【技术实现步骤摘要】
本申请涉及用电量预测的，具体而言，涉及一种用电量预测方法、装置、电子设备及存储介质。
技术介绍
1、为了提升发电、输电和配电能力，确保供电充足和稳定，对未来的用电量做出预测具有非常重要的意义。目前的用电量预测任务和方法中，许多研究都集中在利用神经网络模型，例如长短期记忆网络（lstm）、反向传播神经网络（bpnn）以及线性与非线性的混合模型，这些非线性的模型能够自动学习序列的特征和非线性趋势。
2、但是，现有神经网络技术在进行未来数据的单步预测时，需要足够多的训练数据去优化参数，并且在训练过程中，需要更多的计算资源和时间，而现有的神经网络模型的预测结果由于模型具有复杂的网络结构以及参数，导致预测的用电量结果具有较差的解释性。
3、因此，为了解决现有的用电量预测方法在构建神经网络模型时因为其复杂的网络结构和参数导致训练时需要花费更多的计算资源和时间以及预测结果解释性较差的技术问题，亟需一种用电量预测方法、装置、电子设备及存储介质。
技术实现思路
1、本申请的目的在于提供一种用电量预测方法、装置、电子设备及存储介质，通过将二阶差分处理后的近期用电数据输入至利用最小二乘法、模型滞后阶数和残差方差图构建的用电量预测模型，得到预测用电量数据，解决现有的用电量预测方法在构建神经网络模型时因为其复杂的网络结构和参数导致训练时需要花费更多的计算资源和时间以及预测结果解释性较差的问题，能够通过模型滞后阶数快速确定模型的权重系数，节省了大量的计算资源和时间，提高了用电量的预测效
2、第一方面，本申请提供了一种用电量预测方法，包括：
3、获取待测用电系统的历史用电量数据；
4、采用差分法，对所述历史用电量数据进行二阶差分处理，得到差分处理数据；
5、利用最小二乘法、模型滞后阶数和残差方差图，根据所述差分处理数据，构建ar模型，得到用电量预测模型；
6、获取所述待测用电系统的近期用电数据，并将二阶差分处理后的近期用电数据输入至所述用电量预测模型，得到所述待测用电系统在预设周期内的预测用电量数据。
7、本申请提供的用电量预测方法可以实现对用电量进行预测，通过将二阶差分处理后的近期用电数据输入至利用最小二乘法、模型滞后阶数和残差方差图构建的用电量预测模型，得到预测用电量数据，解决现有的用电量预测方法在构建神经网络模型时因为其复杂的网络结构和参数导致训练时需要花费更多的计算资源和时间以及预测结果解释性较差的问题，能够通过模型滞后阶数快速确定模型的权重系数，节省了大量的计算资源和时间，提高了用电量的预测效率。
8、可选地，采用差分法，对所述历史用电量数据进行二阶差分处理，得到差分处理数据，包括：
9、对所述历史用电量数据进行差分操作，得到所述历史用电量数据的初级差分处理数据；
10、对所述初级差分处理数据进行差分操作，得到差分处理数据。
11、可选地，利用最小二乘法、模型滞后阶数和残差方差图，根据所述差分处理数据，构建ar模型，得到用电量预测模型，包括：
12、利用最小二乘法、模型滞后阶数和残差方差图，构建ar模型，得到初步的用电量预测模型；
13、根据所述差分处理数据，对所述初步的用电量预测模型进行训练和验证，得到用电量预测模型。
14、本申请提供的用电量预测方法可以实现对用电量进行预测，通过最小二乘法和模型滞后阶数，构建ar模型，并根据差分处理数据，训练和验证ar模型，得到用电量预测模型，通过用电量预测模型对用电量进行预测，有利于提高用电量的预测效率。
15、可选地，利用最小二乘法、模型滞后阶数和残差方差图，构建ar模型，得到初步的用电量预测模型，包括：
16、构建ar模型；
17、通过所述ar模型的自相关系数和偏自相关系数，计算得到所述ar模型的偏自相关函数图和不同阶数的残差方差图，用以确定所述ar模型的模型滞后阶数；
18、利用最小二乘法，根据所述模型滞后阶数，求解所述ar模型的权重系数，并使用所述权重系数，对所述ar模型进行优化，得到所述初步的用电量预测模型。
19、本申请提供的用电量预测方法可以实现对用电量进行预测，通过ar模型的自相关系数和偏自相关系数，计算得到偏自相关函数图和不同阶数的残差方差图，从而计算得到模型滞后阶数，利用最小二乘法、模型滞后阶数和残差方差图求解得到ar模型的权重系数，并使用权重系数，对ar模型进行优化，得到初步的用电量预测模型，在对初步的用电量预测模型进行训练后，能够准确预测用电量。
20、可选地，根据所述差分处理数据，对所述初步的用电量预测模型进行训练和验证，得到用电量预测模型，包括：
21、基于所述差分处理数据中用于训练的数据，训练所述初步的用电量预测模型，得到训练后的初步的用电量预测模型；
22、根据所述差分处理数据中未用于训练的数据，验证所述训练后的初步的用电量预测模型，得到所述用电量预测模型。
23、可选地，基于所述差分处理数据中用于训练的数据，训练所述初步的用电量预测模型，得到训练后的初步的用电量预测模型，包括：
24、将所述差分处理数据中用于训练的数据输入至所述初步的用电量预测模型，得到对应的预测输出；
25、根据所述差分处理数据中用于训练的数据的下一个时间点数据与所述对应的预测输出，确定训练误差；
26、基于所述训练误差，调整所述初步的用电量预测模型的参数，得到最优参数，并利用最优参数，优化所述初步的用电量预测模型，得到训练后的初步的用电量预测模型。
27、可选地，将所述差分处理数据中用于训练的数据输入至所述初步的用电量预测模型之前，还包括：
28、初始化所述初步的用电量预测模型的参数。
29、第二方面，本申请提供了一种用电量预测装置，包括：
30、获取模块，用于获取待测用电系统的历史用电量数据；
31、差分模块，用于采用差分法，对所述历史用电量数据进行二阶差分处理，得到差分处理数据；
32、构建模块，用于利用最小二乘法、模型滞后阶数和残差方差图，根据所述差分处理数据，构建ar模型，得到用电量预测模型；
33、预测模块，用于获取所述待测用电系统的近期用电数据，并将二阶差分处理后的近期用电数据输入至所述用电量预测模型，得到所述待测用电系统在预设周期内的预测用电量数据。
34、该用电量预测装置，通过将二阶差分处理后的近期用电数据输入至利用最小二乘法、模型滞后阶数和残差方差图构建的用电量预测模型，得到预测用电量数据，解决现有的用电量预测方法在构建神经网络模型时因为其复杂的网络结构和参数导致训练时需要花费更多的计算资源和时间以及预测结果解释性较差的问题，能够通过模型滞后阶数快速确定模型的权重系数，节省了大量的计算资源和时间，提高了用电量的预测效率。
35、第三方面，本本文档来自技高网...
【技术保护点】
1.一种用电量预测方法，用于对用电量进行预测，其特征在于，包括步骤：
2.根据权利要求1所述的用电量预测方法，其特征在于，采用差分法，对所述历史用电量数据进行二阶差分处理，得到差分处理数据，包括：
3.根据权利要求1所述的用电量预测方法，其特征在于，利用最小二乘法、模型滞后阶数和残差方差图，根据所述差分处理数据，构建AR模型，得到用电量预测模型，包括：
4.根据权利要求3所述的用电量预测方法，其特征在于，利用最小二乘法、模型滞后阶数和残差方差图，构建AR模型，得到初步的用电量预测模型，包括：
5.根据权利要求3所述的用电量预测方法，其特征在于，根据所述差分处理数据，对所述初步的用电量预测模型进行训练和验证，得到用电量预测模型，包括：
6.根据权利要求5所述的用电量预测方法，其特征在于，基于所述差分处理数据中用于训练的数据，训练所述初步的用电量预测模型，得到训练后的初步的用电量预测模型，包括：
7.根据权利要求6所述的用电量预测方法，其特征在于，将所述差分处理数据中用于训练的数据输入至所述初步的用电量预测模型之
8.一种用电量预测装置，用于对用电量进行预测，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时，运行如权利要求1-7任一项所述用电量预测方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一项所述用电量预测方法中的步骤。
...【技术特征摘要】
1.一种用电量预测方法，用于对用电量进行预测，其特征在于，包括步骤：
2.根据权利要求1所述的用电量预测方法，其特征在于，采用差分法，对所述历史用电量数据进行二阶差分处理，得到差分处理数据，包括：
3.根据权利要求1所述的用电量预测方法，其特征在于，利用最小二乘法、模型滞后阶数和残差方差图，根据所述差分处理数据，构建ar模型，得到用电量预测模型，包括：
4.根据权利要求3所述的用电量预测方法，其特征在于，利用最小二乘法、模型滞后阶数和残差方差图，构建ar模型，得到初步的用电量预测模型，包括：
5.根据权利要求3所述的用电量预测方法，其特征在于，根据所述差分处理数据，对所述初步的用电量预测模型进行训练和验证，得到用电量预测模型，包括：
6.根据权利要求5...
【专利技术属性】
技术研发人员：何敏藩，涂东阳，吴彪，陈剑，柴华，甘文勇，
申请(专利权)人：季华实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。