本發明涉及電力負荷預測，尤其涉及一種電力負荷預測方法、裝置、設備和介質。
背景技術：
1、準確的負荷預測是電力系統安全、經濟運行的重要基礎，對于電網調度、發電計劃及電力市場交易具有關鍵意義。
2、近年來，隨著大語言模型（llm,?large?language?model）在自然語言處理領域的突破，其在多模態學習與時間序列建模中的潛力受到關注。已有研究嘗試將時間序列以文本形式輸入語言模型，通過提示工程（prompt?engineering）使模型理解時間序列模式。
3、然而，將時間序列轉文本時易丟失精準數值特征與系統動態演化規律，難以實現語義信息與時序特征的深度協同校準，在數據稀疏、噪聲干擾或新用電場景下易出現語義與數值脫節問題，導致對電力負荷預測的精度、魯棒性與可解釋性有待提升。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種電力負荷預測方法、裝置、設備和介質，用以解決現有技術中的缺陷，實現更準確的電力負荷預測。
2、本說明書采用下述技術方案：
3、本說明書提供了一種電力負荷預測方法，包括：
4、從關聯于待預測電力系統的不同數據源獲取歷史時間序列數據；
5、將來自不同數據源的歷史時間序列數據輸入預訓練的電力負荷預測模型的提示編碼分支，提示編碼分支將來自不同數據源的歷史時間序列數據分別轉化為表述數據源屬性、時序特征及電力負荷關聯信息的單源自然語言文本，并對各單源自然語言文本進行編碼，獲得包括各數據源語義信息的提示嵌入；
6、將來自不同數據源的歷史時間序列數據輸入預訓練的電力負荷預測模型中的時間序列編碼分支，時間序列編碼分支將來自不同數據源的歷史時間序列數據分別映射為表征對應數據源整體時序變化特征的單源時序特征，并對各單源時序特征的依賴關系進行建模，獲得表征待預測電力系統整體動態演化的時間序列嵌入；
7、將提示嵌入和時間序列嵌入輸入預訓練的電力負荷預測模型的跨模態融合模塊進行融合，獲得電力負荷跨模態增強嵌入；
8、將電力負荷跨模態增強嵌入輸入預訓練的電力負荷預測模型的解碼模塊進行解碼，獲得待預測電力系統的電力負荷預測結果。
9、進一步地，所述提示編碼分支包括大語言模型和嵌入壓縮單元；所述獲得包括各數據源語義信息的提示嵌入，具體包括：
10、通過大語言模型將來自不同數據源的歷史時間序列數據分別轉化為表述數據源屬性、時序趨勢描述及電力負荷關聯信息的單源自然語言文本；
11、通過嵌入壓縮單元對各單源自然語言文本進行編碼，在編碼過程中，將單源自然語言文本拆分為多個token，并將各單源自然語言文本的前序token匯聚至末端token，將各單源自然語言文本對應的末端token進行整合，獲得包括各數據源語義信息的提示嵌入：
12、
13、
14、其中，表示第個單源自然語言文本對應的末端token；表示由第個單源自然語言文本前序token的查詢向量組成的矩陣；表示由第個單源自然語言文本前序token的鍵向量組成的矩陣；上標t表示裝置；表示鍵向量的維度；表示由第個單源自然語言文本由第個單源自然語言文本前序token的值向量組成的矩陣；表示數據源總數；~為第1個單源自然語言文本~第個單源自然語言文本對應的末端token；是提示嵌入。
15、進一步地，所述時間序列編碼分支包括反向嵌入層和transformer編碼器；所述獲得表征待預測電力系統整體動態演化的時間序列嵌入，具體包括：
16、通過反向嵌入將來自不同數據源的歷史時間序列數據分別映射為表征對應數據源整體時序變化特征的單源時序特征：
17、
18、其中，為數據源總數；和為線性映射層通過預訓練學習到的第一映射權重和第二映射權重；為來自第個數據源的歷史時間序列數據；為第個數據源的單源時序特征；
19、通過transformer編碼器對各數據源對應的單源時序特征的依賴關系進行建模，獲得表征待預測電力系統整體動態演化的時間序列嵌入：
20、
21、
22、其中，~為第1個數據源~第個數據源的單源時序特征，上標t表示轉置，表示的維度為，為單源時序特征的長度；為transformer編碼器；為時間序列嵌入。
23、進一步地，所述跨模態融合模塊包括投影單元、通道相似度計算單元與加權特征融合單元，所述獲得電力負荷跨模態增強嵌入，具體包括：
24、通過投影單元將提示嵌入和時間序列嵌入投影至共享空間：
25、
26、
27、
28、其中，、和分別表示在預訓練過程中學習到的第一、第二和第三共享投影矩陣；表示時間序列嵌入在共享空間的投影結果，用于通道相似度計算的查詢向量；表示提示嵌入在共享空間的投影結果，用于通道相似度計算的鍵向量；表示提示嵌入在共享空間的投影結果，用于通道相似度計算的值向量；
29、通過通道相似度計算單元獲得提示嵌入和時間序列嵌入的通道相似度矩陣：
30、
31、其中，上標t表示轉置；表示鍵向量的維度；
32、通過加權特征融合單元對提示嵌入進行通道加權，并與時間序列嵌入進行線性疊加，獲得電力負荷跨模態增強嵌入：
33、
34、其中，是電力負荷跨模態增強嵌入。
35、進一步地，所述解碼模塊包括掩碼自注意力層、跨模態注意力層和前饋網絡層，所述獲得待預測電力系統的電力負荷預測結果，具體包括：
36、通過掩碼自注意力層對電力負荷跨模態增強嵌入的時間維度順序依賴關系進行建模：
37、
38、其中，為上三角掩碼矩陣，用于阻止解碼模塊訪問未來信息，確保預測的因果性；、和為根據跨模態增強嵌入生成的查詢向量、鍵向量與值向量；為時序依賴電力特征；上標t表示轉置；
39、通過跨模態注意力層對時序依賴建模特征與提示嵌入之間建模跨模態交互關系：
40、
41、其中，為由時序依賴建模特征生成的查詢向量；和分別由提示嵌入生成的鍵向量與值向量，用于提供語義補充信息；為跨模態電力特征；
42、通過前饋網絡層輸出電力負荷預測結果：
43、
44、其中，是電力負荷預測結果；和是預訓練過程中學習到的第一預測矩陣和第二預測矩陣。
45、進一步地，所述電力負荷預測模型通過融合預測精度與模態對齊約束的損失函數實現預訓練：
46、
47、
48、其中，m為時間步；為第個時間步的預測負荷值，為第個時間步的真實負荷值；和為第一權重系數和第二權重系數；為電力負荷預測模型參數集合，表示l2正則化項；為模態對齊正則項：為提示嵌入和時間序列嵌入的通道相似度矩陣；為單位矩陣。
49、本說明書提供了一種電力負荷預測裝置，包括：
50、數據獲取模塊，用于從關聯于待預測電力系統的不同數據源獲取歷史時間序列數據；
51、提示嵌入模塊，用于將來自不同數據源的歷史時間序列數據輸入預訓練的電力負荷預測模型的提示編碼分支，提示編碼分支將來自不同數據源的歷史時間序列數據分別轉化為表述數據源屬性、時序特征及電力負荷關聯信息的單源自然語言文本，并對各單源自然語言文本進行編碼，獲得包括各數據源語義信息的提示嵌入；
52、時序嵌入模塊，用于將來自不同數據源的歷史時間序列數據輸入預訓練的電力負荷預測模型中的時間序列編碼分支，時間序列編碼分支將來自不同數據源的歷史時間序列數據分別映射為表征對應數據源整體時序變化特征的單源時序特征，并對各單源時序特征的依賴關系進行建模，獲得表征待預測電力系統整體動態演化的時間序列嵌入；
53、融合模塊，用于將提示嵌入和時間序列嵌入輸入預訓練的電力負荷預測模型的跨模態融合模塊進行融合，獲得電力負荷跨模態增強嵌入；
54、預測模塊，用于將電力負荷跨模態增強嵌入輸入預訓練的電力負荷預測模型的解碼模塊進行解碼，獲得待預測電力系統的電力負荷預測結果。
55、本說明書提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現上述電力負荷預測方法。
56、本說明書提供了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述電力負荷預測方法。
57、本說明書采用的上述至少一個技術方案能夠達到以下有益效果：
58、本發明針對電力負荷預測中多源數據異構、復雜場景下預測穩定性不足及可解釋性弱的痛點，通過時間序列分支精準建模電力系統動態演化的規律，聚焦電力負荷隨多因素變化的時序特性，通過提示編碼分支將多源時序數據轉化為富含語義的自然語言描述，捕獲數據源間隱性關聯與難以量化的復雜模式；兩者經跨模態融合后形成語義引導-時序校準的閉環：語義信息彌補純數值分析在數據稀疏、噪聲干擾或新場景下的電力負荷預測盲區，時序特征則校正純語言模型對電力負荷精確數值變化的感知不足，最終同步實現了電力負荷預測精度、魯棒性與可解釋性的提升。