【技术实现步骤摘要】
本专利技术涉及电力，尤其是指用电量预测方法、装置、电子设备及存储介质。
技术介绍
1、随着电力行业的不断发展，用户的用电需求不断增加，而合理安排用户的用电需求对于保证电网的平稳运行十分重要。但是现有的用户的用电需求往往只是根据用户以往的用电行为作出简单的预测，用电量预测的结果偏差较大，不能满足用户实际的用电需求，导致电网的运行稳定性降低。
技术实现思路
1、本专利技术的目的是克服现有技术中用户的用电需求往往只是根据用户以往的用电行为作出简单的预测，用电量预测的结果偏差较大，不能满足用户实际的用电需求，导致电网的运行稳定性降低的缺陷，提供一种用电量预测方法、装置、电子设备及存储介质。
2、本专利技术的目的是通过下述技术方案予以实现：
3、用电量预测方法，包括以下步骤：
4、步骤1，获取用户某个时间段内每个月的历史用电数据、历史环境数据和休息日数据，历史用电数据包括用户用电类型、峰谷历史用电量和当月相对于上一个月的用电量增速；
5、步骤2，基于用电量增速确定用户每个月的电力弹性系数，然后将历史用电数据、历史环境数据、休息日数据和电力弹性系数作为输入数据输入用电量预测模型，其中一部分输入数据作为训练集，另一部分输入数据作为测试集，对用电量预测模型进行训练；
6、步骤3，用电量预测模型训练完成，输出未来月用户的用电量预测结果；
7、步骤4，根据未来用户的用电量预测结果匹配相应的发电量，确保发电量满足用户的用电需求。p>
8、作为优选，所述的步骤2中，训练集包括若干个训练样本，每个训练样本包括一个对应的下月用电量预测数据标签，每个所述训练样本还包括历史用电数据样本、历史环境数据样本和休息日数据样本；所述的用电量预测模型通过预设长短期记忆网络得出，根据多个所述训练样本对预设长短期记忆网络进行训练。
9、作为优选，所述的根据多个所述训练样本对预设长短期记忆网络进行训练，包括：对于任意一个训练样本，将所述训练样本输入至预设长短期记忆网络，输出所述训练样本对应的下月用电量预测数据；
10、利用预设损失函数根据所述训练样本对应的下月用电量预测数据和所述训练样本中的下月用电量预测数据标签计算损失值；
11、根据所述损失值进行所述预设长短期记忆网络的网络参数优化，在所述损失值小于预设阈值的情况下，所述预设长短期记忆网络训练完成，得到所述用电量预测模型。
12、作为优选，所述的将所述训练样本输入至预设长短期记忆网络，输出所述训练样本对应的下月用电量预测数据，包括：
13、将所述训练样本中的用户用电类型样本进行独热编码处理，并将所述峰谷历史用电量样本和所述用电量历史增速样本进行归一化处理后，输入预设长短期记忆网络，输出所述训练样本对应的下月用电量预测数据。
14、作为优选，所述的每个训练样本包括一个对应的下月用电量预测数据标签，包括：从历史数据中获取多个训练样本和每个所述训练样本对应的下月用电量预测数据；
15、在所述训练样本中存在数据缺失的情况下，通过左右采样插值法确定缺失的数据，得到所述训练样本。
16、用电量预测装置，包括：
17、第一获取模块，用于获取用户每个月的历史用电数据、历史环境数据和休息日数据，其中，历史用电数据包括用户用电类型、峰谷历史用电量和当月相对于上一个月的用电量增速；预测模块，用于根据用电量增速确定所述用户每个月的电力弹性系数，并将历史用电数据、历史环境数据、休息日数据和所述电力弹性系数输入用电量预测模型，输出用户的未来用电量预测结果。
18、作为优选，用电量预测装置还包括：
19、第二获取模块，用于获取多个训练样本，每个训练样本包括一个对应的下月用电量预测数据标签；每个训练样本还包括：历史用电数据样本、历史环境数据样本和休息日数据样本；训练模块，用于根据多个所述训练样本对预设长短期记忆网络进行训练。
20、作为优选，所述的训练模块具体用于：
21、对于任意一个训练样本，将所述训练样本输入至预设长短期记忆网络，输出所述训练样本对应的下月用电量预测数据；
22、利用预设损失函数根据所述训练样本对应的下月用电量预测数据和所述训练样本中的下月用电量预测数据标签计算损失值；
23、根据所述损失值进行所述预设长短期记忆网络的网络参数优化，在所述损失值小于预设阈值的情况下，所述预设长短期记忆网络训练完成，得到所述用电量预测模型。
24、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程序时实现用电量预测方法。
25、计算机可读存储介质，其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用电量预测方法。
26、本专利技术的有益效果是：本专利技术通过充分考虑用户的用电类型，即用户行业的特点，并且结合到考虑到整体经济因素的用电弹力系数来进行下月用电量预测，能够更准确深入全面地对不同群体用户进行分析，实现用户月度电量的精准预测，然后结合市场化售电的信息，为市场化零售用户提供有效数据支撑。
本文档来自技高网...【技术保护点】
1.用电量预测方法，其特征是，包括以下步骤：
2.根据权利要求1所述的用电量预测方法，其特征是，所述的步骤2中，训练集包括若干个训练样本，每个训练样本包括一个对应的下月用电量预测数据标签，每个所述训练样本还包括历史用电数据样本、历史环境数据样本和休息日数据样本；所述的用电量预测模型通过预设长短期记忆网络得出，根据多个所述训练样本对预设长短期记忆网络进行训练。
3.根据权利要求2所述的用电量预测方法，其特征是，所述的根据多个所述训练样本对预设长短期记忆网络进行训练，包括：
4.根据权利要求3所述的用电量预测方法，其特征是，所述的将所述训练样本输入至预设长短期记忆网络，输出所述训练样本对应的下月用电量预测数据，包括：
5.根据权利要求2所述的用电量预测方法，其特征是，所述的每个训练样本包括一个对应的下月用电量预测数据标签，包括：
6.用电量预测装置，其特征是，包括：
7.根据权利要求6所述的用电量预测装置，其特征是，还包括：
8.根据权利要求7所述的用电量预测装置，其特征是，所述的训练模块具体用于：<...
【技术特征摘要】
1.用电量预测方法，其特征是，包括以下步骤：
2.根据权利要求1所述的用电量预测方法，其特征是，所述的步骤2中，训练集包括若干个训练样本，每个训练样本包括一个对应的下月用电量预测数据标签，每个所述训练样本还包括历史用电数据样本、历史环境数据样本和休息日数据样本；所述的用电量预测模型通过预设长短期记忆网络得出，根据多个所述训练样本对预设长短期记忆网络进行训练。
3.根据权利要求2所述的用电量预测方法，其特征是，所述的根据多个所述训练样本对预设长短期记忆网络进行训练，包括：
4.根据权利要求3所述的用电量预测方法，其特征是，所述的将所述训练样本输入至预设长短期记忆网络，输出所述训练样本对应的下月用电量预测数据，包括：
【专利技术属性】
技术研发人员：沈志宏，张良，王泽琪，缪妙，沈旭明，魏熠铭，唐宇，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司，
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。