一种电量预测系统及其预测方法

本发明涉及电量预测领域，具体涉及一种电量预测系统及其预测方法。

背景技术：

电力公司通常统计线损率来反映自身的管理水平和经济效益，但由于分布式能源接入电网以及存在供售电不同期的现象，使得线损率的统计更加困难。因此，实现短期电量预测对于降低线损统计误差是至关重要的。

随着数学理论和现代技术的发展，进一步提高短期电量预测的准确性意味着对社会产生可观的经济利益，这些潜在的利益促进了电量预测模型的不断改进。其中，区域电量预测可以在降低线损率统计误差的同时，为电力系统提供合理的分布式能源系统规划，降低电网的运行压力，这些都是电力企业所关心的问题。因此，电力企业需要一种能降低线损率误差，并能提供直观参考范围的新方法。

现有的相关技术中有使用统计方法的，例如arima(autoregressiveintegratedmovingaveragemodel，差分整合移动平均自回归模型)，该方法根据电量的历史变化规律实现对未来电量的预测，但是，是从自身寻找规律而不能结合其他特征进行分析，同时，对于非线性数据的拟合效果并不好。此外，更多使用的是神经网络方法，例如有使用lstm(longshort-termmemory，长短期记忆网络)预测电量的方法，但其没有考虑特征空间上的相关性，导致对影响电量的特征捕捉不充分。还有使用cnn(convolutionalneuralnetworks,卷积神经网络)预测电量的方法，但它没有考虑时间上的前后联系，导致无法提取到时间上的周期影响。在电量预测当中，除了使用合适的模型外，构建准确的数据特征也能够有效提高模型的预测精度，但现有的特征处理方法无法较好较全的找出有影响的特征。并且现有的相关技术大多数是基于点预测，但当电量出现巨大波动的时候，点预测的精度往往无法满足要求，为了更合理的提供参考价值，需要对电量可能出现的概率区间进行呈现，而现有的概率预测技术仍处于起步阶段，对预测区间的准确性把握不足，过大或错误的区间将会提供的负面的参考价值。

技术实现要素：

本发明是为了解决上述问题而进行的，目的在于提供一种电量预测系统及其预测方法。

本发明提供的电量预测方法具有这样的特征，包括以下步骤：

步骤1，从调度中心获取待处理数据，待处理数据包括电量和第一特征；

步骤2，对待处理数据进行处理，得到第一数据，具体子步骤包括：

步骤2-1，通过第一方法对待处理数据进行分箱处理，得到分箱处理数据；

步骤2-2，将分箱处理数据分为第一电量和第二特征，通过最大信息系数算法对第一电量和第二特征进行相关性分析，筛选目标特征；

步骤2-3，通过集成经验模态分解算法将第一电量分解成多个子序列；

步骤2-4，通过最大信息系数算法对目标特征和子序列进行相关性分析，将子序列分为有特征相关性和无特征相关性两类；

步骤2-5，对第一电量中的连续型变量进行归一化处理，对第一电量中的离散型变量进行独热编码处理，从而得到第一数据；

步骤3，对第一数据进行计算和分析得到预测的电量，具体子步骤包括：

步骤3-1，使用第一网络学习第一数据的时间关系，得到时间特征；

步骤3-2，使用第二网络学习第一数据的空间关系，得到空间特征；

步骤3-3，使用注意力机制对时间特征和空间特征进行权重更新，得到最终输出矩阵；

步骤3-4，通过第一模型对子序列进行概率预测，得到预测子序列；

步骤3-5，通过评估指标对预测子序列的相加值进行计算，分析后得到预测的电量。

在本发明提供的电量预测方法中，还可以具有这样的特征：

其中，步骤2-1中的第一方法是将不同的温度分成不同的箱子，再通过计算获得每个箱子的温度范围，具体公式如下：

其中，d是每个箱子的范围，μ是数据的均值，n是样本数量。

在本发明提供的电量预测方法中，还可以具有这样的特征：

其中，步骤2-5中归一化处理的公式如下：

xnorm是归一化后的值，xmin是x的最小值，xmax是x的最大值。

在本发明提供的电量预测方法中，还可以具有这样的特征：

其中，步骤3-1中的第一网络是长短期记忆网络，具体参数如下公式：

it＝σ(wi[ht-1，xt]+bi)

ft＝σ(wf[ht-1，xt]+bf)

ot＝σ(wo[ht-1，xt]+bo)

c′t＝tanh(wc[ht-1，xt]+bc)

ct＝fcct-1+itc′t

其中，it是输入门，ft是遗忘门，ot是输出门，ht是t时刻的隐藏层输出，ht-1是t-1时刻的隐藏层输出，ct是细胞状态更新，ct是细胞状态输出，wi，wf，wo，wc分别是输入门、遗忘门、输出门及细胞状态的权重，bi，bf，bo，bc分别是输入门、遗忘门、输出门及细胞状态的偏差。

在本发明提供的电量预测方法中，还可以具有这样的特征：

其中，步骤3-2中的第二网络是卷积神经网络，获取空间特征的子步骤如下：

步骤3-2-1，将空间特征定义为矩阵f＝[ft+1，ft+2，...，ft+n]^t，其中ft+n是遗忘门。

步骤3-2-2，将矩阵f输入到卷积神经网络中。

步骤3-2-3，使用过滤器进行空间特征的提取，得到空间特征。

在本发明提供的电量预测方法中，还可以具有这样的特征：

其中，步骤3-3中最终输出矩阵计算过程的表达式如下：

f(h^t，h)＝h^th

a＝σ(f(h^t，h)wa

v＝ha^t

其中，h^t是空间特征的转置矩阵，h是时间特征，wa是权重，v是最终输出矩阵。

在本发明提供的电量预测方法中，还可以具有这样的特征：

其中，步骤3-4中的第一模型是分位数回归模型，具体公式如下：

其中，r是分位数，是预测组，y是真实值。

在本发明提供的电量预测方法中，还可以具有这样的特征：

其中，步骤3-5中的评估指标是mape、rmse、pinball及winkler。

本发明还提供了一种采用上述电量预测方法的电量预测系统，包括数据获取模块、处理模块、预测模块及控制模块。其中，数据获取模块从调度中心获取待处理数据，处理模块对待处理数据进行处理得到第一数据，预测模块对第一数据进行计算和分析得到预测的电量，控制模块对数据获取模块、处理模块及预测模块进行控制。

发明的作用与效果

根据本发明所涉及的电量预测系统及其预测方法，因为改进了电量测量模型并引入了分位数回归模型，所以能够更加准确的预测出有价值的电量参考区间，从而有效减少数据噪声的干扰，结合长短期记忆网络和卷积神经网络的优点从时间和空间上进一步提取电量的特征，并使用注意力机制来更新权重，优化特征提取效果，并使用分位数回归模型实现概率预测，在保证点预测精准的基础上，还可以为研究人员提供可信的电量预测参考范围。

附图说明

图1是本发明实施例中电量预测方法的总步骤流程图；

图2是本发明实施例的电量预测方法中步骤2的子步骤流程图；

图3是本发明实施例的电量预测方法中步骤3的子步骤流程图；

图4是本发明实施例中卷积神经网络提取数据空间特征的模型组合结构图；以及

图5是本发明实施例中电量预测系统的结构框图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明中的一种电量预测方法及电量预测系统作具体阐述。

图1是本发明实施例中电量预测方法的总步骤流程图。

图2是本发明实施例的电量预测方法中步骤2的子步骤流程图。

图3是本发明实施例的电量预测方法中步骤3的子步骤流程图。

如图1所示，本实施例中的电量预测方法包括以下步骤：

步骤1，从调度中心获取待处理数据，将待处理数据划分为电量和第一特征。

步骤2，对待处理数据进行处理，得到第一数据，如图2所示，具体子步骤包括：

步骤2-1，为了避免温度误差对电量预测造成的影响，所以采用第一方法对待处理数据进行分箱处理，得到分箱处理数据，通过计算每个箱子的范围，可以将温度分成一定的箱子，每个箱子包含一定温度的范围，箱子间距公式如下：

其中，d是每个箱子的范围，μ是数据的均值，n是样本数量。通过最低温度加上箱子范围得到第一个温度箱子，在根据第一个箱子的上界加上箱子范围得到第二个箱子，以此类推完成温度分箱。

步骤2-2，将分箱处理数据分为第一电量和第二特征，通过最大信息系数算法对第一电量和第二特征进行相关性分析，筛选目标特征。特征的好坏决定了模型结果的上限，但过多的特征不仅不能提高预测精度，还会降低模型效率。通过相关性分析，可以剔除多余的特征，从而提高模型的整体效率。

步骤2-3，为了避免可能存在的噪音干扰，通过集成经验模态分解算法将第一电量分解成多个子序列。

步骤2-4，由于有效的特征能够进一步帮助模型更加准确的学习到数据的特征，所以通过最大信息系数算法对目标特征和子序列进行相关性分析，将子序列分为有特征相关性和无特征相关性两类。

步骤2-5，对第一电量中的连续型变量进行归一化处理，这能够有效解决数据的量纲问题，使模型更好的进行训练，归一化处理的公式如下：

其中，xnorm是归一化后的值，xmin是x的最小值，xmax是x的最大值。

此外，对第一电量中的离散型变量进行独热编码处理，从而得到第一数据；

步骤3，对第一数据进行计算和分析得到预测的电量，如图3所示，具体子步骤包括：

步骤3-1，使用长短期记忆网络学习第一数据的时间关系，得到时间特征，其中长短期记忆网络的参数公式如下：

it＝σ(wi[ht-1，xt]+bi)

ft＝σ(wf[ht-1，xt]+bf)

ot＝σ(wo[ht-1，xt]+bo)

c′t＝tanh(wc[ht-1，xt]+bc)

ct＝fcct-1+itc′t

其中，it是输入门，ft是遗忘门，ot是输出门，ht是t时刻的隐藏层输出，ht-1是t-1时刻的隐藏层输出，ct′是细胞状态更新，ct是细胞状态输出，wi，wf，wo，wc分别是输入门、遗忘门、输出门及细胞状态的权重，bi，bf，bo，bc分别是输入门、遗忘门、输出门及细胞状态的偏差。

通过以上计算，得到隐藏层输出h[t+1，t+2，...，t+n]，表示为h。

图4是本实施例中卷积神经网络提取数据空间特征的模型组合结构图。

步骤3-2，使用卷积神经网络学习第一数据的空间关系，得到空间特征，如图2所示，空间特征被定义为矩阵f＝[ft+1，ft+2，...，ft+n]^t，将矩阵f输入到卷积神经网络当中，利用k个过滤器进行特征提取，过滤器被定义为k1×dm，其中，dm是特征数。通过卷积神经网络得到的结果表示为hi，j，以下用h表示；

步骤3-3，使用注意力机制对时间特征和空间特征进行权重更新，先将h转置为h^t，并进行如下操作求得权重更新后的矩阵v：

f(h^t，h)＝h^th

a＝σ(f(h^t，h)wa

v＝ha^t

将矩阵v和h进行组合得到最终输出矩阵h′；

步骤3-4，通过分位数回归模型对子序列进行概率预测，得到预测子序列，具体公式如下：

其中，r是分位数，是预测组，y是真实值，当r＝0时，也能够满足点预测结果的需求。

步骤3-5，通过评估指标mape、rmse、pinball及winkler对预测子序列的相加值进行计算，分析后得到预测的电量。

图5是本发明实施例中电量预测系统的结构框图。

如图5所示，本发明实施例提供的电量预测系统100包括数据获取模块10、处理模块20、预测模块30及控制模块40。

数据获取模块10采用步骤1的方法，获取待处理数据。

处理模块20采用步骤2的方法，处理得到第一数据。

预测模块30采用步骤3的方法，对第一数据进行计算和分析得到预测的电量。

控制模块40控制数据获取模块10、处理模块20、预测模块30运行。

实施例的作用与效果

根据本实施例所涉及的电量预测系统及其预测方法，因为改进了电量测量模型并引入了分位数回归模型，所以能够更加准确的预测出有价值的电量参考区间，从而有效减少数据噪声的干扰，结合长短期记忆网络和卷积神经网络的优点从时间和空间上进一步提取电量的特征，并使用注意力机制来更新权重，优化特征提取效果，并使用分位数回归模型实现概率预测，在保证点预测精准的基础上，还可以为研究人员提供可信的电量预测参考范围。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。