CN115829101B - 一种基于多尺度时间卷积网络的用电成本预测及优化方法 - Google Patents

Abstract

本发明公开了一种基于多尺度时间卷积网络的用电成本预测及优化方法，包括以下步骤：S1，构建基于多尺度时间卷积网络的用电成本预测模型；S2，构建基于用电成本预测的用电成本优化阈值规则库；S3，构建基于用电成本预测和阈值规则库的用电成本优化工具；本发明从平均负荷预测和最大负荷预测两大电力负荷成本关键指标出发，采用多个层次、步长不同的时间卷积网络提取用电成本预测中的电力负荷数据的时序特征，并根据用电用户的不同用电类型，挖掘用户用电数据的信息，制定阈值规则库，对用电成本进行更准确的预测，提供更丰富和个性化的用电成本优化方案。

Description

一种基于多尺度时间卷积网络的用电成本预测及优化方法

技术领域

本发明属于用电成本预测技术领域，具体地说，是涉及一种基于多尺度时间卷积网络的用电成本预测及优化方法。

背景技术

用电成本优化主要涉及两方面的研究，一方面是基于能耗数据、行业影响因子的用户用电负荷预测，主要偏向算法模型的研究；另一方面是基于用电负荷预测结果智能化的制定用户用电成本优化方案，主要偏向成本优化方案的设计和系统的开发。

关于用户用电负荷预测的研究，传统的电力负荷预测方法主要有基于统计学的方法和基于机器学习的方法。基于统计学的方法包括自回归移动平均、卡尔曼滤波和自回归平均异方差等；基于机器学习的方法包括支持向量机、朴素贝叶斯和随机森林等。欧阳前武等人利用自回归滑动平均模型对广州市区的商业建筑逐月总能耗进行预测，整合移动平均自回归模型对时序建模，考虑时序的移动平均分量，可以对非平稳的时序数据进行平稳化处理，达到线性的自回归预测效果。然而，这类方法仅能应对线性时间关系，无法处理非线性时间依赖关系，而且参数需要人工手动选择，缺少自动学习的机制。近年来，国内外研究者提出各类神经网络模型解决多类型用户用电负荷预测问题。江自强等人选择径向基函数神经网络进行现代化建筑用电量智能预测。Bendaoud等人基于生成对抗网络模型构建cGAN架构准确且稳定的捕获电量负载的周期性变化。另一方面，循环神经网络模型在处理时间序列数据方面取得了巨大的成功。由于传统RNN存在梯度消失与爆炸现象，目前一般使用RNN的两种变体：长短期记忆(Long Short-Term Memory,LSTM)与门控循坏单元(GateRecurrent Unit,GRU)替换RNN，以提取长时间依赖关系。Kong等人评估了住宅负荷曲线的不一致性及预测的难度，同时提出了基于LSTM模型(Long Short-term Memory，长短期记忆)的循环神经网络框架，将其应用于真实住宅智能电表的负荷预测。Rahman等人实现并优化了RNN模型，解决以一小时为分辨率的中长期电力负荷预测问题，模型通过在每个时间步引入共享向量的MLP层以提高泛化能力，并且对包含缺失值片段的电力消耗数据集进行填充。Chitalia等人采用编码器-解码器架构，提出了基于LSTM和双向LSTM的模型，并添加了注意力机制。注意力机制旨在记忆长源输入，从而摆脱模型对长期历史负荷数据的遗忘问题。此外，Shaojie Bai等人提出了一个基于因果空洞卷积的模型用于替代RNN来更好地提取时间上的依赖关系。

对于用户用电成本优化方案的制定，科学合理的方案有利于优化电力资源配置，降低用电成本。早期，我国大部分地区容量在315kVA及以上的大工业用户均采用两部制电价计费，具体分为三部分：一是电度电费，二是基本电费，三是力率电费。其中，基本电费的计费方式又可分为两种，分别是按需量计费和按容量计费。两部制电价有助于形成经济杠杆，优化供电企业电源结构、提高效率。基于这一点，吴丽丽等人分析了导致用户用电成本过高的原因并提出了寻找最大需量与变压器容量等费用的最佳平衡点以降低基本电费，同时作者指出可以通过提高功率因数调整率对力率电费进行优化，并根据用户的电力负荷，按季度变更计费方式。康正凌等人考虑分时电价的情况，建立了电费优化数学模型。卢朝晖等人针对钢铁大工业用电企业，提倡实施“削峰填谷”用电、“增峰降谷”发电，利用峰谷时间差优化发用电负荷的分配、平衡与管理，利用大型同步机、集中补偿电容器等综合调控各变电站的功率因数，优化企业电费计算制度。张弘等人对大工业电费计算的高供高计或高供低计的方式进行分析，给出了变压器损耗分摊及调整电费、基本电费、分时电费的计算方式，同时指出，大工业可以考虑以下电价制度：根据功率因数调整电价制度，峰谷分时电价制度，丰枯季节性电价制度。

经过调研发现，现有的研究成果普遍存在以下问题：

(1)用户用电负荷是时序数据，通常包含多层次的特性，例如周期性、不稳定性和随机性等。随着数据规模的不断增大，现有的方法往往难以捕获时序数据中的复杂结构，无法准确进行预测。

(2)统计学模型具有简单、训练速度快的特点，但是对非线性的电力负荷预测精度较低，拟合能力不足；而机器学习模型参数寻优困难，难以挖掘特征输入与电力负荷之间的时序相关性，预测效果不理想。基于循环神经网络的预测模型由于不能并行计算存在训练慢、推断慢的问题。

(3)现有的用户用电成本方案大多未考虑用户用电负荷具有周期性和不稳定性，不能根据其特性动态调整计费方式和最大需量值。

发明内容

本发明的目的在于提供一种基于多尺度时间卷积网络的用电成本预测及优化方法，主要解决的问题是克服现有电力成本预测和优化方法的局限性，挖掘用户用电数据的信息，进行更准确的预测，提供更丰富和个性化的用电成本优化方案。

为实现上述目的，本发明采用的技术方案如下：

一种基于多尺度时间卷积网络的用电成本预测及优化方法，包括以下步骤：

S1，构建基于多尺度时间卷积网络的用电成本预测模型，具体步骤为：

S11，从平均负荷预测和最大负荷预测定义电力成本预测问题；

S12，采用多个层次、步长不同的时间卷积网络提取用电成本预测中的电力负荷数据的时序特征；

S13，利用逐层蒸馏的方式对多个层次、步长不同的时间卷积网络的信息进行提取，采用高分辨率向低分辨率逐步融合的方式将每层不同分辨率的信息融合起来；

S2，构建基于用电成本预测的用电成本优化阈值规则库，具体步骤为：

S21，对用电成本的预测模型中的用电用户及用电计费科目进行分析；

S22，根据步骤S21的分析结果，构建包括单一制与两部制的转换、基本电费计费规则的切换、计费未及时报停的判断及基于预测结果的建议的阈值规则；

S23，根据构建的阈值规则提供成本优化建议；

S3，构建基于用电成本预测和阈值规则库的用电成本优化工具，具体步骤为：

S31，由传感器采集用户各项用电数据存储在大数据平台，然后使用SQL脚本将需要的数据从大数据平台导出；

S32，将导出的数据按照时序数据和非时序数据进行分类存储；

S33，根据各项用电数据计算平均负荷数据和最大负荷数据并输入电力成本预测模型中；

S34，预测模型根据历史数据学习每个用户的用电规律，预测出未来的平均负荷和最大负荷；

S35，对预测出的未来的平均负荷和最大负荷进行数据处理并展示结果，提供成本优化建议。

进一步地，在所述步骤S11中，

平均负荷预测的定义为：给定单变量一维时间序列

其中Q_t表示电力系统在时刻t的电量负荷，平均负荷预测任务的目标是预测电力系统在未来Δt个时刻T+1，...，T+Δt的电量负荷时间序列/>

使电量负荷时间序列/>

与电力系统在未来Δt个时刻的真实电量负荷时间序列/>

相近；

最大负荷预测的定义为：给定单变量一维时间序列

其中P_t表示电力系统在时刻t的功率负荷，最大负荷预测任务的目标是预测电力系统在未来Δt个时刻T+1，...，T+Δt内最大功率负荷/>

使/>

与电力系统在未来Δt个时刻的真实功率负荷最大值相近。

进一步地，在所述步骤S12中，多尺度的时间卷积网络由因果卷积和空洞卷积组成。

进一步地，在本发明中，单一制与两部制的转换的阈值规则为：若单一制计费电价低于两部制，且使用单一制能够满足变压器容量需求，则使用单一制计费；若两部制计费电价低于单一制，则使用两部制。

进一步地，在本发明中，基本电费计费规则的切换的阈值规则为：

按实际最大需量计费与按容量计费的选择：实际最大需量低于变压器总容量的66％时，使用前者，否则使用后者；

按实际最大需量计费与按合约最大需量计费的选择：当实际最大需量小于合约最大需量或大于合约最大需量的1.075倍时，使用前者；否则使用后者。

进一步地，在本发明中，计费未及时报停的判断的阈值规则为：分别提取用户日电量数据、变压器运行天数数据，计算日电量为零天数、变压器运行天数及日电量系数，对输出变压器运行天数大于日电量为零天数用户，日电量与运行容量系数比小于1的用户进行报停。

进一步地，在本发明中，基于预测结果的建议的阈值规则为：若用电用户的偏差电量考核费用高于预设值，建议其通过平均负荷预测服务合理进行购电规划；若用电用户使用按容量或实际最大需量计费，建议其通过最大负荷预测服务合理选取合约值，并使用按合约最大需量计费。

与现有技术相比，本发明具有以下有益效果：

本发明从平均负荷预测和最大负荷预测两大电力负荷成本关键指标出发，采用多个层次、步长不同的时间卷积网络提取用电成本预测中的电力负荷数据的时序特征，并根据用电用户的不同用电类型，挖掘用户用电数据的信息，制定包括单一制与两部制的转换、基本电费计费规则的切换、计费未及时报停的判断及基于预测结果的建议的阈值规则，对用电成本进行更准确的预测，提供更丰富和个性化的用电成本优化方案。

附图说明

图1为本发明-实施例中预测模型的流程结构示意图。

图2为本发明-实施例中总体电量预测界面示意图。

图3为本发明-实施例中个体电量预测界面示意图。

图4为本发明-实施例中总体用电成本概览界面示意图。

图5为本发明-实施例中个体用电成本优化界面示意图。

具体实施方式

下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。

本发明公开的一种基于多尺度时间卷积网络的用电成本预测及优化方法，包括以下步骤：

S1，构建基于多尺度时间卷积网络的用电成本预测模型，首先，本发明从两个方面定义电力成本预测问题，分为平均负荷预测和最大负荷预测，具体定义如下：

平均负荷预测的定义为：给定单变量一维时间序列

其中Q_t表示电力系统在时刻t的电量负荷，平均负荷预测任务的目标是预测电力系统在未来Δt个时刻T+1，…，T+Δt的电量负荷时间序列/>

使电量负荷时间序列/>

与电力系统在未来Δt个时刻的真实电量负荷时间序列/>

尽可能相近。

最大负荷预测的定义为：给定单变量一维时间序列

其中P_t表示电力系统在时刻t的功率负荷，最大负荷预测任务的目标是预测电力系统在未来Δt个时刻T+1，...，T+Δt内最大功率负荷/>

使/>

与电力系统在未来Δt个时刻的真实功率负荷最大值尽可能相近。

采用多个层次、步长不同的时间卷积网络提取用电成本预测中的电力负荷数据的时序特征。时间卷积层主要用于提取相邻时间序列的依赖关系和特征信息，主要由因果卷积和空洞卷积组成。因果卷积考虑了时间序列因果性的特征，空洞卷积用于减少每层之间的卷积运算，便于堆叠深层的网络结构。

因果卷积是为了满足时间序列的因果性进行的卷积操作。时间序列的因果性是指，在t时刻，无法预知未来t+1时刻的信息，因此在预测t时刻数值的时候，不能用到t+1时刻的信息。在对时间序列进行卷积的时候，只能对t时刻及以前的数据进行卷积操作。具体操作的时候，为了保持输出序列和输入序列的一致性，本实施例会在输入的时间序列前补0。

因果卷积对相邻的每个时刻的数据进行卷积，导致运算过多，本实施例采用vanden等人在2016年提出了空洞卷积进行优化，对于高层的时空卷积网络，卷积核对有固定间隔的序列进行卷积操作，减少了运算量，对于长时间序列的因果卷积降低卷积操作，增加了网络深度，只有深度的网络结构才能够提取深入的特征信息。

形式化的来说，对于一个一维的输入x∈R，和一个过滤函数f：0，...，k-1→R，元素s上的空洞卷积操作F定义为

其中d是空洞因子，d越大，空洞越大，k表示过滤器的尺寸。d＝1的时候，空洞卷积退化成普通的卷积。本实施例中选取d＝2作为空洞因子，实验表明能达到较好的效果。

本实施例中利用多尺度时空卷积网络提取时间序列在不同尺度上的依赖关系和特征信息，其中，多尺度的时间卷积网络是指多个层次、步长不同的时间卷积网络，其下层的卷积层提取细粒度的时序特征(例如第一层提取相邻的时序特征)，上层的卷积层从下层的卷积层中提取到更宏观的特征信息。上层大尺度时空卷积可以提取到时间序列的周期性等宏观规律，并降低局部随机性的影响；下层时空卷积提取时序相关性更强的相邻时刻数据，提供更细粒度的信息参考，提升预测准确率。

本实施例利用逐层蒸馏的方式对多个层次、步长不同的时间卷积网络的信息进行提取，将每层不同分辨率的信息融合起来，通过由高分辨率向低分辨率的逐步融合，得到更丰富和准确的信息用于结果的预测。

S2，构建基于用电成本预测的用电成本优化阈值规则库；首先，在用电成本预测中，需要对用电用户组成进行分析，目前工业用户用电按类别有两种，分别为普通工业、大工业，普通工业与大工业用户的区别是当用户运行容量大于等于315KVA执行大工业用电类别，反之用电类别执行普通工业。用电类别为大工业的用户，电价执行两部制电价，既大工业用户电费＝电度电费+基本电费+力率电费；用电类别为普通工业的用户，电价执行单一制电价，既普通工业电费＝电度电费+力率电费，较大工业相比少一个基本电费。

而对于高压用户分类时，主要分为普通工业用户、大工业用户和其它用户(包括一般工商业、居民用户等)。对于普通工业用户，用户电费＝电度电费+力率电费，称为单一制计费方式；对于大工业用户，用户电费＝电度电费+基本电费+力率电费，称为两部制计费方式；对于其它用户，用户电费＝电度电费。

其中，电度电费＝电量×分时电度用电价格，分时电度用电价格按峰、平、谷时段分别计费，且分时电度用电价格受用电类别与输配电压有关。对于市场化用户，电度电费需要附加偏差电量考核电价，偏差电量越大，偏差电量考核电价越高，总电价越高。因此，对平均负荷进行精准预测可以通过降低偏差电量达到降低电价的作用。

变压器总容量大于315kVA的用户被归为大工业用户，在计算电费时需要考虑基本电费。基本电费的计费方式分为两种，分别为按容量计费、按需量计费，其中按需量计费又分为按实际最大需量计费和按合约最大需量计费。

对于按容量计费，基本电费＝变压器总容量×变压器运行天数/自然月天数×19。

对于按实际最大需量计费，基本电费＝实际最大需量(负荷)×变压器运行天数/自然月天数×28.5。

对于按合约最大需量计费，当实际最大需量小于合约最大需量的1.05倍时，基本电费＝合约最大需量×变压器运行天数/自然月天数×28.5；当实际最大需量大于合约最大需量的1.05倍时，对于超出部分赋双倍权重进行收费，即：基本电费＝(合约最大需量(负荷)-超出部分×2)×变压器运行天数/自然月天数×28.5，其中超出部分＝实际最大需量-合约最大需量×1.05。

综上，对于按容量和按实际最大需量计费，当实际最大需量小于变压器总容量的66％时，使用后者划算，否则使用前者划算。对于按实际最大需量和按合约最大需量计费，当实际最大需量小于合约最大需量时，使用前者划算；当实际最大需量大于合约最大需量且小于合约最大需量×1.075时，使用后者划算，且实际最大需量越接近合约最大需量×1.05，越划算，尤其是对于合约最大需量大的用户；当实际最大需量大于合约最大需量×1.075时，使用前者划算。因此，对实际最大需量(最大负荷)进行精准预测可以辅助计费策略的选取与合约最大需量的选取，从而削减用户用电成本。

对于所有用户，在计算电费时均需要考虑力率电费。力率电费指基于对功率因数的考核而附加的电费，其中工业用户考核的功率因数为0.9，其他用户考核的功率因数为0.85。对于功率因数高于考核阈值的用户，将按总电费进行小幅的百分比奖励，即力率电费为负数；对于功率因数低于考核阈值的用户，将按总电费进行中等幅度的百分比惩罚，此时力率电费为正数。因此，功率因数过低也会导致用电成本的增加。

对分析后的各类用户和各类计费针对性的构建了一系列阈值规则，包括单一制与两部制的转换、基本电费计费规则的切换、计费未及时报停的判断及基于预测结果的建议的阈值规则。

单一制与两部制的转换的阈值规则为：对于大工业用户(两部制计费)，在削减变压器容量后仍可以满足用电量需求的前提下，将变压器容量削减至普通工业用户(单一制计费)级别，虽然分时电度用电价会上升，但由于节省了基本电费开销项，总用电成本可能会降低；同理，对于普通工业用户，若将其变压器容量扩充至大工业用户级别，尽管增加了基本电费开销项，分时电度用电价格降低带来的电度电费的降低量仍有可能使总用电成本更为节省。若单一制计费电价低于两部制，且使用单一制能够满足变压器容量需求，则使用单一制计费；若两部制计费电价低于单一制，则使用两部制。

基本电费计费规则的切换的阈值规则为：

按实际最大需量计费与按容量计费的选择：实际最大需量低于变压器总容量的66％时，使用前者，否则使用后者；

按实际最大需量计费与按合约最大需量计费的选择：当实际最大需量小于合约最大需量或大于合约最大需量的1.075倍时，使用前者；否则使用后者。

计费未及时报停的判断的阈值规则为：分别提取用户日电量数据、变压器运行天数数据，计算日电量为零天数、变压器运行天数及日电量系数，对输出变压器运行天数大于日电量为零天数用户，日电量与运行容量系数比小于1的用户进行报停。

基于预测结果的建议的阈值规则为：若用电用户的偏差电量考核费用高于预设值，建议其通过平均负荷预测服务合理进行购电规划；若用电用户使用按容量或实际最大需量计费，建议其通过最大负荷预测服务合理选取合约值，并使用按合约最大需量计费。

本实施例针对特定用户，根据构建的阈值规则库，首先判断用户是否是市场化用户，对于非市场化用户建议转化为市场化用户，降低用电成本。然后对于大工业用户和普通工业用户，如果变压器容量和和用电需求满足单一制与两部制的转换的阈值规则，则建议进行大工业用户和普通工业用户的转换操作。对于大工业用户，如果容量和实际需量满足基本电费计费规则的切换的阈值规则，则建议进行大工业用户按容量计费和按需量计费的切换。针对用户的日电量数据、变压器运行天数数据进行计算分析，对于满足计费未及时报停的判断阈值规则的用户，进行计费未及时报停的提示。根据用户用电预测的结果，执行基于预测结果的建议的阈值规则，可依据用户平均负荷预测的值推荐更合理的购电规划，依据用户最大负荷预测值推荐选取合理的合约计费，降低用电费用。

S3，构建基于用电成本预测和阈值规则库的用电成本优化工具，如图1所示，首先，由传感器采集并存储在数据平台上的用户各项用电数据，存储在多张表，多个字段里，可以分类为两种数据，时序数据和非时序数据。时序数据即随着时间变化的数据，例如电压、电流、功率因数等。非时序包含用户的姓名，编号，用户类别等基本信息。两类数据分开存储，对于用电等时序数据，在采集时按照每隔15分钟即每天96点存储，需要将横表处理成纵表，转化成为标准的时间序列数据。经过处理后的时序数据和非时序数据用SQL脚本从大数据平台中导出，再导入本地数据库进行存储。

与此同时，根据各项用电数据计算出的平均负荷和最大负荷数据(平均负荷＝电压×电流×功率因数，最大负荷等于一天内按15分钟平均的功率负荷的最大值)，输入电力成本预测模型中，预测模型根据历史数据学习每个用户的用电规律，预测出未来的平均负荷和最大负荷，也存储本地数据库中。

本地数据库存储了收集并处理过的用户用电数据以及模型预测的数据，根据这些数据，本实施例构建了用电成本优化工具，包含前端和后台两个部分，前端展示各种图表信息，提供成本优化建议，后台存储用户各项数据即预测数据，前端向发起数据请求，后台返回给前端所需的数据。

本实施例中前端展示界面采用Vue+ElementUI+Echarts技术栈构建，基于电力成本预测模型的预测结果，对整体和个体的用电量和用电成本相关数据进行展示，提供了交互式的操作功能，利用阈值规则库为个体用户提供了个性化的用电成本优化方案。主要有以下四个界面组成：

总体电量预测界面。该界面如图2所示，左上方分行业展示了各月的(预测)用电量曲线，左下方展示目标月份的(预测)用电量分布曲线，右上方展示各行业在目标月份的(预测)用电量占比，右下方展示对购电公司在目标月份的购电建议。数据通过异步模块动态加载，使用者可以进行交互操作。点击各月用电量曲线上的点，可以影响其他三个图标，展示对应月份的数据。

个体电量预测界面。该界面如图3所示，左侧展示用户信息详表，详表具有按目标月份和用户名搜索和按关键字排序的功能，右侧展示表中选中的用户在目标月份的总、峰、平、谷预测电量曲线，以及电量占比。使用者点击用户信息详表，右侧表格会对应发生变化。用户详表上还可以搜索指定用户，指定数据月份。

总体用电成本概览界面。该界面如图4所示，左上方展示各行业的月均电价，右侧展示的用户详表将展示目标用户的信息。左上方曲线可以选中目标月份，左下方展示目标月份的平均电价分布曲线和右侧的用户详表会对应发生变化，在电价分布曲线上选中电价区间，右侧表格根据购电均价筛选目标用户，对于构建均价较高的用户，单机“详情”按钮可以跳转至单用户详情页，进行进一步的成本优化推荐。

个体用电成本优化界面。该界面如图5所示，左上方卡片展示了用户的详细信息，五张图标依次展示了用户的各类电费占比情况、电量使用情况、电量占比情况、最大负荷预测曲线和功率因数考核情况。单机左上方卡片上的“成本优化建议”按钮，根据用户的用电情况和阈值规则库，展示针对当前用户的个性化购电方案建议。

为了满足后台服务模块的各类需求，本实施例采用目前主流的轻量级架构方案：Flask后台+PostgreSQL数据库，用基于python的Flask框架链接后端数据库，获取数据，构建前端请求所需的接口。本实施例针对前端展示界面的每个图标实现了数据获取的接口。

总体电量预测界面所需接口。该界面初始化时，向后端请求各行业每月用电量数据，默认请求最新月份的用电量分布曲线数据和最新月份各行业用电量占比。在点击用电量曲线之后，前端根据使用者交互点击的月份向后端发起请求获取对应月份的数据，更新用电量分布曲线和用电量占比。

个体电量预测界面所需接口。该界面初始化时，默认向后端请求最新月份的用户用电详情信息，默认请求用户详情中第一个用户的峰、平、谷用电量数据和用电占比。使用者点击用户详情中的用户后，前端向后端请求对应用户的用电详情数据并展示在界面的右侧。使用者在前端选择不同的月份后，会向后端请求对应月份的数据并更新用户详情表。

总体用电成本概览界面所需接口。该界面初始化时，向后端请求所有月份的用电成本的数据并展示在左上角表格，默认请求最新月份的用电成本分布曲线数据和用户用电成本详情数据。使用者交互点击不同月份后，前端向后端请求对应月份的用电成本分布曲线数据和用户用电成本详情数据，并动态更新展示。

个体用电成本优化界面所需接口。通过点击总体用电成本概览界面的用户详情进入该界面，加载用户的平均负荷预测曲线和最大负荷预测曲线，默认加载最新月份的各项成本占比和峰、平、谷用电占比情况。使用者交互点击平均负荷预测曲线不同的月份，前端向后端动态请求对应月份的数据，更新图表。

通过上述设计，本发明从平均负荷预测和最大负荷预测两大电力负荷成本关键指标出发，采用多个层次、步长不同的时间卷积网络提取用电成本预测中的电力负荷数据的时序特征，并根据用电用户的不同用电类型，挖掘用户用电数据的信息，制定包括单一制与两部制的转换、基本电费计费规则的切换、计费未及时报停的判断及基于预测结果的建议的阈值规则，对用电成本进行更准确的预测，提供更丰富和个性化的用电成本优化方案。因此，与现有技术相比，本发明具有突出的实质性特点和显著的进步。

上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims (7)

1.一种基于多尺度时间卷积网络的用电成本预测及优化方法，其特征在于，包括以下步骤：

S1，构建基于多尺度时间卷积网络的用电成本预测模型，具体步骤为：

S11，从平均负荷预测和最大负荷预测定义电力成本预测问题；

S12，采用多个层次、步长不同的时间卷积网络提取用电成本预测中的电力负荷数据的时序特征；

S13，利用逐层蒸馏的方式对多个层次、步长不同的时间卷积网络的信息进行提取，采用高分辨率向低分辨率逐步融合的方式将每层不同分辨率的信息融合起来；

S2，构建基于用电成本预测的用电成本优化阈值规则库，具体步骤为：

S21，对用电成本的预测模型中的用电用户及用电计费科目进行分析；

S22，根据步骤S21的分析结果，构建包括单一制与两部制的转换、基本电费计费规则的切换、计费未及时报停的判断及基于预测结果的建议的阈值规则；

S23，根据构建的阈值规则提供成本优化建议；

S3，构建基于用电成本预测和阈值规则库的用电成本优化工具，具体步骤为：

S31，由传感器采集用户各项用电数据存储在大数据平台，然后使用SQL脚本将需要的数据从大数据平台导出；

S32，将导出的数据按照时序数据和非时序数据进行分类存储；

S33，根据各项用电数据计算平均负荷数据和最大负荷数据并输入电力成本预测模型中；

S34，预测模型根据历史数据学习每个用户的用电规律，预测出未来的平均负荷和最大负荷；

S35，对预测出的未来的平均负荷和最大负荷进行数据处理并展示结果，提供成本优化建议。

2.根据权利要求1所述的一种基于多尺度时间卷积网络的用电成本预测及优化方法，其特征在于，在所述步骤S11中，

平均负荷预测的定义为：给定单变量一维时间序列

其中Q_t表示电力系统在时刻t的电量负荷，平均负荷预测任务的目标是预测电力系统在未来Δt个时刻T+1，…，T+Δt的电量负荷时间序列/>

使电量负荷时间序列/>

与电力系统在未来Δt个时刻的真实电量负荷时间序列/>

相近；

最大负荷预测的定义为：给定单变量一维时间序列

其中P_t表示电力系统在时刻t的功率负荷，最大负荷预测任务的目标是预测电力系统在未来Δt个时刻T+1，...，T+Δt内最大功率负荷/>

使/>

与电力系统在未来Δt个时刻的真实功率负荷最大值相近。

3.根据权利要求2所述的一种基于多尺度时间卷积网络的用电成本预测及优化方法，其特征在于，在所述步骤S12中，多尺度的时间卷积网络由因果卷积和空洞卷积组成。

4.根据权利要求1所述的一种基于多尺度时间卷积网络的用电成本预测及优化方法，其特征在于，单一制与两部制的转换的阈值规则为：若单一制计费电价低于两部制，且使用单一制能够满足变压器容量需求，则使用单一制计费；若两部制计费电价低于单一制，则使用两部制。

5.根据权利要求1所述的一种基于多尺度时间卷积网络的用电成本预测及优化方法，其特征在于，基本电费计费规则的切换的阈值规则为：

按实际最大需量计费与按容量计费的选择：实际最大需量低于变压器总容量的66％时，使用前者，否则使用后者；

按实际最大需量计费与按合约最大需量计费的选择：当实际最大需量小于合约最大需量或大于合约最大需量的1.075倍时，使用前者；否则使用后者。

6.根据权利要求1所述的一种基于多尺度时间卷积网络的用电成本预测及优化方法，其特征在于，计费未及时报停的判断的阈值规则为：分别提取用户日电量数据、变压器运行天数数据，计算日电量为零天数、变压器运行天数及日电量系数，对输出变压器运行天数大于日电量为零天数用户，日电量与运行容量系数比小于1的用户进行报停。

7.根据权利要求1所述的一种基于多尺度时间卷积网络的用电成本预测及优化方法，其特征在于，基于预测结果的建议的阈值规则为：若用电用户的偏差电量考核费用高于预设值，建议其通过平均负荷预测服务合理进行购电规划；若用电用户使用按容量或实际最大需量计费，建议其通过最大负荷预测服务合理选取合约值，并使用按合约最大需量计费。

Images