CN116663871B - 用电需求量预测方法及系统 - Google Patents

Abstract

本公开提供一种用电需求量预测方法及系统，包括获取目标区域的历史用电信息，以及与所述历史用电信息相关的用电影响因素，根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别；基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征；将所述用电特征以及所述负荷特征输入预先构建的用电需求预测模型，分别为所述用电特征以及所述负荷特征分配对应的权重值，输出所述目标区域在目标时段的预测用电需求信息。

Description

用电需求量预测方法及系统

技术领域

本公开涉及电网技术，尤其涉及一种用电需求量预测方法及系统。

背景技术

用电量预测作为电力规划的一部分同时也是电力规划的基础，对电力行业发展速度与发展水平的重要性不言而喻，用电客户作为电力行业的主要服务对象，用电量能否保持稳定增长往往是电力行业健康发展的重要依据。精准的用电量预测对保障正常生活需求，构建坚强的电网系统有着重要意义。

CN105894137A，居民用电需求预测方法和系统，公开了获取城乡居民的用电来源设备；根据城乡居民的用电来源设备的历史保有量获取城乡居民的用电来源设备中主要用电设备的保有量；根据城乡居民主要用电设备的保有量预测城乡居民主要用电设备的总耗电量；根据城乡居民用电历史数据、城乡居民主要用电设备的总耗电量和城乡居民的用电来源设备中除主要用电设备外剩余用电设备的历史总耗电量增速，预测剩余用电设备的总耗电量；根据主要用电设备的总耗电量和剩余用电设备的总耗电量，预测城乡居民的用电需求。

CN106447075B，行业用电需求预测方法与系统，公开了通过筛选出待测区域的关键用电行业，然后依据主要预测方法在不同时间尺度下建立误差较小的用电量需求预测模型，获取待测区域中在设定时间段内各个行业的用电量统计数据，根据所述用电量统计数据筛选出待测区域中的关键用电行业，再根据所述用电量统计数据以及所述关键用电行业建立分类别的行业用电量需求预测模型和分类别的地区用电量需求预测模型，并进一步根据用电量与预设经济变量之间的关系进行改进，最后根据改进的用电量需求预测模型预测相应的类别情形，从而实现精度高的用电量需求预测。

现有技术进行用电量需求预测时，往往只考虑用电量本身相关的数据，例如基本以历史数据为主要依据进行预测，但是用电量预测是一个系统工程，需要综合考虑其他因素，否则所作出的预测往往是不够准确的。

发明内容

本公开实施例提供一种用电需求量预测方法及系统，能够至少解决现有技术中部分问题，也即解决现有技术没有考虑与用电量相关的其他因素导致预测准确度不高的问题。

本公开实施例的第一方面，

提供一种用电需求量预测方法，包括：

获取目标区域的历史用电信息，以及与所述历史用电信息相关的用电影响因素，根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别，其中，所述用电影响因素包括季节影响因素、节假日影响因素以及用电趋势影响因素中至少一种；

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征；

将所述用电特征以及所述负荷特征输入预先构建的用电需求预测模型，分别为所述用电特征以及所述负荷特征分配对应的权重值，输出所述目标区域在目标时段的预测用电需求信息，其中，所述用电需求预测模型基于神经网络模型构建，用于预测用电需求。

在一种可选的实施方式中，

所述方法还包括识别所述历史用电信息中的异常数据：

基于所述历史用电信息的值域范围，从所述历史用电信息中随机选择用电信息作为分割节点，并根据所述分割节点将所述历史用电信息进行分割，构建用电孤立树；

计算所述用电孤立树中每个节点的平均分叉数作为每个节点的孤立度，根据所述每个节点的孤立度与预设异常阈值的比较结果，确定所述历史用电信息的异常数据；

获取所述异常数据在所述历史用电信息中预设时间周期的邻近数据集，并基于所述邻近数据集的平均值对所述异常数据进行修正。

在一种可选的实施方式中，

所述根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别包括：

将所述用电影响因素进行向量拼接，确定用电影响特征，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离；

确定所有历史用电信息的平均距离，根据所述平均距离以及所述第一空间距离，确定所述历史用电信息的数据密度；

将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于所述多个第一空间距离以及所述数据中心确定聚类数，并根据所述聚类数对所述历史用电信息进行聚类，确定所述历史用电信息的类别。

在一种可选的实施方式中，

所述方法还包括训练用电需求预测模型：

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量，基于多个负荷变化量确定所述历史用电信息对应的负荷差分序列；

将所述历史用电信息与所述负荷差分序列分别输入待训练的用电需求预测模型，分别获取所述历史用电信息对应的第一预测结果和所述负荷差分序列对应的第二预测结果；

基于余弦相似度算法计算所述第一预测结果和所述第二预测结果的序列相似度，并在所述序列相似度大于预设相似度阈值时，确定所述历史用电信息与所述负荷差分序列的误差补偿值；

根据所述误差补偿值，设置与所述误差补偿值对应的补偿约束系数，并基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数，直至满足预设训练条件。

在一种可选的实施方式中，

所述基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数包括：

按照如下公式迭代优化待训练的用电需求预测模型的损失函数：

；

其中，LOSS表示损失函数对应的损失值，M表示迭代优化次数，、/>分别表示第i次迭代优化的第一预测结果和第二预测结果，/>表示第i次迭代优化的误差补偿值，/>表示第i次迭代优化的补偿约束系数。

本公开实施例的第二方面，

提供一种用电需求量预测系统，包括：

第一单元，用于获取目标区域的历史用电信息，以及与所述历史用电信息相关的用电影响因素，根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别，其中，所述用电影响因素包括季节影响因素、节假日影响因素以及用电趋势影响因素中至少一种；

第二单元，用于基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征；

第三单元，用于将所述用电特征以及所述负荷特征输入预先构建的用电需求预测模型，分别为所述用电特征以及所述负荷特征分配对应的权重值，输出所述目标区域在目标时段的预测用电需求信息，其中，所述用电需求预测模型基于神经网络模型构建，用于预测用电需求。

在一种可选的实施方式中，

所述系统还包括第四单元，所述第四单元用于：

基于所述历史用电信息的值域范围，从所述历史用电信息中随机选择用电信息作为分割节点，并根据所述分割节点将所述历史用电信息进行分割，构建用电孤立树；

计算所述用电孤立树中每个节点的平均分叉数作为每个节点的孤立度，根据所述每个节点的孤立度与预设异常阈值的比较结果，确定所述历史用电信息的异常数据；

获取所述异常数据在所述历史用电信息中预设时间周期的邻近数据集，并基于所述邻近数据集的平均值对所述异常数据进行修正。

在一种可选的实施方式中，

所述第一单元还用于：

将所述用电影响因素进行向量拼接，确定用电影响特征，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离；

确定所有历史用电信息的平均距离，根据所述平均距离以及所述第一空间距离，确定所述历史用电信息的数据密度；

将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于所述多个第一空间距离以及所述数据中心确定聚类数，并根据所述聚类数对所述历史用电信息进行聚类，确定所述历史用电信息的类别。

在一种可选的实施方式中，

所述系统还包括第五单元，所述第五单元用于：

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量，基于多个负荷变化量确定所述历史用电信息对应的负荷差分序列；

将所述历史用电信息与所述负荷差分序列分别输入待训练的用电需求预测模型，分别获取所述历史用电信息对应的第一预测结果和所述负荷差分序列对应的第二预测结果；

基于余弦相似度算法计算所述第一预测结果和所述第二预测结果的序列相似度，并在所述序列相似度大于预设相似度阈值时，确定所述历史用电信息与所述负荷差分序列的误差补偿值；

根据所述误差补偿值，设置与所述误差补偿值对应的补偿约束系数，并基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数，直至满足预设训练条件。

在一种可选的实施方式中，

所述基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数包括：

按照如下公式迭代优化待训练的用电需求预测模型的损失函数：

；

其中，LOSS表示损失函数对应的损失值，M表示迭代优化次数，、/>分别表示第i次迭代优化的第一预测结果和第二预测结果，/>表示第i次迭代优化的误差补偿值，/>表示第i次迭代优化的补偿约束系数。

本申请在预测中引入误差补偿环节，对误差的特征进行分析并对预测结果进行补偿，进一步提高了预测的精度。将历史用电信息与所述负荷差分序列合并后按照时间顺序输入网络进行循环迭代预测，综合考虑不同序列预测误差的余弦相似度和序列误差差异的方差，计算历史用电信息与所述负荷差分序列的相似度，最后将序列相似度和误差回归为实际预测负荷点的误差补偿值，从而降低预测误差。

本申请在传统预测模型的基础上，引入了补偿约束系数和误差补偿值，通过计算历史用电信息与负荷差分序列的误差补偿值，可以更好地调整预测模型的输出结果，进一步减少预测误差，补偿值可以根据预测结果之间的相似度来确定，从而纠正预测结果中的偏差，提高用电需求预测的准确性；补偿约束系数的引入可以通过调整误差补偿值对模型的影响程度，从而改善预测模型的鲁棒性，通过设置补偿约束系数，可以对误差补偿值进行控制，避免其对模型训练过程产生过大或过小的影响，使得模型在不同情况下都能表现稳定和可靠。通过分析误差补偿值的大小和方向，可以了解历史用电信息和负荷差分序列之间的关系，并对预测结果的可信度和可解释性进行评估，补偿约束系数的设定可以明确模型对误差补偿值的权重调整，进一步增强对预测结果的解释性和可控性。

附图说明

图1为本公开实施例用电需求量预测方法的流程示意图；

图2为本公开实施例用电需求量预测系统的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1为本公开实施例用电需求量预测方法的流程示意图，如图1所示，所述方法包括：

S101.获取目标区域的历史用电信息，以及与所述历史用电信息相关的用电影响因素，根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别；

电量是指用电设备所需要电能的数量。随着社会的发展，电已经成为生活中不可或缺的一部分，整个社会的用电量可以反映特定月份、季度以及年份中区城经济发展情况，还可以反映区城电网中各个行业的用电量。电量预测是基于用电量的可用历史数据，使用可靠的方法和手段来预测特定区域及特定领域用电量的未来变化情况。

示例性地，本申请实施例通过目标区域的历史用电信息结合与历史用电信息相关的用电影响因素，进行用电需求预测，其中，通过加入用电影响因素能够充分挖掘数据之间隐含信息，使得用电需求更加准确。将用电影响因素（如季节影响因素、节假日影响因素、用电趋势影响因素等）与历史用电信息结合起来进行聚类分析，可以更全面地考虑不同因素对用电模式的影响，提高聚类结果的准确性和解释性。

通过确定历史用电信息的类别，可以识别出不同的用电模式或行为，能够更好地分析用电需求的变化规律，并为后续的用电预测、规划和调整提供参考依据。

示例性地，所述用电影响因素包括季节影响因素、节假日影响因素以及用电趋势影响因素中至少一种；

其中，

电量数据还存在季节性影响：如果冬季来临，工业电量将减少，居民生活、商业等将增加，夏季是炎热的天气，各个行业的生产加大，各种行业用电量均为较高水平。

在电量预测中，节假日或者特殊事件都会对其产生很大的影响，这些时间点往往不存在周期性，因此为了减少模型在这些特殊月份的电量预测误差，有必要充分考虑这些点对模型预测结果的影响。

用电趋势影响用于指示按照历史用电需求，按照预设周期推演的用电趋势，该用电趋势能够很好地反应在未来时间段的用电需求。

在一种可选的实施方式中，

所述根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别包括：

将所述用电影响因素进行向量拼接，确定用电影响特征，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离；

确定所有历史用电信息的平均距离，根据所述平均距离以及所述第一空间距离，确定所述历史用电信息的数据密度；

将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于所述多个第一空间距离以及所述数据中心确定聚类数，并根据所述聚类数对所述历史用电信息进行聚类，确定所述历史用电信息的类别。

可选地，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离如下公式所示：

其中，AD表示第一空间距离，表示所述用电影响特征，n表示所述历史用电信息的数量，D()表示距离函数，/>、/>分别表示第i、j个历史用电信息。

确定所有历史用电信息的平均距离，根据所述平均距离以及所述第一空间距离，确定所述历史用电信息的数据密度如下公式所示：

其中，Den表示数据密度，表示所有历史用电信息的平均距离。

将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于所述多个第一空间距离以及所述数据中心确定聚类数，其中，确定聚类数如下公式所示：

其中，Num表示聚类数，k表示数据中心的数量，、/>分别表示第i个第一空间距离和第j个第一空间距离，[Den]表示数据密度集合，。

传统聚类算法的一项弊端就是聚类个数往往需要人工额外指定，这样会使得工作量增大且聚类误差增加，为减少这种方式所产生的误差，本申请通过将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于所述多个第一空间距离以及所述数据中心确定聚类数，能够最大程度地确定最佳聚类数，使得确定的历史用电信息的类别更加准确。

示例性地，通过将用电影响因素进行向量拼接，确定用电影响特征，将用电影响特征用于用电分类，能够进一步提高预测的准确度。其中，为了保留传统聚类算法优势的前提下，并且进一步获得全局最优解，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离，基于多个所述第一空间距离确定所述历史用电信息对应的数据中心，在数据集样本中，选取的聚类中心周围各个数据点之间距离越小，数据密度就越大，当选取的聚类中心所处的位置数据点密度较大时，则更容易获得全局最优解。

在一种可选的实施方式中，

所述方法还包括识别所述历史用电数据中的异常数据：

基于所述历史用电信息的值域范围，从所述历史用电信息中随机选择用电信息作为分割节点，并根据所述分割节点将所述历史用电信息进行分割，构建用电孤立树；

计算所述用电孤立树中每个节点的平均分叉数作为每个节点的孤立度，根据所述每个节点的孤立度与预设异常阈值的比较结果，确定所述历史用电信息的异常数据；

获取所述异常数据在所述历史用电信息中预设时间周期的邻近数据集，并基于所述邻近数据集的平均值对所述异常数据进行修正。

示例性地，所有的历史用电数据均来源于供电局实际用户运行数据，由于其系统存储着大量用户的海量用电数据且持续更新，不可避免地存在一些缺失和异常。因此，为保证数据质量，便于用电特征的辦识，在分析前首先应对历史电量数据进行预处理操作，包括异常数据的识别与修正。

虽然当前信息数据系统的可靠性较高，但是面对大量电力用户的海量用电数据，在存储上不可避免地会出现一些缺失或是异常值，这些异常数据会扭曲负荷特征，影响负荷预测精度。因此，对于大量电量数据中偶尔出现的缺失与异常值，需要予以识别并且进行修正。

示例性地，可以从历史用电信息的值域范围中（即最小值与最大值之间）随机选取1个数据点d作为分割的节点，将大于和小于d值的数据点分别归到用电孤立树的两支；直至分支内仅剩一个数据点而不可再分割，或是达到了用电孤立树的高度上限，即分割次数超过了设定值，此时完成了用电孤立树的构建。可选地，本申请的用电孤立树可以包括二叉树。

由于异常点往往是那些少数个的离群点，因而很容易就能将其单独分割出来，如此一来，通过计算每个数据点在多次构建用电孤立树时的平均分叉数就能判断数据点是否异常，即计算将其单独分割出来的平均分割次数，将其作为每个节点的孤立度。其中，计算所述用电孤立树中每个节点的平均分叉数作为每个节点的孤立度包括：

其中，Lon表示孤立度，H()表示调和函数，N表示历史用电信息的数量，表示欧拉常数。

本公开实施例中预设异常阈值可以为0.5，将超过预设异常阈值的孤立度作为异常数据，并且进一步获取其在所述历史用电信息中预设时间周期的邻近数据集，可选地，由于大用户电量数据的异常数据相对较少，且时序数据表现出近邻相似的性质，即与前后相近的一小段时间内的数据具有相似的幅值大小和变化趋势，因而对异常值或缺失值采用均值填补方法补全。也即，可以分别计算异常数据在前后的7日周期内与周期内其余值的差值并作平均，最后在异常数据所在的7日周期叠加上述差值后再作平均，对异常数据进行修正。

示例性地，孤立度反映了该节点与其他节点之间的关联性，可以作为判断节点异常与否的依据；对于识别出的异常数据，该方法能够获取异常数据在历史用电信息中预设时间周期的邻近数据集；通过基于邻近数据集的平均值对异常数据进行修正，可以减小异常数据对整体分析的影响，提高用电数据的准确性。

S102.基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征；

示例性地，本申请实施例的负荷差分序列可以表示为，其中，/>表示负荷差分序列，/>表示第t个负荷点的变化量。

示例性地，对于用电需求预测问题，预测点的上一负荷点是已知的，因此只需对差分序列预测即可，避免了由主流分解算法得到的负荷序列多个较低频分量的预测误差。此外，差分分解方法能使模型聚焦于序列的变化，放大序列的变化特征，从而获得更加准确的预测结果。

其中，提取特征可以参考现有的特征提取算法，本申请实施例对此并不进行限定。

现有的基于序列分解的组合预测方法的显著特点是能够对原始序列的不同频率分量进行提取，分解出多个幅值较大的低频分量，从而降低了序列的预测难度。但是此类方法也存在一些问题，例如在处理过程中会造成误差的累积，且对多个序列的预测会增加模型的复杂度。针对这些问题，本申请基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征，将负荷的预测问题转化为频率较高、幅值较小的负荷变化量预测问题，即只需预测单一差分序列即可，不仅避免了主流分解算法对负荷序列分解得到的较低频分量的预测损失，也避免了误差积累和增加模型复杂度等问题。

S103.将所述用电特征以及所述负荷特征输入预先构建的用电需求预测模型，分别为所述用电特征以及所述负荷特征分配对应的权重值，输出所述目标区域在目标时段的预测用电需求信息。

示例性地，本申请实施例的用电需求预测模型基于神经网络模型构建，用于预测用电需求。其中，本申请的用电需求预测模型可以包括循环神经网络、人工神经网络中的一种或者多种组合而成的模型。

示例性地，将所述用电特征以及所述负荷特征输入所述用电需求预测模型后，通过所述用电需求预测模型的隐藏层分别为所述用电特征以及所述负荷特征分配对应的权重值，其中，本申请的用电需求模型的隐藏层可以由人工神经网络构成，能够有效提取特征序列复杂的短期变化规律，再将分配权重值后的用电特征以及负荷特征通过输出层输出，确定目标区域在目标时段的预测用电需求信息。

在一种可选的实施方式中，

所述方法还包括训练用电需求预测模型：

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量，基于多个负荷变化量确定所述历史用电信息对应的负荷差分序列；

将所述历史用电信息与所述负荷差分序列分别输入待训练的用电需求预测模型，分别获取所述历史用电信息对应的第一预测结果和所述负荷差分序列对应的第二预测结果；

基于余弦相似度算法计算所述第一预测结果和所述第二预测结果的序列相似度，并在所述序列相似度大于预设相似度阈值时，确定所述历史用电信息与所述负荷差分序列的误差补偿值；

根据所述误差补偿值，设置与所述误差补偿值对应的补偿约束系数，并基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数，直至满足预设训练条件。

示例性地，可以基于多个负荷变化量确定所述历史用电信息对应的负荷差分序列，其中，负荷差分序列可以表示为，其中，/>表示负荷差分序列，表示第t个负荷点的变化量。

将所述历史用电信息与所述负荷差分序列分别输入待训练的用电需求预测模型，分别获取所述历史用电信息对应的第一预测结果和所述负荷差分序列对应的第二预测结果；并且基于余弦相似度算法计算所述第一预测结果和所述第二预测结果的序列相似度，其中，计算方法如下公式所示：

其中，表示所述第一预测结果和所述第二预测结果的序列相似度，Y表示所述第一预测结果，/>表示所述第二预测结果。

余弦相似度是使用两个向量的余弦值衡量两个向量之间的相似性，为了更准确评估序列的相似程度，计算序列间的相似程度时只截取预测序列的后半部分预测误差特征。若序列相似度大于预设相似度阈值时，确定所述历史用电信息与所述负荷差分序列的误差补偿值。

示例性地，补偿约束系数在该技术方案中是用于调整误差补偿值的重要参数，反映了误差补偿值对预测模型的影响程度。具体来说，补偿约束系数可以控制误差补偿值对预测模型损失函数的权重，从而影响模型在训练过程中对历史用电信息和负荷差分序列的重要性。

其中，确定所述历史用电信息与所述负荷差分序列的误差补偿值如下公式所示：

其中，ERR表示误差补偿值，Variance()表示方差函数，、/>分别表示对所述历史用电信息与所述负荷差分序列进行取模运算，/>表示所述第一预测结果和所述第二预测结果的序列相似度。

在一种可选的实施方式中，

所述基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数包括：

按照如下公式迭代优化待训练的用电需求预测模型的损失函数：

；

其中，LOSS表示损失函数对应的损失值，M表示迭代优化次数，、/>分别表示第i次迭代优化的第一预测结果和第二预测结果，/>表示第i次迭代优化的误差补偿值，/>表示第i次迭代优化的补偿约束系数。

示例性地，本申请的补偿约束系数可以通过线性函数来映射误差补偿值，也即补偿约束系数可以表示为：

；

其中，表示线性函数，b表示偏置。

本申请在预测中引入误差补偿环节，对误差的特征进行分析并对预测结果进行补偿，进一步提高了预测的精度。将历史用电信息与所述负荷差分序列合并后按照时间顺序输入网络进行循环迭代预测，综合考虑不同序列预测误差的余弦相似度和序列误差差异的方差，计算历史用电信息与所述负荷差分序列的相似度，最后将序列相似度和误差回归为实际预测负荷点的误差补偿值，从而降低预测误差。

本申请在传统预测模型的基础上，引入了补偿约束系数和误差补偿值，通过计算历史用电信息与负荷差分序列的误差补偿值，可以更好地调整预测模型的输出结果，进一步减少预测误差，补偿值可以根据预测结果之间的相似度来确定，从而纠正预测结果中的偏差，提高用电需求预测的准确性；补偿约束系数的引入可以通过调整误差补偿值对模型的影响程度，从而改善预测模型的鲁棒性，通过设置补偿约束系数，可以对误差补偿值进行控制，避免其对模型训练过程产生过大或过小的影响，使得模型在不同情况下都能表现稳定和可靠。通过分析误差补偿值的大小和方向，可以了解历史用电信息和负荷差分序列之间的关系，并对预测结果的可信度和可解释性进行评估，补偿约束系数的设定可以明确模型对误差补偿值的权重调整，进一步增强对预测结果的解释性和可控性。

本公开实施例的第二方面，

提供一种用电需求量预测系统，图2为本公开实施例用电需求量预测系统的结构示意图，包括：

第一单元，用于获取目标区域的历史用电信息，以及与所述历史用电信息相关的用电影响因素，根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别，其中，所述用电影响因素包括季节影响因素、节假日影响因素以及用电趋势影响因素中至少一种；

第二单元，用于基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征；

第三单元，用于将所述用电特征以及所述负荷特征输入预先构建的用电需求预测模型，分别为所述用电特征以及所述负荷特征分配对应的权重值，输出所述目标区域在目标时段的预测用电需求信息，其中，所述用电需求预测模型基于神经网络模型构建，用于预测用电需求。

在一种可选的实施方式中，

所述系统还包括第四单元，所述第四单元用于：

基于所述历史用电信息的值域范围，从所述历史用电信息中随机选择用电信息作为分割节点，并根据所述分割节点将所述历史用电信息进行分割，构建用电孤立树；

计算所述用电孤立树中每个节点的平均分叉数作为每个节点的孤立度，根据所述每个节点的孤立度与预设异常阈值的比较结果，确定所述历史用电信息的异常数据；

获取所述异常数据在所述历史用电信息中预设时间周期的邻近数据集，并基于所述邻近数据集的平均值对所述异常数据进行修正。

在一种可选的实施方式中，

所述第一单元还用于：

将所述用电影响因素进行向量拼接，确定用电影响特征，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离；

确定所有历史用电信息的平均距离，根据所述平均距离以及所述第一空间距离，确定所述历史用电信息的数据密度；

将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于所述多个第一空间距离以及所述数据中心确定聚类数，并根据所述聚类数对所述历史用电信息进行聚类，确定所述历史用电信息的类别。

在一种可选的实施方式中，

所述系统还包括第五单元，所述第五单元用于：

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量，基于多个负荷变化量确定所述历史用电信息对应的负荷差分序列；

将所述历史用电信息与所述负荷差分序列分别输入待训练的用电需求预测模型，分别获取所述历史用电信息对应的第一预测结果和所述负荷差分序列对应的第二预测结果；

基于余弦相似度算法计算所述第一预测结果和所述第二预测结果的序列相似度，并在所述序列相似度大于预设相似度阈值时，确定所述历史用电信息与所述负荷差分序列的误差补偿值；

根据所述误差补偿值，设置与所述误差补偿值对应的补偿约束系数，并基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数，直至满足预设训练条件。

在一种可选的实施方式中，

所述基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数包括：

按照如下公式迭代优化待训练的用电需求预测模型的损失函数：

；

其中，LOSS表示损失函数对应的损失值，M表示迭代优化次数，、/>分别表示第i次迭代优化的第一预测结果和第二预测结果，/>表示第i次迭代优化的误差补偿值，/>表示第i次迭代优化的补偿约束系数。

需要说明的是，本公开系统实施例的有益效果可以参考前述方法实施例的有益效果，在此不再赘述。

本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (6)

1.一种用电需求量预测方法，其特征在于，包括：

获取目标区域的历史用电信息，以及与所述历史用电信息相关的用电影响因素，根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别，其中，所述用电影响因素包括季节影响因素、节假日影响因素以及用电趋势影响因素中至少一种；

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征；

将所述用电特征以及所述负荷特征输入预先构建的用电需求预测模型，分别为所述用电特征以及所述负荷特征分配对应的权重值，输出所述目标区域在目标时段的预测用电需求信息，其中，所述用电需求预测模型基于神经网络模型构建，用于预测用电需求；

所述方法还包括训练用电需求预测模型：

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量，基于多个负荷变化量确定所述历史用电信息对应的负荷差分序列；

将所述历史用电信息与所述负荷差分序列分别输入待训练的用电需求预测模型，分别获取所述历史用电信息对应的第一预测结果和所述负荷差分序列对应的第二预测结果；

基于余弦相似度算法计算所述第一预测结果和所述第二预测结果的序列相似度，并在所述序列相似度大于预设相似度阈值时，确定所述历史用电信息与所述负荷差分序列的误差补偿值；

根据所述误差补偿值，设置与所述误差补偿值对应的补偿约束系数，并基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数，直至满足预设训练条件；

所述基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数包括：

按照如下公式迭代优化待训练的用电需求预测模型的损失函数：

；

其中，LOSS表示损失函数对应的损失值，M表示迭代优化次数，、/>分别表示第i次迭代优化的第一预测结果和第二预测结果，/>表示第i次迭代优化的误差补偿值，/>表示第i次迭代优化的补偿约束系数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括识别所述历史用电信息中的异常数据：

基于所述历史用电信息的值域范围，从所述历史用电信息中随机选择用电信息作为分割节点，并根据所述分割节点将所述历史用电信息进行分割，构建用电孤立树；

计算所述用电孤立树中每个节点的平均分叉数作为每个节点的孤立度，根据所述每个节点的孤立度与预设异常阈值的比较结果，确定所述历史用电信息的异常数据；

获取所述异常数据在所述历史用电信息中预设时间周期的邻近数据集，并基于所述邻近数据集的平均值对所述异常数据进行修正。

3.根据权利要求1所述的方法，其特征在于，所述根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别包括：

将所述用电影响因素进行向量拼接，确定用电影响特征，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离；

确定所有历史用电信息的平均距离，根据所述平均距离以及所述第一空间距离，确定所述历史用电信息的数据密度；

将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于多个第一空间距离以及所述数据中心确定聚类数，并根据所述聚类数对所述历史用电信息进行聚类，确定所述历史用电信息的类别。

4.一种用电需求量预测系统，其特征在于，包括：

第一单元，用于获取目标区域的历史用电信息，以及与所述历史用电信息相关的用电影响因素，根据所述历史用电信息以及所述用电影响因素，通过聚类算法对所述历史用电信息进行聚类分析，确定所述历史用电信息的类别，其中，所述用电影响因素包括季节影响因素、节假日影响因素以及用电趋势影响因素中至少一种；

第二单元，用于基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量并构建负荷差分序列，分别提取不同类别的历史用电信息的用电特征，以及所述负荷差分序列对应的负荷特征；

第三单元，用于将所述用电特征以及所述负荷特征输入预先构建的用电需求预测模型，分别为所述用电特征以及所述负荷特征分配对应的权重值，输出所述目标区域在目标时段的预测用电需求信息，其中，所述用电需求预测模型基于神经网络模型构建，用于预测用电需求；

所述系统还包括第五单元，所述第五单元用于：

基于所述历史用电信息中相邻时刻的用电负荷确定负荷变化量，基于多个负荷变化量确定所述历史用电信息对应的负荷差分序列；

将所述历史用电信息与所述负荷差分序列分别输入待训练的用电需求预测模型，分别获取所述历史用电信息对应的第一预测结果和所述负荷差分序列对应的第二预测结果；

基于余弦相似度算法计算所述第一预测结果和所述第二预测结果的序列相似度，并在所述序列相似度大于预设相似度阈值时，确定所述历史用电信息与所述负荷差分序列的误差补偿值；

根据所述误差补偿值，设置与所述误差补偿值对应的补偿约束系数，并基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数，直至满足预设训练条件；

所述基于所述误差补偿值、所述第一预测结果、所述第二预测结果以及所述补偿约束系数迭代优化待训练的用电需求预测模型的损失函数包括：

按照如下公式迭代优化待训练的用电需求预测模型的损失函数：

；

其中，LOSS表示损失函数对应的损失值，M表示迭代优化次数，、/>分别表示第i次迭代优化的第一预测结果和第二预测结果，/>表示第i次迭代优化的误差补偿值，/>表示第i次迭代优化的补偿约束系数。

5.根据权利要求4所述的系统，其特征在于，所述系统还包括第四单元，所述第四单元用于：

基于所述历史用电信息的值域范围，从所述历史用电信息中随机选择用电信息作为分割节点，并根据所述分割节点将所述历史用电信息进行分割，构建用电孤立树；

计算所述用电孤立树中每个节点的平均分叉数作为每个节点的孤立度，根据所述每个节点的孤立度与预设异常阈值的比较结果，确定所述历史用电信息的异常数据；

获取所述异常数据在所述历史用电信息中预设时间周期的邻近数据集，并基于所述邻近数据集的平均值对所述异常数据进行修正。

6.根据权利要求4所述的系统，其特征在于，所述第一单元还用于：

将所述用电影响因素进行向量拼接，确定用电影响特征，结合所述用电影响特征计算所述历史用电信息之间的第一空间距离；

确定所有历史用电信息的平均距离，根据所述平均距离以及所述第一空间距离，确定所述历史用电信息的数据密度；

将所述数据密度按照从大到小的顺序排序，结合所述第一空间距离确定所述历史用电信息对应的数据中心，基于多个第一空间距离以及所述数据中心确定聚类数，并根据所述聚类数对所述历史用电信息进行聚类，确定所述历史用电信息的类别。