[發明專利]一種電量預測系統及其預測方法

在審

• 申請號: 202110532962.1
• 申請日: 2021-05-17
• 公開（公告）號: CN113205223A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 溫蜜;羅俊然;周紹景
• 申請（專利權）人: 上海電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/18;G06N3/04;G06N3/08
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 郁旦蓉

本發明涉及一種電量預測系統及其預測方法，屬于電量預測領域。因為本發明改進了電量測量模型并引入了分位數回歸模型，所以能夠更加準確的預測出有價值的電量參考區間，從而有效減少數據噪聲的干擾，結合長短期記憶網絡和卷積神經網絡的優點從時間和空間上進一步提取電量的特征，并使用注意力機制來更新權重，優化特征提取效果，并使用分位數回歸模型實現概率預測，在保證點預測精準的基礎上，還可以為研究人員提供可信的電量預測參考范圍。

技術領域

本發明涉及電量預測領域，具體涉及一種電量預測系統及其預測方法。

背景技術

電力公司通常統計線損率來反映自身的管理水平和經濟效益，但由于分布式能源接入電網以及存在供售電不同期的現象，使得線損率的統計更加困難。因此，實現短期電量預測對于降低線損統計誤差是至關重要的。

隨著數學理論和現代技術的發展，進一步提高短期電量預測的準確性意味著對社會產生可觀的經濟利益，這些潛在的利益促進了電量預測模型的不斷改進。其中，區域電量預測可以在降低線損率統計誤差的同時，為電力系統提供合理的分布式能源系統規劃，降低電網的運行壓力，這些都是電力企業所關心的問題。因此，電力企業需要一種能降低線損率誤差，并能提供直觀參考范圍的新方法。

現有的相關技術中有使用統計方法的，例如ARIMA(Autoregressive IntegratedMoving Average model，差分整合移動平均自回歸模型)，該方法根據電量的歷史變化規律實現對未來電量的預測，但是，是從自身尋找規律而不能結合其他特征進行分析，同時，對于非線性數據的擬合效果并不好。此外，更多使用的是神經網絡方法，例如有使用LSTM(Long Short-Term Memory，長短期記憶網絡)預測電量的方法，但其沒有考慮特征空間上的相關性，導致對影響電量的特征捕捉不充分。還有使用CNN(Convolutional NeuralNetworks,卷積神經網絡)預測電量的方法，但它沒有考慮時間上的前后聯系，導致無法提取到時間上的周期影響。在電量預測當中，除了使用合適的模型外，構建準確的數據特征也能夠有效提高模型的預測精度，但現有的特征處理方法無法較好較全的找出有影響的特征。并且現有的相關技術大多數是基于點預測，但當電量出現巨大波動的時候，點預測的精度往往無法滿足要求，為了更合理的提供參考價值，需要對電量可能出現的概率區間進行呈現，而現有的概率預測技術仍處于起步階段，對預測區間的準確性把握不足，過大或錯誤的區間將會提供的負面的參考價值。

發明內容

本發明是為了解決上述問題而進行的，目的在于提供一種電量預測系統及其預測方法。

本發明提供的電量預測方法具有這樣的特征，包括以下步驟：

步驟1，從調度中心獲取待處理數據，待處理數據包括電量和第一特征；

步驟2，對待處理數據進行處理，得到第一數據，具體子步驟包括：

步驟2-1，通過第一方法對待處理數據進行分箱處理，得到分箱處理數據；

步驟2-2，將分箱處理數據分為第一電量和第二特征，通過最大信息系數算法對第一電量和第二特征進行相關性分析，篩選目標特征；

步驟2-3，通過集成經驗模態分解算法將第一電量分解成多個子序列；

步驟2-4，通過最大信息系數算法對目標特征和子序列進行相關性分析，將子序列分為有特征相關性和無特征相關性兩類；

步驟2-5，對第一電量中的連續型變量進行歸一化處理，對第一電量中的離散型變量進行獨熱編碼處理，從而得到第一數據；

步驟3，對第一數據進行計算和分析得到預測的電量，具體子步驟包括：

步驟3-1，使用第一網絡學習第一數據的時間關系，得到時間特征；

步驟3-2，使用第二網絡學習第一數據的空間關系，得到空間特征；