基于气象因素的用电量预测模型的构建方法及预测方法与流程

摘要: 本发明创造涉及电量预测领域,特别是涉及一种基于气象因素的用电量预测模型的构建方法及预测方法。背景技术:1、准确的用电量预测是电力系统规划和运行的基础,其中居民用...
基于气象因素的用电量预测模型的构建方法及预测方法与流程

本发明创造涉及电量预测领域,特别是涉及一种基于气象因素的用电量预测模型的构建方法及预测方法。

背景技术:

1、准确的用电量预测是电力系统规划和运行的基础,其中居民用电是总用电量的重要组成部分。发电装机容量等电网布局需要据此规划、优化以及升级改造,确保有足够的电力满足社会需求,从而避免拉闸限电或资源浪费,达到维护电网安全稳定运行的目标。同时,居民用电量也是反应区域经济发展水平、人口流动、生活水平和消费习惯的重要指标,准确的预测数据可以为城市规划、基础设施建设、产业布局等提供决策参考。

2、电量预测是电网企业进行电网扩容、设备更新、线路改造等投资决策的核心依据,避免投资浪费或滞后,优化资产利用效率。精确预测负荷高峰和低谷,能更高效的调度电力资源,减少备用容量需求,降低系统运行成本。与之用电高峰时段可提前部署检修、运维力量,减少故障风险,提升用户满意度。

3、在相关技术中,根据多种不同的因素,采用机器学习模型,对未来的用电量进行预测。虽然这些预测模型考虑了多种因素对用电量的影响,但其对一年中不同的月份的用电量的预测结果与实际的用电量相比存在着较大的偏差。

技术实现思路

1、本发明创造实施例提供的基于气象因素的用电量预测模型的构建方法及预测方法、装置、电子设备、存储介质和计算机程序产品,以在一定程度提升一年中各个月份电量预测的准确性。

2、第一方面,本发明提供一种基于气象因素的用电量预测模型的构建方法,所述方法包括:

3、获取多年中各个月的历史温度数据、气候状态因数以及表征气象因素的第一历史用电数据;并将各个月的历史温度数据转换为不同维度的温度特征数据;其中,所述气候状态因数表示节气对用电量的影响程度;

4、分别计算多年中各个月不同维度的温度特征数据、气候状态因数与对应的第一历史用电数据之间的相关系数;并基于各个月份的相关系数,构建各个月温度特征数据与用电量之间的特征向量;

5、对多个所述特征向量进行聚类分析,确定各个月份的聚类类别;

6、对于每个聚类类别对应的月份,建立多个子深度学习模型,并基于所述聚类类别对应月份在不同维度的温度特征数据和气候状态因数作为子深度学习模型的输入,对应月份的第一历史用电数据作为子深度学习模型的输出,训练多个子深度学习模型;

7、将每个聚类类别对应的多个训练好的子深度学习模型中,拟合优度最高的子深度学习模型,确定为所述聚类类别对应月份的子用电量预测模型,以对表征气象因素的第一用电量进行预测。

8、在本发明的一个实施例中,基于所述聚类类别对应月份在不同维度的温度特征数据和气候状态因数作为子深度学习模型的输入,对应月份的第一历史用电数据作为子深度学习模型的输出,训练多个子深度学习模型,包括:

9、将同一聚类类别中对应的多个月份中,不同维度的温度特征数据和气候状态因数与第一历史用电数据之间的相关系数大于预设阈值的,确定为用电影响因子;

10、将多个对应月份的与所述用电影响因子对应的温度特征数据和/或所述气候状态因数作为子深度学习模型的输入,对应月份的第一历史用电数据作为子深度学习模型的输出,训练多个子深度学习模型。

11、在本发明的一个实施例中,所述子深度学习模型包括多个子时序深度学习模型,所述方法还包括:

12、将多个对应月份的与所述用电影响因子对应的温度特征数据、气候状态因数、对应月份前m个月份的第一历史用电数据、前n年对应月份的第一历史用电数据作为多个子时序深度学习模型的输入,对应月份的第一历史用电数据作为子时序深度学习模型的输出,训练多个子时序深度学习模型;其中,2≤m≤4,2≤n≤4。

13、在本发明的一个实施例中,所述温度特征数据包括高温温差、低温温差和积温次数,获取多年中各个月的历史温度数据、气候状态因数以及表征气象因素的第一历史用电数据;并将各个月的历史温度数据转换为不同维度的温度特征数据,包括:

14、将每月平均高温与第一预设阈值的差值,确定为高温温差;以及,将第二预设阈值与每月平均低温的差值,确定为低温温差;其中,每月平均高温为一个月内每日最高温度的平均值,每月平均低温为一个月内每日最低温度的平均值;

15、将对应月份连续k天的平均温度的平均值大于或等于第三预设阈值的次数,确定为积温次数;其中,2≤k≤5;

16、将对应月份影响用电量的一个或多个节气的权值、所述对应月份前a天影响用电量的节气的权值以及对应月份后a天影响用电量节气的权值累加,得到气候状态因数。

17、在本发明的一个实施例中,所述方法还包括:

18、在第一预设范围内确定多个第一候选阈值;

19、分别将多个每月平均高温和第一候选阈值的差值,与对应月份的第一历史用电数据进行相关性分析,得到多个第一匹配值;

20、将多个所述第一匹配值中的最大值对应的第一候选阈值,确定为第一预设阈值;

21、和/或,在第二预设范围内确定多个第二候选阈值;

22、分别将多个第一候选阈值和每月平均低温的差值,与对应月份的第一历史用电数据进行相关性分析,得到多个第二匹配值;

23、将多个所述第二匹配值中的最大值对应的第二候选阈值,确定为第二预设阈值。

24、在本发明的一个实施例中,所述方法还包括:

25、在第三预设阈值范围内确定多个第三候选阈值;

26、根据k的取值范围,以及多个所述第三候选阈值,确定多个候选组合;

27、基于多个所述候选组合,分别计算多个所述候选组合对应的候选积温次数与对应月份的第一历史用电数据进行相关性分析,得到多个第三匹配值;

28、将多个所述第三匹配值中的最大值对应的候选组合,确定k的具体数值和第三预设阈值。

29、在本发明的一个实施例中,所述方法还包括:

30、采用预设分解方法,将历史用电数据拆解为表征周期性波动的第一历史用电数据和表征年际变化趋势的第二历史用电数据。

31、在本发明的一个实施例中,所述方法还包括:

32、基于每月的第一历史用电数据和对应月份在不同维度上的温度特征数据、气候状态因数,训练多个通用深度学习模型;

33、构建验证数据集;其中,所述验证数据集包括多个不同月份的温度特征数据、气候状态因数和第一历史用电数据;

34、将所述验证数据集中的温度特征数据、气候状态因数输入对应的用电量预测模型,得到第一预测结果;以及,将所述验证数据集中的温度特征数据、气候状态因数输入训练好的所述通用深度学习模型,得到第二预测结果;

35、根据所述第一历史用电数据,为所述第一预测结果和所述第二预测结果分别赋予不同的权重;其中,所述第一预测结果和所述第二预测结果的权重之和为1。

36、第二方面,本发明提供一种基于气象因素的用电量预测方法,所述方法包括:

37、在上述任一项所述的基于气象因素的用电量预测模型中的多个子用电量预测模型中,根据预测月份对应的聚类类别,确定目标子用电量预测模型;

38、将所述目标子用电量预测模型对应的预测月份在不同维度的温度特征数据和气候状态因数,输入所述目标子用电量预测模型,得到表征气象因素的第一用电量;

39、将所述第一用电量与表征年际变化趋势的第二用电量进行叠加,得到预测的目标用电量。

40、在本发明的一个实施例中,所述目标子用电量预测模型为子时序深度学习模型,将所述目标子用电量预测模型对应的预测月份在不同维度的温度特征数据和气候状态因数,输入所述目标子用电量预测模型,得到表征气象因素的第一用电量,包括:

41、将所述预测月份对应的温度特征数据、气候状态因数、所述预测月份前m个月份的第一历史用电数据、预测年份的前n年所述预测月份的第一历史用电数据,输入目标子用电量预测模型,得到表征气象因素的第一用电量。

42、第三方面,本发明提供一种基于气象因素的用电量预测装置,所述基于气象因素的用电量预测装置包括:

43、目标模型确定模块,用于在上述任一项所述的基于气象因素的用电量预测模型中的多个子用电量预测模型中,根据预测月份对应的聚类类别,确定目标子用电量预测模型;

44、第一用电量预测模块,用于将所述目标子用电量预测模型对应的预测月份在不同维度的温度特征数据和气候状态因数,输入所述目标子用电量预测模型,得到表征气象因素的第一用电量;

45、目标用电量预测模块,用于将所述第一用电量与表征年际变化趋势的第二用电量进行叠加,得到预测的目标用电量。

46、第四方面,本发明提供一种电子设备,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上述任一项所述的基于气象因素的用电量预测模型的构建方法或上述任一项所述的基于气象因素的用电量预测方法。

47、第五方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的基于气象因素的用电量预测模型的构建方法或上述任一项所述的基于气象因素的用电量预测方法。

48、第六方面,本发明提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,使得计算机执行上述任一项所述的基于气象因素的用电量预测模型的构建方法或上述任一项所述的基于气象因素的用电量预测方法。

49、本发明通过提供一种基于气象因素的用电量预测模型的构建方法,获取多年中各个月的历史温度数据、气候状态因数以及表征气象因素的第一历史用电数据;并将各个月的历史温度数据转换为不同维度的温度特征数据;分别计算多年中各个月不同维度的温度特征数据、气候状态因数与对应的第一历史用电数据之间的相关系数;并基于各个月份的相关系数,构建各个月温度特征数据与用电量之间的特征向量;从而对多个所述特征向量进行聚类分析,确定各个月份的聚类类别,从而可以将对气候对用电量的影响类似的划分为一个类别,对于每个聚类类别对应的月份,建立多个子深度学习模型,并基于所述聚类类别对应月份在不同维度的温度特征数据和气候状态因数作为子深度学习模型的输入,对应月份的第一历史用电数据作为子深度学习模型的输出,训练多个子深度学习模型;将每个聚类类别对应的多个训练好的子深度学习模型中,拟合优度最高的子深度学习模型,确定为所述聚类类别对应月份的子用电量预测模型,以对表征气象因素的第一用电量进行预测,从而在预测时可以根据各个月份使用不同的子用电量预测模型,以提升后续使用该用电量预测模型进行用电量预测的准确性。