[发明专利]一种基于日电量采集数的区域电量预测方法

权利要求书

1.一种基于日电量采集数的区域电量预测方法，基于用采系统的日电量数据和神经网络算法，其特征在于：包括以下步骤；

步骤S1、从用采系统及气象数据网获取基础数据；

步骤S2、将获取的日电量数据结合气象数据进行关联性分析，找出与日电量相关性强的的特征量作为预测模型的输入；

步骤S3、分地市，分行业，设计预测模型。模型通过训练集进行自我学习，寻找最佳参数并保存；然后将测试集输入模型，模型自动计算并输入其预测电量，实现预测。

2.根据权利要求1所述的一种基于日电量采集数的区域电量预测方法，其特征在于：在步骤S1中，以归一化的数据处理方法，对原始数据进行变换，把数据映射到指定区间，形成基础数据，指定区间默认为[0,1]，所用公式为

X″＝X′*(mx-mi)+mi

所述公式作用于原始数据的每一列，max为一列的最大值，min为一列的最小值，X″为最终结果，mx，mi分别为指定区间值；默认mx为1，mi为0。

3.根据权利要求1所述的一种基于日电量采集数的区域电量预测方法，其特征在于：步骤S2中的关联性分析，采用pearson相关系数法，衡量特征之间的线性相关程度，选择相关系数绝对值大的特征作为模型的输入特征。

4.根据权利要求1所述的一种基于日电量采集数的区域电量预测方法，其特征在于：步骤S3中的预测模型为DRSN-BiLSTM-self-attention模型，结合了DRSN网络与BiLSTM网络，并在输出端引入自注意力机制self-attention；

DRSN-BiLSTM-self-attention模型的整体结构由三部分组成：输入层、隐含层和输出层；堆叠方式按照模型的结构，即从下往上，前者的输出作为后者的输入；其中，隐含层包括池化层，BiLSTM层和全连接层；

首先，DRSN自适应地从输入数据中提取有效特征；然后，BiLSTM通过前者输出的丰富特征自动计算特征和日电量之间的时序依赖关系；接着，在深度学习网络的输出端引入自注意力机制，目的在于对BiLSTM隐含层的输出进行注意力权重的分配，突出关键因素对日电量的影响力；最后，再由全连接层进行输出，从而实现日电量的预测。

5.根据权利要求4所述的一种基于日电量采集数的区域电量预测方法，其特征在于：所述预测模型为日电量预测模型，其所使用数据，是与日电量预测相关的各类数据，即与时间信息相关的数据，采用DRSN网络进行深度特征提取；

所述DRSN网络基于ResNet模型，以软阈值化作为非线性层引入ResNet的网络结构之中，采用局部连接和共享权值的方式，直接从原始数据中通过卷积层和池化层交替使用获取有效特征，自动提取数据的局部特征，并建立完备的特征向量。

6.根据权利要求4所述的一种基于日电量采集数的区域电量预测方法，其特征在于：所述预测模型通过BiLSTM网络来对双向语义依赖的捕获进行优化；所述BiLSTM网络基于可捕捉到较长距离的依赖关系的LSTM模型。

7.根据权利要求4所述的一种基于日电量采集数的区域电量预测方法，其特征在于：所述self-attention自注意力机制用于减少对外部信息的依赖，捕捉数据或特征的内部相关性，以及从大量信息中筛选出少量重要信息。

8.根据权利要求4所述的一种基于日电量采集数的区域电量预测方法，其特征在于：所述自注意力机制的评价指标包括均方根误差RMSE和平均绝对百分比误差MAPE；

所述均方根误差RMSE代表的是预测值和真实值差值的样本标准差，公式为；

其中y_i代表实际值，而f_i是预测值；

所述平均绝对百分比误差MAPE通过计算绝对误差百分比来表示预测效果，其取值越小越好，公式为

其中At代表实际值，而Ft是预测值。

9.根据权利要求1所述的一种基于日电量采集数的区域电量预测方法，其特征在于：所述基础数据包括全口径日电量相关数据、居民日电量相关数据、农业日电量相关数据、一般工商业日电量相关数据；

所述全口径日电量相关数据包括若干城市的全口径日电量历史数据；

所述居民日电量相关数据包括若干城市的居民日电量历史、最高气温、最低气温、法定节假日；

所述农业日电量相关数据包括农业日电量历史、最高气温、最低气温、节气、日降雨量；

所述一般工商业日电量相关数据包括一般工商业日电量历史、最高气温、最低气温、法定节假日、社会消费品零售总额；其中社会消费品零售总额需把月度数据分解成日颗粒度数据。