一种考虑流行病因素的中长期电力电量预测方法及设备与流程

本发明涉及一种考虑流行病因素的中长期电力电量预测方法，属于负荷预测领域。

背景技术：

1、由病毒、细菌或者其他因素引起的流行病会影响企业经营活动、居民生活，改变电力需求。电力供应方需要预测电力需求变化情况，并做出相应的调整，以确保电力供应的稳定性和可靠性。由于流行病的影响难以刻画，主流方案将流行病期间相关的社会因子作为表征流行病的特征输入至预测模型。社会因子包括病例数、在线办公人数、外卖快递数据、社交距离数据等。此类方案的预测准确度有待进一步提高。

2、专利cn115688984a《分区用电量分析预测方法、装置及电子设备》将分区用电量拆分为时间因素对应的用电量、关联影响因素对应的用电量以及疾病因子对应的用电量三部分，并根据不同的因素采用不同的模型来进行预测，刻画了分区用电量特征的同时提高了预测的准确性。但预测的准确度有待进一步提高。

技术实现思路

1、为了克服现有技术中存在的问题，本发明设计了一种考虑流行病因素的中长期电力电量预测方法及设备，针对流行病因素数据变量难以量化的问题，建立多行业联合预测方法，学习各行业之间的关联特征，提取反映单个行业时序特征的高维变量用于表征流行病对电力电量的影响，提升电力电量预测模型的准确性。

2、为了实现上述目的，本发明采用如下技术方案：

3、技术方案一

4、一种考虑流行病因素的中长期电力电量预测方法，包括以下步骤：

5、构建预测模型；

6、构建训练集，所述训练集包括流行病时段下若干不同行业的历史负荷数据和外部因素数据；训练集中将若干历史负荷数据划分为多个聚类；

7、利用训练集训练预测模型，包括：

8、取某一行业为预测对象；将预测对象的历史负荷数据、外部因素数据和流行病因素数据输入至预测模型，得到预测对象的负荷预测值；所述流行病因素数据为与预测对象属于同一聚类的其它行业的历史负荷数据；计算预测对象的负荷预测值与负荷实际值的损失值；基于损失值更新预测模型，直至完成训练目标；

9、获取预测对象的近期负荷数据、外部因素数据和流行病因素数据输入至预测模型，得到预测对象的负荷预测结果。

10、进一步地，所述预处理包括正态处理、归一化处理、异常值剔除。

11、进一步地，还包括：

12、计算决定因子，以公式表达为：

13、

14、

15、r2＝ess/tss

16、式中，tss为总偏差平方和，ess为回归平方和，yi为变量观测值，为变量平均值，为变量估计值；r2为决定因子；

17、根据决定因子，确定流行病因素数据中行业历史负荷数据的数量。

18、进一步地，所述预测模型采用编码-解码架构，编码器包括2个卷积层和最大池化层，解码器包括bi-lstm层、丢弃层和全连接层。

19、进一步地，所述预测模型包括主网络、辅助网络；所述主网络包括第一编码块、第一解码块和第二解码块；所述辅助网络包括特征提取块、辅助编码块和辅助解码块；

20、输入预测对象的历史负荷数据至主网络，第一编码块对输入数据进行卷积操作和最大池化操作得到第一深度特征；第一解码块对第一深度特征进行时间卷积操作得到第一解码结果、对第一解码结果进行非线性变换得到中间预测量；

21、输入预测对象的历史负荷数据、外部因素数据和流行病因素数据至辅助网络，特征提取块对输入数据进行图卷积变换得到空间特征；辅助编码块对空间特征进行卷积操作和最大池化操作得到第二深度特征；辅助解码块对第二深度特征进行时间卷积操作得到第二解码结果、对第二解码结果进行非线性变换得到辅助预测量；

22、融合中间预测量和辅助预测量并将融合结果输入至第二解码块，第二解码块对融合结果进行时间卷积操作得到第三解码结果、对第三解码结果进行非线性变换得到负荷预测结果。

23、进一步地，所述第一编码块包括顺次连接的一维卷积层、最大池化层；所述第一解码块包括顺次连接的时间卷积网络、密集连接层。

24、进一步地，所述第二解码块包括顺次连接的两个时间卷积网络、drop层、密集连接层。

25、进一步地，所述辅助编码块包括顺次连接的两个一维卷积层、最大池化层；所述辅助解码块包括顺次连接的两个时间卷积网络、drop层、密集连接层。

26、进一步地，所述第一解码块与辅助网络的输出通过concatenate层接入第二解码块。

27、技术方案二

28、一种考虑流行病因素的中长期电力电量预测设备，包括存储器和处理器，所述存储器存储有指令，所述指令适于由处理器加载并执行如技术方案一所述步骤。

29、与现有技术相比本发明有以下特点和有益效果：

30、本发明针对流行病因素数据变量难以量化的问题，建立多行业联合预测方法，学习各行业之间的关联特征，提取反映单个行业时序特征的高维变量用于表征流行病对电力电量的影响，提升电力电量预测模型的准确性。本发明根据r2确定输入数据中行业数量的的最优值，进一步提高预测效果。

31、本发明中预测模型包含基于图卷积的特征提取块和若干基于时间卷积的解码块，进行多因素融合地线性和非线性组合预测，提高了预测模型精度。进一步地，在训练过程中将多维外部因素作为辅助任务，挖掘不同预测任务之间的关联特征，通过参数共享机制，减少模型训练所需的时间和计算资源，提高模型的泛化性能，从而解决电力电量预测中的多因素融合难、训练效率低等问题。

技术特征：

1.一种考虑流行病因素的中长期电力电量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，所述预处理包括正态处理、归一化处理、异常值剔除。

3.根据权利要求1所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，还包括：

4.根据权利要求1所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，所述预测模型采用编码-解码架构，编码器包括2个卷积层和最大池化层，解码器包括bi-lstm层、丢弃层和全连接层。

5.根据权利要求1所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，所述预测模型包括主网络、辅助网络；所述主网络包括第一编码块、第一解码块和第二解码块；所述辅助网络包括特征提取块、辅助编码块和辅助解码块；

6.根据权利要求5所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，所述第一编码块包括顺次连接的一维卷积层、最大池化层；所述第一解码块包括顺次连接的时间卷积网络、密集连接层。

7.根据权利要求5所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，所述第二解码块包括顺次连接的两个时间卷积网络、drop层、密集连接层。

8.根据权利要求5所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，所述辅助编码块包括顺次连接的两个一维卷积层、最大池化层；所述辅助解码块包括顺次连接的两个时间卷积网络、drop层、密集连接层。

9.根据权利要求5所述的一种考虑流行病因素的中长期电力电量预测方法，其特征在于，所述第一解码块与辅助网络的输出通过concatenate层接入第二解码块。

10.一种电子设备，其特征在于，包括：

技术总结
本发明涉及一种考虑流行病因素的中长期电力电量预测方法，包括：构建预测模型；构建训练集，所述训练集包括流行病时段下若干不同行业的历史负荷数据和外部因素数据；训练集中将若干历史负荷数据划分为多个聚类；利用训练集训练预测模型，包括：取某一行业为预测对象；将预测对象的历史负荷数据、外部因素数据和流行病因素数据输入至预测模型，得到预测对象的负荷预测值；所述流行病因素数据为与预测对象属于同一聚类的其它行业的历史负荷数据；计算预测对象的负荷预测值与负荷实际值的损失值；基于损失值更新预测模型，直至完成训练目标；获取预测对象的近期负荷数据、外部因素数据和流行病因素数据输入至预测模型，得到预测对象的负荷预测结果。

技术研发人员：林女贵,洪华伟,朱玲玲,沈一民,钱晓瑞,詹祥澎,肖恺,陈菲菲,刘林,涂夏哲,杨丝雨,黄王晔,李淅,吴鹏,张煜,谭显东,孙毅,杨浩天
受保护的技术使用者：国网福建省电力有限公司
技术研发日：
技术公布日：2024/5/8