CN111091232B - 一种考虑用电需求变化趋势的电力负荷预测方法 - Google Patents

Abstract

一种考虑用电需求变化趋势的电力负荷预测方法，属于电力运维技术领域。为了解决现有的短期电力负荷预测方法或模型预测时没有明确考虑用电需求变化趋势的问题。本发明首先根据历史用电量数据，分别统计各年相同月份的用电量数据，并拟合成用电量曲线，并估计预测时所在月份的用电量数据和预测时所在月份中每天的用电量；根据预测区域的信息和预测时间确定输入数据，利用训练好的电力预测神经网络模型，进行短期电力负荷预测，得到预测时所在天中每小时的用电量Y_idh；将天用电量估计值分配成小时用电量估计值Q_idh，并对每小时的用电量Y_idh进行调整，最终得到当前时电力负荷预测结果。主要用于供电系统的电力负荷预测。

Description

一种考虑用电需求变化趋势的电力负荷预测方法

技术领域

本发明涉及一种电力预测方法。属于电力运维技术领域。

背景技术

电力负荷预测对于电力供应和运行维护都有着十分重要的意义，其对于电力系统的安全运行起着一定的保障作用。传统的电力预测是基于负荷变化规律的周期性，结合统计得到的历史数据进行分析，从而预估出未来一段时间内的用电负荷。

电力负荷的预测一般分为长期预测、短期预测等。长期预测是对较长时间范围内的电力预测，由于时间范围相对较大，关注的是一段时间的负荷量，并不关注实时的动态变化，很大程度上具有“削峰填谷”的效果，所以现有的估计方法能够取得不错的预测效果。目前也有很对针对短期预测的短期预测更加注重的短期的负荷变化、甚至是实时变化，由于短期的负荷变化的影响因素较多，且具有一定的突然变化因素，如不同时间段用电负荷变化等，其预测难度相对较大，现有方法的预测准确度相对较低。为了提高短期预测准确度，目前也有很多基于神经网络的预测方法，使得短期预测准确度得到提高，但是由于短期预测的特点，现有的电力负荷预测方法准确度仍有待于提高。

随着每个城市、每个省份的城市发展变化，每年城市和用户的用电需求也发生着变化，基本上是呈现逐年增加的趋势，尤其是针对于产业结构变化的省市或人口变动巨大的省市等用电需求可能呈现巨大的增长，所以为了保证电力的稳定供应和供电环境的安全运行，电力负荷的准确预测越发重要。

本研究组针对于短期电力负荷预测也展开了研究，并提出一种短期电力负荷预测方法，其能够实现以小时为单位对电力负荷预测进行预测，进而可以获得以天为单位的短期电力负荷。经过实验发现一种短期电力负荷预测方法，具有相对较为准确的预测结果。但是其也存在一定的应用限制，即其仅仅是根据历史用电数据进行预测，虽然这种方式是按照时间顺序对应的历史用电数据进行预测，数据本身具有一定的动态增长趋势，其预测模型具有用电量动态增长的预期能力，但是毕竟由于其是基于历史数据预测的用电需求，预测模型考虑的因素(如预测区域的人口数量、预测区域含权重的类型等)在一定时间范围内(如两次调查统计之间的时间范围内)具有一定滞后性，从而导致其预测模型有待于进一步完善、其预测准确性有待于进一步提高。

发明内容

本发明是为了解决现有的短期电力负荷预测方法或模型预测时没有明确考虑用电需求变化趋势的问题。

一种考虑用电需求变化趋势的电力负荷预测方法，包括以下步骤：

步骤1、根据预测区域内历史用电数据进行如下处理：

根据历史用电量数据，以年度为单位，分别统计各年相同月份的用电量数据，并拟合成用电量曲线line_i，i＝1,2,…,12；

根据各月对应的用电量曲线，估计预测时所在月份的用电量数据，记为Q_i；

根据历史用电量数据确定每年度下各月中每天的用量数据分布，统计一段时间内预测时所在月份的用电量数据每天的用量数据的平均分布；

根据预测时所在月份的用电量数据每天的用量数据的平均分布，结合Q_i确定预测时所在月份中每天的用电量，记为天用电量估计值Q_id，d表示天；

步骤2、采集上一年度对应的预测区域的信息，包括预测区域的人口数量x₄、预测区域含权重的类型x₅、预测区域预测前一定时间段内的用电类型的占比x₆；

预测区域含权重的类型x₅＝ay₁+by₂+cy₃，其中y₁、y₂、y₃分别表示市区、城乡结合部、乡镇，用对应的数值表示；其中a、b、c分别表示市区、城乡结合部、乡镇在预测区域所占的面积比，即权重；

步骤3、确定所要预测的时间是否为节假日，生成节假日参数x₇，其对应为是否为节假日；

步骤4、根据预测区域的信息和预测时间确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]，其中，x₁为预测时间对应的月，x₂为预测时间对应的日，x₃为预测时间对应的时；

步骤5、将输入数据X输入训练好的电力预测神经网络模型，进行短期电力负荷预测，得到预测时所在天中每小时的用电量Y_idh，根据每天中每小时的用电量Y_idh获得当天的用电量Y_id；

统计当天之前的一段时间内各小时的用电量，以小时为单位将一段时间内的相同小时下的用电量进行加和，记为SUM_idh，并计算一天内的

以及平均时用电量的占比

步骤6、按照平均时用电量的占比α_idh，将天用电量估计值Q_id分配成小时用电量估计值Q_idh；

判断Y_idh与同一天同一小时内对应的Q_idh的大小；

如果Y_idh大于等于Q_idh，则将Y_idh作为电力负荷预测；

如果Y_idh小于Q_idh，将Q_idh的值赋值给Y_idh作为当前时电力负荷预测结果。

进一步地，一种考虑用电需求变化趋势的电力负荷预测方法，还包括以下步骤

步骤7、根据实际需要可以根据Y_idh获得当天的电力负荷预测结果。

进一步地，步骤1中根据历史用电量数据确定每年度下各月中每天的用量数据分布所述的数据分布采用每天用电量占每月用量的百分比。

进一步地，所述的电力预测神经网络模型的训练过程如下：

步骤5.1、采集建模区域的历史信息，包括建模区域的人口数量x₄、建模区域含权重的类型x₅、建模区域预测前一定时间段内的用电类型的占比x₆；历史信息还包括该建模区域历史的用电数据，所述的历史用电数据以时为单位进行采集和统计，将某月某日某时的电量数据作为真实输出z，即真实标签；

建模区域含权重的类型x₅＝ay₁+by₂+cy₃，其中y₁、y₂、y₃分别表示市区、城乡结合部、乡镇，用对应的数值表示；其中a、b、c分别表示市区、城乡结合部、乡镇在建模区域所占的面积比，即权重；

用电类型的占比x₆表示建模区域范围一定时间段内工业用电量占总用电量的比；

步骤5.2、确定建模区域历史用电数据对应的时间是否为节假日，生成节假日参数x₇，其对应为是否为节假日；

步骤5.3、根据建模区域的信息确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]，并构建训练集；其中，x₁为预测时间对应的月，x₂为预测时间对应的日，x₃为预测时间对应的时；

步骤5.4、将X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]作为神经网络模型的输入数据，得到某月某日某时的预测输出

利用Adam优化器进行训练，从而确定神经网络模型的参数；

步骤5.5、利用测试集对已经确定神经网络模型的参数的神经网络模型进行测试，当测试误差小于测试误差阈值，得到训练好的电力预测神经网络模型；否则重新构建训练集进行训练。

进一步地，训练电力预测神经网络模型的过程的损失函数为

其中n为训练集的样本数量，W⁽¹⁾-W⁽⁴⁾分别为第一隐层、第二隐层、第三隐层和输出层的权重。

进一步地，所述的电力预测神经网络模型包括输入层、第一隐层、第二隐层、第三隐层和输出层，各层之间为全连接。

进一步地，所述的电力预测神经网络模型具体如下：

输入层包含7个神经元；

第一隐层包含8个神经元，第一隐层的元素经过激活函数后连接第二隐层；

第二隐层包含6个神经元，第二隐层的元素经过激活函数后连接第三隐层；

第三隐层包含4个神经元，第三隐层的元素经过激活函数后连接输出层；

输出层包含1个神经元。

有益效果：

本发明基于神经网络模型实现电力预测神经网络模型的建立，鲁棒性好、准确率高。而且本发明在对电力负荷进行预测的过程中考虑了用电需求变化趋势因素的影响，从而能够更加准确的对电力负荷进行预测。

附图说明

图1为实施例中电力负荷预测结果和真实用电负荷的曲线图。

具体实施方式

具体实施方式一：

本实施方式为一种考虑用电需求变化趋势的电力负荷预测方法，包括以下步骤：

步骤1、采集预测区域内历史用电数据；针对于持续的电力负荷预测，相对下一时刻的预测而言，当前时刻也为历史数据；

根据预测区域内历史用电数据进行如下处理：

根据历史用电量数据，以年度为单位，分别统计各年相同月份的用电量数据，并拟合成用电量曲线line_i，i＝1,2,…,12；具体过程如下：

分别统计各年1月份的用电量数据，并拟合成用电量曲线；以相同的方式分别统计并拟合2月至12月的用电量曲线；在这个过程中，正对于当前预测而言，本年度仅有当前月份和之前月份的数据，当前月份之后的数据尚未产生，数据是缺失的，可以对已经产生用电量数据的月份进行统计和拟合，例如当前为10月份(当月整月的用电量数据也未产生)，统计当年及之前各年1月、2月、3月、4月、5月、6月、7月、8月、9月的用电量数据并拟合成用电量曲线；统计之前各年10月、11月、12月的用电量数据并拟合成用电量曲线，虽然针对于当年而言，这几个月的数据是缺失的，相对于其他月份的曲线少了一个月的曲线长度，由于后面是预测当前天或者当前时的数据，所以这里并不会产生影响。

在针对于某个特定区域内进行电力负荷预测时，可以将上述工作作为常态化的任务进行，当下一个时刻变为当前时刻时，更新当前用电量数据，并更新曲线(如果没有到整个月完成，是不更新曲线的)。

此过程不用考虑节假日的影响，以月为单位进行统计，可以对天的数据进行调整，起到了滤波的作用。

根据各月对应的用电量曲线，估计预测时所在月份的用电量数据，记为Q_i；

根据历史用电量数据确定每年度下各月中每天的用量数据分布(可以采用每天的实际用电量分布，也可以优选采用每天用电量占每月用量的百分比等)，统计一段时间内预测时所在月份的用电量数据每天的用量数据的平均分布；一般是统计当年之前的三个年度内的预测时所在月份的用电量数据每天的用量数据的平均分布，优选每天用电量占每月用量的百分比，可以仅仅进行数值运算，能够提高整体的运算速度，提高预测效率。例如，当前为10月份，统计当年的前三年10月中每天的用量数据占10月用电量的比，然后平均出10月中每天的用量数据的占比，即平均分布。

根据预测时所在月份的用电量数据每天的用量数据的平均分布，结合Q_i确定预测时所在月份中每天的用电量，记为天用电量估计值Q_id，d表示天；

步骤2、采集上一年度对应的预测区域的信息，包括预测区域的人口数量x₄、预测区域含权重的类型x₅、预测区域预测前一定时间段内的用电类型的占比x₆；

实际上人口数量x₄的取值可以按照实际情况进行设定或者车比例缩放。人口数量x₄的取值与电力预测神经网络模型的适用范围相关更加合适，这样既能预测的规模考虑了人口规模的因素，也不会使人口数量过大，从而淹没了其他因素的贡献。经过实验发现x₄的整数位数位为一位或两位更加合适。在一些实施例中，如果电力预测神经网络模型是对地级市规模进行预测的，x₄以百万人口为单位，如该市有人口961.4万人，则x₄＝9.61；如果电力预测神经网络模型是对区县规模进行预测的，x₄以十万人口为单位，例如某区人口为69万人，x₄＝6.9。

预测区域含权重的类型x₅＝ay₁+by₂+cy₃，其中y₁、y₂、y₃分别表示市区、城乡结合部、乡镇，用对应的数值表示；其中a、b、c分别表示市区、城乡结合部、乡镇在预测区域所占的面积比，即权重；

理论上用市区、城乡结合部、乡镇对应用电量乘以权重的特征表示更加精确，但是本发明并没有用市区、城乡结合部、乡镇对应用电量及权重对应的特征进行处理，主要是因为经过对大量数据的深入分析发现：由于预测区域包含的范围对应的区域可能为不同行政区划级别下的面积不同(如某市不同区下包含市区和村镇的面积不同)，但是用户数量并没有呈线性关系，其对应的用电量也没有呈线性关系，而是一种非线性的关系，所以本发明仅以市区、城乡结合部、乡镇对应的数值进行表示，经过研究和用电数据模拟实验发现，市区、城乡结合部、乡镇对应的数值比优选为2：1.5：1，为了方便表示直接取值为2、1.5和1。其可以对特征进行简单的表征，具体的特征关系可以交给具体的神经网络模型进行学习确定，从而可以保证模型的准确性。

如果本发明的模型用于模拟小范围内的用电负荷，其预测区域可以仅为市区、城乡结合部、乡镇中的一种或两种，此时将不包含的类型权重置为0即可。

用电类型的占比x₆表示预测区域范围一定时间段内工业用电量占总用电量的比；本发明之所以仅仅用工业用电量占总用电量的比进行表示，而没有考虑民用电的占比，主要是因为工业用电相比商业用电和住宅用电，其设备的单机用电量和总用电量高，且是单位面积下商业用电和住宅用电的数倍至数百倍，所以用工业用电量进行表征该特征量，用以反映预测区域范围内工业用电的占比，从而保证预测的准确性。工业用电量的占比实际上也能够表征商业用电和住宅用电和的占比，本发明并没有对商业用电和住宅用电进行区分，主要是考虑到商业用电量相比住宅用电量并没有十分巨大的区别，且商业用电的用电和住宅用电也没有十分巨大的用电设备，为了简化输入数据(相当于简单的降维)，所以本发明没有对商业用电和住宅用电进行进一步区分和表征。实际上用电类型还包括农业生产用电等类型，但是由于占比较小，且用电情况不易检测，在本发明中可以将其类型统一划入商业用电和住宅用电，不仅使得数据的处理更加简单，且模型相对简单，也更容易训练用电负荷模型，也能够缩短处理时间，提高预测效率。

步骤3、确定所要预测的时间是否为节假日，生成节假日参数x₇，其对应为是否为节假日；例如将节假日对应为1，非节假日对应为0；所述的节假日为除周六周日以外的法定节假日，包括公历的五一、十一等，还包括农历的中秋、春节等。实际上后续的输入中是包含日期的，一般的情况下日期是能够反映公历的节假日的，但是由于国内并行使用农历，如春节等，此种情况下，日期并不能反映公历节假日造成的用电负荷影响。本发明之所以将节假日考虑作为输入的一个元素，是因为一般工业用电会极大减少，而商业用电和居民用电会有一定量的提升，这会对电力负荷的变化造成较大的影响。

步骤4、根据预测区域的信息和预测时间确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]，其中，x₁为预测时间对应的月，x₂为预测时间对应的日，x₃为预测时间对应的时；

例如：要预测2019年12月31日23-24时的用电负荷，对应x₁＝12，x₂＝31，x₃记为24。本发明能够实现以时为单位的短期预测，如果为了实现以日为单位的短期预测，可以按照以时为单位进行预测，之后将以时为单位的预测值进行累计加和，作为以日为单位的短期预测；实际上本发明可以实现任意时间区段的用电负荷的预测。

这里还要说明的是最终确定的确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]中的x₁至x₇需要根据输入通道的需求进行标准化处理。

步骤5、将输入数据X输入训练好的电力预测神经网络模型，进行短期电力负荷预测，得到预测时所在天中每小时的用电量Y_idh，根据每天中每小时的用电量Y_idh获得当天的用电量Y_id；

统计当天(预测时间所在的那天)之前的一段时间(优选为一个月)内各小时的用电量，以小时为单位将一段时间内的相同小时下的用电量进行加和，记为SUM_idh，并计算一天内的

以及平均时用电量的占比

步骤6、按照平均时用电量的占比α_idh，将天用电量估计值Q_id分配成小时用电量估计值Q_idh；

判断Y_idh与同一天同一小时内对应的Q_idh的大小；

如果Y_idh大于等于Q_idh，则将Y_idh作为电力负荷预测；

如果Y_idh小于Q_idh，将Q_idh的值赋值给Y_idh作为当前时电力负荷预测结果。

根据实际需要可以根据Y_idh获得当天的电力负荷预测结果。

具体实施方式二：

本实施方式为一种考虑用电需求变化趋势的电力负荷预测方法，所述的电力预测神经网络模型的训练过程如下：

步骤5.1、采集建模区域的历史信息，包括建模区域的人口数量x₄、建模区域含权重的类型x₅、建模区域预测前一定时间段内的用电类型的占比x₆；历史信息还包括该建模区域历史的用电数据，所述的历史用电数据以时为单位进行采集和统计，将某月某日某时的电量数据作为真实输出z，即真实标签；

建模区域含权重的类型x₅＝ay₁+by₂+cy₃，其中y₁、y₂、y₃分别表示市区、城乡结合部、乡镇，用对应的数值表示；其中a、b、c分别表示市区、城乡结合部、乡镇在建模区域所占的面积比，即权重；

用电类型的占比x₆表示建模区域范围一定时间段内工业用电量占总用电量的比；

本发明所建立的电力预测神经网络模型可以是针对某一区域的模型，例如针对于某省某市的电力预测，可以仅仅采集该市辖区下的历史信息，然后建立针对于该市的电力预测神经网络模型，此时建立的模型训练误差小，针对于该地区以后的预测，其泛化误差也可以通过调整模型的容量调节的较小。如果将该模型直接应用于其他地区的用电负荷预测，由于训练时的训练集数据又有一定的数据生成分布偏好，所以将其直接应用于其他地区的预测其会出现欠拟合的问题，对应的训练误差会增大，其泛化误差也会出现增大的趋势，所以如果想要得到适用于更多区域的电力预测神经网络模型，应该收集更加广泛区域或者更多区域的历史数据作为训练集进行训练，从而获得泛化能力更好的电力预测神经网络模型。

步骤5.2、确定建模区域历史用电数据对应的时间是否为节假日，生成节假日参数x₇，其对应为是否为节假日；

步骤5.3、根据建模区域的信息确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]，并构建训练集；其中，x₁为预测时间对应的月，x₂为预测时间对应的日，x₃为预测时间对应的时；

步骤5.4、将X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]作为神经网络模型的输入数据，得到某月某日某时的预测输出

损失函数为

其中n为训练集的样本数量，W⁽¹⁾-W⁽⁴⁾分别为第一隐层、第二隐层、第三隐层和输出层的权重；利用Adam优化器进行训练，从而确定神经网络模型的参数；

步骤5.5、利用测试集对已经确定神经网络模型的参数的神经网络模型进行测试，当测试误差小于测试误差阈值，得到训练好的电力预测神经网络模型；否则重新构建训练集进行训练。

其他步骤与具体实施方式一相同。

具体实施方式三：

本实施方式为本实施方式为一种短期电力负荷预测方法，本实施方式所述的电力预测神经网络模型包括输入层、第一隐层、第二隐层、第三隐层和输出层，各层之间为全连接；可以优选为如下具体如下：

输入层包含7个神经元；

第一隐层包含8个神经元，第一隐层的元素经过激活函数后连接第二隐层；

第二隐层包含6个神经元，第二隐层的元素经过激活函数后连接第三隐层；

第三隐层包含4个神经元，第三隐层的元素经过激活函数后连接输出层；

输出层包含1个神经元。

其他步骤与具体实施方式一或二相同。

实施例

本实施例中，结合背景技术中提到的“一种短期电力负荷预测方法”进行对比试验。

方案1：一种短期电力负荷预测方法，包括以下步骤：

步骤1、采集预测区域的信息，包括预测区域的人口数量x₄、预测区域含权重的类型x₅、预测区域预测前一定时间段内的用电类型的占比x₆；

预测区域含权重的类型x₅＝ay₁+by₂+cy₃，其中y₁、y₂、y₃分别表示市区、城乡结合部、乡镇，用对应的数值表示；其中a、b、c分别表示市区、城乡结合部、乡镇在预测区域所占的面积比，即权重；

用电类型的占比x₆表示预测区域范围一定时间段内工业用电量占总用电量的比；

步骤2、确定所要预测的时间是否为节假日，生成节假日参数x₇，其对应为是否为节假日；

步骤3、根据预测区域的信息和预测时间确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]，其中，x₁为预测时间对应的月，x₂为预测时间对应的日，x₃为预测时间对应的时；

步骤4、将输入数据X输入训练好的电力预测神经网络模型，进行短期电力负荷预测。

方案2：本发明。本实施例中不再对本发明的过程进行详细说明。

以某市2015年用电数据进行仿真测试，经过训练集训练后确定预测模型。然后将测试集分成若干测试子集，经过测试一个测试子集测试并通过测试后，最终确定预测模型，在测试集中随机抽取一个未被利用的测试子集进行仿真预测，抽取的测试集为某市2015年5月10日的24小时用电数据，以“时”为单位进行预测。

根据方案1的预测结果，将24时的预测结果绘制成曲线，并与实际用电进行对比，如图1所示，图1中的横坐标为24时，纵坐标为用电负荷(万KW)。通过图1可以看出，方案1的预测结果中，实际用电情况的差异并不是十分明显，一部分原因是由于附图1的纵坐标为万KW，且数据相对较大，导致区别显示不明显。实际上，通过方案1进行预测，预测误差小于1万KW，与实际的用电负荷量相比误差很小，误差都小于0.7％，有一方面的因素是由于训练集和测试集的数据时间较近甚至部分时间段是相互交错的，也就是说时间范围相对集中，在一定的时间范围内每天对应的时间范围内的实际用电数据的变化不大，导致训练集和测试集的数据生成分布十分相似。

虽然方案1的预测结果的误差很小，其中一个因素是训练集和测试集合数据分布导致的。还有一个更加需要重视的问题：通过附图1能够看出其对应的数据在20时左右出现了一个明显的用电量减少，而且在21时左右又出现了一个用电量的明显上升，也就是说，在20时左右出现了一个巨大的波动值(注意纵轴单位是万KW)，导致这种现象可能有如下原因：

第一：当天的真实数据确实如图所反映的情况一样，当天20时因为当天的特定因素导致这种情况，这与其他时间范围(同年其他月份、同月其他年份)的实际用电情况是有差异的。如果是这种情况，那么当天20时的数据就具有偶然因素，作为后续预测的数据而言会导致预测模型的训练误差小，但是泛化误差较大；尤其是如果训练的模型越准确，其泛化误差可能越大。这是我们并不希望出现的结果。

第二：获得的数据出现了错误。

实际出现第一种问题的可能性更大。无论是哪种原因，我们都是不希望出现这种情况的，因为预测出现误差会导致预测出现较大误差，甚至可能影响后续的调度等，影响电网的安全运行。

根据方案2的预测结果，将24时的预测结果绘制成曲线，并与实际用电进行对比，如图1所示，方案1的预测结果与方案1的预测结果几乎相同，但是在20时处进行了一个明显调整，相当于起到一个滤波的作用。主要是由于本发明中利用了一段时间(前三年当月)的用电量进行一个用电需求变化趋势的估计，估计出当月的用电量，根据历史用电量数据确定每年度下各月中每天的用量数据分布，统计一段时间内预测时所在月份的用电量数据每天的用量数据的平均分布(相当于以天为单位进行滤波调整)，并进行后续的处理；这样不仅考虑了用电需求变化趋势，而且更加接近真实的用电情况。

本发明并没有直接基于当天的各时段的预测值，按照线性重新拟合或线性回归调整，避免了当天的偶然因素影响预测效果。

Claims (5)

1.一种考虑用电需求变化趋势的电力负荷预测方法，其特征在于，包括以下步骤：

步骤1、根据预测区域内历史用电数据进行如下处理：

根据历史用电量数据，以年度为单位，分别统计各年相同月份的用电量数据，并拟合成用电量曲线line_i，i＝1,2,…,12；

根据各月对应的用电量曲线，估计预测时所在月份的用电量数据，记为Q_i；

根据历史用电量数据确定每年度下各月中每天的用量数据分布，统计一段时间内预测时所在月份的用电量数据每天的用量数据的平均分布；

根据预测时所在月份的用电量数据每天的用量数据的平均分布，结合Q_i确定预测时所在月份中每天的用电量，记为天用电量估计值Q_id，d表示天；

步骤2、采集上一年度对应的预测区域的信息，包括预测区域的人口数量x₄、预测区域含权重的类型x₅、预测区域预测前一定时间段内的用电类型的占比x₆；

预测区域含权重的类型x₅＝ay₁+by₂+cy₃，其中y₁、y₂、y₃分别表示市区、城乡结合部、乡镇，用对应的数值表示；其中a、b、c分别表示市区、城乡结合部、乡镇在预测区域所占的面积比，即权重；

步骤3、确定所要预测的时间是否为节假日，生成节假日参数x₇，其对应为是否为节假日；

步骤4、根据预测区域的信息和预测时间确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]，其中，x₁为预测时间对应的月，x₂为预测时间对应的日，x₃为预测时间对应的时；

步骤5、将输入数据X输入训练好的电力预测神经网络模型，进行短期电力负荷预测，得到预测时所在天中每小时的用电量Y_idh，根据每天中每小时的用电量Y_idh获得当天的用电量Y_id；

统计当天之前的一段时间内各小时的用电量，以小时为单位将一段时间内的相同小时下的用电量进行加和，记为SUM_idh，并计算一天内的

以及平均时用电量的占比

所述的电力预测神经网络模型的训练过程如下：

步骤5.1、采集建模区域的历史信息，包括建模区域的人口数量x₄、建模区域含权重的类型x₅、建模区域预测前一定时间段内的用电类型的占比x₆；历史信息还包括该建模区域历史的用电数据，所述的历史用电数据以时为单位进行采集和统计，将某月某日某时的电量数据作为真实输出z，即真实标签；

建模区域含权重的类型x₅＝ay₁+by₂+cy₃，其中y₁、y₂、y₃分别表示市区、城乡结合部、乡镇，用对应的数值表示；其中a、b、c分别表示市区、城乡结合部、乡镇在建模区域所占的面积比，即权重；

用电类型的占比x₆表示建模区域范围一定时间段内工业用电量占总用电量的比；

步骤5.2、确定建模区域历史用电数据对应的时间是否为节假日，生成节假日参数x₇，其对应为是否为节假日；

步骤5.3、根据建模区域的信息确定输入数据X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]，并构建训练集；其中，x₁为预测时间对应的月，x₂为预测时间对应的日，x₃为预测时间对应的时；

步骤5.4、将X＝[x₁、x₂、x₃、x₄、x₅、x₆、x₇]作为神经网络模型的输入数据，得到某月某日某时的预测输出

利用Adam优化器进行训练，从而确定神经网络模型的参数；

步骤5.5、利用测试集对已经确定神经网络模型的参数的神经网络模型进行测试，当测试误差小于测试误差阈值，得到训练好的电力预测神经网络模型；否则重新构建训练集进行训练；

训练电力预测神经网络模型的过程的损失函数为

其中n为训练集的样本数量，W⁽¹⁾-W⁽⁴⁾分别为第一隐层、第二隐层、第三隐层和输出层的权重；

步骤6、按照平均时用电量的占比α_idh，将天用电量估计值Q_id分配成小时用电量估计值Q_idh；

判断Y_idh与同一天同一小时内对应的Q_idh的大小；

如果Y_idh大于等于Q_idh，则将Y_idh作为电力负荷预测；

如果Y_idh小于Q_idh，将Q_idh的值赋值给Y_idh作为当前时电力负荷预测结果。

2.根据权利要求1所述的一种考虑用电需求变化趋势的电力负荷预测方法，其特征在于，还包括以下步骤

步骤7、根据实际需要可以根据Y_idh获得当天的电力负荷预测结果。

3.根据权利要求1所述的一种考虑用电需求变化趋势的电力负荷预测方法，其特征在于，步骤1中根据历史用电量数据确定每年度下各月中每天的用量数据分布所述的数据分布采用每天用电量占每月用量的百分比。

4.根据权利要求1所述的一种考虑用电需求变化趋势的电力负荷预测方法，其特征在于，所述的电力预测神经网络模型包括输入层、第一隐层、第二隐层、第三隐层和输出层，各层之间为全连接。

5.根据权利要求4所述的一种考虑用电需求变化趋势的电力负荷预测方法，其特征在于，所述的电力预测神经网络模型具体如下：

输入层包含7个神经元；

第一隐层包含8个神经元，第一隐层的元素经过激活函数后连接第二隐层；

第二隐层包含6个神经元，第二隐层的元素经过激活函数后连接第三隐层；

第三隐层包含4个神经元，第三隐层的元素经过激活函数后连接输出层；

输出层包含1个神经元。

Images