CN113449919A

CN113449919A - 一种基于特征和趋势感知的用电量预测方法及系统

Info

Publication number: CN113449919A
Application number: CN202110730383.8A
Authority: CN
Inventors: 王鑫萌; 石文秀; 仪孝光; 韩英韬; 孔晶; 李岩; 李海奇; 王新玲; 宋先鹏; 丁红; 段云峰; 徐伟; 尹全磊; 田俊强; 耿妍; 尹海华
Original assignee: State Grid Corp of China SGCC; Heze Power Supply Co of State Grid Shandong Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Heze Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date: 2021-06-29
Filing date: 2021-06-29
Publication date: 2021-09-28
Anticipated expiration: 2041-06-29
Also published as: CN113449919B

Abstract

本公开提供了一种基于特征和趋势感知的用电量预测优化方法及系统，所述方法包括：获取待预测用户的历史电力数据；基于所述历史电力数据，采用预训练的用电预测模型对该用户进行用电量预测；用电预测模型的训练方法具体包括：基于历史电力训练数据，分别提取用电特征和用电变化趋势，训练基于特征的用电预测模型和基于趋势的用电预测模型，得到第一预测向量和第二预测向量；将第一预测向量和第二预测向量相结合，采用权重组合法完成最终用电量预测模型的训练。本发明从用户历史用电量的变化趋势和用电量受特征因素影响两个方面对用电量进行预测，预测精度更高。

Description

一种基于特征和趋势感知的用电量预测方法及系统

技术领域

本发明涉及智能用电领域，特别涉及一种基于特征和趋势感知的用电量预测方法及系统。

背景技术

随着智能电网的不断发展，电量预测在电力市场发展中占着越来越重要的作用。预测性能的好坏是保证电网系统准确可靠运行的基础；同时，在电网调度过程中可以避免资源浪费，提高经济效益。因此，如何依据历史的电力数据提高电量预测的精度对于制定经济更好的发电计划，分析电力市场需求等具有重要意义。

传统的预测方法中，基于时间序列的电量预测模型实现了对用户用电量的预测，但是，由于电网系统中蕴含了各种不确定因素，使得决策工作必然面临一定程度的风险，传统预测方法忽略了外部因素对用电量预测性能的影响；同时，传统的预测方法大多数基于历史用电趋势实现的电力预测，而没有考虑到用电量受特征因素的影响，往往使得电量预测的准确性较低。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于特征和趋势感知的用电量预测方法及系统。从用户历史用电量的变化趋势和用电量受特征因素影响两个方面对用电量进行预测，预测精度更高。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于特征和趋势感知的用电量预测方法，其特征在于，包括以下步骤：

获取待预测用户的历史电力数据；

基于所述历史电力数据，采用预训练的用电预测模型对该用户进行用电量预测；用电预测模型的训练方法具体包括：

基于历史电力训练数据，分别提取用电特征和用电变化趋势，训练基于特征的用电预测模型和基于趋势的用电预测模型，得到第一预测向量和第二预测向量；

将第一预测向量和第二预测向量相结合，采用权重组合法完成最终用电量预测模型的训练。

进一步地，训练基于特征的用电预测模型包括：

基于历史电力训练数据分别进行影响因素提取和上下文特征提取，得到基础特征向量和序列特征向量；

采用交互注意力机制来捕获基础特征和序列特征之间的交互信息，得到增强的特征向量；

基于Bi-LSTM模型进行基于特征的用电预测模型的训练。

进一步地，进行影响因素提取包括：

基于拉普拉斯分数方法获取特征与用电量特征的关联度；

根据预设关联度阈值筛选得到基础特征。

进一步地，进行上下文特征提取包括：采用卷积神经网络进行上下文特征提取。

进一步地，基于双向长短期记忆神经网络模型进行基于特征的用电预测模型的训练包括：

基于双向长短期记忆神经网络模型，利用增强的特征向量及其相应权重实现从正反两个方向的用户用电量状态预测；

采用注意力机制更新双向长短期记忆神经网络中各个用户用电量状态预测数据的权重值，输出多时段多状态用户用电量状态预测向量；

根据用户用电量状态预测向量构建预测函数，根据预测函数输出值的损失函数，训练双向长短期记忆神经网络的学习参数。

进一步地，训练基于趋势的用电预测模型包括：

基于用户历史的用电趋势，分别采用集成差分自回归综合移动平均模型和长短期记忆网络模型对序列数据进行用电量预测；

采用权重组合法构建用电趋势组合预测模型。

进一步地，所述权重组合法采用标准差权重组合法。

一个或多个实施例提供了一种基于特征和趋势感知的用电量预测优化系统，包括：

数据获取模块，被配置为获取待预测用户的历史电力数据；

用电预测模块，被配置为基于所述历史电力数据，采用预训练的用电预测模型对该用户进行用电量预测；其中，用电预测模型的训练方法具体包括：

一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于特征和趋势感知的用电量预测方法。

一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于特征和趋势感知的用电量预测方法。

以上一个或多个技术方案具有以下有益效果：

除了基于用电的时间序列数据进行用电量预测以外，还从用电量受特征影响的角度，挖掘用电量的影响特征(如天气因素)与用电量之间的关系，从而更准确地对用电量进行预测。

在进行特征的挖掘过程中，在获取了影响因素特征和上下文特征的基础上，还基于注意力机制捕获特征之间的依赖性和交互信息，基于依赖性和交互信息对特征进行增强，进一步提高了电量预测的准确性。

特征提取采用拉普拉斯分数方法，能够很好的保留数据特征之间的相关性，从而能够更好的挖掘出与用电量相关的特征集合。

由于用电量数据具有长时序性，传统循环神经网络因误差逐层累积已不能满足长序列数据分析的需求，因此，采用Bi-LSTM从正反两个方向捕获上下文用电信息，解决长序列电力数据分析不足的问题，从而实现用户用电量状态预测。

基于历史用电量趋势，采用ARIMA能够简单快速的实现用电量趋势预测，但是预测效果存在误差，因此采用LSTM进行拟合，两者进行组合并通过权重组合法能够有效提高用电量变化趋势预测性能。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例提供的用户用电量预测方法的整体流程图；

图2为本公开实施例提供的影响用户用电量变化的增强性特征提取流程图；

图3为本公开实施例提供的基于历史用电量趋势进行组合预测的处理过程图；

图4为本公开实施例提供的用户用电量预测实施例流程图；

图5本公开实施例提供的用电量预测方法的效果示意图；

图6为本公开实施例提供的用户用电量预测装置结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1和图5所示，本实施例公开了一种基于特征和趋势感知的用电量预测优化方法。该方法从用户历史用电量的变化趋势和用电量受特征因素影响两个方面进行用电量预测。针对用电量受特征因素影响方面，首先基于历史用电量数据利用拉普拉斯分数(Laplacian Score,LS)方法进行特征选择，同时利用卷积神经网络(ConvolutionalNeural Networks，CNN)对用电量序列数据进行上下文特征提取。然后通过引入交互注意力来捕获获得两个特征向量之间的交互信息，增强特征间的依赖性，并采用双向长短期记忆网络模型单元(Bidirectional Long Short-Term Memory，Bi-LSTM)和注意力机制相结合进行用电量预测。针对从用户历史用电量的变化趋势方面，基于用户历史用电量趋势，通过集成差分自回归综合移动平均模型(Autoregressive Integrated Moving AverageModel，ARIMA)和长短期记忆网络模型(Long Short-Term Memory，LSTM)相结合进行混合预测。最后，将从两个方面获得的预测结果进行标准差权重组合，得到最终的用户用电量预测，从而提高预测精度。

该方法具体包括以下步骤：

步骤1：获取待预测用户的历史用电数据；

步骤2：基于所述历史用电数据，采用预训练的用电预测模型进行用电量预测。

其中，所述用电预测模型为基于特征的用电预测模型和基于趋势的用电预测模型的组合模型。训练方法包括：

将第一预测向量和第二预测向量相结合，采用权重组合法完成最终用电量预测模型的训练。具体如下：

(一)基于特征的用电预测模型训练

S1：获取历史用电数据和天气数据，构建实验数据集；

本实施例针对海量电力信息进行相关用电量数据的采集，包含历史用电量数据和天气数据，对获取的用电量数据和天气数据进行数据预处理，包含数据清洗、缺失数据补全、数据定义并存储。

具体地，基于中国某省级电网公司的用电信息采集系统中获取的用电数据，每小时采集一次，每天采集24个时间点的数据，包括996个用户2019年9月1日到2019年9月14日共334656条用电数据。在这里要说明一点是，本实施将每一个时间点采取的数据都作为一条用电数据。此外，从中国气象数据服务中心网站上获取了相应城市相应时间的天气数据。

获取历史用电数据和天气数据之后，还对获取的数据进行数据预处理，包含缺失值处理、数据归一化，并采用卡方检验进行简单的相关性分析，消除重复影响因素及因子选择的任意性，降低问题的复杂性，从而消除特征的冗余并选择更多信息变量以提高预测模型的准确率和效率。

S2：基于历史电力训练数据进行影响因素提取，得到基础特征向量；

本实施例基于拉普拉斯分数(Laplacian Score,LS)方法进行影响因素的特征选择，消除特征的冗余并提取与影响用户用电量变化相关的特征。

针对获取的数据样本，基于拉普拉斯分数(Laplacian Score,LS)方法进行影响因素的特征选择，消除特征的冗余并提取与影响用户用电量变化高关联度的特征，在用户用电量过程中，如用户类型、温度以及工作日类型与用户用电量的相关性程度更大，利用拉普拉斯分数方法筛选特征与用户用电量相关联如表1所示。

表1.筛选特征及相关统计量

因素	关联度
		用户类型	0.9347
最高气温	0.9281
		最低气温	0.9269
工作日类型	0.9158
		湿度	0.8815
平均温度	0.8699
		总降水量	0.8627
风速	0.7834
		气压	0.7046

具体地，如图2所示，基于拉普拉斯分数(Laplacian Score,LS)方法进行影响因素的特征选择的一般生成过程为：

S201：对样本数据进行规范化处理，采用min-max标准化方法对原始数据进行归一化处理，特征数据取值为[0,1]；

S202：基于样本数据集构造具有m个节点的最近邻居图G，并根据节点之间是否相关建立权重矩阵。

第i个节点对应于x_i。如果x_i和x_j是相关的(即两个特征之间具有相关性)，则在节点i和j之间放置一条边，即x_i在x_j的k个最近邻居中，或者x_j在x_i的k个最近邻居之中。当标签信息可用时，可以在共享同一标签的两个节点之间放置一条边；

如果节点i和j相连接，则

其中t是一个合适的常数。否则，S_ij＝0。图的权重矩阵S对数据空间的局部结构进行建模；

S203：根据权重矩阵计算拉普拉斯图；

令f_ri表示第r个特征的第i个样本，i＝1,…,m。对于第r个特征，定义为：

f_r＝[f_r1,f_r2,…,f_rm]^T

D＝diag(S_E)

E＝[1,…,1]^T

L＝D-S

其中矩阵L通常称为图拉普拉斯图。

S204：计算第r个特征的拉普拉斯分数，如下所示：

S205：筛选大于设定阈值的特征F及其对应的特征权重向量，即为基础特征向量。

S3：基于历史电力训练数据进行上下文特征提取，得到序列特征向量；具体包括：

定义一个用户的用电序列数据为

采用CNN对电力序列数据进行上下文特征提取，获得序列特征向量C'。公式如下：

卷积操作：

C_i＝ReLU(b_c+w_mB_i-m+1)

C＝{C₁,C₂,…,C_i-m+1}

其中，C_i表示的是上一层的向量；b_c表示的是特征映射的基础向量；w表示是权重；ReLU表示激活函数。

池化操作：

C’＝max{C}

其中，上式使用最大池化操作进行特征降维处理；C'表示最终获得的序列特征向量。

S4：引入交互注意力来捕获基础特征F和序列特征C'之间的交互信息，从而获得增强的特征向量V。

V＝f_{relation-score}(F,C’)

其中，f_{relation-score}为定义的交互函数，它采用欧式距离计算基础特征F和序列特征C'的交互性；F_i表示基础特征F中的第i个特征向量；C'_j表示序列特征C'中第j个特征向量；V表示的是最后得出的交互注意力权重向量，即增强的特征向量。

S5：基于获得的增强特征向量V，采用Bi-LSTM和注意力机制相结合来完成用户用电量预测模型的构建。

S501：本实施例采用Bi-LSTM来训练基于特征的用电预测模型。训练时，通过使用前后两个方向的所有可用用户的用电序列数据来改进预测性能。单向LSTM实现如下：

h_t＝o_t⊙tanh(d_t)

其中，i_t为输入门，f_t为遗忘门，o_t为输出门，这三个门来控制信息传递的路径。σ为激活函数，其输出区间为(0,1)，

为当前时刻的输入，W和b为网络参数，h_t-1为上一时刻的外部状态。d_t为内部状态，记录了到当前时刻为止的历史信息。⊙为向量元素乘积。h_t为用电量预测状态向量。d_t-1为上一时刻的记忆单元，

是通过非线性函数得到的候选状态。

Bi-LSTM有前向LSTM和后向LSTM组成。前向LSTM中的

读取从V₁到V_t的记录。后向LSTM中的

读取的是相反的记录，即从V_t到V₁。根据

和

得到最后的用电量预测状态H_t，计算公式如下：

S502：基于Bi-LSTM得到的用电量预测状态H_t，引入注意力机制更新Bi-LSTM中各个用户用电量状态预测数据的权重值，输出多时段多状态用户用电量状态预测向量：

a_t＝Attention(H_t)

δ＝∑_ta_tH_t

其中，a_t表示通过计算后得到的注意力权重。δ是a_t和H_t权重的总和。

S503：对待预测样本进行用户用电量预测，将Attention机制的输出δ，输入softmax层进行结果预测，预测结果(即第一预测向量)为：

Y₁＝softmax(W_cδ+b_c)

将预测结果进行推送，并与实际用电量情况进行结果对比。

利用用户用电量状态预测向量，构建softmax预测函数；计算softmax预测函数输出值的损失函数，采用反向传播算法训练Bi-LSTM的学习参数，完成用户用电量预测。

(二)基于趋势的用电预测模型

基于用户历史的用电量趋势，发明人采用ARIMA模型和LSTM模型构建组合预测模型实现用电量趋势的预测，如图3所示。

S1:基于用户历史的用电趋势，采用ARIMA模型对时间序列数据进行用电量预测，得到结果

其中L是常数项。φ_i是一个记忆函数。ε_t被假设平均数等于0，标准差等于σ的随机误差值；σ被假设为对于任何的t都不变。

S2:基于用户历史的用电趋势，采用LSTM模型对序列数据进行用电量预测，得到结果

S3:基于步骤E1获得的结果

和步骤E2获得的结果

采用标准差权重组合法构建用电趋势组合预测模型，最终结果表示为：

其中，

和

分别表示的是ARIMA和LSTM模型预测误差的标准差，且

Y₂表示用电量趋势预测值(即第二预测向量)；

为ARIMA模型预测值；

为LSTM模型预测值。

(三)用电预测组合模型训练

为了提高模型的预测精度，本实施例从影响用电量特征和用电量趋势两个角度出发，进行用电量预测。基于以上获得预测结果Y₁和预测结果Y₂，采用标准差权重组合法构建用电量预测模型，计算公式如下：

其中，π₁和π₂分别表示的是基于特征构建的预测模型和基于用电趋势构建的模型预测误差的标准差，且

Y'表示最终用电量的预测值。

对待测试样本进行用户用电量预测，将预测结果进行推送，并与实际用电量情况进行结果对比，本实施例采用均方根误差(Root Mean Squared Error，RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)来作为预测方法的评价指标，MAPE越小，则说明方法的预测性能越好；反之，则越差。

其中，y_t表示t时刻的真实值；y'_t表示的是预测值；n表示数据的个数。

表2用电量预测方法的准确性

方法	RMSE	MAPE
			ARIMA	0.251	0.208
LSTM	0.232	0.189
			双向LSTM	0.184	0.154
双向LSTM+Attention	0.150	0.107
			本实施方法	0.095	0.052

基于表2中的结果可得，本实施例所提出的用电量预测模型的性能优于其他方法。

此外，在本实施例中，发明人为了进一步验证本文提出的用电量预测模型的性能，将预测结果与实际数据集进行比较。如图6所示，纵轴表示用电量情况，横轴表示日期。基于图6中的结果可得，本实施例所提出的模型预测的用电量情况与实际的结果相差不大。

实施例二

本实施例的目的是提供一种基于特征和趋势感知的用电量预测系统。

基于上述目的，本实施例提供了一种基于特征和趋势感知的用电量预测系统，包括：

数据获取模块，被配置为获取待预测用户的历史电力数据；

实施例三

本实施例的目的是提供一种电子设备。

基于上述目的，本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实施如实施例一中所述的方法。

实施例四

本实施例的目的是提供一种计算机可读存储介质。

基于上述目的，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实施如实施例一中所述的方法。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.一种基于特征和趋势感知的用电量预测方法，其特征在于，包括以下步骤：

获取待预测用户的历史电力数据；

2.如权利要求1所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，训练基于特征的用电预测模型包括：

基于Bi-LSTM模型进行基于特征的用电预测模型的训练。

3.如权利要求2所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，进行影响因素提取包括：

基于拉普拉斯分数方法获取特征与用电量特征的关联度；

根据预设关联度阈值筛选得到基础特征。

4.如权利要求2所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，进行上下文特征提取包括：采用卷积神经网络进行上下文特征提取。

5.如权利要求2所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，基于双向长短期记忆神经网络模型进行基于特征的用电预测模型的训练包括：

6.如权利要求1所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，训练基于趋势的用电预测模型包括：

采用权重组合法构建用电趋势组合预测模型。

7.如权利要求1或6所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，所述权重组合法采用标准差权重组合法。

8.一种基于特征和趋势感知的用电量预测系统，其特征在于，包括：

数据获取模块，被配置为获取待预测用户的历史电力数据；

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述基于特征和趋势感知的用电量预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述基于特征和趋势感知的用电量预测方法。