本發明涉及電力負荷預測相關，具體地說，是涉及一種基于時序分解與注意力機制的電力負荷預測方法及系統。
背景技術：
1、本部分的陳述僅僅是提供了與本發明相關的背景技術信息，并不必然構成在先技術。
2、電力系統具有生產、傳輸與消費同步完成的顯著特性，這決定了電力系統必須在任何時刻保持供需平衡，以保障其穩定、安全、經濟運行。負荷預測作為電網調度與運行管理的關鍵環節，其準確性直接關系到發電計劃的科學性、調度策略的合理性和能源資源的最優配置。高精度的負荷預測不僅能夠有效提升電力系統的運行效率、降低運行成本，同時對于保障社會正常運行、提高電力服務質量具有重要意義。特別是在可再生能源大規模接入、需求響應機制日益普及的新型電力系統背景下，負荷預測的復雜性和重要性進一步提升，對預測模型的智能化和自適應能力提出了更高要求。
3、目前，電力負荷預測主要依賴于傳統統計建模方法（如時間序列分析、回歸模型）及部分經典的機器學習方法。然而，隨著電網結構日益復雜和多源異構因素的廣泛接入，這些方法在實踐應用中暴露出一系列技術瓶頸。首先，傳統模型普遍依賴于線性或平穩性假設，難以適應負荷數據中廣泛存在的非線性、非平穩特征；其次，面對諸如氣象因素、新能源發電輸出、用戶行為變化等高度不確定的外部變量時，現有模型的適應性和泛化能力明顯不足。此外，許多方法高度依賴大規模高質量歷史數據，且對數據噪聲、缺失和異常值敏感，難以滿足實時預測的需求。盡管近年來以transformer為代表的新型深度學習結構在時間序列建模中展現出良好性能，如crossformer、itransformer、patchtst等模型均針對特定結構進行優化設計，但在面對負荷序列中變量協同變化、多分量解耦建模等問題時，仍存在預測精度不穩定、模型泛化能力弱、特征融合機制不足等問題。
技術實現思路
1、本發明為了解決上述問題，提出了一種基于時序分解與注意力機制的電力負荷預測方法及系統，引入自適應時序分解、樣本熵引導的權重機制以及注意力增強的編碼器-解碼器結構，實現了多分量協同建模和跨尺度動態預測，有效提升了在復雜負荷數據和小樣本場景下的預測準確性與穩定性。
2、為了實現上述目的，本發明采用如下技術方案：
3、一個或多個實施例提供了基于時序分解與注意力機制的電力負荷預測方法，包括如下步驟：
4、對獲取的原始負荷序列進行自適應時序分解，將分解后的各分量計算樣本熵并進行聚類，得到低頻數據、中頻數據與高頻數據；
5、將得到的低頻數據、中頻數據與高頻數據，針對每一數據構建一組編碼器和解碼器網絡，進行并行編碼提取特征后，將特征從低頻至高頻進行串行解碼重構，逐級輸出低頻至高頻的預測數據；
6、基于樣本熵初始化權重，并在編碼器和解碼器網絡訓練過程中優化得到訓練后的權重，以訓練后的權重對低頻至高頻的預測數據進行加權融合，得到電力負荷的預測值。
7、基于時序分解與注意力機制的電力負荷預測系統，包括：
8、多尺度時序分解模塊，被配置為對獲取的原始負荷序列進行自適應時序分解，將分解后的各分量計算樣本熵并進行聚類，得到低頻數據、中頻數據與高頻數據；
9、模型預測模塊，被配置為將得到的低頻數據、中頻數據與高頻數據，針對每一數據構建一組編碼器和解碼器網絡，進行并行編碼提取特征后，將特征從低頻至高頻進行串行解碼重構，逐級輸出低頻至高頻的預測數據；
10、自適應加權融合模塊，被配置為基于樣本熵初始化權重，并在編碼器和解碼器網絡訓練過程中優化得到訓練后的權重，以訓練后的權重對低頻至高頻的預測數據進行加權融合，得到電力負荷的預測值。
11、一種電子設備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成上述的基于時序分解與注意力機制的電力負荷預測方法中的步驟。
12、一種計算機可讀存儲介質，用于存儲計算機指令，所述計算機指令被處理器執行時，完成上述的基于時序分解與注意力機制的電力負荷預測方法中的步驟。
13、與現有技術相比，本發明的有益效果為：
14、本發明的方法能夠有效應對復雜負荷數據的非線性和時變性特征，通過自適應時序分解提高了特征提取的準確性，并避免了傳統人工特征設計的局限；利用樣本熵指導聚類與權重初始化，使得模型具備一定的數據復雜性感知能力，從而提升在小樣本場景下的預測魯棒性；串行解碼與加權融合機制在不同頻段建模中引入層次化策略，實現多分量協同建模，提高了跨時間尺度下的預測精度與穩定性。此外，注意力機制的引入增強了模型的特征識別能力，進一步提升模型的泛化性能。
15、本發明的優點以及附加方面的優點將在下面的具體實施例中進行詳細說明。
1.基于時序分解與注意力機制的電力負荷預測方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于時序分解與注意力機制的電力負荷預測方法，其特征在于，對獲取的原始負荷序列進行自適應時序分解，將分解后的各分量進行聚類，得到低頻信息、中頻信息與高頻信息的方法，包括如下步驟：
3.如權利要求1所述的基于時序分解與注意力機制的電力負荷預測方法，其特征在于：預測數據的生成過程，包括如下步驟：
4.如權利要求3所述的基于時序分解與注意力機制的電力負荷預測方法，其特征在于：對低頻數據、中頻數據、高頻數據分別進行數據嵌入處理，包括：
5.如權利要求3所述的基于時序分解與注意力機制的電力負荷預測方法，其特征在于：
6.如權利要求1所述的基于時序分解與注意力機制的電力負荷預測方法，其特征在于：對編碼器和解碼器網絡進行訓練的過程，包括如下步驟：
7.如權利要求6所述的基于時序分解與注意力機制的電力負荷預測方法，其特征在于：
8.基于時序分解與注意力機制的電力負荷預測系統，其特征在于，包括：
9.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成權利要求1-7任一項所述的基于時序分解與注意力機制的電力負荷預測方法中的步驟。
10.一種計算機可讀存儲介質，其特征在于，用于存儲計算機指令，所述計算機指令被處理器執行時，完成權利要求1-7任一項所述的基于時序分解與注意力機制的電力負荷預測方法中的步驟。