一种大批量用电负荷预测的方法、装置及计算机设备制造方法及图纸

本发明专利技术公开了一种大批量用电负荷预测的方法、装置及计算机设备，所述方法包括：确定目标账户的目标预分类类别，以及目标账户所处的目标用电簇；根据目标用电簇，在目标预分类类别对应的若干用电负荷预测模型中进行查找，得到目标用电簇对应的目标用电负荷预测模型；通过目标用电负荷预测模型对目标账户的第一用电历史数据进行预测，生成用电负荷预测数据。由此通过逐级分类方法将具有相同或相似用电负荷规律的用户分到同一类别中，可以有效提高用户分类的准确度，从而提高负荷预测的准确度。度。度。

【技术实现步骤摘要】
一种大批量用电负荷预测的方法、装置及计算机设备


[0001]本专利技术涉及电力
，尤其涉及一种大批量用电负荷预测的方法、装置及计算机设备。

技术介绍

[0002]专变指的是独立使用专用变压器进行供电的一种模式。伴随着企事业、住宅小区等耗电量大的机构的兴起，专变的使用数量与规模也与日俱增。负荷预测是制定电网运行计划，开展各项电网运行管理工作的基础之一。针对电力专变用户负荷特性各异，在用电需求上存在时空差异，通过负荷预测掌握配电网负荷特性，并有针对性地指导电网规划建设和调度运行管理工作，在当前配网发展趋势下显得尤为必要。
[0003]相关技术中，一般通过构造用电用户的超参数最优长短期记忆神经网络模型，来对用户在未来一段时间的用电进行预测，以得到各用电模式的用户的负荷预测结果。
[0004]然而，由于不同的电力专变用户有不同的用电负荷规律，相关技术中用电负荷预测模型的预测结果的准确率有待提高。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种大批量用电负荷预测数据生成方法，针对大批量电力专变用户，逐级将用户分到具有相似用电负荷规律的类别中，既能够保证将相似用电负荷规律的用户分到同一类别中，减少训练负荷预测模型的数量；又能够保证同一类别的用户数据在负荷预测模型训练时较快拟合，提高预测的准确率。
[0006]本专利技术的第二个目的在于提出一种大批量用电负荷预测模型训练方法，在用户的基础用电时间序列数据的基础上，构建与用电负荷强相关的特征，提高用户负荷预测的准确率。
[0007]本专利技术的第三个目的在于提出一种大批量用电负荷预测数据生成装置。
[0008]本专利技术的第四个目的在于提出一种大批量用电负荷预测模型训练装置。
[0009]本专利技术的第五个目的在于提出一种计算机设备。
[0010]本专利技术的第六个目的在于提出一种计算机可读存储介质。
[0011]为达到上述目的，本专利技术的一个实施方式提出了一种大批量用电负荷预测数据生成方法，所述方法包括：确定目标账户的目标预分类类别，以及所述目标账户所处的目标用电簇；其中，所述目标用电簇为所述目标预分类类别对应的若干用电簇中的一个；所述若干用电簇是对所述目标预分类类别对应的用电账户的用电负荷时序数据进行聚类处理而得到的；所述用电簇对应有用电负荷预测模型；根据所述目标用电簇，在所述目标预分类类别对应的若干所述用电负荷预测模型中进行查找，得到所述目标用电簇对应的目标用电负荷预测模型；通过所述目标用电负荷预测模型对所述目标账户的第一用电历史数据进行预测，生成所述用电负荷预测数据；其中，所述第一用电历史数据包括所述目标账户的用电负
荷时序数据，以及能够影响所述目标账户用电的第一参考因素数据。
[0012]根据本专利技术的一个实施方式，所述目标账户的目标预分类类别的确定方式，包括：获取所述目标账户的第二用电历史数据；其中，所述第二用电历史数据包括所述目标账户的用电负荷时序数据，以及能够影响所述目标账户用电的第二参考因素数据；所述第一参考因素数据与所述第二参考因素数据不同；将所述目标账户的第二用电历史数据输入至预分类时序模型中进行类别识别，确定所述目标账户的目标预分类类别。
[0013]根据本专利技术的一个实施方式，在确定所述目标账户所处的目标用电簇之前，所述方法还包括：根据所述目标账户的用电负荷时序数据，在所述目标预分类类别对应的若干用电簇中确定所述目标用电簇；其中，所述目标用电簇中的用电账户的用电负荷规律与所述目标账户的用户负荷规律趋于相同或者相近；将所述目标账户划分至所述目标用电簇。
[0014]根据本专利技术的一个实施方式，所述用电负荷时序数据对应基础特征维度；所述第一用电历史数据包括的第一参考因素数据包括时令特征维度上的节气数据、节假日特征维度上的节假日数据、民族节日特征维度上的节日数据中的至少一个。
[0015]根据本专利技术的一个实施方式，所述第二用电历史数据包括的第二参考因素数据包括：负荷曲线特征维度上的曲线抖动情况数据、第一时长特征维度上的第一时序相关数据、第二时长特征维度上的第二时序相关数据、预设值特征维度上的第三时序相关数据中的至少一个；其中，第一时长与第二时长不等；所述第一时序相关数据是基于预设时间段内的用电负荷时序数据在第一时长内的子时序数据进行相关性计算得到；所述第二时序相关数据是基于预设时间段内的用电负荷时序数据在第二时长内的子时序数据进行相关性计算得到；所述第三时序相关数据是基于预设时间段内的用电负荷时序数据在第三时长内的子时序数据进行相似度计算得到。
[0016]根据本专利技术的一个实施方式，所述目标预分类类别为水平型用户类别、零值规律用户类别、年周期型用户类别、日周期型用户类别、随机型用户类别中的任一个；其中，所述水平型用户类别对应的用电账户的用电负荷曲线近似为直线；所述零值规律用户类别对应的用电账户的用电负荷中零值占比超过阈值且非零值具有周期性规律；所述年周期型用户类别对应的用电账户的用电负荷曲线存在年周期性规律；所述日周期型用户类别对应的用电账户的用电负荷曲线存在日周期性规律。
[0017]本专利技术的一个实施方式提出了一种大批量用电负荷预测模型训练方法，所述方法包括：获取目标用电簇中的用电账户的用电负荷时序数据和第一参考因素数据；其中，所述第一参考因素数据为能够影响所述目标用电簇中的用电账户用电的数据；所述目标用电簇属于目标预分类类别，且所述目标用电簇为所述目标预分类类别对应的若干用电簇中的一个；所述若干用电簇是对所述目标预分类类别对应的用电账户的用电负荷时序数据进行聚类处理而得到的；基于所述用电负荷时序数据、所述第一参考因素数据，构建若干条第一用电时序数据样本；利用所述若干条第一用电时序数据样本对第一初始预测模型进行训练，得到所述用电负荷预测模型；其中，所述用电负荷预测模型与所述目标用电簇对应。
[0018]根据本专利技术的一个实施方式，所述目标预分类类别的确定方法包括：获取所述用电账户的第二用电历史数据；其中，所述第二用电历史数据包括所述用电账户的用电负荷时序数据，以及能够影响所述用电账户用电的第二参考因素数据；所述第一参考因素数据与所述第二参考因素数据不同；将所述用电账户的第二用电历史数据输入至预分类时序模
型中进行类别识别，确定所述用电账户的目标预分类类别。
[0019]根据本专利技术的一个实施方式，所述预分类时序模型的生成方式，包括：获取若干用电账户的用电负荷时序数据和所述若干用电账户的第二参考因素数据；基于所述若干用电账户的用电负荷时序数据和所述若干用电账户的第二参考因素数据，构建若干条第二用电时序数据样本；其中，所述第二用电时序数据样本具有类别描述信息；将具有类别描述信息的第二用电时序数据样本输入至第二初始预测模型进行训练，得到所述预分类时序模型。
[0020]根据本专利技术的一个实施方式，所述用电负荷时序数据对应基础特征维度；所述第一参考因素数据包括时令特征维度上的节气数据、节假日特征维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大批量用电负荷预测数据生成方法，其特征在于，所述方法包括：确定目标账户的目标预分类类别，以及所述目标账户所处的目标用电簇；其中，所述目标用电簇为所述目标预分类类别对应的若干用电簇中的一个；所述若干用电簇是对所述目标预分类类别对应的用电账户的用电负荷时序数据进行聚类处理而得到的；所述用电簇对应有用电负荷预测模型；根据所述目标用电簇，在所述目标预分类类别对应的若干所述用电负荷预测模型中进行查找，得到所述目标用电簇对应的目标用电负荷预测模型；通过所述目标用电负荷预测模型对所述目标账户的第一用电历史数据进行预测，生成所述用电负荷预测数据；其中，所述第一用电历史数据包括所述目标账户的用电负荷时序数据，以及能够影响所述目标账户用电的第一参考因素数据。2.根据权利要求1所述的方法，其特征在于，所述目标账户的目标预分类类别的确定方式，包括：获取所述目标账户的第二用电历史数据；其中，所述第二用电历史数据包括所述目标账户的用电负荷时序数据，以及能够影响所述目标账户用电的第二参考因素数据；所述第一参考因素数据与所述第二参考因素数据不同；将所述目标账户的第二用电历史数据输入至预分类时序模型中进行类别识别，确定所述目标账户的目标预分类类别。3.根据权利要求1或2所述的方法，其特征在于，在确定所述目标账户所处的目标用电簇之前，所述方法还包括：根据所述目标账户的用电负荷时序数据，在所述目标预分类类别对应的若干用电簇中确定所述目标用电簇；其中，所述目标用电簇中的用电账户的用电负荷规律与所述目标账户的用户负荷规律趋于相同或者相近；将所述目标账户划分至所述目标用电簇。4.根据权利要求1所述的方法，其特征在于，所述用电负荷时序数据对应基础特征维度；所述第一用电历史数据包括的第一参考因素数据包括时令特征维度上的节气数据、节假日特征维度上的节假日数据、民族节日特征维度上的节日数据中的至少一个。5.根据权利要求2所述的方法，其特征在于，所述第二用电历史数据包括的第二参考因素数据包括：负荷曲线特征维度上的曲线抖动情况数据、第一时长特征维度上的第一时序相关数据、第二时长特征维度上的第二时序相关数据、预设值特征维度上的第三时序相关数据中的至少一个；其中，第一时长与第二时长不等；所述第一时序相关数据是基于预设时间段内的用电负荷时序数据在第一时长内的子时序数据进行相关性计算得到；所述第二时序相关数据是基于预设时间段内的用电负荷时序数据在第二时长内的子时序数据进行相关性计算得到；所述第三时序相关数据是基于预设时间段内的用电负荷时序数据在第三时长内的子时序数据进行相似度计算得到。6.根据权利要求1所述的方法，其特征在于，所述目标预分类类别为水平型用户类别、零值规律用户类别、年周期型用户类别、日周期型用户类别、随机型用户类别中的任一个；
其中，所述水平型用户类别对应的用电账户的用电负荷曲线近似为直线；所述零值规律用户类别对应的用电账户的用电负荷中零值占比超过阈值且非零值具有周期性规律；所述年周期型用户类别对应的用电账户的用电负荷曲线存在年周期性规律；所述日周期型用户类别对应的用电账户的用电负荷曲线存在日周期性规律。7.一种大批量用电负荷预测模型训练方法，其特征在于，所述方法包括：获取目标用电簇中的用电账户的用电负荷时序数据和第一参考因素数据；其中，所述第一参考因素数据为能够影响所述目标用电簇中的用电账户用电的数据；所述目标用电簇属于目标预分类类别，且所述目标用电簇为所述目标预分类类别对应的若干用电簇中的一个；所述若干用电簇是对所述目标预分类类别对应的用电账户的用电负荷时序数据进行聚类处理而得到的；基于所述用电负荷时序数据、所述第一参考因素数据，构建若干条第一用电时序数据样本；利用所述若干条第一用电时序数据样本对第一初始预测模型进行训练，得到所述用电负荷预测模型；其中，所述用电负荷预测模型与所述目标用电簇对应。8.根据权利要求7所述...

【专利技术属性】
技术研发人员：洪海敏，武占侠，占兆武，唐远洋，蔡义，
申请(专利权)人：深圳智芯微电子科技有限公司，
类型：发明
国别省市：