用电需求量预测方法及系统技术方案

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。息。息。

【技术实现步骤摘要】
用电需求量预测方法及系统


[0001]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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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。4.根据权利要求1所述的方法，其特征在于，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。
5.根据权利要求4所述的方法，其特征在于，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...

【专利技术属性】
技术研发人员：虞海，
申请(专利权)人：苏州安极能新能源发展有限公司，
类型：发明
国别省市：