基于对偶图的多变量短期用电量预测方法及终端与流程

摘要: 本发明涉及电力系统负荷预测,特别涉及基于对偶图的多变量短期用电量预测方法及终端。背景技术:1、短期用电量预测(short-termelectricitycons...
基于对偶图的多变量短期用电量预测方法及终端与流程

本发明涉及电力系统负荷预测,特别涉及基于对偶图的多变量短期用电量预测方法及终端。

背景技术:

1、短期用电量预测(short-term electricity consumption forecasting, secf)是现代电力系统优化资源配置、整合可再生能源和保障电网稳定运行的基础。传统的用电量预测方法主要依赖历史用电量数据,而现代多变量预测方法则引入了气象条件(如温度、湿度、太阳辐射等)作为协变量,以捕捉外部环境对用电负荷的驱动作用。近年来,基于深度学习(如transformer、timesnet等)的模型在多变量预测任务中展现出强大性能。

2、然而,现有深度学习模型在实际应用中普遍面临一个关键瓶颈:样本时间未对齐(sample temporal misalignment, stm)问题。具体而言,不同气象因素对用电量的影响存在不同的动态物理惯性(例如:气温升高导致空调负荷增加通常存在数小时的物理延迟),且各传感器在数据采集与传输中也存在异步性。如果直接将同一时间戳下的“历史气象特征”与“未来用电量”组合成训练样本对输入神经网络,会导致模型强行学习大量因时间错位产生的随机噪声,严重破坏了多变量时间序列的定量关联逻辑,限制了深度学习模型的预测潜力。现有的一类样本时间对齐方法已经能够利用时间延迟参数表示目标序列与影响因素序列之间的时间偏移,并通过构造单一空间关联结构及相应的光滑性度量搜索时间延迟,以实现多变量时间序列的时间补偿。然而,该类方法主要从单一方向描述历史影响因素与预测目标之间的邻近一致性。

3、对于短期用电量预测而言,仅约束“历史影响因素状态相近的样本应具有相近的未来用电量”不足以同时保证预测样本的区分能力。例如,不同的历史影响因素状态可能在某一候选时间延迟下被聚合到相近的未来用电量邻域,使时间延迟估计仅满足单向稳定性要求而缺少反向区分约束。

技术实现思路

1、本发明所要解决的技术问题是:提供一种基于对偶图的多变量短期用电量预测方法,提高短期用电量预测精度。

2、为了解决上述技术问题,本发明采用的一种技术方案为:

3、一种基于对偶图的多变量短期用电量预测方法,包括:

4、获取目标区域的历史用电量时间序列及多源影响因素时间序列,构成初始数据集;

5、将所述多源影响因素时间序列与所述历史用电量时间序列之间的时间偏移参数化为时间延迟向量,按照所述时间延迟向量对所述多源影响因素时间序列执行时间平移,得到对齐特征向量序列;

6、根据历史影响因素窗口长度获取所述对齐特征向量序列中的影响因素特征向量,根据未来用电量窗口长度获取对应的未来用电量向量;

7、构建对偶图,将所述影响因素特征向量作为所述对偶图中因素图顶点的第一位置向量,将所述未来用电量向量作为所述对偶图中目标图顶点的第二位置向量;

8、计算所述对偶图的拉普拉斯矩阵,以根据所述拉普拉斯矩阵计算所述因素图的全局平滑度与所述目标图的全局平滑度,以最小化所述因素图的全局平滑度与所述目标图的全局平滑度之和为目标,确定最优时间延迟向量;

9、以所述最优时间延迟向量重构所述初始数据集生成时间对齐的样本集,并将所述样本集输入深度学习预测模型进行训练以预测用电量。

10、为了解决上述技术问题,本发明采用的另一种技术方案为:

11、一种基于对偶图的多变量短期用电量预测终端,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:

12、获取目标区域的历史用电量时间序列及多源影响因素时间序列,构成初始数据集;

13、将所述多源影响因素时间序列与所述历史用电量时间序列之间的时间偏移参数化为时间延迟向量,按照所述时间延迟向量对所述多源影响因素时间序列执行时间平移,得到对齐特征向量序列;

14、根据历史影响因素窗口长度获取所述对齐特征向量序列中的影响因素特征向量,根据未来用电量窗口长度获取对应的未来用电量向量;

15、构建对偶图,将所述影响因素特征向量作为所述对偶图中因素图顶点的第一位置向量,将所述未来用电量向量作为所述对偶图中目标图顶点的第二位置向量;

16、计算所述对偶图的拉普拉斯矩阵,以根据所述拉普拉斯矩阵计算所述因素图的全局平滑度与所述目标图的全局平滑度,以最小化所述因素图的全局平滑度与所述目标图的全局平滑度之和为目标,确定最优时间延迟向量;

17、以所述最优时间延迟向量重构所述初始数据集生成时间对齐的样本集,并将所述样本集输入深度学习预测模型进行训练以预测用电量。

18、本发明的有益效果在于:本发明将多源影响因素时间序列与历史用电量时间序列之间的时间偏移参数化为时间延迟向量,并按照该时间延迟向量执行时间平移,得到对齐特征向量序列,从而能够显式表示不同影响因素对用电量作用的动态物理惯性以及传感器异步性。进一步,将影响因素特征向量作为对偶图中因素图顶点的第一位置向量,将未来用电量向量作为对偶图中目标图顶点的第二位置向量,构建对偶图。通过计算对偶图的拉普拉斯矩阵,得到因素图的全局平滑度和目标图的全局平滑度,并以两者之和最小化为目标确定最优时间延迟向量。该过程既要求历史影响因素状态相近的样本具有相近的未来用电量,也要求未来用电量相近的样本具有相近的历史影响因素状态。与已有方法的单向约束相比,这种双向约束避免了不同历史影响因素状态在某一候选时间延迟下被聚合到相近未来用电量邻域而造成的区分能力不足问题。最后使用最优时间延迟向量重构初始数据集,生成时间对齐的样本集,并将样本集输入深度学习预测模型进行训练。由于训练样本中历史特征与未来用电量不再因时间错位而引入随机噪声,深度学习预测模型能够学习多变量时间序列之间真实的定量关联关系,从而提高短期用电量预测精度。

1.一种基于对偶图的多变量短期用电量预测方法,其特征在于,包括:

2. 根据权利要求1所述的预测方法,其特征在于,所述获取目标区域的历史用电量时间序列及多源影响因素时间序列,构成初始数据集还包括:

3.根据权利要求1所述的预测方法,其特征在于,所述按照所述时间延迟向量对所述多源影响因素时间序列执行时间平移,得到对齐特征向量序列,包括:

4.根据权利要求1所述的预测方法,其特征在于,所述构建对偶图,将所述影响因素特征向量作为所述对偶图中因素图顶点的第一位置向量,包括:

5.根据权利要求1所述的预测方法,其特征在于,所述构建对偶图,将所述未来用电量向量作为所述对偶图中目标图顶点的第二位置向量,包括:

6.根据权利要求1所述的预测方法,其特征在于,所述以最小化所述因素图的全局平滑度与所述目标图的全局平滑度之和为目标,确定最优时间延迟向量,包括:

7.根据权利要求6所述的预测方法,其特征在于,所述计算所述对偶图的拉普拉斯矩阵,包括:

8.根据权利要求6所述的预测方法,其特征在于,所述以所述因素图的全局平滑度和所述目标图的全局平滑度之和最小化为目标,在预设空间内搜索得到的分量最优值,完成所有的搜索后,通过所有所述分量最优值得到最优时间延迟向量,包括:

9.根据权利要求1所述的预测方法,其特征在于,以所述最优时间延迟向量重构所述初始数据集生成时间对齐的样本集,并将所述样本集输入深度学习预测模型进行训练和输出用电量预测结果,包括:

10.一种基于对偶图的多变量短期用电量预测终端,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的基于对偶图的多变量短期用电量预测方法。