一种基于多特征融合编码的电力需求负荷量预测方法技术

本发明专利技术提供一种基于多特征融合编码的电力需求负荷量预测方法，涉及企业用电技术领域。本发明专利技术对于以往的用电量预测方法常常忽略日期和天气之间存在的较强的关联性这一缺陷进行改进，使用三种不同结构的子编码器对多种特征进行融合编码。其针对于影响影响企业用电量的重要时间参数星期和月份进行embedding编码；使用LSTM模块从过往电力负荷需求量序列中提取时序信息；同时用一个注意力模块使用月份信息从天气参数中自适应地提取与月份相关的特征，充分挖掘不同因素之间的联系，通过深度学习的回归模型实现企业用日电量的准确预测。本发明专利技术相较于以往的方法对企业的日用电量的预测具有更高的准确率和鲁棒性。预测具有更高的准确率和鲁棒性。预测具有更高的准确率和鲁棒性。

【技术实现步骤摘要】
一种基于多特征融合编码的电力需求负荷量预测方法


[0001]本专利技术涉及企业用电
，尤其涉及一种基于多特征融合编码的电力需求负荷量预测方法。

技术介绍

[0002]近些年来住宅和工业地区的电力需求迅速增长。然而由于电能自身的特性，无法大规模存储。供给过剩会导致浪费，而供给不足会影响社会生产和人民生活。早期了解电力需求行为对于能源系统的规划、分析和运行，以及确保不间断、可靠、安全和经济的电力供应至关重要。准确的能耗预测可以为现代电力系统提供指导，这对于推动可持续的经济发展具有重要意义。
[0003]随着电学数据在电力领域的不断积累，数据驱动方法越来越受到重视。数据驱动方法是利用历史观察来学习隐藏在数据中的模式和关系，以提供未来预测，主要包括两类:传统统计方法和深度学习方法。
[0004]传统的统计方法通常有明确的数学形式和一定的数据要求或假设。利用贝叶斯方法对用电量进行概率预测时，由于现实世界中某些先验信息的不确定性，结果可能会有所不同。文献(Chang,Jian
‑
Fang,Dong,Na,Ip,Wai本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征融合编码的电力需求负荷量预测方法，其特征在于：在编码阶段考虑到影响企业用电量的多个因素之间存在内在联系，同时为减少特征的维度，对影响企业用电量的重要时间参数星期和月份进行embedding编码；使用长短期记忆模块LSTM对过往电力需求负荷量序列进行编码，以获取该序列中的时序信息；在神经网络中添加一个月份和天气的注意力模块，该模块能够使用月份信息从天气参数中自适应地提取与月份相关的特征，通过注意力机制得到天气的权重，利用权重对天气信息进行调整，充分利用月份和天气之间具有较强相关性这一信息；使用前述的三种不同结构的子编码器对多种特征进行融合编码后，使用多层感知机MLP对隐藏特征进行解码并生成预测结果，实现企业用日电量的准确预测；实现预测的步骤包括数据预处理、数据集构建、网络训练和日用电量预测。2.根据权利要求1所述的基于多特征融合编码的电力需求负荷量预测方法，其特征在于：所述数据预处理中需要处理的数据包括企业日用电量数据以及当天的日期类型和相关天气参数；其中企业日用电量对应的日期类型包括星期和月份，天气参数包括温度、气压、风速、风向和天气类型；对数据进行预处理时，首先利用自回归插值法进行补全企业日用电量数据中的缺省值，然后对温度、气压、风速数据进行归一化处理，最后对天气类型、风向、月份、星期这样的离散值进行one
‑
hot编码。3.根据权利要求2所述的基于多特征融合编码的电力需求负荷量预测方法，其特征在于：所述自回归插值法采用拉格朗日插值法对企业日用电量中的缺省值进行补全，拉格朗日插值的表达式如公式(1)、(2)所示；日插值的表达式如公式(1)、(2)所示；其中，(x0,y0),(x1,y1),(x2,y2),...,(x
n
,y
n
)表示缺省值所在日前后共n+1天的日期和当日用电量。4.根据权利要求2所述的基于多特征融合编码的电力需求负荷量预测方法，其特征在于：所述归一化处理按照公式(3)进行；其中，a表示未经过归一化的原始数据；a
min
表示原始数据中的最小值；a
max
表示原始数据中的最大值；表示经过归一化后的数据，其值的范围在0～1之间。5.根据权利要求1所述的基于多特征融合编码的电力需求负荷量预测方法，其特征在于：数据集构建中，将经过预处理后的数据划分...

【专利技术属性】
技术研发人员：苏畅，金成明，卞生华，杨金柱，孙奇，徐明闯，
申请(专利权)人：东北大学，
类型：发明
国别省市：