城市综合体用电量预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例提供一种城市综合体用电量预测方法、装置、电子设备及存储介质，所述方法包括：获取城市综合体中各类型用电实体的历史小时用电量序列；将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列；将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列；将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果；基于所述第一用电量预测结果，计算得到所述综合体的用电量预测结果。可以使得城市综合体用电量预测结果的更加精确。

【技术实现步骤摘要】
城市综合体用电量预测方法、装置、电子设备及存储介质
本专利技术涉及数据处理领域，尤其涉及一种城市综合体用电量预测方法、装置、电子设备及存储介质。
技术介绍
所谓“城市综合体”，就是一种以建筑群为基础，将商务办公、旅店餐饮、商业销售、公寓住宅和文娱综合五大核心功能在地理空间进行融合，并在各部分之间建立一种互相依存的能动关系，最终形成的一个多功能、高效率的“城中之城”。复杂的负荷结构和巨大的空间尺度使得城市综合体成为城市电网中的一类大型用电客户。对于城市综合体本身而言，准确的电量预测有助于综合体用户合理灵活地安排用能方式，达到节能减排的目的。例如，可以根据电量预测的结果分时段利用储能和分布式光伏；此外，对于电力企业而言，准确的电量预测有助于其制定灵活的检修、调度和营销计划，从而最终降低供电成本。目前，针对城市综合体的月度用电量预测方法根据预测算法的不同，一般分为两类：基于数学或统计学的预测方法(时间序列法、灰色预测法)和人工智能预测方法(神经网络法、支持向量机回归法)。现有研究表明，基于数学或统计学的预测方法在可解释性上较强，但是缺乏灵活性和准确性。相反，人工智能预测方法相较于传统预测方法，虽然可解释性较差，但是更适用于高维度、非线性、高复杂度的城市综合体用电量预测。通常情况下，采用人工智能预测法时，需要利用城市综合体整体的历史月度用电量数据训练一个单步预测模型来预测未来一段时间的用电量。这种方法有一定的局限性：首先，直接对城市综合体整体的月度用电量进行预测，无法精确把握其内部各负荷成分的特点；其次，构建单步预测模型使用的数据往往是分辨率较低的历史月度数据，该类型数据的数量较少，可以构建用来训练模型的样本数有限，这增加了预测模型过拟合的风险，最终使得预测精度低下；最后，城市综合体内的负荷构成复杂，用电行为波动性较高，用电量序列的可预测性较低，从而导致预测精度低下。因此，现有的城市综合体用电量预测方法存在预测精度低下的问题。
技术实现思路
本专利技术实施例提供一种城市综合体用电量预测方法，能够提高城市综合体用电量预测的精度。第一方面，本专利技术实施例提供一种城市综合体用电量预测方法，包括：获取城市综合体中各类型用电实体的历史小时用电量序列；将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列；将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列；将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果；基于所述第一用电量预测结果，计算得到所述综合体的用电量预测结果。可选的，所述日历标签为星期标签，所述将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列的步骤具体包括：将所述历史小时用电量序列根据按预设的星期标签进行拆分降维，得到针对各个星期标签的用电量序列；对所述针对各个星期标签的用电量序列进行对齐，得到针对各个星期标签的第一用电量序列。可选的，所述将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列的步骤具体包括：通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维；其中，所述预设的自编码网络通过预设的降维参数进行训练得到。可选的，所述自编码网络包括编码网络，所述编码网络包括第一输入层、第一隐含层以及第一输出层，其中，所述第一输入层的输出与所述第一隐含层的输入连接，所述第一隐含层的输出与第一输出层的输入连接，所述第一输入层包括M×k个神经元，所述第一输出层包括M个神经元，所述降维参数为k，M与k均为正整数，所述根据所述降维参数，通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维的步骤具体包括：将所述第一用电量序列依次输入所述第一输入层、第一隐含层以及第一输出层，得到M维的第二用电量序列。可选的，所述自编码网络还包括解码网络，所述将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果的步骤具体包括：将所述M维的第二用电量序列输入预测神经网络进行预测，得到M维的预测结果；将所述M维的预测结果输入预设的解码网络中进行解码，得到M×k维的第一用电量预测结果。可选的，所述解码网络包括第二输入层、第二隐含层以及第二输出层，其中，所述第二输入层的输出与所述第二隐含层的输入连接，所述第二隐含层的输出与第二输出层的输入连接，所述第二输入层包括M个神经元，所述第二输出层包括M×k个神经元，所述将所述M维的预测结果输入预设的解码网络中进行解码，得到M×k维的第一用电量预测结果的步骤具体包括：将所述M维的第二用电量序列依次输入所述第二输入层、第二隐含层以及第二输出层，得到M×k维的第一用电量预测结果。可选的，所述基于所述第一用电量预测结果，计算得到所述综合体的用电量预测结果的步骤具体包括：根据所述第一用电量预测结果，计算得到各类用电实体基于所述日历的第二用电量预测结果；将所述各类用电实体对应的第二用电量预测结果进行相加，得到所述综合体的用电量预测结果。第二方面，本专利技术实施例还提供一种城市综合体用电量预测装置，其特征在于，所述装置包括：获取模块，用于获取城市综合体中各类型用电实体的历史小时用电量序列；第一降维模块，用于将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列；第二降维模块，用于将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列；预测模块，用于将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果；计算模块，用于基于所述第一用电量预测结果，计算得到所述综合体的用电量预测结果。第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例提供的城市综合体用电量预测方法中的步骤。第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现专利技术实施例提供的城市综合体用电量预测方法中的步骤。本专利技术实施例中，获取城市综合体中各类型用电实体的历史小时用电量序列；将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列；将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列；将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果；基于所述第一用电量预测结果，计算得到所述综合体的用电量预测结果。通过使用历史小时用电量序列来对未来各个小时的用电量进行预测，可以有效增加训练样本的分辨率，从而防止预测模型的过拟合，进而提高用电量预测的精度；同时，通过对各个类型的用电实体来进行预本文档来自技高网...

【技术保护点】
1.一种城市综合体用电量预测方法，其特征在于，包括以下步骤：/n获取城市综合体中各类型用电实体的历史小时用电量序列；/n将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列；/n将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列；/n将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果；/n基于所述第一用电量预测结果，计算得到所述城市综合体的用电量预测结果。/n

【技术特征摘要】
1.一种城市综合体用电量预测方法，其特征在于，包括以下步骤：
获取城市综合体中各类型用电实体的历史小时用电量序列；
将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列；
将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列；
将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果；
基于所述第一用电量预测结果，计算得到所述城市综合体的用电量预测结果。


2.如权利要求1所述的方法，其特征在于，所述日历标签为星期标签，所述将所述历史小时用电量序列根据按预设的日历标签进行拆分降维，得到针对各个日历标签的第一用电量序列的步骤具体包括：
将所述历史小时用电量序列根据按预设的星期标签进行拆分降维，得到针对各个星期标签的用电量序列；
对所述针对各个星期标签的用电量序列进行对齐，得到针对各个星期标签的第一用电量序列。


3.如权利要求1或2所述的方法，其特征在于，所述将所述第一用电量序列在时间维度上进行非线性降维，得到第二用电量序列的步骤具体包括：
通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维；
其中，所述预设的自编码网络通过预设的降维参数进行训练得到。


4.如权利要求3所述的方法，其特征在于，所述自编码网络包括编码网络，所述编码网络包括第一输入层、第一隐含层以及第一输出层，其中，所述第一输入层的输出与所述第一隐含层的输入连接，所述第一隐含层的输出与第一输出层的输入连接，所述第一输入层包括M×k个神经元，所述第一输出层包括M个神经元，所述降维参数为k，M与k均为正整数，所述根据所述降维参数，通过预设的自编码网络对所述第一用电量序列在时间维度上进行非线性降维的步骤具体包括：
将所述第一用电量序列依次输入所述第一输入层、第一隐含层以及第一输出层，得到M维的第二用电量序列。


5.如权利要求4所述的方法，其特征在于，所述自编码网络还包括解码网络，所述将所述第二用电量序列输入预设的预测神经网络进行预测，得到基于所述日历标签的第一用电量预测结果的步骤具体包括：
将所述M维的第二用电量序列输入预测神...

【专利技术属性】
技术研发人员：杨德州，王赟中，夏懿，王飞，李万伟，李正辉，魏勇，胡安龙，薛国斌，李惠庸，李敏，彭婧，梁魁，平常，万小花，韩建锋，陈庆胜，李玉科，李麟鹤，杨昌海，张中丹，田云飞，宋汶秦，李康平，冯燕军，张建辉，甄钊，王忠飞，薛远天，梁从斌，王俊杰，任惠，
申请(专利权)人：国网甘肃省电力公司，国网甘肃省电力公司经济技术研究院，华北电力大学，
类型：发明
国别省市：甘肃;62