CN117410989B - 一种基于多周期角度的居民用电量预测方法 - Google Patents
一种基于多周期角度的居民用电量预测方法 Download PDFInfo
- Publication number
- CN117410989B CN117410989B CN202311714232.9A CN202311714232A CN117410989B CN 117410989 B CN117410989 B CN 117410989B CN 202311714232 A CN202311714232 A CN 202311714232A CN 117410989 B CN117410989 B CN 117410989B
- Authority
- CN
- China
- Prior art keywords
- sequence
- attention
- characteristic
- data
- value
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000737 periodic effect Effects 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000009499 grossing Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多周期角度的居民用电量预测方法,通过从数据集中提取影响用电量因素得到特征信息组并进行数据预处理得到居民用电量特征信息组;将居民用电量特征信息组输入到Cycle模型中进行周期间特征提取,得到一维特征数据;将一维特征数据输入到Multi‑attention模型中,得到注意力特征信息组再进行序列分解,得到特征序列和信息序列;通过注意力特征信息组和信息序列计算得到注意力预测序列;对特征序列进行指数平滑处理,得到平滑预测序列;将注意力预测序列与所述平滑预测序列进行序列融合,得到最终预测值序列,通过上述方式,本发明能够有效提高电量预测的精确度。
Description
技术领域
本发明涉及售电量管理技术领域,特别是涉及一种基于多周期角度的居民用电量预测方法。
背景技术
居民用电量是电力系统中的一个重要组成部分,为了满足电力系统的运行和规划需求,了解和预测居民用电量的变化趋势对电力系统的运行、调度和资源分配具有重要意义,进行居民用电量预测可以帮助电力系统运营者合理调度电力资源以及制定合理的供电计划,确保供应的可靠性和稳定性,以满足居民的用电需求,同时避免电力供应过剩或不足的情况,因此,通过对居民用电量进行预测,可以提高电力系统运行的效率和可靠性,促进电力资源的合理利用,同时也为电力系统的规划和发展提供重要依据。
公开号为CN116595895A,名称为短时电量预测模型的训练方法及短时电量预测方法,通过获取由历史电力影响因素特征数据和历史电量数据构成的训练集;然后基于训练集分别对预设机器学习模型和预设神经网络模型进行训练,对应得到第一机器学习模型和第一神经网络模型。进一步通过在传统秃鹰搜索算法中加入可以有效平衡算法局部搜索能力和全局搜索能力的惯性权重因子,得到改进秃鹰搜索算法。然后,基于该改进秃鹰搜索算法分别对第一机器学习模型和第一神经网络模型各自对应的超参数进行优化,得到能够使得模型预测效果最好的超参数组合,将得到的超参数组合应用到对应的模型中,即可得到预测效果好的电量预测模型。但是没有考虑到不同周期时间以及不同日期的天气和温度情况对预测结果的影响,对于模型中使用改进的秃鹰搜索算法进行超参数的优化,目前该算法的理论支持不足,主要依赖于经验和启发式规则,而缺乏严密的理论分析和证明,导致预测的精确度较差。
公开号为CN111563776B,名称为一种基于K近邻异常检测和Prophet模型的电量分解和预测方法,提供了一种基于K近邻异常检测和Prophet模型的电量分解和预测方法,将时序的电量序列看作一群离散的点,对每一个数据点,使用K近邻方法找出它的K近邻点,即距离此点最近的K个点。再通过每个点的K近邻点集合计算反向K近邻,K近邻和反向K近邻的并集构成了每个点的影响空间(IS)。通过影响空间计算每个点的INFLO值,对每个点的INFLO值进行排序,剔除INFLO值较大的点。对处理后的电量序列使用Prophet模型进行分解建模,将一维电量序列分解成趋势、季节性、节假日影响三个成分,分别对三个成分的表达式进行拟合,以此来进行电量序列变化的分析和预测。但是在对异常值和噪声非常敏感,输入数据中存在较大的异常值或噪声时,可能会影响模型的准确性和稳定性。以及对长期趋势的处理有限,对于具有长期趋势或非线性趋势的数据,可能表现不佳,导致预测的精确度较差。
综上所述,现有的技术极少的从多周期角度出发,考虑多种因素对居民用电量预测的影响,并且极少为预测的结果进行自动纠正潜在的错误,这些问题都会对预测结果精确度造成很大的影响以及电力供应过剩或不足的情况。所以本发明公开了一种基于多周期角度的居民用电量预测方法。
发明内容
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于多周期角度的居民用电量预测方法,该方法包括:
S10.从数据集中提取影响用电量因素得到特征信息组,对所述特征信息组进行数据预处理得到居民用电量特征信息组;
S20.构建Cycle模型,将所述居民用电量特征信息组输入到所述Cycle模型中进行周期间特征提取,得到一维特征数据;
S30.构建Multi-attention模型,将所述一维特征数据输入到所述Multi-attention模型中,得到注意力特征信息组;
S40.将所述注意力特征信息组进行序列分解,得到特征序列和信息序列;
S50.通过所述注意力特征信息组和所述信息序列计算得到注意力预测序列;
S60.对所述特征序列进行指数平滑处理,得到平滑预测序列;
S70.将所述注意力预测序列与所述平滑预测序列进行序列融合,得到最终预测值序列;
所述数据集为公开的居民电力负荷数据集;
所述影响用电量因素包括时间、居民用户、最高气温、最低气温、天气情况、居民用电量。
进一步的,所述S10,包括:
所述数据预处理的计算公式为:
;
;
其中,为特征信息组,/>为时间,/>为居民用户,/>为最高气温,/>为最低气温,/>为天气情况,/>为居民用电量,/>为特征信息组的数据最小值,/>为特征信息组的数据最大值,/>为居民用电量特征信息组。
进一步的,所述构建Cycle模型,包括:
S21.通过傅里叶变换将居民用电量特征信息组的时域数据转换为频域数据;
所述时域数据转换为频域数据的计算公式为:
;
其中,为第k个频域数据,k为整数,/>为居民用电量特征信息组的时域数据,j为频域参数,N为数据长度;
S22.根据所述频域数据的不同频率对应的周期幅度,选取p个频率对应的周期幅度;
所述选取p个频率对应的周期幅度的计算公式为:
;
;
其中,为求频率对应的周期幅度,/>为第k个频域数据, />为k个频率对应的周期幅度的平均值,/>为按值的大小进行排序,T为周期,p为正整数且小于N,/>为p个频率对应的周期幅度,/>为第p个频率对应的周期幅度;
S23.通过所述选取的p个频率对应的周期幅度切割所述频域数据,得到切割后的频域特征数据;
所述切割后的频域特征数据的计算公式为:
;
其中,为按周期幅度/>切割频域数据/>;
S24.将所述频域特征数据组合成二维张量,通过卷积神经网络进行周期间特征提取得到二维卷积数据;
所述将所述频域特征数据组合成二维张量的计算公式为:
;
其中,为调整张量形状的函数,/>为填充函数;
所述通过卷积神经网络进行周期间特征提取得到二维卷积数据的计算公式为:
;
其中,为卷积神经网络进行周期间特征提取;
S25.对所述二维卷积数据进行信息聚合,将二维卷积数据转化为一维特征数据;
所述信息聚合的计算公式为:
;
其中,为一维特征数据,/>为频域特征数据,/>为二维卷积数据。
进一步的,所述构建Multi-attention模型,包括:
S31.计算一维特征数据的周期注意力分数;
所述周期注意力分数的计算公式为:
;
其中,为一维特征数据,/>为周期参数矩阵;
S32.计算所述一维特征数据的频率注意力分数和权重注意力分数/>;
所述频率注意力分数和权重注意力分数/>的计算公式为:
;
;
其中,为一维特征数据,/>为频率参数矩阵,/>为权重参数矩阵;
S33.通过所述周期注意力分数、频率注意力分数/>和权重注意力分数/>计算得到注意力特征序列/>;
所述注意力特征序列的计算公式为:
;
其中,为频率注意力分数/>进行转置,/>为周期注意力分数,/>为权重注意力分数,/>为一维特征数据/>的维度,/>为序列特征值,/>为序列特征值求和;
S34.通过所述注意力特征序列和特征信息组计算得到注意力特征信息组;
所述注意力特征信息组的计算公式为:
;
其中,为注意力特征序列,/>为特征信息组。
进一步的,所述序列分解,是指通过注意力特征信息组,计算得到特征序列/>和信息序列/>;
所述序列分解的计算公式为:
;
;
其中,为自适应平均池化函数,/>为填充函数,/>为特征序列,/>为信息序列。
进一步的,所述S50,包括:
S51.计算注意力周期值、注意力频率值/>和注意力权重值/>;
所述注意力周期值、注意力频率值/>和注意力权重值/>的计算公式为:
;
;
;
其中,为特征序列,/>为注意力特征信息组,/>为频率参数矩阵,/>为权重参数矩阵;
S52.通过所述注意力周期值、注意力频率值/>和注意力权重值/>计算得到混合特征信息序列;
所述混合特征信息序列的计算公式为:
;
其中,为表征值,/>为表征值求和,/>为频率参数矩阵/>的维度;
S53.对混合特征信息序列进行序列分解得到周期特征序列;
所述序列分解的计算公式为:
;
其中,为周期特征序列,/>为自适应平均池化函数,/>为填充函数;
S54.将所述周期特征序列与信息序列进行计算得到注意力预测序列;
所述注意力预测序列的计算公式为:
;
其中,为信息序列,/>为周期特征序列。
进一步的,所述指数平滑处理,是指通过计算趋势值、趋势变化量值/>和误差倾向值/>,得到平滑预测序列/>;
所述趋势值、趋势变化量值/>和误差倾向值/>的计算公式为:
;
;
;
;
其中,为特征序列,/>为趋势参数,/>为误差倾向参数,/>为平滑参数,/>为t时刻的趋势值,/>为t-1时刻的趋势值,/>为t时刻的趋势变化量值,/>为t-1时刻的趋势变化量值,/>为t时刻的误差倾向值,/>为t-1时刻的误差倾向值,/>为时刻间隔,/>为平滑预测序列。
进一步的,所述序列融合,是指创建最终预测值序列,通过对注意力预测序列和平滑预测序列/>进行计算得到最终预测值/>,将所述最终预测值/>存入所述最终预测值序列/>;
所述最终预测值的计算公式为:
;
其中,为注意力预测序列的权重,/>为平滑预测序列的权重,/>为注意力预测序列/>中第m个值,/>为平滑预测序列/>中第m个值, />为正整数。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明提供的一种基于多周期角度的居民用电量预测方法通过对居民历史数据从多周期的角度进行特征提取,考虑不同周期间和周期内自身对居民用电量预测精确度的影响,通过Cycle模型对预测影响因素进行捕捉,从而可以实现高质量且高精度的电量预测。
2、本发明提供的一种基于多周期角度的居民用电量预测方法通过Multi-attention模型的多头自注意机制进行自动纠正潜在的错误,提高预测结果的质量和准确性,帮助电力系统运营者合理调度电力资源,确保供应的可靠性和稳定性。
附图说明
图1是本发明提供的一种基于多周期角度的居民用电量预测方法的流程图。
图2是本发明提供的一种基于多周期角度的居民用电量预测方法构建Cycle模型的流程图。
图3是本发明提供的一种基于多周期角度的居民用电量预测方法构建Multi-attention模型的流程图。
图4是本发明提供的一种基于多周期角度的居民用电量预测方法得到注意力预测序列的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但本发明还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本发明的一部分实施例,而不是全部的实施例。
图1是本发明提供的一种基于多周期角度的居民用电量预测方法的流程图,该方法包括:
S10.从数据集中提取影响用电量因素得到特征信息组,对所述特征信息组进行数据预处理得到居民用电量特征信息组;
所述数据集为公开的居民电力负荷数据集;
所述影响用电量因素包括时间、居民用户、最高气温、最低气温、天气情况、居民用电量。
进一步的,所述S10,包括:
所述数据预处理的计算公式为:
;
;
其中,为特征信息组,/>为时间,/>为居民用户,/>为最高气温,/>为最低气温,/>为天气情况,/>为居民用电量,/>为特征信息组的数据最小值,/>为特征信息组的数据最大值,/>为居民用电量特征信息组。
S20.构建Cycle模型,将所述居民用电量特征信息组输入到所述Cycle模型中进行周期间特征提取,得到一维特征数据;
进一步的,参照图2,所述构建Cycle模型,包括:
S21.通过傅里叶变换将居民用电量特征信息组的时域数据转换为频域数据;
所述时域数据转换为频域数据的计算公式为:
;
其中,为第k个频域数据,k为整数,/>为居民用电量特征信息组的时域数据,j为频域参数,N为数据长度;
S22.根据所述频域数据的不同频率对应的周期幅度,选取p个频率对应的周期幅度;
所述选取p个频率对应的周期幅度的计算公式为:
;
;
其中,为求频率对应的周期幅度,/>为第k个频域数据, />为k个频率对应的周期幅度的平均值,/>为按值的大小进行排序,T为周期,p为正整数且小于N,/>为p个频率对应的周期幅度,/>为第p个频率对应的周期幅度;
S23.通过所述选取的p个频率对应的周期幅度切割所述频域数据,得到切割后的频域特征数据;
所述切割后的频域特征数据的计算公式为:
;
其中,为按周期幅度/>切割频域数据/>;
S24.将所述频域特征数据组合成二维张量,通过卷积神经网络进行周期间特征提取得到二维卷积数据;
所述将所述频域特征数据组合成二维张量的计算公式为:
;
其中,为调整张量形状的函数,/>为填充函数;
所述通过卷积神经网络进行周期间特征提取得到二维卷积数据的计算公式为:
;
其中,为卷积神经网络进行周期间特征提取;
S25.对所述二维卷积数据进行信息聚合,将二维卷积数据转化为一维特征数据;
所述信息聚合的计算公式为:
;
其中,为一维特征数据,/>为频域特征数据,/>为二维卷积数据。
S30.构建Multi-attention模型,将所述一维特征数据输入到所述Multi-attention模型中,得到注意力特征信息组;
进一步的,参照图3,所述构建Multi-attention模型,包括:
S31.计算一维特征数据的周期注意力分数;
所述周期注意力分数的计算公式为:
;
其中,为一维特征数据,/>为周期参数矩阵;
S32.计算所述一维特征数据的频率注意力分数和权重注意力分数/>;
所述频率注意力分数和权重注意力分数/>的计算公式为:
;
;
其中,为一维特征数据,/>为频率参数矩阵,/>为权重参数矩阵;
S33.通过所述周期注意力分数、频率注意力分数/>和权重注意力分数/>计算得到注意力特征序列/>;
所述注意力特征序列的计算公式为:
;
其中,为频率注意力分数/>进行转置,/>为周期注意力分数,/>为权重注意力分数,/>为一维特征数据/>的维度,/>为序列特征值,/>为序列特征值求和;
S34.通过所述注意力特征序列和特征信息组计算得到注意力特征信息组;
所述注意力特征信息组的计算公式为:
;
其中,为注意力特征序列,/>为特征信息组。
S40.将所述注意力特征信息组进行序列分解,得到特征序列和信息序列;
进一步的,所述序列分解,是指通过注意力特征信息组,计算得到特征序列/>和信息序列/>;
所述序列分解的计算公式为:
;
;
其中,为自适应平均池化函数,/>为填充函数,/>为特征序列,/>为信息序列。
S50.通过所述注意力特征信息组和所述信息序列计算得到注意力预测序列;
进一步的,参照图4,所述S50,包括:
S51.计算注意力周期值、注意力频率值/>和注意力权重值/>;
所述注意力周期值、注意力频率值/>和注意力权重值/>的计算公式为:
;
;
;
其中,为特征序列,/>为注意力特征信息组,/>为频率参数矩阵,/>为权重参数矩阵;
S52.通过所述注意力周期值、注意力频率值/>和注意力权重值/>计算得到混合特征信息序列;
所述混合特征信息序列的计算公式为:
;
其中,为表征值,/>为表征值求和,/>为频率参数矩阵/>的维度;
S53.对混合特征信息序列进行序列分解得到周期特征序列;
所述序列分解的计算公式为:
;
其中,为周期特征序列,/>为自适应平均池化函数,/>为填充函数;
S54.将所述周期特征序列与信息序列进行计算得到注意力预测序列;
所述注意力预测序列的计算公式为:
;
其中,为信息序列,/>为周期特征序列。
S60.对所述特征序列进行指数平滑处理,得到平滑预测序列;
进一步的,所述指数平滑处理,是指通过计算趋势值、趋势变化量值/>和误差倾向值/>,得到平滑预测序列/>;
所述趋势值、趋势变化量值/>和误差倾向值/>的计算公式为:
;
;
;
;
其中,为特征序列,/>为趋势参数,/>为误差倾向参数,/>为平滑参数,/>为t时刻的趋势值,/>为t-1时刻的趋势值,/>为t时刻的趋势变化量值,/>为t-1时刻的趋势变化量值,/>为t时刻的误差倾向值,/>为t-1时刻的误差倾向值,/>为时刻间隔,/>为平滑预测序列。
S70.将所述注意力预测序列与所述平滑预测序列进行序列融合,得到最终预测值序列;
进一步的,所述序列融合,是指创建最终预测值序列,通过对注意力预测序列和平滑预测序列/>进行计算得到最终预测值/>,将所述最终预测值/>存入所述最终预测值序列/>;
所述最终预测值的计算公式为:
;
其中,为注意力预测序列的权重,/>为平滑预测序列的权重,/>为注意力预测序列/>中第m个值,/>为平滑预测序列/>中第m个值, />为正整数。
本发明提供的一种基于多周期角度的居民用电量预测方法通过对居民历史数据从多周期的角度进行特征提取,考虑不同周期间和周期内自身对居民用电量预测精确度的影响,通过Cycle模型对预测影响因素进行捕捉,从而可以实现高质量且高精度的电量预测,通过Multi-attention模型的多头自注意机制进行自动纠正潜在的错误,提高预测结果的质量和准确性,帮助电力系统运营者合理调度电力资源,确保供应的可靠性和稳定性。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于多周期角度的居民用电量预测方法,其特征在于,包括:
S10.从数据集中提取影响用电量因素得到特征信息组,对所述特征信息组进行数据预处理得到居民用电量特征信息组;
S20.构建Cycle模型,将所述居民用电量特征信息组输入到所述Cycle模型中进行周期间特征提取,得到一维特征数据;
S30.构建Multi-attention模型,将所述一维特征数据输入到所述Multi-attention模型中,得到注意力特征信息组;
S40.将所述注意力特征信息组进行序列分解,得到特征序列和信息序列;
S50.通过所述注意力特征信息组和所述信息序列计算得到注意力预测序列;
S60.对所述特征序列进行指数平滑处理,得到平滑预测序列;
S70.将所述注意力预测序列与所述平滑预测序列进行序列融合,得到最终预测值序列;
所述数据集为公开的居民电力负荷数据集;
所述影响用电量因素包括时间、居民用户、最高气温、最低气温、天气情况、居民用电量;
所述构建Cycle模型,包括:
S21.通过傅里叶变换将居民用电量特征信息组的时域数据转换为频域数据;
所述时域数据转换为频域数据的计算公式为:
;
其中,为第k个频域数据,k为整数,/>为居民用电量特征信息组的时域数据,j为频域参数,N为数据长度;
S22.根据所述频域数据的不同频率对应的周期幅度,选取p个频率对应的周期幅度;
所述选取p个频率对应的周期幅度的计算公式为:
;
;
其中,为求频率对应的周期幅度,/>为第k个频域数据, />为k个频率对应的周期幅度的平均值,/>为按值的大小进行排序,T为周期,p为正整数且小于N,为p个频率对应的周期幅度,/>为第p个频率对应的周期幅度;
S23.通过所述选取的p个频率对应的周期幅度切割所述频域数据,得到切割后的频域特征数据;
所述切割后的频域特征数据的计算公式为:
;
其中,为按周期幅度/>切割频域数据/>;
S24.将所述频域特征数据组合成二维张量,通过卷积神经网络进行周期间特征提取得到二维卷积数据;
所述将所述频域特征数据组合成二维张量的计算公式为:
;
其中,为调整张量形状的函数,/>为填充函数;
所述通过卷积神经网络进行周期间特征提取得到二维卷积数据的计算公式为:
;
其中,为卷积神经网络进行周期间特征提取;
S25.对所述二维卷积数据进行信息聚合,将二维卷积数据转化为一维特征数据;
所述信息聚合的计算公式为:
;
其中,为一维特征数据,/>为频域特征数据,/>为二维卷积数据;
所述构建Multi-attention模型,包括:
S31.计算一维特征数据的周期注意力分数;
所述周期注意力分数的计算公式为:
;
其中,为一维特征数据,/>为周期参数矩阵;
S32.计算所述一维特征数据的频率注意力分数和权重注意力分数/>;
所述频率注意力分数和权重注意力分数/>的计算公式为:
;
;
其中,为一维特征数据,/>为频率参数矩阵,/>为权重参数矩阵;
S33.通过所述周期注意力分数、频率注意力分数/>和权重注意力分数/>计算得到注意力特征序列/>;
所述注意力特征序列的计算公式为:
;
其中,为频率注意力分数/>进行转置,/>为周期注意力分数,/>为权重注意力分数,为一维特征数据/>的维度,/>为序列特征值,/>为序列特征值求和;
S34.通过所述注意力特征序列和特征信息组计算得到注意力特征信息组;
所述注意力特征信息组的计算公式为:
;
其中,为注意力特征序列,/>为特征信息组。
2.如权利要求1所述的一种基于多周期角度的居民用电量预测方法,其特征在于,所述S10,包括:
所述数据预处理的计算公式为:
;
;
其中,为特征信息组,/>为时间,/>为居民用户,/>为最高气温,为最低气温,/>为天气情况,/>为居民用电量,/>为特征信息组的数据最小值,/>为特征信息组的数据最大值,/>为居民用电量特征信息组。
3.如权利要求1所述的一种基于多周期角度的居民用电量预测方法,其特征在于,所述序列分解,是指通过注意力特征信息组,计算得到特征序列/>和信息序列/>;
所述序列分解的计算公式为:
;
;
其中,为自适应平均池化函数,/>为填充函数,/>为特征序列,/>为信息序列。
4.如权利要求3所述的一种基于多周期角度的居民用电量预测方法,其特征在于,所述S50,包括:
S51.计算注意力周期值、注意力频率值/>和注意力权重值/>;
所述注意力周期值、注意力频率值/>和注意力权重值/>的计算公式为:
;
;
;
其中,为特征序列,/>为注意力特征信息组,/>为频率参数矩阵,/>为权重参数矩阵;
S52.通过所述注意力周期值、注意力频率值/>和注意力权重值/>计算得到混合特征信息序列;
所述混合特征信息序列的计算公式为:
;
其中,为表征值,/>为表征值求和,/>为频率参数矩阵/>的维度;
S53.对混合特征信息序列进行序列分解得到周期特征序列;
所述序列分解的计算公式为:
;
其中,为周期特征序列,/>为自适应平均池化函数,/>为填充函数;
S54.将所述周期特征序列与信息序列进行计算得到注意力预测序列;
所述注意力预测序列的计算公式为:
;
其中,为信息序列,/>为周期特征序列。
5.如权利要求4所述的一种基于多周期角度的居民用电量预测方法,其特征在于,所述指数平滑处理,是指通过计算趋势值、趋势变化量值/>和误差倾向值/>,得到平滑预测序列/>;
所述趋势值、趋势变化量值/>和误差倾向值/>的计算公式为:
;
;
;
;
其中,为特征序列,/>为趋势参数,/>为误差倾向参数,/>为平滑参数,/>为t时刻的趋势值,/>为t-1时刻的趋势值,/>为t时刻的趋势变化量值,/>为t-1时刻的趋势变化量值,/>为t时刻的误差倾向值,/>为t-1时刻的误差倾向值,/>为时刻间隔,/>为平滑预测序列。
6.如权利要求5所述的一种基于多周期角度的居民用电量预测方法,其特征在于,所述序列融合,是指创建最终预测值序列,通过对注意力预测序列/>和平滑预测序列进行计算得到最终预测值/>,将所述最终预测值/>存入所述最终预测值序列;
所述最终预测值的计算公式为:
;
其中,为注意力预测序列的权重,/>为平滑预测序列的权重,/>为注意力预测序列中第m个值,/>为平滑预测序列/>中第m个值, />为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714232.9A CN117410989B (zh) | 2023-12-14 | 2023-12-14 | 一种基于多周期角度的居民用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714232.9A CN117410989B (zh) | 2023-12-14 | 2023-12-14 | 一种基于多周期角度的居民用电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117410989A CN117410989A (zh) | 2024-01-16 |
CN117410989B true CN117410989B (zh) | 2024-02-23 |
Family
ID=89492892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311714232.9A Active CN117410989B (zh) | 2023-12-14 | 2023-12-14 | 一种基于多周期角度的居民用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117410989B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015122826A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
CN111260030A (zh) * | 2020-01-13 | 2020-06-09 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN113554466A (zh) * | 2021-07-26 | 2021-10-26 | 国网四川省电力公司电力科学研究院 | 一种短期用电量预测模型构建方法、预测方法和装置 |
KR20220040968A (ko) * | 2020-09-24 | 2022-03-31 | 고려대학교 산학협력단 | 템퍼럴 컨볼루션 신경망을 활용한 단기 전력 수요 예측 시스템 및 방법 |
CN114519471A (zh) * | 2022-03-28 | 2022-05-20 | 杭州电子科技大学 | 一种基于时序数据周期性的用电负荷预测方法 |
CN116308487A (zh) * | 2023-03-17 | 2023-06-23 | 辽宁电力能源发展集团有限公司 | 一种基于多特征融合编码的电力需求负荷量预测方法 |
CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
CN116826739A (zh) * | 2023-07-07 | 2023-09-29 | 中国农业大学 | 基于单变量时序的超短期农业电力负荷预测方法及装置 |
CN117200190A (zh) * | 2023-08-17 | 2023-12-08 | 国网江苏省电力有限公司南京供电分公司 | 一种电力物联网电力负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230244947A1 (en) * | 2022-01-28 | 2023-08-03 | Salesforce, Inc. | Systems and methods for time series forecasting |
-
2023
- 2023-12-14 CN CN202311714232.9A patent/CN117410989B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015122826A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
CN111260030A (zh) * | 2020-01-13 | 2020-06-09 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
KR20220040968A (ko) * | 2020-09-24 | 2022-03-31 | 고려대학교 산학협력단 | 템퍼럴 컨볼루션 신경망을 활용한 단기 전력 수요 예측 시스템 및 방법 |
CN113554466A (zh) * | 2021-07-26 | 2021-10-26 | 国网四川省电力公司电力科学研究院 | 一种短期用电量预测模型构建方法、预测方法和装置 |
CN114519471A (zh) * | 2022-03-28 | 2022-05-20 | 杭州电子科技大学 | 一种基于时序数据周期性的用电负荷预测方法 |
CN116308487A (zh) * | 2023-03-17 | 2023-06-23 | 辽宁电力能源发展集团有限公司 | 一种基于多特征融合编码的电力需求负荷量预测方法 |
CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
CN116826739A (zh) * | 2023-07-07 | 2023-09-29 | 中国农业大学 | 基于单变量时序的超短期农业电力负荷预测方法及装置 |
CN117200190A (zh) * | 2023-08-17 | 2023-12-08 | 国网江苏省电力有限公司南京供电分公司 | 一种电力物联网电力负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
现货市场下用电量需求预测模型研究;俞婷婷;中国优秀硕士论文电子期刊网;20200815;全文 * |
考虑时序特征提取与双重注意力融合的TCN超短期负荷预测;周思思,等;电力系统自动化;20230925;第47卷(第18期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117410989A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020063690A1 (zh) | 一种电力系统预测的方法和装置 | |
Guo et al. | Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model | |
CN110070048B (zh) | 基于双次K-means聚类的设备类型识别方法及系统 | |
CN103577694B (zh) | 一种基于多尺度分析的水产养殖水质短期组合预测方法 | |
Basu et al. | Residential appliance identification and future usage prediction from smart meter | |
CN103400052A (zh) | 一种风电场短期风速组合预测方法 | |
CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
Zhu et al. | Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method | |
CN108898259A (zh) | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN107886160A (zh) | 一种bp神经网络区间需水预测方法 | |
CN110837939A (zh) | 一种电网多目标项目筛选方法和系统 | |
CN104199870A (zh) | 基于混沌搜索的ls-svm预测模型的建立方法 | |
Nezzar et al. | Mid-Long Term Load Forecasting using Multi-Model Artificial Neural Networks. | |
Rao et al. | Transformer-based power system energy prediction model | |
CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
Widodo et al. | Model selection using dimensionality reduction of time series characteristics | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117410989B (zh) | 一种基于多周期角度的居民用电量预测方法 | |
Wibawa et al. | Deep Learning Approaches with Optimum Alpha for Energy Usage Forecasting. | |
Liu et al. | A novel combined forecasting model for short-term wind power based on ensemble empirical mode decomposition and optimal virtual prediction | |
CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
CN117520818A (zh) | 一种电力指纹识别方法、装置、电子设备及存储介质 | |
CN111476437A (zh) | 一种光伏发电功率超短期区间预测的方法及设备 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |