（Multilayer Perceptron，MLP）。其中本发明的MLP采用两层，并将MLP的输出

在跨维度阶段，用一个大的片段长度在DSW嵌入中长序列，以减少跨时间阶段的片段数。并且采用一种潜在大维度的路由器机制。该机制为每个时间步

特征融合模块，具有3个编码器层的分层编码器-解码器的架构。HED是由DSW嵌入、TSA层和段合并来构建的。编码器使用TSA层和段合并来捕获不同尺度的依赖性：上层的向量覆盖更长的范围，导致在更粗尺度上的依赖性。探索不同的尺度，解码器通过在每个尺度上进行预测并将它们相加来进行最终预测。

在N层编码器中除了第一层外，每一层都将时域中相邻的每两个向量进行合并，得到在更粗的层次上的表示，然后应用TSA层来捕获此规模的依赖关系。

在解码器中，得到编码器输出的N + 1个特征数组，使用N + 1层在解码器中进行预测。对每一层的输出应用线性投影，得到这一层的预测。将各层的预测相加，得到最终的预测。

需要进一步理解的是，建立电力负荷预测模型的步骤如下：

在对Crossformer电力负荷预测模型设计过程中，设置不同的超参数会对预测结果造成影响，因此本发明对预测模型的片段长度、注意力头数和批次大小这些超参数进行反复调参实验。

选择合适的片段长度可以提高模型性能和计算效率，较长的片段长度能够提供更多的信息，有助于模型学习长程依赖关系和特征信息；而过长的片段长度可能会导致模型训练和推理的效率下降，甚至引发梯度消失或梯度爆炸问题。如表3所示，随着片段长度的增加, 当片段长度为8时，模型在两个数据集上的 MAE 值和MAPE值都达到最低。因此, 本发明两个数据集的片段长度都选为8。

选择合适的注意力头数可以提高模型的泛化能力。注意力头数的增加有助于模型学习更加复杂的信息，提高模型的泛化能力和预测准确性；而过多的注意力头数可能会导致模型计算量过大，影响训练和推理效率。选择合适的批量大小可以提高模型的训练速度和收敛效果。如表4所示，随着片段长度的增加, 当注意力头数为4时，模型在I数据集上的MAE 值和MAPE值达到最低；当注意力头数为6时，模型在I数据集上的 MAE 值和MAPE值达到最低。因此, 本发明I数据集注意力头数选为4，II数据集注意力头数选为6。

较大的批量大小可以加速模型的训练过程，提高收敛速度和泛化能力；而较小的批量大小则有助于模型更好地学习数据的细节信息。如表5所示，随着片段长度的增加, 当批量大小为4时，模型在I数据集上的 MAE 值和MAPE值达到最低；当批量大小为8时，模型在II数据集上的MAE值和MAPE值达到最低。因此, 本发明I数据集的批量大小为4，II数据集的批量大小为8。

表3 不同片段长度的对比

可以理解的是，如表3所示，随着片段长度的增加, 当片段长度为8时，模型在两个数据集上的 MAE 值和MAPE值都达到最低。因此, 本发明两个数据集的片段长度都选为8。

表4 不同注意力头数的对比

可以理解的是，如表4所示，随着片段长度的增加, 当注意力头数为4时，模型在I数据集上的 MAE 值和MAPE值达到最低；当注意力头数为6时，模型在I数据集上的 MAE 值和MAPE值达到最低。因此, 本发明I数据集注意力头数选为4，II数据集注意力头数选为6。

表5 不同批次大小的对比

最终通过实验最终确定I数据集的片段长度为8、注意力头数为4、批量大小为4，II数据集的片段长度为8、注意力头数为6、批量大小为8，其他参数均采用默认值。同时为了提升模型的训练效果，在实验将均方误差作为损失函数和采用了Adam优化器对模型进行训练。

图7为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的分层编码器-解码器的架构示意图，包括：三层编码器-解码器单元；

通过所述特征融合模块中的所述三层编码器-解码器单元基于所述捕捉的特征对所述多个二维矢量数组进行合并和预测，得到多个合并的向量。

可以理解的是，特征融合模块，具有3个编码器层的分层编码器-解码器的架构。HED是由DSW嵌入、TSA层和段合并来构建的。编码器使用TSA层和段合并来捕获不同尺度的依赖性：上层的向量覆盖更长的范围，导致在更粗尺度上的依赖性。探索不同的尺度，解码器通过在每个尺度上进行预测并将它们相加来进行最终预测。

在一些实施例中，所述三层编码器-解码器单元，包括：第一层编码器-解码器单元；

第一层编码器-解码器单元包括：编码器和解码器；所述第一层编码器的输出端和第一层解码器的输入端连接；

通过所述三层编码器-解码器单元中的第一层编码器-解码器单元中的第一层编码器基于所述捕捉的特征对所述多个二维矢量数据进行合并，得到第一层编码器的特征表示，基于所述三层编码器-解码器单元中的第一层编码器-解码器单元中的第一层解码器对所述第一层编码器的特征表示进行预测，得到第一层合并的向量。

可以理解的是，在N层编码器中除了第一层外，每一层都将时域中相邻的每两个向量进行合并，得到在更粗的层次上的表示，然后应用TSA层来捕获此规模的依赖关系。

在解码器中，得到编码器输出的N + 1个特征数组，使用N + 1层在解码器中进行预测。对每一层的输出应用线性投影，得到这一层的预测。将各层的预测相加，得到最终的预测。

在一些实施例中，所述基于多个合并的向量得到电力负荷预测结果，包括：

基于多个合并的向量进行相加处理，得到电力负荷预测结果。

可以理解的是，将三层编码器-解码器单元输出的预测相加，得到最终的预测。

图8为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的简单模型对比实验示意图，包括：

训练好电力负荷预测模型后，将测试集带入到设计好的模型中进行负荷预测，为了验证所提出方法的可行性和优越性，本发明通过简单模型对比实验来体现每个模块的作用，如表6所示。

表6 简单模型对比实验

可以理解的是，通过简单模型对比实验可知，本发明各模块的加入使得预测率显著提高，MAE、MAPE和RMSE在I数据集和II数据集上均最低。具体来说，在I数据集上本发明模型与GRU、Informer、Crossformer和EMD-Crossformer相比，MAE值降低了20.386MW

图9为本发明提供的基于深度学习的电力负荷预测方法的一个实施例的复杂模型对比示意图，包括：

将所提出的方法分别与改进前和最新的电力负荷预测模型进行比较，如表7所示：

表7 复杂模型对比

可以理解的是，图9选取了120个样本点，可以直观观察到本发明预测模型的结果更加拟合真实数据曲线。对于复杂的电力负荷数据，本发明模型相较于其他模型而言可以捕获到更多的特征信息，从而得到更高的准确率。本发明预测方法与最新的几个预测方法相比，在两个数据集上依旧达到了最优预测精度。将对比实验的预测结果可视化，如图9所示。

图10为本发明提供的基于深度学习的电力负荷预测装置的一个实施例结构示意图，包括：

子模态数据单元101，用于获取电力负荷原始数据，基于VMD算法对所述电力负荷原始数据进行分解，得到多个子模态数据；

划分数据集单元102，用于基于所述电力负荷原始数据和所述多个子模态数据，得到重构数据，基于所述重构数据进行数据划分，得到训练集、验证集和测试集；

构建电力负荷预测模型单元103，用于获取Crossformer网络模型，将所述训练集和所述验证集输入至所述Crossformer网络模型中进行迭代训练，得到电力负荷预测模型；

输出单元104，用于将所述测试集输入至所述电力负荷预测模型，得到电力负荷预测结果。

上述实施例提供的基于深度学习的电力负荷预测装置1000可实现上述基于深度学习的电力负荷预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述基于深度学习的电力负荷预测方法实施例中的相应内容，此处不再赘述。

如图11所示，本发明还相应提供了一种电子设备1100。该电子设备1100包括处理器1101、存储器1102及显示器1103。图11仅示出了电子设备1100的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

处理器1101在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器1102中存储的程序代码或处理数据，例如本发明中的基于深度学习的电力负荷预测方法。

在一些实施例中，处理器1101可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器1101可为本地的或远程的。在一些实施例中，处理器1101可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部云、多重云等，或以上的任意组合。

存储器1102在一些实施例中可以是电子设备1100的内部存储单元，例如电子设备1100的硬盘或内存。存储器1102在另一些实施例中也可以是电子设备1100的外部存储设备，例如电子设备1100上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。

进一步地，存储器1102还可既包括电子设备1100的内部储存单元也包括外部存储设备。存储器1102用于存储安装电子设备1100的应用软件及各类数据。

显示器1103在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器1103用于显示在电子设备1100的信息以及用于显示可视化的用户界面。电子设备1100的部件1101-1103通过系统总线相互通信。

在一实施例中，当处理器1101执行存储器1102中的基于深度学习的电力负荷预测程序时，可实现以下步骤：

获取电力负荷原始数据，基于VMD算法对所述电力负荷原始数据进行分解，得到多个子模态数据；

基于所述电力负荷原始数据和所述多个子模态数据，得到重构数据，对所述重构数据进行数据划分，得到训练集、验证集和测试集；

获取Crossformer网络模型，将所述训练集和所述验证集输入至所述Crossformer网络模型中进行迭代训练，得到电力负荷预测模型；

将所述测试集输入至所述电力负荷预测模型，得到电力负荷预测结果。

应当理解的是：处理器1101在执行存储器1102中的基于深度学习的电力负荷预测程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。

进一步地，本发明实施例对提及的电子设备1100的类型不做具体限定，电子设备1100可以为手机、平板电脑、个人数字助理(personaldigital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备1100也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。

相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的基于深度学习的电力负荷预测方法中的步骤或功能。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上对本发明所提供的基于深度学习的电力负荷预测方法、装置及电子设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。