一种多因素短期电量预测方法及装置制造方法及图纸

本发明专利技术公开一种多因素短期电量预测方法及装置，通过对其他因素序列与历史电量序列进行序列对齐，可充分提取其他因素中的有效信息，进而提高电量预测精度，降低模型训练难度，同时采用变分模态分解算法对历史电量序列进行分解，更有利于模型提取模态分量与待预测电量之间的关系，并通过将模态分量矩阵与其他因素矩阵进行拼接得到因素矩阵，以及由因素矩阵、模态分量矩阵构建与未来电量序列之间的映射关系，从而能够有效捕捉历史电量序列与其他因素序列以及历史电量模态分量之间的相关关系，实现低模型建立的难度的同时提高电量预测精度。精度。精度。

【技术实现步骤摘要】
一种多因素短期电量预测方法及装置


[0001]本专利技术涉及电力大数据
，特别是涉及一种多因素短期电量预测方法及装置。

技术介绍

[0002]电力系统负荷/电量预测对于指导电源建设规划，合理安排调度计划以及提高系统运行的经济性具有重要意义。近年来，国内外学者提出了各种电量预测的理论和方法，这些模型可以根据不同的标准进行不同的分类。
[0003]根据模型结构可将这些模型分为单模型和组合模型。常见的单模型包括自回归移动平均模型、反向传播神经网络、支持向量回归等。每种单模型都有其优点，以及局限性。而组合模型将多种模型和算法进行综合，克服了单模型存在的局限性和不足，其预测精度和稳定性要明显优于单模型。组合模型可进一步分类，第一类组合模型采用若干个模型分别预测电量，然后将各模型的预测结果加权得到最终的预测结果。原始电量序列通常是未来趋势不稳定的宽带信号，而窄带信号通常具有平稳的未来趋势，更易于预测。因此，第二类组合模型首先通过信号分解算法将电量分解成若干窄带模态分量，分别进行预测，最后叠加各分量的预测结果得到最终预测结果。常见的模态分解方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多因素短期电量预测方法，其特征在于，包括步骤：获取历史电量序列以及与所述历史电量序列相关的其他影响因素序列；通过变分模态分解算法将所述历史电量序列分解的多组窄带模态，形成模态分量矩阵；将所述其他因素序列与所述历史电量序列进行序列对齐，形成其他因素矩阵；将所述模态分量矩阵与所述其他因素矩阵进行拼接，得到因素矩阵；通过预设模型构建所述因素矩阵、模态分量矩阵与未来电量序列之间的映射关系；根据所述历史电量序列以及所述映射关系输出预测电量。2.根据权利要求1所述的一种多因素短期电量预测方法，其特征在于，所述将所述其他因素序列与所述历史电量序列进行序列对齐包括：确定所述历史电量序列的起点；以所述历史电量序列的起点平移所述其他因素序列，并计算所述其他因素序列与所述历史电量序列之间的最大信息系数；根据所述最大信息系数确定所述其他因素序列的起点；根据所述最大信息系数得到所述其他因素序列与所述历史电量序列之间的相对迟延；根据所述相对迟延对所述其他因素序列与所述历史电量序列进行序列对齐。3.根据权利要求2所述的一种多因素短期电量预测方法，其特征在于，所述根据所述相对迟延对所述其他因素序列与所述历史电量序列进行序列对齐之前还包括：根据所述最大信息系数对所述其他因素序列进行筛选，剔除所述最大信息系数小于预设值的因素序列。4.根据权利要求1所述的一种多因素短期电量预测方法，其特征在于，所述预设模型包括编码栈和解码栈；所述通过预设模型构建所述因素矩阵、模态分量矩阵与未来电量序列之间的映射关系包括：将所述因素矩阵和所述模态分量矩阵分别输入所述编码栈；所述编码栈基于变量相关注意力机制对所述因素矩阵以及所述模态分量进行处理，得到所述映射关系；所述根据所述历史电量序列以及所述映射关系输出预测电量包括：将所述映射关系和所述历史电量序列分别输入所述解码栈，得到所述预测电量。5.根据权利要求4所述的一种多因素短期电量预测方法，其特征在于，所述将所述因素矩阵和所述模态分量矩阵分别输入所述编码栈包括：对所...

【专利技术属性】
技术研发人员：郑欢，荀超，刘林，肖芬，黄世诚，曾伟薇，涂夏哲，黄夏楠，杨丝雨，张敏，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：