[发明专利]一种电量预测系统及其预测方法

说明书

本发明涉及一种电量预测系统及其预测方法，属于电量预测领域。因为本发明改进了电量测量模型并引入了分位数回归模型，所以能够更加准确的预测出有价值的电量参考区间，从而有效减少数据噪声的干扰，结合长短期记忆网络和卷积神经网络的优点从时间和空间上进一步提取电量的特征，并使用注意力机制来更新权重，优化特征提取效果，并使用分位数回归模型实现概率预测，在保证点预测精准的基础上，还可以为研究人员提供可信的电量预测参考范围。

技术领域

本发明涉及电量预测领域，具体涉及一种电量预测系统及其预测方法。

背景技术

电力公司通常统计线损率来反映自身的管理水平和经济效益，但由于分布式能源接入电网以及存在供售电不同期的现象，使得线损率的统计更加困难。因此，实现短期电量预测对于降低线损统计误差是至关重要的。

随着数学理论和现代技术的发展，进一步提高短期电量预测的准确性意味着对社会产生可观的经济利益，这些潜在的利益促进了电量预测模型的不断改进。其中，区域电量预测可以在降低线损率统计误差的同时，为电力系统提供合理的分布式能源系统规划，降低电网的运行压力，这些都是电力企业所关心的问题。因此，电力企业需要一种能降低线损率误差，并能提供直观参考范围的新方法。

现有的相关技术中有使用统计方法的，例如ARIMA(Autoregressive IntegratedMoving Average model，差分整合移动平均自回归模型)，该方法根据电量的历史变化规律实现对未来电量的预测，但是，是从自身寻找规律而不能结合其他特征进行分析，同时，对于非线性数据的拟合效果并不好。此外，更多使用的是神经网络方法，例如有使用LSTM(Long Short-Term Memory，长短期记忆网络)预测电量的方法，但其没有考虑特征空间上的相关性，导致对影响电量的特征捕捉不充分。还有使用CNN(Convolutional NeuralNetworks,卷积神经网络)预测电量的方法，但它没有考虑时间上的前后联系，导致无法提取到时间上的周期影响。在电量预测当中，除了使用合适的模型外，构建准确的数据特征也能够有效提高模型的预测精度，但现有的特征处理方法无法较好较全的找出有影响的特征。并且现有的相关技术大多数是基于点预测，但当电量出现巨大波动的时候，点预测的精度往往无法满足要求，为了更合理的提供参考价值，需要对电量可能出现的概率区间进行呈现，而现有的概率预测技术仍处于起步阶段，对预测区间的准确性把握不足，过大或错误的区间将会提供的负面的参考价值。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种电量预测系统及其预测方法。

本发明提供的电量预测方法具有这样的特征，包括以下步骤：

步骤1，从调度中心获取待处理数据，待处理数据包括电量和第一特征；

步骤2，对待处理数据进行处理，得到第一数据，具体子步骤包括：

步骤2-1，通过第一方法对待处理数据进行分箱处理，得到分箱处理数据；

步骤2-2，将分箱处理数据分为第一电量和第二特征，通过最大信息系数算法对第一电量和第二特征进行相关性分析，筛选目标特征；

步骤2-3，通过集成经验模态分解算法将第一电量分解成多个子序列；

步骤2-4，通过最大信息系数算法对目标特征和子序列进行相关性分析，将子序列分为有特征相关性和无特征相关性两类；

步骤2-5，对第一电量中的连续型变量进行归一化处理，对第一电量中的离散型变量进行独热编码处理，从而得到第一数据；

步骤3，对第一数据进行计算和分析得到预测的电量，具体子步骤包括：

步骤3-1，使用第一网络学习第一数据的时间关系，得到时间特征；

步骤3-2，使用第二网络学习第一数据的空间关系，得到空间特征；