工商业用户电力负荷预测方法、装置、设备、介质及产品与流程

本发明属于电力负荷预测，具体涉及一种工商业用户电力负荷预测方法、装置、设备、介质及产品。

背景技术：

1、电力负荷预测在挖掘用户的用电特性、参与电网需求响应以及进行电力市场的现货交易等方面均有重要作用。现有的短期(一般将预见期在3天以下的称为短期)电力负荷预测方法有多种，包括传统的数学模型拟合方法和深度神经网络方法。随着人工智能水平的提高，基于大量历史电力负荷数据建立起来且基于神经网络、支持向量机和深度学习模型等的电力负荷预测方案，弥补了传统预测方法中容易忽略非线性规律的缺点，可以更有效地逼近复杂的非线性关系。

2、目前，一般的工商业用户由于生产需要用电，使得电力负荷在整体上比较平稳，然而现有的电力负荷预测方案在应用平稳数据做预测时却普遍存在预测准确性不高的问题，因此基于工商业用户且具有平稳特性的历史电力负荷数据，如何训练预测模型并提高电力负荷预测结果的准确性和鲁棒性，以便产生重要的行业应用价值，是本领域技术人员亟需研究的课题。

技术实现思路

1、本发明的目的是提供一种工商业用户电力负荷预测方法、装置、计算机设备、计算机可读存储介质及计算机程序产品，用以解决现有电力负荷预测方案在应用平稳数据做预测时普遍存在预测准确性不高的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，提供了一种工商业用户电力负荷预测方法，包括：

4、获取目标工商业用户的电力负荷时序数据，其中，所述电力负荷时序数据包含有在时序上依次连续的m个日内单位时段以及在所述m个日内单位时段中的各个日内单位时段的电力负荷值，m表示大于等于3的正整数；

5、采用变分模态分解算法对所述电力负荷时序数据进行分解，得到多个模态分量时序数据；

6、针对在所述多个模态分量时序数据中的各个模态分量时序数据，按照如下方式从对应时序数据中抽取得到对应的多个样本数据：从对应时序数据中抽取在时序上依次连续的m个日内单位时段的电力负荷值模态分量作为模型输入项，并从对应时序数据中抽取位于所述m个日内单位时段之后且在时序上依次连续的n个日内单位时段的电力负荷值模态分量作为模型输出项，然后将所述模型输入项和所述模型输出项作为一个样本数据，其中，m表示大于等于2且小于m的正整数，n表示小于等于m的正整数；

7、针对所述各个模态分量时序数据，从对应的所述多个样本数据中抽取出多个训练样本数据，并应用所述多个训练样本数据对attention-lstm模型进行模型训练，得到对应的电力负荷预测模型；

8、针对所述各个模态分量时序数据，从对应的所述多个样本数据中抽取出多个测试样本数据，并将在多个所述测试样本数据中的多个模型输入项导入对应的所述电力负荷预测模型，输出得到对应的多个模型输出预测项，其中，在所述多个测试样本数据中的各个测试样本数据的模型输入项具有对于所述多个模态分量时序数据而言且在时序上依次连续的相同m个日内单位时段，所述多个模型输入项与多个所述样本数据一一对应，所述多个模型输出预测项与所述多个模型输入项一一对应；

9、针对各组所述相同m个日内单位时段，叠加所述各个模态分量时序数据且对应的模型输出预测项，重构得到位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷预测值，并使位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷值一一对应地减去位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷预测值，得到位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷误差值；

10、根据位于各组所述相同m个日内单位时段之后且在时序上依次连续的n个日内单位时段的电力负荷误差值，构建得到电力负荷误差时序数据，其中，所述电力负荷误差时序数据包含有在时序上依次连续的m′个日内单位时段以及在所述m′个日内单位时段中的各个日内单位时段的电力负荷误差值，m′表示大于等于3的正整数；

11、按照如下方式从所述电力负荷误差时序数据中抽取得到多个新样本数据：从所述电力负荷误差时序数据中抽取在时序上依次连续的m′个日内单位时段的电力负荷误差值作为模型输入新项，并从所述电力负荷误差时序数据中抽取位于所述m′个日内单位时段之后且在时序上依次连续的n′个日内单位时段的电力负荷误差值作为模型输出新项，然后将所述模型输入新项和所述模型输出新项作为一个新样本数据，其中，m'＝m，n′＝n；

12、应用所述多个新样本数据对lstm模型进行模型训练，得到电力负荷误差预测模型；

13、针对所述各个模态分量时序数据，从对应时序数据中抽取在时序上依次连续的最近m个日内单位时段的电力负荷值模态分量并导入对应的所述电力负荷预测模型，输出得到对应的模型输出预测新项；

14、叠加所述各个模态分量时序数据的所述模型输出预测新项，重构得到位于所述最近m个日内单位时段之后且在时序上依次连续的未来n个日内单位时段的电力负荷预测值；

15、从所述电力负荷误差时序数据中抽取所述最近m个日内单位时段的电力负荷误差值并导入所述电力负荷误差预测模型，得到所述未来n个日内单位时段的电力负荷误差预测值；

16、使所述未来n个日内单位时段的电力负荷预测值一一对应地加上所述未来n个日内单位时段的电力负荷误差预测值，得到所述未来n个日内单位时段的电力负荷最终预测值并予以输出。

17、基于上述 技术实现要素： ，提供了一种基于变分模态分解算法及attention-lstm模型的工商业用户电力负荷预测新方案，即在获取目标工商业用户的电力负荷时序数据后，先采用变分模态分解算法对时序数据进行分解，得到多个模态分量时序数据，然后针对各个模态分量时序数据，抽取样本数据并对attention-lstm模型进行模型训练，得到对应的电力负荷预测模型，再然后应用所有预测模型构建电力负荷误差时序数据，并抽取新样本数据以训练得到电力负荷误差预测模型，最后应用所有预测模型及误差预测模型得到工商业用户电力负荷预测结果，如此面对工商业用户且具有平稳特性的历史电力负荷数据，通过采用多种方式组合进行预测，可以充分利用各种方式的优势，提高电力负荷预测结果的准确性和鲁棒性，并产生重要的行业应用价值，便于实际应用和推广。

18、在一个可能的设计中，获取目标工商业用户的电力负荷时序数据，包括：

19、读取目标工商业用户的防逆流时序数据和电表时序数据，其中，所述防逆流时序数据包含有在时序上依次连续的m个日内单位时段以及在所述m个日内单位时段中的各个日内单位时段的逆流功率值，所述电表时序数据包含有所述m个日内单位时段以及所述各个日内单位时段的电表功率值，m表示大于等于3的正整数；

20、使所述各个日内单位时段的电表功率值一一对应地减去所述各个日内单位时段的逆流功率值，得到所述各个日内单位时段的电力负荷值；

21、汇总所述m个日内单位时段以及所述各个日内单位时段的电力负荷值，得到所述目标工商业用户的电力负荷时序数据。

22、在一个可能的设计中，采用变分模态分解算法对所述电力负荷时序数据进行分解，得到多个模态分量时序数据，包括：

23、对所述电力负荷时序数据进行预处理，得到预处理后电力负荷时序数据，其中，所述预处理包括有数据清洗处理、数据插值处理、数据异常处理和/或数据归一化处理；

24、采用变分模态分解算法对所述预处理后电力负荷时序数据进行分解，得到多个模态分量时序数据。

25、在一个可能的设计中，所述数据插值处理包括：

26、在时间维度上补齐空缺的日内单位时段；

27、针对已补齐的各个日内单位时段，从所述电力负荷时序数据中获取对应的前一日同期单位时段和/或后一日同期单位时段的电力负荷值，并将获取的所有电力负荷值的均值作为对应的电力负荷值添加到所述电力负荷时序数据中。

28、在一个可能的设计中，所述数据异常处理包括：

29、针对在所述电力负荷时序数据中为负值或零值的各个电力负荷值，根据电力负荷值的小数位数，将对应值更新为与零值最接近的某个正值。

30、在一个可能的设计中，所述变分模态分解算法的参数采用粒子群算法调优得到；

31、和/或，所述attention-lstm模型的参数采用网格搜索算法或贝叶斯搜索算法搜索得到；

32、和/或，所述lstm模型的参数采用网格搜索算法或贝叶斯搜索算法搜索得到。

33、第二方面，提供了一种工商业用户电力负荷预测装置，包括有时序数据获取单元、变分模态分解单元、样本数据抽取单元、预测模型训练单元、预测模型应用单元、负荷误差计算单元、误差时序构建单元、预测叠加重构单元和预测结果相加单元；

34、所述时序数据获取单元，用于获取目标工商业用户的电力负荷时序数据，其中，所述电力负荷时序数据包含有在时序上依次连续的m个日内单位时段以及在所述m个日内单位时段中的各个日内单位时段的电力负荷值，m表示大于等于3的正整数；

35、所述变分模态分解单元，通信连接所述时序数据获取单元，用于采用变分模态分解算法对所述电力负荷时序数据进行分解，得到多个模态分量时序数据；

36、所述样本数据抽取单元，通信连接所述变分模态分解单元，用于针对在所述多个模态分量时序数据中的各个模态分量时序数据，按照如下方式从对应时序数据中抽取得到对应的多个样本数据：从对应时序数据中抽取在时序上依次连续的m个日内单位时段的电力负荷值模态分量作为模型输入项，并从对应时序数据中抽取位于所述m个日内单位时段之后且在时序上依次连续的n个日内单位时段的电力负荷值模态分量作为模型输出项，然后将所述模型输入项和所述模型输出项作为一个样本数据，其中，m表示大于等于2且小于m的正整数，n表示小于等于m的正整数；

37、所述预测模型训练单元，通信连接所述样本数据抽取单元，用于针对所述各个模态分量时序数据，从对应的所述多个样本数据中抽取出多个训练样本数据，并应用所述多个训练样本数据对attention-lstm模型进行模型训练，得到对应的电力负荷预测模型；

38、所述预测模型应用单元，分别通信连接所述样本数据抽取单元和所述预测模型训练单元，用于针对所述各个模态分量时序数据，从对应的所述多个样本数据中抽取出多个测试样本数据，并将在多个所述测试样本数据中的多个模型输入项导入对应的所述电力负荷预测模型，输出得到对应的多个模型输出预测项，其中，在所述多个测试样本数据中的各个测试样本数据的模型输入项具有对于所述多个模态分量时序数据而言且在时序上依次连续的相同m个日内单位时段，所述多个模型输入项与多个所述样本数据一一对应，所述多个模型输出预测项与所述多个模型输入项一一对应；

39、所述负荷误差计算单元，通信连接所述预测模型应用单元和所述时序数据获取单元，用于针对各组所述相同m个日内单位时段，叠加所述各个模态分量时序数据且对应的模型输出预测项，重构得到位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷预测值，并使位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷值一一对应地减去位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷预测值，得到位于对应时段之后且在时序上依次连续的n个日内单位时段的电力负荷误差值；

40、所述误差时序构建单元，通信连接所述负荷误差计算单元，用于根据位于各组所述相同m个日内单位时段之后且在时序上依次连续的n个日内单位时段的电力负荷误差值，构建得到电力负荷误差时序数据，其中，所述电力负荷误差时序数据包含有在时序上依次连续的m′个日内单位时段以及在所述m′个日内单位时段中的各个日内单位时段的电力负荷误差值，m′表示大于等于3的正整数；

41、所述样本数据抽取单元，还通信连接所述误差时序构建单元，还用于按照如下方式从所述电力负荷误差时序数据中抽取得到多个新样本数据：从所述电力负荷误差时序数据中抽取在时序上依次连续的m′个日内单位时段的电力负荷误差值作为模型输入新项，并从所述电力负荷误差时序数据中抽取位于所述m′个日内单位时段之后且在时序上依次连续的n′个日内单位时段的电力负荷误差值作为模型输出新项，然后将所述模型输入新项和所述模型输出新项作为一个新样本数据，其中，m'＝m，n′＝n；

42、所述预测模型训练单元，还用于应用所述多个新样本数据对lstm模型进行模型训练，得到电力负荷误差预测模型；

43、所述预测模型应用单元，还通信连接所述变分模态分解单元，还用于针对所述各个模态分量时序数据，从对应时序数据中抽取在时序上依次连续的最近m个日内单位时段的电力负荷值模态分量并导入对应的所述电力负荷预测模型，输出得到对应的模型输出预测新项；

44、所述预测叠加重构单元，通信连接所述预测模型应用单元，用于叠加所述各个模态分量时序数据的所述模型输出预测新项，重构得到位于所述最近m个日内单位时段之后且在时序上依次连续的未来n个日内单位时段的电力负荷预测值；

45、所述预测模型应用单元，还通信连接所述误差时序构建单元，还用于从所述电力负荷误差时序数据中抽取所述最近m个日内单位时段的电力负荷误差值并导入所述电力负荷误差预测模型，得到所述未来n个日内单位时段的电力负荷误差预测值；

46、所述预测结果相加单元，分别连接所述预测叠加重构单元和所述预测模型应用单元，用于使所述未来n个日内单位时段的电力负荷预测值一一对应地加上所述未来n个日内单位时段的电力负荷误差预测值，得到所述未来n个日内单位时段的电力负荷最终预测值并予以输出。

47、第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的工商业用户电力负荷预测方法。

48、第四方面，本发明提供了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指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的工商业用户电力负荷预测方法。

49、第五方面，本发明提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或所述指令在被计算机执行时实现如第一方面或第一方面中任意可能设计所述的工商业用户电力负荷预测方法。

50、上述方案的有益效果：

51、(1)本发明创造性提供了一种基于变分模态分解算法及attention-lstm模型的工商业用户电力负荷预测新方案，即在获取目标工商业用户的电力负荷时序数据后，先采用变分模态分解算法对时序数据进行分解，得到多个模态分量时序数据，然后针对各个模态分量时序数据，抽取样本数据并对attention-lstm模型进行模型训练，得到对应的电力负荷预测模型，再然后应用所有预测模型构建电力负荷误差时序数据，并抽取新样本数据以训练得到电力负荷误差预测模型，最后应用所有预测模型及误差预测模型得到工商业用户电力负荷预测结果，如此面对工商业用户且具有平稳特性的历史电力负荷数据，通过采用多种方式组合进行预测，可以充分利用各种方式的优势，提高电力负荷预测结果的准确性和鲁棒性，并产生重要的行业应用价值，便于实际应用和推广。