【技术实现步骤摘要】
本专利技术涉及一种基于数据挖掘和神经网络的电网电量预测方法，属于电量数据预测技术。
技术介绍
1、在现代社会中，电力作为重要的能源之一，在各个领域都扮演着关键的角色。电力的供应和分配需要高度的规划和管理，以确保能源的有效利用和运行的稳定性。在电力系统中，电量预测是一项重要的技术，它能够为能源调度、负荷平衡、电力采购、发电计划和能源市场运营等提供关键的决策支持。然而，现有电量预测算法通常存在以下问题：
2、电网电量数据中的异常点对算法性能有较大影响。对各级电量数据来说，从多个平台中导出的数据存在因人为测量、记录错误或受物理环境、监控设备老化等原因导致的坏数据，在数据分析过程中表现为离群点和数据缺失点。
3、影响电量的区域因素，如区域经济信息，区域人口信息等需要更多地被算法关注。区域信息通常与电量变化有关系。例如，一个经济更发达的区域通常用电量会更高。而流入人口数量更多的城市，其未来一段时间内的用电量可能会逐步增加。
4、电网电量数据波动明显，数据量大，更为精细，现有算法难以取得较高准确度。随着电网电量自动监测装置的普及和功能的完善，更精细化的电量曲线被储存在电网数据库中。这些新的电量曲线具有规律性不强、数量庞大、彼此间差异明显的特征。
5、因此，需要一种提高电网电量数据预测准确率的方法，该方法能够发现、移除、补全电网电量数据中异常数据，并结合电量区域因素，再通过构造特定的预测模型来解决电量预测问题。
技术实现思路
1、为了解决上述现有技
2、本专利技术的技术方案如下：
3、一方面，本专利技术提供了种基于数据挖掘和神经网络的电网电量预测方法，包括以下步骤：
4、收集区域电网电量数据，对电量数据进行清洗删除异常数据，再利用二次拉格朗日插值对清洗过程中误删除导致缺失的数据进行恢复，得到处理后的区域电网电量数据；
5、基于处理后的区域电网电量数据以及区域相关信息提取新特征，将提取的新特征加入处理后的区域电网电量数据中，并对处理后的区域电网电量数据按照预设长度采样并构建电网电量预测模型训练集；
6、构建电网电量预测模型，所述电网电量预测模型由prophet模型以及lstm模型构成，通过prophet模型对训练集进行成分分解得到多个不同成分的训练集，将每个训练集单独输入一个的lstm模型中，并将所有lstm模型的输出结果汇入多层感知机中，多层感知机对输入数据进行特征融合得到预测结果，通过预测结果更新电网电量预测模型参数，循环训练至预设次数时，得到训练完成的电网电量预测模型，通过该模型对电网电量进行预测。
7、作为本专利技术的优选实施方式，基于拉依达准则对区域电网电量数据进行数据清洗，具体步骤为：
8、分别计算区域电网电量数据中每个特征的均值μ与方差σ，依据拉依达准则计算对应特征的正常数据区间(μ-3σ,μ+3σ),将不在该区间内的数据删除。
9、作为本专利技术的优选实施方式，对于设备异常或数据清洗导致的区域电网电量正常数据缺失，通过使用二次拉格朗日插值对缺失的正常数据进行恢复，具体步骤为：
10、设函数y(t)定义在区间[m,n]的曲线上有n+1个点，即{(t0,y(t0)),…,(tn,y(tn))}，则有一条函数曲线通过这n+1个点，根据拉格朗日插值定理可知，存在一个不超过n次的多项式gn(t)经过这n+1个点，即满足下式：
11、gn(ti)＝yn(ti),i＝0,1,…,n
12、其中：gn(ti)为yn(ti)的n阶拉格朗日插值公式；
13、当计算时刻点tε的取值时，将gn(tε)近似看作yn(ti)，则gn(tε)的计算方法为：
14、首先，将n+1个点放入集合中，定义一个全体集合dn+1＝{i|i＝0,1,…,n}，再定义一个包含n个点的集合ek＝{i|i≠k,i∈dn+1}，即包括了去除dn+1中第k个点后剩余的n个点；
15、其次，定义多项式如下式所示：
16、
17、对于上式lk(t)有即只有当时刻值为tk时，lk(t)取值不为0，有lk(tk)＝1；
18、最后，基于多项式lk(tk)得到拉格朗日插值公式gn(t)：
19、
20、基于上述拉格朗日插值公式构建二阶拉格朗日插值多项式，即取长度为3的包括缺失数据的电量数据片段，将缺失数据的前两项定义为y(t0)、y(t1)，后一项定义为y(t2)，得出下式：
21、
22、上式计算结果即为缺失数据的值。
23、作为本专利技术的优选实施方式，所述提取的新特征包括区域电网电量数据的时间特征以及区域相关信息中的区域人口变化信息、区域经济发展信息、区域固定投资信息、区域环境信息；
24、所述区域电网电量数据的时间特征提取步骤为：
25、提取任一条区域电网电量数据中的采集时间，将采集时间中的月份、天数以及小时分别投影至正弦函数与余弦函数上，如下式所示：
26、dsin＝sin(2π*dt/365)
27、dcos＝cos(2π*dt/365)
28、msin＝sin(2π*mt/12)
29、mcos＝cos(2π*mt/12)
30、hsin＝sin(2π*ht/24)
31、hcos＝cos(2π*ht/24)
32、其中：dsin、dcos分别表示天数信息投影至正弦函数、余弦函数上；dt表示该天位于一年中第几天；msin、mcos分别表示月份信息投影至正弦函数、余弦函数上；mt表示该月位于一年中的第几个月；hsin、hcos分别表示小时信息投影至正弦函数、余弦函数上；ht表示该小时位于一天中的第几个小时；
33、将上述投影到投影至正弦函数与余弦函数的月份、天数、小时信息作为区域电网电量数据的时间特征。
34、作为本专利技术的优选实施方式，通过无量纲化处理对提取的新特征进行归一化，归一化公式如下式所示：
35、
36、其中：x是对应新特征归一化后的值；xmax是对应新特征的最大值；xmin是对应新特征的最大值。
37、作为本专利技术的优选实施方式，所述prophet模型通过以下步骤对区域电网电量数据进行成分分解：
38、通过prophet模型将区域电网电量数据分解为：趋势成分、季节成分、节假日成分以及不确定成分，具体如下式所示：
39、x(t)＝q(t)+g(t)+j(t)+∈t
40、其中：x(t)为t时刻下的区域电网电量数据；q(t)为t时刻下的区域电网电量数据趋势成分；g(t)为t时刻下的区域电网电量数据季节成分；j(t)为t时刻下的区域电网电量数据节假日成分；∈t为t时刻下的区域电网电量数据不确定成分；<本文档来自技高网...
【技术保护点】
1.一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，基于拉依达准则对区域电网电量数据进行数据清洗，具体步骤为：
3.根据权利要求1所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，对于设备异常或数据清洗导致的区域电网电量正常数据缺失，通过使用二次拉格朗日插值对缺失的正常数据进行恢复，具体步骤为：
4.根据权利要求1所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，所述提取的新特征包括区域电网电量数据的时间特征以及区域相关信息中的区域人口变化信息、区域经济发展信息、区域固定投资信息、区域环境信息；
5.根据权利要求4所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，通过无量纲化处理对提取的新特征进行归一化，归一化公式如下式所示：
6.根据权利要求1所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，所述Prophet模型通过以下步骤对区域电网电量数据进行成分分解：
7.一种基于数据挖掘和神经网络的电网电量预测系统，其特征在于，包括数据收集模块、特征提取模块、电网电量预测模块；
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任一项所述的方法。
...【技术特征摘要】
1.一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，基于拉依达准则对区域电网电量数据进行数据清洗，具体步骤为：
3.根据权利要求1所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，对于设备异常或数据清洗导致的区域电网电量正常数据缺失，通过使用二次拉格朗日插值对缺失的正常数据进行恢复，具体步骤为：
4.根据权利要求1所述的一种基于数据挖掘和神经网络的电网电量预测方法，其特征在于，所述提取的新特征包括区域电网电量数据的时间特征以及区域相关信息中的区域人口变化信息、区域经济发展信息、区域固定投资信息、区域环境信息；
5.根据权利要求4所述的一种...
【专利技术属性】
技术研发人员：郑飘飘，杨启帆，潘丹，陈静，林建辰，陈然，杨劲怀，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。