一种基于Autoformer模型的电力负荷控制方法及系统与流程

一种基于autoformer模型的电力负荷控制方法及系统
技术领域
1.本发明涉及电力系统领域，更具体的，涉及一种基于autoformer模型的电力负荷控制方法及系统。


背景技术：

2.电力负荷管理系统是采用无线、有线、载波等通信方式，由供电公司电力负荷管理系统主站通过安装在客户端的电力负荷管理终端，对某个区域或客户的电能使用状况实行监测和控制，并对采集的数据进行分析、应用的综合系统。该系统中包括终端、收发设备及信道、主站软硬件设备及其形成的数据库、文档等。目前，该系统的应用功能主要包括数据采集、负荷控制、需求侧与服务支持、电力营销管理支持、营销分析与决策分析支持等。
3.然而，现有技术中由于电力系统负荷预测算法不够准确，这就导致该系统无法准确的反映电力需求情况，因而也无法进一步实现电力供需平衡的调节、无法提高用电效率以及开展能效管理。除此之外，电力系统也无法准确的落实错峰、避峰等需求侧的管理措施，难以检测客户端的电能质量，无法为判断供电故障提供有效依据，导致故障抢修响应水平低下。
4.由于电力负荷用户的需求响应模型中，无论是历史数据还是待预测的数据均具备较强的时间序列特性，因此，采用transformer的时间序列预测模型，通过自注意力机制（self-attention）来捕捉时刻间的依赖，能够在时序预测上提供较为精准的运算结果。但是，对于电力系统这种长期运行的电力负荷时间序列来说，仍然存在许多不足。例如，长序列中的复杂时间模式使得注意力机制难以发现可靠的时序依赖，基于transformer的模型不得不使用稀疏形式的注意力机制来应对二次复杂度的问题，这也造成了信息利用的瓶颈。
5.进一步的，基于transformer改进后的autoformer深度学习网络能够突破将序列分解作为预处理的传统方法，其提出了深度分解架构，能够从复杂时间模式中分解出可预测性更强的组分。基于随机过程理论，提出自相关机制，代替点向连接的注意力机制，实现序列级连接，打破信息利用瓶颈。
6.然而，autoformer模型较为负载，模型参数也较多，为了实现模型训练，硬件设备的要求更高。这导致模型推理预测速度较慢，硬件成本居高不下，现有技术中的模型压缩方法也难以实现有效的参数量和运算量的大幅降低。
7.针对上述问题，亟需一种基于autoformer模型的电力负荷控制方法及系统。


技术实现要素：

8.为解决现有技术中存在的不足，本发明提供一种基于autoformer模型的电力负荷控制方法及系统，通过采集负荷用户的需求响应潜力，采用最小平方误差函数、自注意力头掩膜训练函数和学习阈值软修剪训练函数联合实现autoformer模型的简化，以获取负荷预测结果并控制电力设备。
9.本发明采用如下的技术方案。
10.本发明第一方面，涉及一种基于autoformer模型的电力负荷控制方法，方法包括以下步骤：步骤1，对电力系统中负荷用户的需求响应潜力进行采集，并基于需求响应潜力生成输入张量；步骤2，采用autoformer模型对输入张量进行计算以输出电力负荷预测结果；其中，autoformer模型所采用的损失函数中包括最小平方误差函数、自注意力头掩膜训练函数和学习阈值软修剪训练函数；步骤3，基于电力负荷预测结果对于电力设备进行控制，以根据负荷预测结果实现相应负荷量的发输变配。
11.优选的，负荷用户的需求响应潜力基于负荷用户的历史日负荷曲线获取；并且，第个时间窗内的需求响应潜力值为，其中，为第个时间窗内的需求响应潜力评估值，为第个时间窗内的负荷波动率。
12.优选的，第个时间窗内的需求响应潜力评估值为第个时间窗内各个采样点中最大负荷量与最小负荷量之差。
13.优选的，第个时间窗内的负荷波动率为其中，为第个时间窗内各个采样点所对应负荷量的标准差；为第个时间窗内各个采样点所对应负荷量的均值。
14.优选的，时间窗的长度可调，且时间窗的长度为采样点间隔时间的整数倍。
15.优选的，输入张量中包括下述维度：数据批尺寸、特征种类、数据采集时间、特征取值；其中，特征种类中还包括需求响应潜力、温度、监控电价执行情和地区；并且，输入张量中每一维度的数据均进行了归一化处理。
16.优选的，采用holt-winters加法模型实现autoformer模型中的序列分解过程。
17.优选的，autoformer模型的损失函数为其中，为第个时间窗下的目标值，为第个时间窗下的估计值，为第一权重，为第二权重，为自注意力头掩膜训练函数，为学习阈值软修剪训练函数。
18.优选的，其中，为autoformer模型中自注意力头的掩膜系数，为掩膜系数作为连续随机变量实现l0范数表示时的参数，是的连续分布函数，为在该分布条件下的概率值。
19.优选的，
其中，为l1范数，为autoformer模型中的激活函数，为autoformer模型中第层令牌的重要度值，为autoformer模型中第层的令牌重要度阈值，为温度参数。
20.优选的，第一权重和第二权重的取值基于二分法确定。
21.本发明第二方面，涉及一种基于autoformer模型的电力负荷控制系统，系统采用本发明第一方面中的方法的步骤实现；并且，系统包括输入模块、计算模块和控制模块；其中，输入模块，用于对电力系统中负荷用户的需求响应潜力进行采集，并基于需求响应潜力生成输入张量；计算模块，用于采用autoformer模型对输入张量进行计算以输出电力负荷预测结果；其中，autoformer模型所采用的损失函数中包括最小平方误差函数、自注意力头掩膜训练函数和学习阈值软修剪训练函数；控制模块，用于基于电力负荷预测结果对于电力设备进行控制，以根据负荷预测结果实现相应负荷量的发输变配。
22.本发明的有益效果在于，与现有技术相比，本发明中的一种基于autoformer模型的电力负荷控制方法及系统，能够通过采集负荷用户的需求响应潜力，采用最小平方误差函数、自注意力头掩膜训练函数和学习阈值软修剪训练函数联合实现autoformer模型的简化，以获取负荷预测结果并控制电力设备。本发明方法清晰、思路准确，能够有效降低模型参数量和预算两，在不影响网络性能的情况下，消除模型中的冗余数据，在训练结束后所有参数仍然能够有效复用至其他预测中，提升了预测模型的准确度，提高了电力负荷管理系统的运行效率，为负荷管理打下坚实基础。
23.本发明的有益效果还包括：1、本发明中预先对于日负荷曲线的特征进行了提取，从而从数据输入层面就充分降低了数据的输入量，大幅度降低了算法的推理过程。另外，本发明在日负荷相关数据的基础上，还增加了温度、地区等的影响因素，从而优化了算法的输入数据的可分析性质，使得算法能够通过充分的影响因素对数据进行优化处理，提高了输出结果的准确性。
24.2、本发明优化了autoformer模型，采用holt-winter加法模型来实现autoformer中的序列分解过程，从而更好地区分出来时间序列中的水平影响因素、趋势性影响因素和周期性影响因素。
25.3、为了实现算法的轻量化设计，本发明采用了多种函数组合而成的函数作为算法的损失函数，该函数可以大幅度的减少神经网络的大小和所需的计算量。本发明考虑采用多种不同函数进行算法模型的简化，不仅简化了自注意力头的数量，而且简化了中间层中传输的输出令牌，两种简化方式互不影响，效果积累，简化后的模型更为轻量，推理速度最优。
附图说明
26.图1为本发明一种基于autoformer模型的电力负荷控制方法的步骤流程示意图；图2为本发明一种基于autoformer模型的电力负荷控制系统的模型结构示意图。
具体实施方式
27.为使本发明的目的、技术方案和优点更加清晰，下面将结合本发明实施例中的附
图，对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有做出创造性劳动的前提下，根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例，都应当属于本发明的保护范围。
28.图1为本发明一种基于autoformer模型的电力负荷控制方法的步骤流程示意图。如图1所示，本发明第一方面，涉及一种基于autoformer模型的电力负荷控制方法，方法包括步骤1至3。
29.步骤1，对电力系统中负荷用户的需求响应潜力进行采集，并基于需求响应潜力生成输入张量。
30.可以理解的是，本发明中通过对于电力系统中负荷用户的需求响应等数据进行采集和分析，从而生成算法的输入数据。
31.优选的，负荷用户的需求响应潜力基于负荷用户的历史日负荷曲线获取；并且，第个时间窗内的需求响应潜力值为，其中，为第个时间窗内的需求响应潜力评估值，为第个时间窗内的负荷波动率。
32.可以理解的是，本发明中可以根据电力负荷管理系统中相关的历史日负荷数据来进行采样，同时设定不同的时间窗，对于时间窗内的采样数据进行相应的计算，从而获取最终的需求响应数据。
33.优选的，第个时间窗内的需求响应潜力评估值为第个时间窗内各个采样点中最大负荷量与最小负荷量之差。
34.在某一个选定的时间窗内，本发明可以获取到该时间窗内所有采样点的负荷量情况，其中最高负荷量所对应的采样点和最低负荷量所对应的采样点会被提取出来，然后计算最高负荷量与最低负荷量采样点的负荷量之差，从而得到上述评估值。
35.优选的，第个时间窗内的负荷波动率为其中，为第个时间窗内各个采样点所对应负荷量的标准差；为第个时间窗内各个采样点所对应负荷量的均值。
36.可以理解的是，如上述公式中，本发明中负荷波动率指标可以根据窗口内各个采样点负荷量的波动情况确认。
37.优选的，时间窗的长度可调，且时间窗的长度为采样点间隔时间的整数倍。
38.可以理解的是，本发明一实施例中，可以选取用户最近两年的1440点的日负荷曲线。其中，时间窗可以分别调节为30分钟、60分钟或者120分钟。相应的，本发明以15分钟为步长进行负荷量采样。
39.本发明中，可以利用一天的负荷曲线，在不同的时间段，通过不同时间尺度的滑动窗对用户需求响应潜力进行计算，同一时间尺度下，同一个时间段内，通过窗口滑动计算出的需求响应潜力的平均值，定义为该用户在该时间尺度下、该时间段内的需求响应潜力。
40.优选的，输入张量中包括下述维度：数据批尺寸、特征种类、数据采集时间、特征取
值；其中，特征种类中还包括需求响应潜力、温度、监控电价执行情和地区；并且，输入张量中每一维度的数据均进行了归一化处理。
41.可以理解的是，本发明中除了采集最重要的用户需求响应潜力数据之外，还同时会采集与上述数据在时间上相互对应的本地温度数据、执行监控电价与否的情况，电网的具体区域等信息，并作为输入数据的一部分。
42.其中，本地温度数据可以根据电网设备本地上设置的温度传感器进行采集，也可以根据数据接口调用当地的气象数据。另外，监控电价作为一种政策性信息，本地是否执行了该监控电价，或具体的执行范围、执行程度等信息可以作为本发明中预测未来电网中负荷需求的重要参量，这部分参数可以由本地配电网中的相关工作人员进行人为的设置。另外，电网所在的具体区域能够表征出该区域是否受到疫情、天气、灾害等因素的影响，以及受影响的程度，从而也会在一定程度上，使得相应的历史负荷量受到影响，并在本发明算法的基础上影响最终的预测负荷量。
43.为了方便进行算法的运算，输入张量中还增加了数据的批尺寸和数据采集所对应的时间等算法相关参数。另外，为了帮助模型的梯度计算和概率输出，本发明中还对以上张量进行了归一化处理再进行输出，即将每个数据减去均值再除以标准差。
44.步骤2，采用autoformer模型对输入张量进行计算以输出电力负荷预测结果；其中，autoformer模型所采用的损失函数中包括最小平方误差函数、自注意力头掩膜训练函数和学习阈值软修剪训练函数。
45.本发明中所采用的autoformer模型可以与现有技术中的模型类似。
46.优选的，采用holt-winters加法模型实现autoformer模型中的序列分解过程。另外，为了更好的改进原有autoformer模型中的分解方式，本发明优化了autoformer模型，采用holt-winter加法模型来实现autoformer中的序列分解过程，从而更好地区分出来时间序列中的水平影响因素、趋势性影响因素和周期性影响因素。
47.另外，本发明中对autoformer模型的改进之处还在于对于该模型损失函数的改进。
48.优选的，autoformer模型的损失函数为其中，为第个时间窗下的目标值，为第个时间窗下的估计值，为第一权重，为第二权重，为自注意力头掩膜训练函数，为学习阈值软修剪训练函数。
49.可以理解的是，为了实现算法的轻量化设计，本发明采用了多种函数组合而成的函数作为算法的损失函数，该函数可以大幅度的减少神经网络的大小和所需的计算量。
50.优选的，
其中，为autoformer模型中自注意力头的掩膜系数，为所述掩膜系数作为连续随机变量实现l0范数表示时的参数，是的连续分布函数；为在该分布条件下的概率值。加入该分布函数是为了让l0范数连续可微，在放入损失函数中训练后，若，则该自注意力头可以去掉，以此实现减少参数的目的。可以理解的是，autoformer中的有一些神经元自注意力头可以根据其解释性分为位置神经元自注意力头、语义神经元自注意力头、稀有神经元自注意力头三类。而不具备可解释性的神经元自注意力头中，有些可能从某些难以解释的角度去影响预测结果，有些则是冗余的，可以排除。因此，本发明使用一种针对自注意力head的简化方式，通过将每个单元计算出的表达式autofomer的每个自注意力头乘以可训练的掩膜系数来减少计算量修改原始的autoformer架构。为了训练，我们在原模型的损失函数加入一项l0范数损失项作为正则器来训练的掩膜向量，若训练完的自注意力头对应的系数趋近于0，则该自注意力头可以舍弃，若趋近于1，则该自注意力头可以保留。但由于向量是离散分布的，不具备可微性，此l0损失项将不可导。为了训练向量，即让l0损失项可导，我们在训练过程将的元素按连续分布训练，充分收敛后，再采用硬掩膜全部规范到0或1。
51.优选的，其中，为l1范式，为autoformer模型中的激活函数，为autoformer模型中第层令牌的重要度值，为autoformer模型中第层的令牌重要度阈值，为温度参数。
52.另外，为基于上述参数生成的一个可微分的软掩膜。其采用sigmoid函数将原本不可微分的掩膜替换为可微分的软掩膜，从而实现了与损失函数中其他项的合理叠加。
53.本发明中，采用了基于学习阈值的令牌简化方法，对于模型进行了进一步的压缩。首先，对模型每一层输出的结果进行分段，并将编码器和解码器的中间输出令牌通过一层可训练的掩膜，每个掩膜元素由当前令牌和对应阈值的大小关系来决定是0或1，即每个令牌是否被保留用于接下来的计算。对于不需要的输出结果，掩码会被训练为0，需要的结果掩码会被训练为1。
54.因为比较运算符不可微分，我们使用sigmoid函数来实现可微分的比较运算。因此令牌掩膜的计算公式为。最后，计算可微分掩码的l1范式并将其加入到损失函数中。
55.优选的，第一权重和第二权重的取值基于二分法确定。可以理解的是，本发明中第一权重和第二权重为正则项的惩罚系数，作为模型的超参数可以由算法具体需要实现的任
务进行修正。另外，也可以采用二分法的方式对于取样后的较少的实际的输入数据，也就是样本集，输入到不同的假设参数取值所建立的损失函数中进行分别运算，以获得最优的效果后，确定公式中的参数取值。
56.具体来说，本发明中可以首先设定一个初始值，推荐为1e-4，然后通过观察损失函数的大小以及模型精度的变化来确定初始值是否需要迭代修改，或者是第一权重和第二权重的取值是否最优。具体来说，这种模型精度的变化可以通过以下方式判定，例如，判断损失函数是否保持在原来没有加入剪枝损失项前的数量级，或者判断模型精度的变化趋势和没有加入剪枝损失项前是否一致。如果损失函数绝对值变大较多，则选择一个新的作为下界，1e-4作为上界，以此迭代，直到合适为止。如果损失函数绝对值变化太小，剪枝项无法发挥作用使得掩膜收敛，则应选择一个新的作为上界，1e-4作为下界，以此迭代，直到选取到合适的权重为止。
57.本发明中，经过改进后的算法展示出较好的性能，具体来说，如表1所示，各个算法的计算量如表中所示，informer为现有技术中的一种常用的算法，以该算法单位时间内的计算量作为基准，其他模型的计算量与之进行比较，从而得到直观的计算量分析。其中logtrans算法、reformer算法、传统未被简化的autoformer算法的计算量均较高，而仅增加了自注意力头掩膜训练函数实现的简化和仅增加了学习阈值软修剪训练函数的简化，将算法的计算量进行了一定程度的简化。另外，本发明中的算法在表1中被表征为lighting-auto model，该算法的计算量仅为59.3%，更优于上述两种训练函数的单独采用。
58.表1 各算法的计算量另一方面，本发明中计算了各个不同算法的运算推理时间。在进行各个算法的仿真过程中，本发明均采用了intel haswell cpu和nvidia v100 gpu作为计算平台的运算设备，具备相同的计算速度和能力。在此基础上，获得的数据如表2所示，本发明中改进的算法计算推理速度最高。
59.表2 各算法的推理时间可以理解的是，本发明考虑采用多种不同函数进行算法模型的简化，不仅简化了自注意力头的数量，而且简化了中间层中传输的输出令牌，两种简化方式互不影响，效果积累，简化后的模型更为轻量，推理速度最优。
60.步骤3，基于电力负荷预测结果对于电力设备进行控制，以根据负荷预测结果实现相应负荷量的发输变配。
61.在最终获取到电力负荷预测结果后，可以采用现有技术中各类方式实现输发变配等各个阶段中电力设备的综合调控，从而精准的满足用电侧的需求。例如，直接采用本发明中的电力负荷预测结果，对区域内的发电侧机组设备的运行功率进行调控，可以使得发电机组能够准确的根据预测电量来实现节能、低碳、环保的发电，同时充分满足用电侧的用电需求。
62.另外，还可以采用间接方式为本发明的方法构建数据接口，例如，将本发明中的电力负荷管理系统与现有技术中的例如数据采集与监视控制系统（scada，supervisory control and data acquisition）等系统进行关联，通过将数据采集与监视控制系统中的相关数据导入本发明的系统中，或将本发明中的电力负荷预测结果数据导出至scada系统中，从而实现对各类配电设备的调节，从而使得分布式的用电侧用户能够合理的获取到与预测结果相对应的电量供应。
63.具体来说，本发明中通过用电预测结果控制输、发、变、配各个环节设备运行状态的方法主要为电网潮流计算。在充分符合电网潮流计算这一自然规律的前提下，本发明方法实现了对于电网中各类设备的合理调控。例如，在电网规划阶段，通过潮流计算，合理规划电源容量及接入点，合理规划网架，选择无功补偿方案，满足规划水平的大、小方式下潮流交换控制、调峰、调相、调压的要求。正常检修及特殊运行方式下，基于潮流计算，指导发电厂开机方式，有功、无功调整方案及负荷调整方案，满足线路、变压器热稳定要求及电压质量要求。另外，在重大事件发生时，也可以预想事故、设备退出运行对静态安全的影响分析及作出预想的运行方式调整方案。
64.图2为本发明一种基于autoformer模型的电力负荷控制系统的模型结构示意图。
65.本发明第二方面，涉及一种基于autoformer模型的电力负荷控制系统，系统采用本发明第一方面中方法的步骤实现；并且，系统包括输入模块、计算模块和控制模块；其中，输入模块，用于对电力系统中负荷用户的需求响应潜力进行采集，并基于需求响应潜力生成输入张量；计算模块，用于采用autoformer模型对输入张量进行计算以输出电力负荷预测结果；其中，autoformer模型所采用的损失函数中包括最小平方误差函数、自注意力头掩膜训练函数和学习阈值软修剪训练函数；控制模块，用于基于电力负荷预测结果对于电力设备进行控制，以根据负荷预测结果实现相应负荷量的发输变配。
66.可以理解的是，电力负荷控制系统为了实现上述本技术实施例提供的方法中的各功能，电力负荷控制系统包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
67.本技术实施例可以根据上述方法示例对电力负荷控制系统进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
68.电力负荷控制系统可以包括一个或多个服务器装置，其中该装置包括至少一个处理器，总线系统以及至少一个通信接口。处理器可以是中央处理器(central processing unit,cpu)，还可以由现场可编程逻辑门阵列(field programmable gate array,fpga)、专用集成电路(application-specific integrated circuit，asic)或其他硬件代替，或者，fpga或其他硬件与cpu共同作为处理器。
69.存储器可以是只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compactdisc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
70.硬盘可以为机械盘或固态硬盘(solid state drive,ssd)等。接口卡可以是主机总线适配器(host bus adapter,hba)、独立硬盘冗余阵列卡(redundant array ofindependent disks,rid)、扩展器卡(expander)或网络接口控制器(network interfacecontroller,nic)等，本发明实施例对此不作限定。硬盘模组中的接口卡与硬盘通信。存储节点与硬盘模组的接口卡通信，从而访问硬盘模组中的硬盘。
71.硬盘的接口可以为串行连接小型计算机系统接口(serial attached smallcomputer system interface，sas)、串行高级技术附件(serial advanced technologyattachment，sata)或高速串行计算机扩展总线标准(peripheral componentinterconnect express，pcie)等。
72.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，简称dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，简称ssd))等。
73.用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（isa）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包
执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（fpga）或可编程逻辑阵列（pla），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
74.本发明的有益效果在于，与现有技术相比，本发明中的一种基于autoformer模型的电力负荷控制方法及系统，能够通过采集负荷用户的需求响应潜力，采用最小平方误差函数、自注意力头掩膜训练函数和学习阈值软修剪训练函数联合实现autoformer模型的简化，以获取负荷预测结果并控制电力设备。本发明方法清晰、思路准确，能够有效降低模型参数量和预算两，在不影响网络性能的情况下，消除模型中的冗余数据，在训练结束后所有参数仍然能够有效复用至其他预测中，提升了预测模型的准确度，提高了电力负荷管理系统的运行效率，为负荷管理打下坚实基础。
75.最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。