[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的電力數(shù)據(jù)流預(yù)測方法、裝置、設(shè)備及介質(zhì)

在審

• 申請?zhí)枺?/td>: 202310026899.3
• 申請日: 2023-01-09
• 公開（公告）號: CN116011651A
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計）人: 藍飛;張利軍;戴黎;金紹君;朱勝;劉明輝;張榮茂;孔德興;胡日成;吳瀟然;李夢
• 申請（專利權(quán)）人: 國網(wǎng)浙江省電力有限公司;杭州博釗科技有限公司;浙江華云信息科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0442;G06N3/0455
• 代理公司: 上海雍灝知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31368
• 代理人: 沈汶波

本發(fā)明提供了基于神經(jīng)網(wǎng)絡(luò)的電力數(shù)據(jù)流預(yù)測方法、裝置、設(shè)備及介質(zhì)，涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，包括：獲取歷史電力數(shù)據(jù)流集合，預(yù)處理以獲得具有以月、周、日為時間序列的處理數(shù)據(jù)；建立初始模型，采用所述處理數(shù)據(jù)對所述初始模型進行訓練，獲得目標模型；將所述處理數(shù)據(jù)輸入至所述目標模型，輸出具有以月、周、日為時間序列的預(yù)測數(shù)據(jù)流；基于所述具有以月、周、日為時間序列的預(yù)測數(shù)據(jù)流對各個時間序列下的預(yù)測數(shù)據(jù)流進行加權(quán)，獲得具有日為時間序列的目標結(jié)果，解決現(xiàn)有的統(tǒng)計分析對于電力日現(xiàn)金流的預(yù)測結(jié)果準確度不夠的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其涉及基于神經(jīng)網(wǎng)絡(luò)的電力數(shù)據(jù)流預(yù)測方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

電力銷售日現(xiàn)金流預(yù)測指在未來特定時間內(nèi)，對每日電網(wǎng)賬戶內(nèi)現(xiàn)金流進行預(yù)測。日現(xiàn)金預(yù)測旨在充分考慮未來各種影響因素的基礎(chǔ)上，幫助企業(yè)做好財務(wù)預(yù)算,在強化存量資金高效運作方面，幫助逐步推行單位存量資金“零余額”管理,在細化流量資金精益管理方面，幫助實施現(xiàn)金流預(yù)算按月編制按日排程。其結(jié)果對電網(wǎng)的發(fā)展規(guī)劃和戰(zhàn)略部署都有著非常重要的意義。

然而進行高精度的按日為單位預(yù)測并不容易。目前可用于銷售預(yù)測的數(shù)據(jù)挖掘工具主要有線性或非線性回歸模型、灰色系統(tǒng)模型、最大嫡馬爾可夫模型等。盡管這些模型已被廣泛應(yīng)用于經(jīng)濟預(yù)測領(lǐng)域，但一方面影響每日售電收入的因素非常，如影響每日售電收入的因素不僅有用戶的平均用電量，還與季節(jié)、節(jié)假日、用戶的繳費方式和行為模式等有關(guān)。居民用戶的用電往往具有很明顯的季節(jié)性影響，如冬天和夏天由于空調(diào)使用頻率高，由此導致這兩個季節(jié)的用電量會相對較多，而周末與非周末的繳費行為也會有明顯的差異；另一方面其中涉及的用戶量非常大。由此導致了這些預(yù)測方法在電力銷售日現(xiàn)金流預(yù)測中的準確性無法保證。

如上述所述，現(xiàn)有大多統(tǒng)計分析模型很難擬合多因素相互作用，無法解決電力銷售日現(xiàn)金流的精確預(yù)測。

發(fā)明內(nèi)容

為了克服上述技術(shù)缺陷，本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的電力數(shù)據(jù)流預(yù)測方法、裝置、設(shè)備及介質(zhì)，解決現(xiàn)有的統(tǒng)計分析對于電力日現(xiàn)金流的預(yù)測結(jié)果準確度不夠的問題。

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的電力數(shù)據(jù)流預(yù)測方法，包括：

獲取歷史電力數(shù)據(jù)流集合，對所述歷史電力數(shù)據(jù)流集合進行預(yù)處理，以獲得具有以月、周、日為時間序列的處理數(shù)據(jù)；

基于雙向LSTM網(wǎng)絡(luò)和Transformer網(wǎng)絡(luò)建立初始模型，采用所述處理數(shù)據(jù)作為訓練數(shù)據(jù)對所述初始模型進行訓練，獲得目標模型；

將所述處理數(shù)據(jù)輸入至所述目標模型，采用所述目標模型的雙向LSTM網(wǎng)絡(luò)進行雙向特征提取，獲得前向特征值、后向特征值；

將所述前向特征值、所述后向特征值輸入至所述目標模型的Transformer網(wǎng)絡(luò)中，編碼后分別獲得前向特征編碼和后向特征編碼；

對所述前向特征編碼分別進行第一單層卷積操作和第二單層卷積操作，并在對所述后向特征編碼進行第三單層卷積操作后進行特征融合，獲得融合特征；

基于所述融合特征進行解碼，并通過線性輸出層輸出具有以月、周、日為時間序列的預(yù)測數(shù)據(jù)流；

基于所述具有以月、周、日為時間序列的預(yù)測數(shù)據(jù)流對各個時間序列下的預(yù)測數(shù)據(jù)流進行加權(quán)，獲得具有日為時間序列的目標結(jié)果。

優(yōu)選地，所述將所述處理數(shù)據(jù)輸入至目標模型，并采用目標模型的雙向LSTM網(wǎng)絡(luò)中進行雙向特征提取，獲得前向特征值、后向特征值，包括：

在雙向LSTM網(wǎng)絡(luò)的正向傳播中，根據(jù)所述處理數(shù)據(jù)的t-1周期的前向特征值以及預(yù)設(shè)第一網(wǎng)絡(luò)權(quán)重生成t周期的前向特征值，迭代獲得前向特征值；其中，t∈(1,2,...,n)，當t＝1時，t-1周期的前向特征值為0；