[發明專利]輕量級的用電負荷預測方法、裝置、電子設備及存儲介質

在審

• 申請號: 202210083763.1
• 申請日: 2022-01-24
• 公開（公告）號: CN114781681A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 歐清海;湯億則;張寧池;邱蘭馨;王艷茹;馬文潔;佘蕊;李熊;劉椿楓;侯悅;孔祥余
• 申請（專利權）人: 北京中電飛華通信有限公司;國網浙江省電力有限公司信息通信分公司;國網信息通信產業集團有限公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;H02J3/00
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 陳莉

本申請提供一種輕量級的用電負荷預測方法、裝置、電子設備及存儲介質，所述方法包括：獲取待預測的相關信息數據；將所述待預測的相關信息數據輸入至預先構建的用電負荷預測模型，輸出用電負荷預測結果，其中，所述用電負荷預測模型基于門控循環單元GRU構建的。本申請的方法不僅能夠準確、高效地預測用戶的用電負荷，還能夠大幅度減少計算資源和存儲資源的消耗。

技術領域

本申請涉及數據處理技術領域，尤其涉及一種輕量級的用電負荷預測方法、裝置、電子設備及存儲介質。

背景技術

目前，人類社會對電力的消耗和需求不斷增長，不同區域不同時刻所需求的電量也大相徑庭，5G電力通信網具有低時延、高可靠、高帶寬、高安全性的通信傳輸特點，而整個電網行業需要快速、準確的預測出用戶用電負荷以保證整個電力系統電力供應的高效、穩定、安全。以5G通信技術作為輔助技術，可賦予電網網絡化、數字化，提升電網自預測、自響應和自愈能力，減少甚至避免停電事故。

在時間序列數據預測領域，傳統的機器學習方法(例如支持向量機(SupportVectorMachine，SVM)，隨機森林模型(RandomForest，RF)等)不敵深度學習模型，尤其近年來出現的循環神經網絡(Recurrent Neural Networks，RNN)，長短期記憶神經網絡(LongShort-termMemory，LSTM)等，然而當時間序列數據過長時，RNN模型會面臨梯度消失和梯度爆炸的這一問題，導致基于RNN的用電負荷預測模型效果不理想，而長短期記憶網絡LSTM的出現解決了這一問題，然而LSTM神經單元內部多種門單元的設置使得模型計算復雜，消耗的資源較多。

發明內容

有鑒于此，本申請的目的在于提出一種解決上述問題的輕量級的用電負荷預測方法、裝置、電子設備及存儲介質。

基于上述目的，本申請提供了輕量級的用電負荷預測方法，包括：

獲取待預測的相關信息數據；

將所述待預測的相關信息數據輸入至預先構建的用電負荷預測模型，輸出用電負荷預測結果，其中，所述用電負荷預測模型基于門控循環單元GRU構建的。

進一步地，所述用電負荷預測模型是通過以下方式而被構建的：

獲取目標用戶的歷史用電負荷以及所述歷史用電負荷對應的相關信息數據；

對所述相關信息數據進行清洗，得到相關信息數據集；

利用互相關分析法確定所述相關信息數據集中任意兩個數據列之間的互相關系數；

根據所述互相關系數和所述數據列，確定目標關系數據；

根據門控循環單元GRU、所述目標關系數據和所述歷史用電負荷，構建并訓練用電負荷預測模型。

進一步地，所述對所述相關信息數據進行清洗包括：

利用平均值、最大值和/或最小值對所述相關信息數據中的缺失值進行填充；

將所述相關信息數據中的重復值和異常值進行刪除處理；

將所述相關信息數據中的異常值進行刪除或平均值替代處理。

進一步地，對所述相關信息數據進行清洗，之后還包括：

對清洗后的相關信息數據進行歸一化處理，所述歸一化的表達式如下：

其中，x′表示歸一化處理后的相關信息數據，x表示清洗后的相關信息數據，min()表示清洗后的相關信息數據的最小值，max(x)表示清洗后的相關信息數據的最大值。

進一步地，所述根據所述互相關系數和所述數據列，確定目標關系數據，包括：