本发明涉及电力需求预测,尤其涉及一种全社会用电量预测方法、介质及系统。
背景技术:
1、用电量是经济发展的重要指标之一,与gdp、工业增加值等经济指标密切相关。通过预测用电量,可以预测经济的发展趋势和波动情况,为部门和企事业单位制定决策提供重要的参考依据。而在预测方面,影响因素的筛选可以帮助我们确定哪些因素对预测结果具有重要影响,减少其他不相关因素的干扰,提高预测的准确性与效率。
2、机器学习给需求预测领域带来了很大的发展,不够在现实情况中,仅仅是追求预测的精度是不够,预测的正确性与可解释性也是十分重要的议题。因果推断是筛选影响因素的重要手段,它能通过观察数据来推断变量之间的因果关系,在提高预测可解释性的同时,利用因果关系提高预测的精度。但现实的问题在于,推断因果关系时往往会存在某些偏差,导致推断的结果不准确或不完全。这些偏差可能源于数据的选择、观测误差,也可能是由结果变量与处理变量之间的混淆因子所导致。为了研究变量之间的因果关系,需要尽可能地剔除偏差,而这些偏差通常是复杂且难以计量,这使得剔除偏差变得非常困难。因此,有效地剔除偏差,对于提高预测的精度与可解释性有着很大的帮助。
技术实现思路
1、本发明实施例提供一种全社会用电量预测方法、介质及系统,以解决现有技术通过因果推断筛选全社会用电量的影响因素时往往会存在某些偏差,导致推断的结果不准确或不完全的问题。
2、第一方面,提供一种全社会用电量预测方法,包括:
3、基于预测数据集,通过双重因果推断算法(double/debiased machine learning,ddml),对社会经济备选因素进行筛选,得到影响因素,其中,所述预测数据集包括:每一采样时刻的社会经济备选因素的数据和全社会用电量;
4、基于所述预测数据集中的各类数据,得到各类趋势性数据集、周期性数据集和残差数据集,其中,各类数据包括:影响因素的数据和全社会用电量;
5、通过奇异谱分析方法对各类残差数据集进行噪声剔除,得到各类去噪后的数据集;
6、将各类趋势性数据集、周期性数据集和去噪后的数据集中相同时刻的数据相加得到重构数据,并将所有重构数据归入重构数据集中;
7、将所述重构数据集输入cnn-lstm模型,输出全社会用电量的预测结果。
8、第二方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如第一方面实施例所述的全社会用电量预测方法。
9、第三方面,提供一种全社会用电量预测系统,包括:如第二方面实施例所述的计算机可读存储介质。
10、这样,本发明实施例,通过合理地筛选数据、提取特征,有效地剔除偏差,为预测模型提供了更加具有参考价值的数据,减少了不必要的复杂性和计算量,同时保有较高的预测精度,对于提高预测的可解释性有着很大的帮助。
1.一种全社会用电量预测方法,其特征在于,包括:
2.根据权利要求1所述的全社会用电量预测方法,其特征在于,所述得到影响因素的步骤,包括:
3.根据权利要求1所述的全社会用电量预测方法,其特征在于,所述得到各类趋势性数据集、周期性数据集和残差数据集的步骤,包括:
4.根据权利要求3所述的全社会用电量预测方法,其特征在于,所述基于预测数据集中的各类数据拟合得到各类数据的趋势函数,并将通过各类数据的趋势函数计算得到各类数据的趋势成分划分到各类数据的趋势性数据集中的步骤,包括:
5.根据权利要求3所述的全社会用电量预测方法,其特征在于,所述采用additive模型对各类数据的包含周期性和残差成分的数据集进行周期性分解,得到各类数据的周期函数,并将通过各类数据的周期函数计算得到的各类数据的周期性成分划分到各类数据的周期性数据集中的步骤,包括:
6.根据权利要求1所述的全社会用电量预测方法,其特征在于,所述cnn-lstm模型包括:依次连接的卷积神经网络cnn、第一长短时记忆网络lstm、第二长短时记忆网络lstm、第一linear全连接层、激活函数层和第二linear全连接层。
7.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储有计算机程序指令;所述计算机程序指令被处理器执行时实现如权利要求1~6中任一项所述的全社会用电量预测方法。
8.一种全社会用电量预测系统,其特征在于,包括:如权利要求7所述的计算机可读存储介质。