[发明专利]一种基于特征和趋势感知的用电量预测方法及系统

权利要求书

1.一种基于特征和趋势感知的用电量预测方法，其特征在于，包括以下步骤：

获取待预测用户的历史电力数据；

基于所述历史电力数据，采用预训练的用电预测模型对该用户进行用电量预测；用电预测模型的训练方法具体包括：

基于历史电力训练数据，分别提取用电特征和用电变化趋势，训练基于特征的用电预测模型和基于趋势的用电预测模型，得到第一预测向量和第二预测向量；

将第一预测向量和第二预测向量相结合，采用权重组合法完成最终用电量预测模型的训练；

训练基于特征的用电预测模型包括：

基于历史电力训练数据分别进行影响因素提取和上下文特征提取，得到基础特征向量和序列特征向量；针对获取的数据样本，基于拉普拉斯分数方法进行影响因素的特征选择，消除特征的冗余并提取与影响用户用电量变化高关联度的特征，在用户用电量过程中，如用户类型、温度以及工作日类型与用户用电量的相关性程度更大；

基于历史电力训练数据进行影响因素提取，得到基础特征向量，具体包括：

S201：对样本数据进行规范化处理，采用min-max标准化方法对原始数据进行归一化处理，特征数据取值为[0,1]；

S202：基于样本数据集构造具有m个节点的最近邻居图G，并根据节点之间是否相关建立权重矩阵；

S203：根据权重矩阵计算拉普拉斯图；

S204：计算第r个特征的拉普拉斯分数；

S205：筛选大于设定阈值的特征F及其对应的特征权重向量，即为基础特征向量；

基于历史电力训练数据进行上下文特征提取，得到序列特征向量，具体包括：

定义一个用户的用电序列数据为采用CNN对电力序列数据进行上下文特征提取，获得序列特征向量C′；

采用交互注意力机制来捕获基础特征和序列特征之间的交互信息，得到增强的特征向量；

基于Bi-LSTM模型进行基于特征的用电预测模型的训练；

训练基于趋势的用电预测模型包括：

基于用户历史的用电趋势，分别采用集成差分自回归综合移动平均模型和长短期记忆网络模型对序列数据进行用电量预测；

采用权重组合法构建用电趋势组合预测模型。

2.如权利要求1所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，进行影响因素提取包括：

基于拉普拉斯分数方法获取特征与用电量特征的关联度；

根据预设关联度阈值筛选得到基础特征。

3.如权利要求1所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，进行上下文特征提取包括：采用卷积神经网络进行上下文特征提取。

4.如权利要求1所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，基于双向长短期记忆神经网络模型进行基于特征的用电预测模型的训练包括：

基于双向长短期记忆神经网络模型，利用增强的特征向量及其相应权重实现从正反两个方向的用户用电量状态预测；

采用注意力机制更新双向长短期记忆神经网络中各个用户用电量状态预测数据的权重值，输出多时段多状态用户用电量状态预测向量；

根据用户用电量状态预测向量构建预测函数，根据预测函数输出值的损失函数，训练双向长短期记忆神经网络的学习参数。

5.如权利要求1所述的一种基于特征和趋势感知的用电量预测方法，其特征在于，所述权重组合法采用标准差权重组合法。