[發(fā)明專利]一種基于特征和趨勢感知的用電量預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110730383.8
• 申請日: 2021-06-29
• 公開（公告）號: CN113449919B
• 公開（公告）日: 2022-12-09
• 發(fā)明（設(shè)計）人: 王鑫萌;石文秀;儀孝光;韓英韜;孔晶;李巖;李海奇;王新玲;宋先鵬;丁紅;段云峰;徐偉;尹全磊;田俊強;耿妍;尹海華
• 申請（專利權(quán)）人: 國網(wǎng)山東省電力公司菏澤供電公司;國家電網(wǎng)有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 濟南圣達知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 閆偉姣

1.一種基于特征和趨勢感知的用電量預測方法，其特征在于，包括以下步驟：

獲取待預測用戶的歷史電力數(shù)據(jù)；

基于所述歷史電力數(shù)據(jù)，采用預訓練的用電預測模型對該用戶進行用電量預測；用電預測模型的訓練方法具體包括：

基于歷史電力訓練數(shù)據(jù)，分別提取用電特征和用電變化趨勢，訓練基于特征的用電預測模型和基于趨勢的用電預測模型，得到第一預測向量和第二預測向量；

將第一預測向量和第二預測向量相結(jié)合，采用權(quán)重組合法完成最終用電量預測模型的訓練；

訓練基于特征的用電預測模型包括：

基于歷史電力訓練數(shù)據(jù)分別進行影響因素提取和上下文特征提取，得到基礎(chǔ)特征向量和序列特征向量；針對獲取的數(shù)據(jù)樣本，基于拉普拉斯分數(shù)方法進行影響因素的特征選擇，消除特征的冗余并提取與影響用戶用電量變化高關(guān)聯(lián)度的特征，在用戶用電量過程中，如用戶類型、溫度以及工作日類型與用戶用電量的相關(guān)性程度更大；

基于歷史電力訓練數(shù)據(jù)進行影響因素提取，得到基礎(chǔ)特征向量，具體包括：

S201：對樣本數(shù)據(jù)進行規(guī)范化處理，采用min-max標準化方法對原始數(shù)據(jù)進行歸一化處理，特征數(shù)據(jù)取值為[0,1]；

S202：基于樣本數(shù)據(jù)集構(gòu)造具有m個節(jié)點的最近鄰居圖G，并根據(jù)節(jié)點之間是否相關(guān)建立權(quán)重矩陣；

S203：根據(jù)權(quán)重矩陣計算拉普拉斯圖；

S204：計算第r個特征的拉普拉斯分數(shù)；

S205：篩選大于設(shè)定閾值的特征F及其對應(yīng)的特征權(quán)重向量，即為基礎(chǔ)特征向量；

基于歷史電力訓練數(shù)據(jù)進行上下文特征提取，得到序列特征向量，具體包括：

定義一個用戶的用電序列數(shù)據(jù)為采用CNN對電力序列數(shù)據(jù)進行上下文特征提取，獲得序列特征向量C′；

采用交互注意力機制來捕獲基礎(chǔ)特征和序列特征之間的交互信息，得到增強的特征向量；

基于Bi-LSTM模型進行基于特征的用電預測模型的訓練；

訓練基于趨勢的用電預測模型包括：

基于用戶歷史的用電趨勢，分別采用集成差分自回歸綜合移動平均模型和長短期記憶網(wǎng)絡(luò)模型對序列數(shù)據(jù)進行用電量預測；

采用權(quán)重組合法構(gòu)建用電趨勢組合預測模型。

2.如權(quán)利要求1所述的一種基于特征和趨勢感知的用電量預測方法，其特征在于，進行影響因素提取包括：

基于拉普拉斯分數(shù)方法獲取特征與用電量特征的關(guān)聯(lián)度；

根據(jù)預設(shè)關(guān)聯(lián)度閾值篩選得到基礎(chǔ)特征。

3.如權(quán)利要求1所述的一種基于特征和趨勢感知的用電量預測方法，其特征在于，進行上下文特征提取包括：采用卷積神經(jīng)網(wǎng)絡(luò)進行上下文特征提取。

4.如權(quán)利要求1所述的一種基于特征和趨勢感知的用電量預測方法，其特征在于，基于雙向長短期記憶神經(jīng)網(wǎng)絡(luò)模型進行基于特征的用電預測模型的訓練包括：

基于雙向長短期記憶神經(jīng)網(wǎng)絡(luò)模型，利用增強的特征向量及其相應(yīng)權(quán)重實現(xiàn)從正反兩個方向的用戶用電量狀態(tài)預測；

采用注意力機制更新雙向長短期記憶神經(jīng)網(wǎng)絡(luò)中各個用戶用電量狀態(tài)預測數(shù)據(jù)的權(quán)重值，輸出多時段多狀態(tài)用戶用電量狀態(tài)預測向量；

根據(jù)用戶用電量狀態(tài)預測向量構(gòu)建預測函數(shù)，根據(jù)預測函數(shù)輸出值的損失函數(shù)，訓練雙向長短期記憶神經(jīng)網(wǎng)絡(luò)的學習參數(shù)。

5.如權(quán)利要求1所述的一種基于特征和趨勢感知的用電量預測方法，其特征在于，所述權(quán)重組合法采用標準差權(quán)重組合法。