[發明專利]一種用電量預測方法和系統

有效

• 申請號: 202010578304.1
• 申請日: 2020-06-23
• 公開（公告）號: CN111709588B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 唐玉維
• 申請（專利權）人: 蘇州聯電能源發展有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0442;G06N3/08;G06F18/15;G06F18/2131;G06F18/214
• 代理公司: 蘇州謹和知識產權代理事務所(特殊普通合伙) 32295
• 代理人: 葉棟

本發明提供一種用電量預測方法，包括：對智能電表采集的用電量數據進行穩定小波變換，再對變換后的數據進行歸一化處理，將變換后的數據按比例縮小至0?1之間；所述穩定小波變換用于將用電量數據轉換成具有相同特征維度的多個輸入向量；將所述多個輸入向量依次導入訓練好的基于GRU網絡創建的用電量預測模型，利用GRU網絡提供的前n個時間步長的歷史數據點，對導入的多個輸入向量進行訓練以預測接下來n個時間步長中的用電量。本發明能夠有效利用智能電表采集的用電量數據，從信號源端對用電量進行預測，預測結果更具時效性和針對性。

技術領域

本發明涉及用電量預測領域，具體而言涉及一種用電量預測方法和系統。

背景技術

在當前大力推廣電力改革的情況下，企業用電量預測對于企業購電決策有重要作用，同時也為各類相關管理部門提供有效的管理支撐。根據調查研究顯示，供電公司為了滿足用電單位高峰時用電的需求，通常會提升的發電能力來滿足潛在的峰值需求，對未來用電量進行預測，有利于發電廠以及供電網絡制定合理的發電、輸電計劃，減少電力資源的浪費。通過電網智能化升級改造，將傳統電網與先進的信息、智能技術相融合，實現電力行業的根本性變革。

在電量預測時，采用以循環神經網絡(recurrent?neural?network,RNN)為主體構建的預測模型是短期負荷預測方法中的典型代表，但存在難以有效提取歷史序列中潛在高維特征且當時序過長時重要信息易丟失的問題。《電網技術》2019年12期中提出了一種基于注意力機制的CNN-GRU短期電力負荷預測方法，將歷史負荷數據作為輸入，搭建由一維卷積層和池化層等組成的CNN架構，提取反映負荷復雜動態變化的高維特征；將所提特征向量構造為時間序列形式作為GRU網絡的輸入，建模學習特征內部動態變化規律，并引入Attention機制通過映射加權和學習參數矩陣賦予GRU隱含狀態不同的權重，減少歷史信息的丟失并加強重要信息的影響,最后完成短期負荷預測。

然而，智能電表作為智能電網系統中收集用戶用電信息的代表性邊緣設備，當前智能電表收集的用電量數據存在維度低、波動性強等特征，同時其他相關特征信息不可得等問題，難以應用前述方法進行短期用電量預測。如何基于智能電表提出一種可有效利用GRU網絡進行用電量預測的方法，成為目前亟需解決的問題。

發明內容

本發明目的在于提供一種用電量預測方法和系統，基于小波變換和GRU(門控循環單元)的組合模型wavelet_GRU，提取智能電表采集到的用電量信號中的具有相同特征維度的多個低頻近似部分和多個高頻細節部分，導入基于GRU網絡創建的用電量預測模型，對接下來的n個時間步長的用電量進行準確預測。本發明能夠有效利用智能電表采集的用電量數據，從信號源端對用電量進行預測，預測結果更具時效性和針對性。

為達成上述目的，結合圖1，本發明提出一種用電量預測方法，所述預測方法包括以下步驟：

S1，對智能電表采集的用電量數據進行穩定小波變換，再對變換后的數據進行歸一化處理，將變換后的數據按比例縮小至0-1之間；所述穩定小波變換用于將用電量數據轉換成具有相同特征維度的多個輸入向量；

S2，將所述多個輸入向量依次導入訓練好的基于GRU網絡創建的用電量預測模型，利用GRU網絡提供的前n個時間步長的歷史數據點，對導入的多個輸入向量進行訓練以預測接下來n個時間步長中的用電量，所述n為大于1的正整數；

所述用電量預測模型由多個GRU神經元的單隱藏層及頂部的完全連接層組成，用于將GRU輸出映射到期望的目標特征。

進一步地，步驟S1中，所述對采集的用電量進行穩定小波變換的過程包括：

S11，綜合考慮數據維度和平滑度需求，構建多貝西小波變換模型；

S12，將用電量數據導入多貝西小波變換模型，用電量數據經過每一階的高通濾波器和低通濾波器之后，將濾波器提升取樣，變換后得到多個低頻近似部分和多個高頻細節部分；