CN115953183A - 面向现货市场的售电公司购售电风险预测系统及其方法 - Google Patents
面向现货市场的售电公司购售电风险预测系统及其方法 Download PDFInfo
- Publication number
- CN115953183A CN115953183A CN202310075595.6A CN202310075595A CN115953183A CN 115953183 A CN115953183 A CN 115953183A CN 202310075595 A CN202310075595 A CN 202310075595A CN 115953183 A CN115953183 A CN 115953183A
- Authority
- CN
- China
- Prior art keywords
- electricity
- power consumption
- scale
- vector
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 297
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 219
- 239000011159 matrix material Substances 0.000 claims description 72
- 238000009826 distribution Methods 0.000 claims description 44
- 238000003062 neural network model Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 18
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及智能预测领域，其具体地公开了一种面向现货市场的售电公司购售电风险预测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出电力用户的多天实际用电量的时序动态关联特征信息，以此来准确地进行用电量预测，进而提高偏移预警的精准度。这样，能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
Description
技术领域
本申请涉及智能预测领域，且更为具体地，涉及一种面向现货市场的售电公司购售电风险预测系统及其方法。
背景技术
售电公司通过和电力用户签订零售服务合同，为电力用户在电力市场购电。售电公司通过在电力批发市场进行年度交易、月度交易、月内交易，以保证电力用户生产用能的购电安排。如果由于其他不可控的原因，出现购电电量无法满足电力用户生产用能的情况时，售电公司通过在现货市场进行现货交易购电，以满足用电电量偏差。
目前售电公司在现货市场进行现货交易购电，以满足电力用户用电电量偏差，解决了电力用户实际生产用能的需求，但可能面临以下不足：由于现货市场的实时性、交易双方的不确定性等特征，在现货市场的交易价格要远高于电力批发市场的交易价格，电力用户需要承担较多的用电费用；由于现货市场交易的不确定性，可能面临无合适的现货交易，无法购买合适的电量，影响电力用户的生产用能安排。
因此，期望一种优化的面向现货市场的售电公司购售电风险预测系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种面向现货市场的售电公司购售电风险预测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出电力用户的多天实际用电量的时序动态关联特征信息，以此来准确地进行用电量预测，进而提高偏移预警的精准度。这样，能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
根据本申请的一个方面，提供了一种面向现货市场的售电公司购售电风险预测系统，其包括：用电量数据采集模块，用于获取被预测电力用户在当天之前的多天的实际用电量；时序向量构造模块，用于将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；第一用电时序特征提取模块，用于将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；第二用电时序特征提取模块，用于将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；用电特征融合模块，用于融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量；特征增强模块，用于基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵；预测模块，用于将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；以及偏移预测结果生成模块，用于基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
在上述面向现货市场的售电公司购售电风险预测系统中，所述第一用电时序特征提取模块，进一步用于：使用所述具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度用电量特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述用电量输入向量。
在上述面向现货市场的售电公司购售电风险预测系统中，所述第二用电时序特征提取模块，进一步用于：使用所述具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度用电量特征向量，所述具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述用电量输入向量。
在上述面向现货市场的售电公司购售电风险预测系统中，所述用电特征融合模块，进一步用于：以如下公式融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到所述用电量特征向量；其中，所述公式为：
其中V1和V2分别表示所述第一尺度用电量特征向量和所述第二尺度用电量特征向量，||·||2表示向量的二范数，Cov1D表示以卷积算子(||V1||2,||V2||2,V1V2 T)对向量
进行一维卷积，Vu表示所述用电量特征向量。
在上述面向现货市场的售电公司购售电风险预测系统中，所述特征增强模块，包括：高斯密度图构造单元，用于构造所述用电量特征向量的高斯密度图以得到高斯密度图，其中，所述高斯密度图的均值向量为所述用电量特征向量，所述高斯密度图的协方差矩阵为所述用电量特征向量中相应两个位置的特征值之间的方差；高斯离散化单元，用于对所述高斯密度图中各个位置的高斯分布进行离散化以得到用电量特征矩阵。
在上述面向现货市场的售电公司购售电风险预测系统中，所述预测模块，进一步用于：使用所述作为预测器的解码器以如下公式将所述用电量特征矩阵进行解码回归以获得用于表示当前用电量预测值的解码值；其中，所述公式为：
其中X表示所述用电量特征矩阵，Y是所述解码值，W是权重矩阵，
表示矩阵相乘。
在上述面向现货市场的售电公司购售电风险预测系统中，所述偏移预测结果生成模块，包括：作差单元，用于计算所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差值；以及，预警单元，用于基于所述差值与预定阈值之间比较，生成所述用电量偏移预警提示。
根据本申请的另一方面，提供了一种面向现货市场的售电公司购售电风险预测方法，其包括：获取被预测电力用户在当天之前的多天的实际用电量；将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量；基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵；将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；以及基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的面向现货市场的售电公司购售电风险预测方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的面向现货市场的售电公司购售电风险预测方法。
与现有技术相比，本申请提供的一种面向现货市场的售电公司购售电风险预测系统及其方法，其通过采用基于深度学习的神经网络模型挖掘出电力用户的多天实际用电量的时序动态关联特征信息，以此来准确地进行用电量预测，进而提高偏移预警的精准度。这样，能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统的框图；
图2为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统的系统架构图；
图3为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统中第一卷积神经网络编码的流程图；
图4为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统中特征增强模块的框图；
图5为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统中偏移预测结果生成模块的框图；
图6为根据本申请实施例的面向现货市场的售电公司购售电风险预测方法的流程图；
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述：如前背景技术所言，目前售电公司在现货市场进行现货交易购电，以满足电力用户用电电量偏差，解决了电力用户实际生产用能的需求，但可能面临以下不足：由于现货市场的实时性、交易双方的不确定性等特征，在现货市场的交易价格要远高于电力批发市场的交易价格，电力用户需要承担较多的用电费用；由于现货市场交易的不确定性，可能面临无合适的现货交易，无法购买合适的电量，影响电力用户的生产用能安排。因此，期望一种优化的面向现货市场的售电公司购售电风险预测系统。
应可以理解，当售电公司在电力批发市场为已签约的电力用户购电电量，由于突发的原因，导致无法满足电力用户的生产用能安排的情况下，如何进行偏差调控是关键。而当电力用户出现用电电量偏差时，在进行偏差调控的过程中，最主要的就是需要对于购电量偏差风险进行精准判断，以此来满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
相应地，在本申请的技术方案中，考虑到在实际进行偏移风险预警的过程中，可以根据被预测电用户在当前之前的多天用电量来预测当天的用电量，以基于当前用电预测量与当前电量购买量之间的比较来判断是否生成购电量偏差风险提示。但是，考虑到由于所述多天用电量之间具有着时序关联性关系，并且多天的用电量在不同时间跨度下的关联性特征不同，在此过程中，难点在于如何挖掘出电力用户的多天实际用电量的时序动态关联特征信息，以此来准确地进行用电量预测，进而提高偏移预警的精准度。这样，能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘电力用户的多天实际用电量的时序动态关联特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取被预测电力用户在当天之前的多天的实际用电量。接着，为了挖掘出所述被预测电力用户的多天的实际用电量在时间维度上的关联性特征信息，需要进一步将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量，以此来整合所述当天之前的多天的实际用电量在时序上的分布信息。
然后，考虑到由于所述被预测电力用户在当天之前的多天的实际用电量在时间维度上的不同时间周期跨度下具有着不同的动态关联特征分布信息，为了能够充分地挖掘出所述多天的实际用电量的时序关联特征来进行当前用电量的预测，在本申请的技术方案中，进一步使用具有不同尺度的一维卷积的卷积神经网络模型来对于所述用电量输入向量进行特征挖掘，以提取出所述用电量输入向量中关于所述当天之前的多天的实际用电量在时序上的多尺度动态关联特征分布信息。具体地，将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；并将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量。应可以理解，这里，使用具有不同尺度的一维卷积核的卷积神经网络模型能够在特征提取时提取出所述当天之前的多天的实际用电量的多尺度时序关联特征，以此来挖掘出所述被预测电力用户的实际用电量在不同时间跨度下的多尺度动态关联特征信息，进而能够精准地对于所述实际用电量的动态变化特性进行捕捉，提高对于偏移预警的精准度。接着，进一步再融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量，来得到具有实际用电量在时间维度上的多尺度动态关联特征信息的用电量特征向量。
进一步地，考虑到所述被预测电力用户在当天之前的多天的实际用电量在时间维度上存在波动性和不确定性，因此为了提高对于所述当前用电量预测的准确性，需要在高维特征空间中对于所述用电量的时序动态隐含关联特征进行数据增强，也就是，利用所述在当天之前的多天的实际用电量具有高斯分布的先验信息来提升预测当前用电量特征表示的准确性。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述实际用电量的先验分布，即高斯分布，来对于所述当天之前的多天的实际用电量的时序动态隐含关联特征进行数据增强，以使得增强后的所述用电量特征向量具有一定的预测性。具体地，首先，构造所述用电量特征向量的高斯密度图，以基于所述高斯密度图对所述用电量特征向量进行特征级数据增强。接着，进一步再将所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到用电量特征矩阵，以此来提高后续解码预测的精准度。
然后，将所述用电量特征矩阵通过作为预测器的解码器中进行解码以得到当前用电量预测值，进而，再基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。具体地，在本申请的技术方案中，可以计算所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差值，以此来得到所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差异性信息，再基于所述差值与预定阈值之间比较来生成所述用电量偏移预警提示。特别地，响应于所述差值大于所述预定阈值，则生成用电量偏移预警，以此来进行预警提示以做出相应调整，使得在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
特别地，在本申请的技术方案中，在融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量时，由于所述第一尺度用电量特征向量和所述第二尺度用电量特征向量是所述用电量输入向量通过具有不同尺度的一维卷积核的卷积神经网络模型得到的，因此其特征分布在与特征的时序关联对应的收敛方向上可能并不一致，这就导致所述用电量特征向量的整体特征分布的收敛性差，在基于高斯密度图进行特征级数据增强得到所述用电量特征矩阵时，由于高斯密度图引入的随机性，使得所述用电量特征矩阵的整体特征分布的收敛性进一步变差，这样，将其通过解码器进行解码的拟合效果也会变差。而另一方面，如果直接对所述第一尺度用电量特征向量和所述第二尺度用电量特征向量设置阈值以拟合其收敛方向，又可能导致得到的所述用电量特征矩阵的各特征值之间的相关度较高，从而降低所述用电量特征矩阵的解码准确性。
因此，对所述第一尺度用电量特征向量V1和所述第二尺度用电量特征向量V2进行向量模基的希尔伯特空间约束以得到所述用电量特征向量Vu，表示为：
Cov1D表示一维卷积运算，即以卷积算子(||V1||2,||V2||2,V1V2 T)对向量
进行一维卷积，其中α和β是权重超参数。
这里，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述用电量特征向量Vu进行约束，可以将所述用电量特征向量Vu的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了所述用电量特征向量Vu的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。然后，再基于高斯密度图对所述用电量特征向量Vu进行特征级数据增强得到所述用电量特征矩阵，就可以提升优化后的所述用电量特征矩阵经由解码器的拟合效果和解码结果的准确性。这样，能够准确地对于当前用电量进行实时预测，以提高偏移预警的精准度，使其能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
基于此，本申请提出了一种面向现货市场的售电公司购售电风险预测系统，其包括：用电量数据采集模块，用于获取被预测电力用户在当天之前的多天的实际用电量；时序向量构造模块，用于将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；第一用电时序特征提取模块，用于将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；第二用电时序特征提取模块，用于将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；用电特征融合模块，用于融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量；特征增强模块，用于基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵；预测模块，用于将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；以及，偏移预测结果生成模块，用于基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统：图1为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统的框图。如图1所示，根据本申请实施例的面向现货市场的售电公司购售电风险预测系统300，包括：用电量数据采集模块310；时序向量构造模块320；第一用电时序特征提取模块330；第二用电时序特征提取模块340；用电特征融合模块350；特征增强模块360；预测模块370；以及，偏移预测结果生成模块380。
其中，所述用电量数据采集模块310，用于获取被预测电力用户在当天之前的多天的实际用电量；所述时序向量构造模块320，用于将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；所述第一用电时序特征提取模块330，用于将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；所述第二用电时序特征提取模块340，用于将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；所述用电特征融合模块350，用于融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量；所述特征增强模块360，用于基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵；所述预测模块370，用于将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；以及，所述偏移预测结果生成模块380，用于基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
图2为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统的系统架构图。如图2所示，在所述面向现货市场的售电公司购售电风险预测系统300的系统架构中，首先通过所述用电量数据采集模块310获取被预测电力用户在当天之前的多天的实际用电量；接着，所述时序向量构造模块320将所述用电量数据采集模块310获取的当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；所述第一用电时序特征提取模块330将所述时序向量构造模块320排列的用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；所述第二用电时序特征提取模块340将所述时序向量构造模块320排列的用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；然后，所述用电特征融合模块350融合所述第一用电时序特征提取模块330得到的第一尺度用电量特征向量和所述第二用电时序特征提取模块340得到的第二尺度用电量特征向量以得到用电量特征向量；所述特征增强模块360基于高斯密度图对所述用电特征融合模块350融合所得的用电量特征向量进行特征级数据增强以得到用电量特征矩阵；所述预测模块370将所述特征增强模块360得到的用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；进而，所述偏移预测结果生成模块380基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
具体地，在所述面向现货市场的售电公司购售电风险预测系统300的运行过程中，所述用电量数据采集模块310，用于获取被预测电力用户在当天之前的多天的实际用电量。考虑到在实际进行偏移风险预警的过程中，可以根据被预测电用户在当前之前的多天用电量来预测当天的用电量，以基于当前用电预测量与当前电量购买量之间的比较来判断是否生成购电量偏差风险提示。但是，考虑到由于所述多天用电量之间具有着时序关联性关系，并且多天的用电量在不同时间跨度下的关联性特征不同，因此，在本申请的技术方案中，通过挖掘出电力用户的多天实际用电量的时序动态关联特征信息，以此来准确地进行用电量预测，因此，首先在本申请的一个具体示例中，获取被预测电力用户在当天之前的多天的实际用电量。
具体地，在所述面向现货市场的售电公司购售电风险预测系统300的运行过程中，所述时序向量构造模块320，用于将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量。应可以理解，为了挖掘出所述被预测电力用户的多天的实际用电量在时间维度上的关联性特征信息，需要进一步将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量，以此来整合所述当天之前的多天的实际用电量在时序上的分布信息。
具体地，在所述面向现货市场的售电公司购售电风险预测系统300的运行过程中，所述第一用电时序特征提取模块330，用于将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量。考虑到由于所述被预测电力用户在当天之前的多天的实际用电量在时间维度上的不同时间周期跨度下具有着不同的动态关联特征分布信息，为了能够充分地挖掘出所述多天的实际用电量的时序关联特征来进行当前用电量的预测，在本申请的技术方案中，进一步使用具有不同尺度的一维卷积的卷积神经网络模型来对于所述用电量输入向量进行特征挖掘，以提取出所述用电量输入向量中关于所述当天之前的多天的实际用电量在时序上的多尺度动态关联特征分布信息。具体地，将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量。在一个具体示例中，所述第一卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述第一卷积神经网络的编码过程中，所述第一卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图3为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统中第一卷积神经网络编码的流程图。如图3所示，在所述第一卷积神经网络编码过程中，包括：使用所述具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S210，对输入数据进行卷积处理以得到卷积特征图；S220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，S230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度用电量特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述用电量输入向量。
具体地，在所述面向现货市场的售电公司购售电风险预测系统300的运行过程中，所述第二用电时序特征提取模块340，用于将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量。也就是，将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量。应可以理解，这里，使用具有不同尺度的一维卷积核的卷积神经网络模型能够在特征提取时提取出所述当天之前的多天的实际用电量的多尺度时序关联特征，以此来挖掘出所述被预测电力用户的实际用电量在不同时间跨度下的多尺度动态关联特征信息，进而能够精准地对于所述实际用电量的动态变化特性进行捕捉，提高对于偏移预警的精准度。更具体地，所述将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量，包括：使用所述具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度用电量特征向量，所述具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述用电量输入向量。
具体地，在所述面向现货市场的售电公司购售电风险预测系统300的运行过程中，所述用电特征融合模块350，用于融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量。在本申请的技术方案中，融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量，来得到具有实际用电量在时间维度上的多尺度动态关联特征信息的用电量特征向量。应可以理解，在融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量时，由于所述第一尺度用电量特征向量和所述第二尺度用电量特征向量是所述用电量输入向量通过具有不同尺度的一维卷积核的卷积神经网络模型得到的，因此其特征分布在与特征的时序关联对应的收敛方向上可能并不一致，这就导致所述用电量特征向量的整体特征分布的收敛性差，在基于高斯密度图进行特征级数据增强得到所述用电量特征矩阵时，由于高斯密度图引入的随机性，使得所述用电量特征矩阵的整体特征分布的收敛性进一步变差，这样，将其通过解码器进行解码的拟合效果也会变差。而另一方面，如果直接对所述第一尺度用电量特征向量和所述第二尺度用电量特征向量设置阈值以拟合其收敛方向，又可能导致得到的所述用电量特征矩阵的各特征值之间的相关度较高，从而降低所述用电量特征矩阵的解码准确性。因此，对所述第一尺度用电量特征向量V1和所述第二尺度用电量特征向量V2进行向量模基的希尔伯特空间约束以得到所述用电量特征向量Vu，表示为：
其中V1和V2分别表示所述第一尺度用电量特征向量和所述第二尺度用电量特征向量，||·||2表示向量的二范数，Cov1D表示以卷积算子(||V1||2,||V2||2,V1V2 T)对向量
进行一维卷积，Vu表示所述用电量特征向量。这里，通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对所述用电量特征向量Vu进行约束，可以将所述用电量特征向量Vu的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中，并提升了所述用电量特征向量Vu的特征分布的高维流形的各个基维度之间的正交性，从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。然后，再基于高斯密度图对所述用电量特征向量Vu进行特征级数据增强得到所述用电量特征矩阵，就可以提升优化后的所述用电量特征矩阵经由解码器的拟合效果和解码结果的准确性。这样，能够准确地对于当前用电量进行实时预测，以提高偏移预警的精准度，使其能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
具体地，在所述面向现货市场的售电公司购售电风险预测系统300的运行过程中，所述特征增强模块360，用于基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵。考虑到所述被预测电力用户在当天之前的多天的实际用电量在时间维度上存在波动性和不确定性，因此为了提高对于所述当前用电量预测的准确性，需要在高维特征空间中对于所述用电量的时序动态隐含关联特征进行数据增强，也就是，利用所述在当天之前的多天的实际用电量具有高斯分布的先验信息来提升预测当前用电量特征表示的准确性。应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。因此，在本申请的技术方案中，可以通过所述实际用电量的先验分布，即高斯分布，来对于所述当天之前的多天的实际用电量的时序动态隐含关联特征进行数据增强，以使得增强后的所述用电量特征向量具有一定的预测性。具体地，首先，构造所述用电量特征向量的高斯密度图，以基于所述高斯密度图对所述用电量特征向量进行特征级数据增强。接着，进一步再将所述高斯密度图进行高斯离散化处理，以在数据特征增广时不产生信息损失，从而得到用电量特征矩阵，以此来提高后续解码预测的精准度。
图4为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统中特征增强模块的框图。如图4所示，所述特征增强模块360，包括：高斯密度图构造单元361，用于构造所述用电量特征向量的高斯密度图以得到高斯密度图，其中，所述高斯密度图的均值向量为所述用电量特征向量，所述高斯密度图的协方差矩阵为所述用电量特征向量中相应两个位置的特征值之间的方差；高斯离散化单元362，用于对所述高斯密度图中各个位置的高斯分布进行离散化以得到用电量特征矩阵。
具体地，在所述面向现货市场的售电公司购售电风险预测系统300的运行过程中，所述预测模块370和所述偏移预测结果生成模块380，用于将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值，并基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。也就是，将所述用电量特征矩阵通过作为预测器的解码器中进行解码以得到当前用电量预测值，进而，再基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。具体地，在本申请的技术方案中，可以计算所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差值，以此来得到所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差异性信息，再基于所述差值与预定阈值之间比较来生成所述用电量偏移预警提示。特别地，响应于所述差值大于所述预定阈值，则生成用电量偏移预警，以此来进行预警提示以做出相应调整，使得在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。在本申请的一个具体示例中，所述将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值，包括：使用所述作为预测器的解码器以如下公式将所述用电量特征矩阵进行解码回归以获得用于表示当前用电量预测值的解码值；其中，所述公式为：
其中X表示所述用电量特征矩阵，Y是所述解码值，W是权重矩阵，
表示矩阵相乘。
图5为根据本申请实施例的面向现货市场的售电公司购售电风险预测系统中偏移预测结果生成模块的框图，如图5所示，所述偏移预测结果生成模块380，包括：作差单元381，用于计算所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差值；以及，预警单元382，用于基于所述差值与预定阈值之间比较，生成所述用电量偏移预警提示。
综上，根据本申请实施例的面向现货市场的售电公司购售电风险预测系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出电力用户的多天实际用电量的时序动态关联特征信息，以此来准确地进行用电量预测，进而提高偏移预警的精准度。这样，能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
如上所述，根据本申请实施例的面向现货市场的售电公司购售电风险预测系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的面向现货市场的售电公司购售电风险预测系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该面向现货市场的售电公司购售电风险预测系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该面向现货市场的售电公司购售电风险预测系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该面向现货市场的售电公司购售电风险预测系统300与该终端设备也可以是分立的设备，并且该面向现货市场的售电公司购售电风险预测系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法：图6为根据本申请实施例的面向现货市场的售电公司购售电风险预测方法的流程图。如图6所示，根据本申请实施例的面向现货市场的售电公司购售电风险预测方法，包括步骤：S110，获取被预测电力用户在当天之前的多天的实际用电量；S120，将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；S130，将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；S140，将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；S150，融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量；S160，基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵；S170，将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；以及，S180，基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
在一个示例中，在上述面向现货市场的售电公司购售电风险预测方法中，所述步骤S130，包括：使用所述具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度用电量特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述用电量输入向量。
在一个示例中，在上述面向现货市场的售电公司购售电风险预测方法中，所述步骤S140，包括：使用所述具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度用电量特征向量，所述具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述用电量输入向量。
在一个示例中，在上述面向现货市场的售电公司购售电风险预测方法中，所述步骤S150，包括：以如下公式融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到所述用电量特征向量；其中，所述公式为：
其中V1和V2分别表示所述第一尺度用电量特征向量和所述第二尺度用电量特征向量，||·|、2表示向量的二范数，Cov1D表示以卷积算子(||V1||2,||V2||2,V1V2 T)对向量
进行一维卷积，Vu表示所述用电量特征向量。
在一个示例中，在上述面向现货市场的售电公司购售电风险预测方法中，所述步骤S160，包括：构造所述用电量特征向量的高斯密度图以得到高斯密度图，其中，所述高斯密度图的均值向量为所述用电量特征向量，所述高斯密度图的协方差矩阵为所述用电量特征向量中相应两个位置的特征值之间的方差；对所述高斯密度图中各个位置的高斯分布进行离散化以得到用电量特征矩阵。
在一个示例中，在上述面向现货市场的售电公司购售电风险预测方法中，所述步骤S170，包括：使用所述作为预测器的解码器以如下公式将所述用电量特征矩阵进行解码回归以获得用于表示当前用电量预测值的解码值；其中，所述公式为：
其中X表示所述用电量特征矩阵，Y是所述解码值，W是权重矩阵，
表示矩阵相乘。
在一个示例中，在上述面向现货市场的售电公司购售电风险预测方法中，所述步骤S180，包括：计算所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差值；以及，基于所述差值与预定阈值之间比较，生成所述用电量偏移预警提示。
综上，根据本申请实施例的面向现货市场的售电公司购售电风险预测方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出电力用户的多天实际用电量的时序动态关联特征信息，以此来准确地进行用电量预测，进而提高偏移预警的精准度。这样，能够在满足电力用户的生产用能需求的同时也能为电力用户节省用电费用。
示例性电子设备：下面，参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的面向现货市场的售电公司购售电风险预测系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如用电量特征向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括预测值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的面向现货市场的售电公司购售电风险预测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性系统”部分中描述的根据本申请各种实施例的面向现货市场的售电公司购售电风险预测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种面向现货市场的售电公司购售电风险预测系统，其特征在于，包括：用电量数据采集模块，用于获取被预测电力用户在当天之前的多天的实际用电量；时序向量构造模块，用于将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；第一用电时序特征提取模块，用于将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；第二用电时序特征提取模块，用于将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；用电特征融合模块，用于融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量；特征增强模块，用于基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵；预测模块，用于将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；以及偏移预测结果生成模块，用于基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
2.根据权利要求1所述的面向现货市场的售电公司购售电风险预测系统，其特征在于，所述第一用电时序特征提取模块，进一步用于：使用所述具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度用电量特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述用电量输入向量。
3.根据权利要求2所述的面向现货市场的售电公司购售电风险预测系统，其特征在于，所述第二用电时序特征提取模块，进一步用于：使用所述具有第二尺度的一维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第二尺度的一维卷积核的第二卷积神经网络的最后一层的输出为所述第二尺度用电量特征向量，所述具有第二尺度的一维卷积核的第二卷积神经网络的第一层的输入为所述用电量输入向量。
4.根据权利要求3所述的面向现货市场的售电公司购售电风险预测系统，其特征在于，所述用电特征融合模块，进一步用于：以如下公式融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到所述用电量特征向量；其中，所述公式为：
其中V1和V2分别表示所述第一尺度用电量特征向量和所述第二尺度用电量特征向量，||·||2表示向量的二范数，Cov1D表示以卷积算子(||V1||2,||V2||2,V1V2 T)对向量
进行一维卷积，Vu表示所述用电量特征向量。
5.根据权利要求4所述的面向现货市场的售电公司购售电风险预测系统，其特征在于，所述特征增强模块，包括：高斯密度图构造单元，用于构造所述用电量特征向量的高斯密度图以得到高斯密度图，其中，所述高斯密度图的均值向量为所述用电量特征向量，所述高斯密度图的协方差矩阵为所述用电量特征向量中相应两个位置的特征值之间的方差；高斯离散化单元，用于对所述高斯密度图中各个位置的高斯分布进行离散化以得到用电量特征矩阵。
6.根据权利要求5所述的面向现货市场的售电公司购售电风险预测系统，其特征在于，所述预测模块，进一步用于：使用所述作为预测器的解码器以如下公式将所述用电量特征矩阵进行解码回归以获得用于表示当前用电量预测值的解码值；其中，所述公式为：
其中X表示所述用电量特征矩阵，Y是所述解码值，W是权重矩阵，
表示矩阵相乘。
7.根据权利要求6所述的面向现货市场的售电公司购售电风险预测系统，其特征在于，所述偏移预测结果生成模块，包括：作差单元，用于计算所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的差值；以及预警单元，用于基于所述差值与预定阈值之间比较，生成所述用电量偏移预警提示。
8.一种面向现货市场的售电公司购售电风险预测方法，其特征在于，包括：获取被预测电力用户在当天之前的多天的实际用电量；将所述当天之前的多天的实际用电量按照时间维度排列为用电量输入向量；将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量；将所述用电量输入向量通过使用具有第二尺度的一维卷积核的第二卷积神经网络模型以得到第二尺度用电量特征向量；融合所述第一尺度用电量特征向量和所述第二尺度用电量特征向量以得到用电量特征向量；基于高斯密度图对所述用电量特征向量进行特征级数据增强以得到用电量特征矩阵；将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值；以及基于所述当前用电量预测值和所述被预测电力用户的当天电量购买量之间的比较，生成用电量偏移预警提示。
9.根据权利要求8所述的面向现货市场的售电公司购售电风险预测方法，其特征在于，所述将所述用电量输入向量通过使用具有第一尺度的一维卷积核的第一卷积神经网络模型以得到第一尺度用电量特征向量，包括：使用所述具有第一尺度的一维卷积核的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述具有第一尺度的一维卷积核的第一卷积神经网络的最后一层的输出为所述第一尺度用电量特征向量，所述具有第一尺度的一维卷积核的第一卷积神经网络的第一层的输入为所述用电量输入向量。
10.根据权利要求9所述的面向现货市场的售电公司购售电风险预测方法，其特征在于，所述将所述用电量特征矩阵通过作为预测器的解码器以得到当前用电量预测值，包括：使用所述作为预测器的解码器以如下公式将所述用电量特征矩阵进行解码回归以获得用于表示当前用电量预测值的解码值；其中，所述公式为：
其中X表示所述用电量特征矩阵，Y是所述解码值，W是权重矩阵，
表示矩阵相乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075595.6A CN115953183A (zh) | 2023-02-07 | 2023-02-07 | 面向现货市场的售电公司购售电风险预测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075595.6A CN115953183A (zh) | 2023-02-07 | 2023-02-07 | 面向现货市场的售电公司购售电风险预测系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115953183A true CN115953183A (zh) | 2023-04-11 |
Family
ID=87297337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310075595.6A Pending CN115953183A (zh) | 2023-02-07 | 2023-02-07 | 面向现货市场的售电公司购售电风险预测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953183A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777452A (zh) * | 2023-06-20 | 2023-09-19 | 浙江恒业电子股份有限公司 | 智能电表的预付费系统及其方法 |
-
2023
- 2023-02-07 CN CN202310075595.6A patent/CN115953183A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777452A (zh) * | 2023-06-20 | 2023-09-19 | 浙江恒业电子股份有限公司 | 智能电表的预付费系统及其方法 |
| CN116777452B (zh) * | 2023-06-20 | 2024-01-23 | 浙江恒业电子股份有限公司 | 智能电表的预付费系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Granziera et al. | Inference for VARs identified with sign restrictions | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| Knorr | Infinite order quantum-gravitational correlations | |
| KR20190070625A (ko) | 메타데이터를 이용한 아이템 추천 방법 및 장치 | |
| CN115796173A (zh) | 针对监管报送需求的数据处理方法和系统 | |
| CN114724386B (zh) | 智慧交通下的短时交通流量预测方法、系统和电子设备 | |
| CN107590690B (zh) | 数据处理方法、装置及服务器 | |
| Guo et al. | Calibration of local‐stochastic volatility models by optimal transport | |
| CN110826686B (zh) | 有属性序列的机器学习系统和方法 | |
| Gulisashvili et al. | Asymptotic behavior of distribution densities in models with stochastic volatility. I | |
| CN109978306B (zh) | 数据处理方法及装置 | |
| Feng et al. | On the solution of complementarity problems arising in American options pricing | |
| CN115953183A (zh) | 面向现货市场的售电公司购售电风险预测系统及其方法 | |
| CN112348592A (zh) | 广告推荐方法、装置、电子设备及介质 | |
| Jin et al. | Reconstruction of the Time‐Dependent Volatility Function Using the Black–Scholes Model | |
| CN116151845A (zh) | 基于工业物联网技术的产品全生命周期管理系统及其方法 | |
| CN112883264A (zh) | 一种推荐方法及装置 | |
| CN116739695A (zh) | 基于大数据的电子商务管理系统及其方法 | |
| CN107451157B (zh) | 异常数据识别方法、装置及系统、搜索方法及装置 | |
| Hajrulla et al. | A Statistical Method to Estimate An Unkonown Price in Financial Markets | |
| Goovaerts et al. | On the distribution of IBNR reserves | |
| CN116128250A (zh) | 面向现货市场的售电偏差管理方法及其系统 | |
| CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其系统 | |
| EP4231212A1 (en) | System and method for consumption estimation among users | |
| US20170046726A1 (en) | Information processing device, information processing method, and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |