[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

说明书

本公开提供了一种基于特征和趋势感知的用电量预测优化方法及系统，所述方法包括：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。本发明从用户历史用电量的变化趋势和用电量受特征因素影响两个方面对用电量进行预测，预测精度更高。

技术领域

本发明涉及智能用电领域，特别涉及一种基于特征和趋势感知的用电量预测方法及系统。

背景技术

随着智能电网的不断发展，电量预测在电力市场发展中占着越来越重要的作用。预测性能的好坏是保证电网系统准确可靠运行的基础；同时，在电网调度过程中可以避免资源浪费，提高经济效益。因此，如何依据历史的电力数据提高电量预测的精度对于制定经济更好的发电计划，分析电力市场需求等具有重要意义。

传统的预测方法中，基于时间序列的电量预测模型实现了对用户用电量的预测，但是，由于电网系统中蕴含了各种不确定因素，使得决策工作必然面临一定程度的风险，传统预测方法忽略了外部因素对用电量预测性能的影响；同时，传统的预测方法大多数基于历史用电趋势实现的电力预测，而没有考虑到用电量受特征因素的影响，往往使得电量预测的准确性较低。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于特征和趋势感知的用电量预测方法及系统。从用户历史用电量的变化趋势和用电量受特征因素影响两个方面对用电量进行预测，预测精度更高。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

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。

进一步地，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；

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。

进一步地，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。

进一步地，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。

进一步地，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；