一种基于深度学习的用电量预测方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于深度学习的用电量预测方法，采用包括长短期记忆网络LSTM嵌入块的序列到序列seq2seq模型为预测模型，增强了序列到序列seq2seq模型的可学习型和表达性，利用包括历史时间序列和外源性特征数据的历史用电数据训练得到该预测模型，使预测模型除了时间特征外，还对外源性特征进行学习和表达，增加了对影响用电量趋势的多个因素的约束，从而得到了更贴近用电量实际状况的预测模型，通过该预测模型对用电量进行预测，得到了更为准确的用电量预测结果。本发明专利技术还提供一种基于深度学习的用电量预测装置及设备，具有上述有益效果。

A Power Consumption Forecasting Method, Device and Equipment Based on Deep Learning

The invention discloses a power consumption forecasting method based on in-depth learning, which uses the sequence-to-sequence seq2seq model including LSTM embedded blocks of long-term and short-term memory network as the forecasting model, enhances the learnability and expressiveness of the sequence-to-sequence seq2seq model, and trains the forecasting model by using historical power consumption data including historical time series and exogenous feature data, so as to make the forecasting model. In addition to the time characteristics, the model also learns and expresses the exogenous characteristics, increases the constraints of many factors that affect the trend of electricity consumption, and thus obtains a more accurate prediction model of electricity consumption, which is closer to the actual situation of electricity consumption. The invention also provides a power consumption forecasting device and equipment based on in-depth learning, which has the above beneficial effects.

【技术实现步骤摘要】
一种基于深度学习的用电量预测方法、装置及设备
本专利技术涉及用电计量领域，特别是涉及一种基于深度学习的用电量预测方法、装置及设备。
技术介绍
电力系统是一个复杂的实时动态系统，涉及发电、输电、配送电、用电，以及调度管理等诸多环节。其中，电网负荷预测是电力系统调度的一个重要组成部分。企业的用电量和负荷预测属于时间序列预测类型，即根据历史时间数据来预测未来的值。现有技术中对于时间序列预测的处理，通常采用自回归积分滑动平均(ARIMA)模型，通过对非平稳的时间序列进行差分得到平稳的时间序列，然后通过自相关系数和偏相关系数的分析来得到模型的参数，预测对象随时间推移而形成的数据序列视为一个随机序列，用该模型来近似描述这个序列。但是，由于ARIMA模型仅仅关注时间序列本身的特性，而用电量预测往往会存在除时间之外的其他特征，这种应用ARIMA模型进行用电量预测的方式得到的预测结果与实际用电量偏差较大。如何提高用电量预测的准确性，是本领域技术人员需要解决的技术问题。
技术实现思路
本专利技术的目的是提供一种基于深度学习的用电量预测方法、装置及设备，相比于现有技术提高了用电量预测的准确性。为解决上述技术问本文档来自技高网...

【技术保护点】
1.一种基于深度学习的用电量预测方法，其特征在于，包括：预先根据历史用电数据训练预测模型；接收输入的电量预测查询时间和外源性特征参数；将所述电量预测查询时间和所述外源性特征参数输入所述预测模型，输出用电量预测值；其中，所述历史用电数据包括历史时间序列和所述历史时间序列的外源性特征数据，所述预测模型具体为包括长短期记忆网络LSTM嵌入块的序列到序列seq2seq模型。

【技术特征摘要】
1.一种基于深度学习的用电量预测方法，其特征在于，包括：预先根据历史用电数据训练预测模型；接收输入的电量预测查询时间和外源性特征参数；将所述电量预测查询时间和所述外源性特征参数输入所述预测模型，输出用电量预测值；其中，所述历史用电数据包括历史时间序列和所述历史时间序列的外源性特征数据，所述预测模型具体为包括长短期记忆网络LSTM嵌入块的序列到序列seq2seq模型。2.根据权利要求1所述的用电量预测方法，其特征在于，所述预测模型的编码器和解码器均为长短期记忆网络LSTM。3.根据权利要求1所述的用电量预测方法，其特征在于，所述预先根据历史用电数据训练预测模型，具体包括：根据所述历史时间序列和所述外源性特征数据确定训练输入向量以及与所述训练输入向量对应的标签值；其中，所述训练输入向量包括训练周期参数和特征参数；将所述训练输入向量输入预设的序列到序列seq2seq模型结构，得到训练值；按预设规则确定所述训练值与所述标签值的误差最小值；依据所述误差最小值调整所述序列到序列seq2seq模型结构的模型参数，得到所述预测模型。4.根据权利要求3所述的用电量预测方法，其特征在于，所述按预设规则确定所述训练值与所述标签值的误差最小值，具体包括：利用Adam梯度下降法计算所述训练值与所述标签值的负梯度方向，以根据所述负梯度方向确定所述误差最小值。5.根据权利要求3所述的用电量预测方法，其特征在于，所述按预设规则确定所述训练值与所述标签值的误差最小值，具体包括：利用SGD随机梯度下降法计算所述训练值与所述标签值的负梯度方向，以根据所述负梯度方向确定所述误差最小值。6.根据权利要求3所述的用电量预测方法，其特征在于，当所述历史时间序列的长度大于阈值时，在所...

【专利技术属性】
技术研发人员：赵云，肖勇，何恒靖，钱斌，周密，郑楷洪，
申请(专利权)人：南方电网科学研究院有限责任公司，中国南方电网有限责任公司，
类型：发明
国别省市：广东,44