[發明專利]能源負荷短期預測方法、裝置、計算機設備及存儲介質

有效

• 申請號: 201911134295.0
• 申請日: 2019-11-19
• 公開（公告）號: CN110909928B
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 王國勛;董坤磊;唐小林;李彬;熊嬌;石強
• 申請（專利權）人: 潤聯軟件系統（深圳）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/00;G06N3/08
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 林燕云

1.一種能源負荷短期預測方法，其特征在于，包括：

利用組合小波變換對原始能源負荷數據進行分解，獲取二階近似分量、二階細節分量和一階細節分量；所述組合小波變換由雙正交小波變換、懶小波變換、多貝西小波變換和哈爾小波變換構成；所述原始能源負荷數據則是指電力負荷的歷史數據；將原始能源負荷數據中的細節信息歸類并制作成one-hot向量形式；

所述利用組合小波變換對原始能源負荷數據進行分解，獲取二階近似分量、二階細節分量和一階細節分量，包括：

對不同小波變換下得到的原始的二階近似分量、二階細節分量和一階細節分量進行歸一化處理；

并對歸一化處理后得到的各分量的卡方統計量分別進行比較，獲取不同小波變換的權重；

將不同小波變換得到的原始的二階近似分量，根據其權重進行加權組合得到最終的二階近似分量；將不同小波變換得到的原始的二階細節分量，根據其權重進行加權組合得到最終的二階細節分量；以及將不同小波變換得到的原始的一階細節分量，根據其權重進行加權組合得到最終的一階細節分量；

原始能源負荷數據滿足以下關系式：

y＝ya2_i+yd2_i+yd1_i|_{i＝1，2，3，4}

式中，y表示原始能源負荷數據，右下角標i表示小波變換的類型，編號1、2、3、4分別對應雙正交小波、懶小波、多貝西小波、哈爾小波，ya2_i、yd2_i、yd1_i分別表示分解得到每一組的二階近似變量、二階細節變量、一階細節變量；

通過對不同小波變換結果進行組合加權獲得最終的分解信號如下：

式中，W_i表示編號為i的小波變換的權重，并且W_i＞0，i＝1，2，3，4，滿足表示二階近似分量，表示二階細節分量，表示一階細節分量；

獲取與能源負荷短期預測相關的外生變量，并將所述外生變量與二階近似分量、二階細節分量和一階細節分量進行結合，得到Arima模型樣本集和RNN模型樣本集；所述外生變量包括：最高氣溫、最低氣溫、雨雪等級、是否晴天、是否供暖、是否工作日、是否元旦、是否過年、是否清明、是否五一、是否端午節、是否中秋節、是否國慶節、節假目前夕、節假日剛過；

所述獲取與能源負荷短期預測相關的外生變量，并將所述外生變量與二階近似分量、二階細節分量和一階細節分量進行結合，得到Arima模型樣本集和RNN模型樣本集，包括：

將當日之前的連續多日內的二階近似分量與當日的外生變量結合生成Arima模型樣本集；

將當日之前的連續多日內的二階細節分量、連續多日內的一階細節分量分別與當日的外生變量結合，分別生成第一RNN模型樣本集和第二RNN模型樣本集；

利用Arima模型對Arima模型樣本集進行學習并得到趨勢預測結果；

利用RNN模型對RNN模型樣本集進行學習并得到細節預測結果；所述RNN模型采用分類網絡；

將所述趨勢預測結果與所述細節預測結果進行綜合，得到最終的能源負荷短期預測結果；

所述利用Arima模型對Arima模型樣本集進行學習并得到趨勢預測結果，包括：

對Arima模型樣本集中的樣本進行一階差分處理，再進行平穩性檢測，然后進行白噪聲檢測，然后確定模型參數，最后送入Arima模型進行學習并得到趨勢預測結果；

所述利用RNN模型對RNN模型樣本集進行學習并得到細節預測結果，包括：

先將第一RNN模型樣本集中的樣本送入全連接層進行向量調整；

再將調整后的樣本送入多層長短時記憶單元進行學習；

然后將學習后的樣本送入Softmax層進行輸出并利用one-hot向量進行編碼得到第一細節預測結果；

以及，先將第二RNN模型樣本集中的樣本送入全連接層進行向量調整；

再將調整后的樣本送入多層長短時記憶單元進行學習；

然后將學習后的樣本送入Softmax層進行輸出并利用one-hot向量進行編碼得到第二細節預測結果。

2.根據權利要求1所述的能源負荷短期預測方法，其特征在于，所述將所述趨勢預測結果與所述細節預測結果進行綜合，得到最終的能源負荷短期預測結果，包括：

將趨勢預測結果與細節預測結果進行累加，得到最終的預測結果。