[發明專利]一種基于特征和趨勢感知的用電量預測方法及系統

有效

• 申請號: 202110730383.8
• 申請日: 2021-06-29
• 公開（公告）號: CN113449919B
• 公開（公告）日: 2022-12-09
• 發明（設計）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）人: 國網山東省電力公司菏澤供電公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 閆偉姣

本公開提供了一種基于特征和趨勢感知的用電量預測優化方法及系統，所述方法包括：獲取待預測用戶的歷史電力數據；基于所述歷史電力數據，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據，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合，采用權重組合法完成最終用電量預測模型的訓練。本發明從用戶歷史用電量的變化趨勢和用電量受特征因素影響兩個方面對用電量進行預測，預測精度更高。

技術領域

本發明涉及智能用電領域，特別涉及一種基于特征和趨勢感知的用電量預測方法及系統。

背景技術

隨著智能電網的不斷發展，電量預測在電力市場發展中占著越來越重要的作用。預測性能的好壞是保證電網系統準確可靠運行的基礎；同時，在電網調度過程中可以避免資源浪費，提高經濟效益。因此，如何依據歷史的電力數據提高電量預測的精度對于制定經濟更好的發電計劃，分析電力市場需求等具有重要意義。

傳統的預測方法中，基于時間序列的電量預測模型實現了對用戶用電量的預測，但是，由于電網系統中蘊含了各種不確定因素，使得決策工作必然面臨一定程度的風險，傳統預測方法忽略了外部因素對用電量預測性能的影響；同時，傳統的預測方法大多數基于歷史用電趨勢實現的電力預測，而沒有考慮到用電量受特征因素的影響，往往使得電量預測的準確性較低。

發明內容

為克服上述現有技術的不足，本發明提供了一種基于特征和趨勢感知的用電量預測方法及系統。從用戶歷史用電量的變化趨勢和用電量受特征因素影響兩個方面對用電量進行預測，預測精度更高。

為實現上述目的，本發明的一個或多個實施例提供了如下技術方案：

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據；

基于所述歷史電力數據，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據，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合，采用權重組合法完成最終用電量預測模型的訓練。

進一步地，訓練基于特征的用電預測模型包括：

基于歷史電力訓練數據分別進行影響因素提取和上下文特征提取，得到基礎特征向量和序列特征向量；

采用交互注意力機制來捕獲基礎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。

進一步地，進行影響因素提取包括：

基于拉普拉斯分數方法獲取特征與用電量特征的關聯度；

根據預設關聯度閾值篩選得到基礎特征。

進一步地，進行上下文特征提取包括：采用卷積神經網絡進行上下文特征提取。

進一步地，基于雙向長短期記憶神經網絡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網絡模型，利用增強的特征向量及其相應權重實現從正反兩個方向的用戶用電量狀態預測；

采用注意力機制更新雙向長短期記憶神經網絡中各個用戶用電量狀態預測數據的權重值，輸出多時段多狀態用戶用電量狀態預測向量；