CN109740790A - 一种基于时序特征提取的用户用电量预测方法 - Google Patents
一种基于时序特征提取的用户用电量预测方法 Download PDFInfo
- Publication number
- CN109740790A CN109740790A CN201811436298.5A CN201811436298A CN109740790A CN 109740790 A CN109740790 A CN 109740790A CN 201811436298 A CN201811436298 A CN 201811436298A CN 109740790 A CN109740790 A CN 109740790A
- Authority
- CN
- China
- Prior art keywords
- user
- matrix
- time sequence
- electricity
- power supply
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002123 temporal effect Effects 0.000 title abstract 4
- 230000005611 electricity Effects 0.000 claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims description 107
- 230000006870 function Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 16
- 238000012731 temporal analysis Methods 0.000 abstract 1
- 238000000700 time series analysis Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时序特征提取的用户用电量预测方法,以供电区域为单位对用户的用电行为进行时序分析和预测,首先基于用户的地理位置信息对电力用户进行划分,对各个区域的用户特征和时序特征进行抽取,并基于时序特征构建相应的预测模型,从而实现时空数据相结合的细粒度预测。为了在建模过程中使模型既能捕获区域相关的特征,也能捕获区域无关特征,本发明采用联合学习的方法进行建模,提升了鲁棒性,降低了过拟合的影响。
Description
技术领域
本发明涉及电力用电量预测领域,特别是涉及一种基于时序特征提取的用户用电量预测方法。
背景技术
用电量作为经济发展走势的“晴雨表”,时刻反映经济的运行状况,对经济的发展起着至关重要的作用,供用电之间的矛盾也更加突出。为了缓解供用电之间的矛盾,保证居民的生活质量,准确地进行用电需求预测能够合理地实行电力规划及能源配置、减少购电成本、提高供电效率,促进区域经济发展。
随着智能电网和传感器技术的发展,电网***中逐渐积累了大量的数据。基于这些数据预测未来时间段内用户的用电量,是电力数据分析中最重要的任务之一。用户用电量预测是电力***运行和管理过程中一个重要部分,准确的预测可以有效地辅助***的管理以及决策的制定。传统的用电量预测大多是以整个区域的整体用电情况为研究对象进行研究的,此类方法假设相同地区电力用户的用电行为相同。然而不同电力用户的用电行为模式在保持趋同性的同时还具有一定的特异性,对所有用户使用统一的预测模型会损失用户的个性化信息,而对每个用户都建立一个单独的模型则会消耗很大的存储资源和计算资源,不适用于海量的电力业务数据建模。
国内外很多学者都对用电量预测进行了研究,线性回归分析预测是最常用的预测方法之一。任芳玲等人(任芳玲,吴娜,乔克林.基于反馈回归法的用电量预测模型研究[J].经济数学,2016,33(1):100-105)使用基于反馈回归法的用电量预测模型,具有更高的精度。张海珍等人(张海珍,朱家明.基于多元线性回归模型的居民用电量影响因素分析[J].西昌学院学报(自然科学版),2017,31(1):28-30)选取了收入、价格、人口、气温及居住面积等五个因素作为分析指标,构建多元线性回归模型,用以研究各个影响因素对居民用电量的影响程度大小。庄剑等人(庄剑,李凯,刘展展,等.基于季节调整和回归分析法的月售电量预测方法研究[J].经济研究导刊,2018(19))通过对售电量进行季节调整刻画其趋势性和季节性,构建回归预测模型,充分结合了季节调整对趋势时间序列精度预测的优点,又有利于提高月售电量预测精度。Dimitrios等人(Angelopoulos D,Psarras J,SiskosY.Long-term electricity demand forecasting via ordinal regression analysis:The case of Greece[C]//PowerTech,2017IEEE Manchester.IEEE,2017:1-6)通过叙述回归分析应用,引入了一种新的长期电力需求预测模型。Tserkezos(Tserkezos ED.Forecasting residential electricity consumption in Greece using monthly andquarterly data[J].Energy Economics,1992,14(3):226-232.)通过应用自回归综合移动平均线和传递函数模型以及使用月度和季度收入,温度和电价数据来估算希腊住宅部门的电力需求。Hondroyiannis(Hondroyiannis G.Estimating residential demand forelectricity in Greece[J].Energy Economics,2004,26(3):319-334.)分别通过使用协整技术和矢量误差修正模型对长期和短期住宅用电量进行了估算,其中检验了实际收入,实际电价和加权平均温度。Mirasgedis等人(Mirasgedis S,Sarafidis Y,GeorgopoulouE,et al.Models for mid-term electricity demand forecasting incorporatingweather influences[J].Energy,2006,31(2):208-227)根据不同的天气情况,对未来12个月的电力需求预测进行了预测,重点关注电力需求的每日和每月变化。此外,Tsekouras等人(Tsekouras GJ,Dialynas EN,Hatziargyriou ND,Kavatza S.Anon-linearmultivariable regression model for midterm energy forecasting of powersystems.Electric Power Systems Research.2007Oct 1;77(12):1560-8)应用具有多个变量的非线性回归模型来预测希腊电力***的中期电力需求。
基于上述研究背景及前人的研究成果和经验,可以发现大多数方法都是对用户总体的用电量进行分析和预测,而较少考虑到用户之间的个体用电行为差异,而这方面对于电力***的生产调度和运营管理来说是非常重要的。此外,大多数方法都是直接基于用户原始用电记录进行预测,而没有对其中包含的不同方面的特征进行细粒度的分析和抽取。
发明内容
为解决现有技术中存在的问题,本发明提供一种基于时序特征提取的用户用电量预测方法,该方法以区域为单位对用户未来时段的时序特征变化进行建模和预测,并根据时序特征的预测结果实现用户用电量的预测,具有较高的预测精度。
为此,本发明的技术方案如下:
一种基于时序特征提取的用户用电量预测方法,包括按顺序执行的下列步骤:
S1)输入用户的用电记录数据信息和用户的地理位置信息,构建各区域用户的用电行为表示矩阵;
S2)基于S1)中的输出,利用联合矩阵三分解对各区域的用户特征和时序特征进行抽取,设计合理的目标函数求解算法并求解用户的用电需求表示,在抽取过程中尽可能地保留用户历史用电行为特征;
S3)根据步骤S1)和S2)的输出,对时序特征进行建模,进而实现用户用电量预测。
其中,在S1)中,输入的用户用电记录数据中的所有用户被表示为集合:
U={u1,u2,...,uL}
其中,L表示数据中包含的用户个数,ui表示第i个用户,
第i个用户的用电记录数据被构建为用电记录向量:
其中,表示用户ui在第d天的用电量;
第i个用户的地理位置信息被表示为结构体:
其中为居住地点中某个组成部分的字符串表示,按行政单位(省、城市、区县、乡镇、街道、小区等)从大到小的顺序排列,根据具体情况选择一定的行政单位作为划分阈值对用户进行划分,得到不同的供电区域G1,G2,...,GN,其中N表示供电区域的个数;
基于所述用户供电区域划分结果将用户分组,将用户用电记录向量按照上述划分结果进行聚合和归整,并以矩阵的形式进行表示,输入的所有供电区域的用户用电记录数据被表示为矩阵集合:
X={X1,X2,…,XN}
其中N表示供电区域的个数,第i个供电区域的用电记录数据被构建为矩阵的形式其中Ni为该区域内所包含的用户个数,T为历史记录中包含的天数,表示矩阵Xi的第n行,代表供电区域i中第n个用户的历史用电情况,表示矩阵Xi的第t列,代表供电区域i在第t天所有用户的用电情况;
最终,S1)输出各区域用户的用电记录矩阵:
X1,X2,…,XN,
将上述各用户分组的用电记录集合作为输入数据输入到后续的模型中。
在S2)中,所述的用电特征抽取算法以用户分组矩阵为单位进行计算,利用联合矩阵三分解方法进行特征抽取,对各区域用户历史用电行为进行特征提取的目标函数计算如下:
(1)最大可能的降低每个供电区域用户用电记录矩阵在分解为用户特征矩阵、时序特征矩阵以及系数矩阵过程中的损失:
其中Ui表示区域i的用户特征矩阵,Vi表示区域i的时序特征矩阵,Si为表示上述特征对应关系的系数矩阵,表示计算矩阵的L2范式的平方;
(2)保持不同供电区域用户用电记录矩阵分解得到的系数矩阵的一致性:
在此,所有供电区域分解的损失函数融合到一起,并共享系数矩阵S;
(3)最大可能的保持用户特征矩阵、时序特征矩阵以及系数矩阵的平滑:
其中,Z为正则项,通过该正则项来保持特征矩阵的平滑,降低过拟合的影响。
在S3)中,通过自回归模型对时序特征矩阵中包含的时间依赖性进行建模,捕获时序特征的变化规律,进而实现对未来时段特征变化情况的预测。
基于时序特征的时间依赖性,利用自回归模型对时序特征进行拟合,AR模型部分的损失函数有如下形式:
其中Wi∈RK×(l×K)为自回归系数,l为AR模型的阶数,F(·,·)为一个连接函数,通过该函数将多个向量拼接成一个长向量,通过该拟合目标使模型能够根据历史时序特征矩阵预测未来时段的时序特征的变化趋势,
该预测方法的总体目标函数为:
L=l2+l3+Z
即:
目标函数L同时是Ui,Vi,Wi和S的凸函数,采用基于梯度下降的迭代更新方法来求解上述参数,
用户用电量预测过程根据求解得到的S,Ui,Vi和Wi以及时序特征的预测结果,计算得到未来时段的用户用电量,对第i个供电区域在t+1天时所有用户的用电量进行预测的计算方法如下:
其中为区域i中所有用户在t+1天的用电量预测向量,该向量中的每个元素代表对应用户在t+1天的预测用电量。
本发明的基于时序特征提取的用户用电量预测方法以供电区域为单位对用户的用电行为进行时序分析和预测,首先基于用户的地理位置信息对电力用户进行划分,对各个区域的用户特征和时序特征进行抽取,并基于时序特征构建相应的预测模型,从而实现时空数据相结合的细粒度预测。为了在建模过程中使模型既能捕获区域相关的特征,也能捕获区域无关特征,本发明采用联合学习的方法进行建模,提升了鲁棒性,降低了过拟合的影响。
本发明使用基于联合矩阵三分解方法,使得模型既可以捕获区域相关的特征,也可以捕获区域无关特征,相比于传统方法,本发明采用的方法可以考虑到用户行为的共性和差异性,因此所提取的用户特征和时序特征在特征空间中的表示具有更加丰富的涵义。
本发明基于各个供电区域的时序特征矩阵建立自回归(AR)模型,以区域为单位对用户未来时段的时序特征变化进行建模和预测,并且根据时序特征的预测结果实现用户用电量的预测,方法考虑到对不同方面特征的细粒度分析抽取,因此具有较高的预测精度。
附图说明
图1是本发明的整体***结构示意图;
图2是本发明的基于时序特征提取的用户用电量预测方法的流程图。
具体实施方式
本发明根据用户的用电特征,依据地理位置信息对用户进行划分,得到不同的供电区域。然后以供电区域为分析单位,利用联合矩阵三分解方法对用户特征矩阵和时序特征矩阵进行抽取,在此基础上根据时序特征矩阵构建时间序列预测模型,对未来时段的时序特征变化情况进行预测,最终实现用户用电量预测。
下面结合附图和具体实施方式对本发明的基于时序特征提取的用户用电量预测方法进行详细说明。
本发明主要采用数据挖掘理论和方法对电力数据中的用户进行分析,为了保证***的正常运行,在具体实施中,要求所使用的计算机平台配备不低于8G的内存,CPU核心数不低于4个且主频不低2.6GHz、Windows 7及以上版本的64位操作***,并安装Oracle数据库、Java 1.7及以上版本、Matlab 2011b及以上版本等必备软件环境。
如图1和图2所示,本发明的基于时序特征提取的用户用电量预测方法包括按顺序执行的下列步骤:
S1)输入用户的用电记录数据信息和用户的地理位置信息,构建各区域用户的用电行为表示矩阵,包含三个方面:1)用户用电记录向量的构建;2)对用户按区域划分;3)各区域用户用电记录矩阵的构建。
本发明涉及到的用户数据主要包括用户的用电记录数据以及用户的地理位置信息。用户的地理位置信息来自于用户的个人资料,描述用户居住的具体地点。本发明将用户的地理位置信息按行政单位级别划分为几个部分,然后采用包含对应字符串变量的结构体来统一描述用户的地理位置信息。根据地理位置信息可以将用户划分到不同的供电区域,从而进行进一步的分析和计算。用户的用电记录数据来自于智能电表的均匀采样,包含每个用户在每天的用电量。每个用户一段时间内的用电记录构建成向量,同一个供电区域所用户的用电记录向量聚合成矩阵。矩阵的行表示用户,矩阵的列表示日期,矩阵的每个元素即为用户在列对应的日期的用电记录。
输入用户的用电记录数据涉及的所有用户被表示为集合:
U={u1,u2,...,uL},
其中,L表示数据中包含的用户个数,ui表示第i个用户。
第i个用户的用电记录数据被构建为用电记录向量:
其中代表了用户ui在第d天的用电量。
第i个用户的地理位置信息被表示为结构体:
其中为居住地点中某个组成部分的字符串表示,按行政单位(省、城市、区县、乡镇、街道、小区等)从大到小的顺序排列。根据具体情况选择一定的行政单位作为划分阈值,对用户进行划分,得到不同的供电区域G1,G2,...,GN,其中N表示供电区域的个数。
在S1)中,基于上述用户供电区域划分结果将用户分组,将用户用电记录向量按照上述划分结果进行聚合和归整,并以矩阵的形式进行表示。输入的所有供电区域的用户用电记录数据被表示为矩阵集合:
X={X1,X2,…,XN}
其中N表示供电区域的个数,第i个供电区域的用电记录数据被构建为矩阵的形式其中Ni为该区域内所包含的用户个数,T为历史记录中包含的天数,表示矩阵Xi的第n行,代表从供电区域i中第n个用户的历史用电情况,表示矩阵Xi的第t列,代表供电区域i在第t天所有用户的用电情况。
最终,S1)输出各区域用户的用电记录矩阵:
X1,X2,…,XN,
将上述各用户分组的用电记录集合作为输入数据输入到后续的模型中。
S2)基于S1)中的输出,利用联合矩阵三分解对各区域的用户特征和时序特征进行抽取,设计合理的目标函数求解算法并求解用户的用电需求表示,在抽取过程中尽可能地保留用户历史用电行为特征。
用电特征抽取是根据用户的用电历史、用电行为记录以及地理位置关系,得到用户特征和时序特征在特征空间中的表示,特征抽取过程是以供电区域为单位进行计算的。每个用户特征在特征空间中被表示成一个向量,相同供电区域的用户特征聚合成该区域的用电特征矩阵,矩阵的每一行表示一个用户,每一列表示一个隐含需求变量,矩阵的每个元素表示行对应的用户在列对应的隐含需求变量上的行为特点。每个供电区域每天的时序特征在隐含需求空间中被表示成一个向量,该区域一段时间内的时序特征向量构成时序特征矩阵。矩阵的每一行对应一个日期,每一列代表一个隐含需求变量,每个元素的值表示日期因素对该隐含需求的影响。
基于联合矩阵三分解的特征抽取主要考虑以下三个方面:
1)最大可能地降低每个供电区域用户用电记录矩阵在分解为用户特征矩阵、时序特征矩阵以及系数矩阵过程中的损失,2)保持不同供电区域用户用电记录矩阵分解得到的系数矩阵的一致性;3)最大可能地保持用户特征矩阵、时序特征矩阵以及系数矩阵的平滑。
用电特征抽取算法以用户分组矩阵为单位进行计算,利用联合矩阵三分解方法进行特征抽取。由于每个用户分组的用电记录矩阵具有用户和时序两方面的特征,通过矩阵三分解可以将两种特征抽取出来,并且用一个系数矩阵对两种特征进行连接。对各区域用户历史用电行为进行特征提取的目标函数计算如下:
(1)最大可能地降低每个供电区域用户用电记录矩阵在分解为用户特征矩阵、时序特征矩阵以及系数矩阵过程中的损失:
其中Ui表示区域i的用户特征矩阵,Vi表示区域i的时序特征矩阵,Si为表示上述特征对应关系的系数矩阵,表示计算矩阵的L2范式的平方。
(2)保持不同供电区域用户用电记录矩阵分解得到的系数矩阵的一致性:
在此,所有供电区域分解的损失函数融合到一起,并共享系数矩阵S。虽然在不同的用户分组中时间和用户行为上各个分组均有各自的特点,但是由于在相同的时空领域,因此其对应的连接关系上是存在共性的。因此利用共享系数矩阵的方法进行联合学习,使得模型既可以捕获区域相关的特征,也可以捕获区域无关特征。
(3)最大可能地保持用户特征矩阵、时序特征矩阵以及系数矩阵的平滑:
Z为正则项,通过该正则项可以保持特征矩阵的平滑,降低过拟合的影响。
S3)根据S1)和S2)的输出,对所述时序特征进行建模,进而实现用户用电量预测。
时序特征建模是根据用户所在的供电区域以及经过用电特征抽取得到的时序特征,构建用电量预测模型,并预测用户在未来特定时间内的用电量,主要包括构建预测模型以及用户用电量预测两个部分。
在构建预测模型的过程中,本发明为每个供电区域的时序特征分别构建一个时间序列模型,以拟合不同区域时序特征的变化情况。模型的训练过程是多个区域联合学习的,使得模型既可以捕获区域相关的特征,也可以捕获区域无关特征。
用户用电量预测是根据用户特征以及时序特征的建模结果,计算未来特定时间内的用电量,从而达到用户用电量预测的目的。
时序特征建模过程基于S2)中抽取的时序特征,利用自回归模型对其中包含的时间依赖性进行建模,捕获时序特征的变化规律,进而实现对未来时段特征变化情况的预测。
用户用电量预测是利用提取的所述用户特征矩阵、系数矩阵以及时序特征的预测结果,计算得到未来时段的用户用电量。
基于时序特征的时间依赖性,本发明利用自回归(AR)模型对时序特征进行拟合,AR模型部分的损失函数有如下形式:
其中Wi∈RK×(l×K)为自回归系数,l为AR模型的阶数,F(·,·)为一个连接函数,通过该函数可以将多个向量拼接成一个长向量。通过该拟合目标可以使模型能够根据历史时序特征矩阵预测未来时段的时序特征的变化趋势。
因此本发明预测方法的总体目标函数为
L=l2+l3+Z
即:
本发明的用户用电量预测方法利用提取的用户特征矩阵、系数矩阵以及时序特征的预测结果,计算得到未来时段的用户用电量。
目标函数L同时是Ui,Vi,Wi和S的凸函数,为了提高算法的求解速率并降低算法对存储空间的需求,采用基于梯度下降的迭代更新方法来求解上述参数。
用户用电量预测过程是根据求解得到的S,Ui,Vi和Wi,以及时序特征的预测结果,计算得到未来时段的用户用电量。对第i个供电区域在t+1天时所有用户的用电量进行预测,具体计算方法如下:
其中为区域i中所有用户在t+1天的用电量预测向量,该向量中的每个元素代表对应用户在t+l天的预测用电量。
前述式中的l1、l2、l3分别代表损失函数的不同形式或不同部分,l2是l1的改进版,l2和l3分别是整体损失函数的一部分。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种基于时序特征提取的用户用电量预测方法,包括按顺序执行的下列步骤:
S1)输入用户的用电记录数据信息和用户的地理位置信息,构建各区域用户的用电行为表示矩阵;
S2)基于S1)中的输出,利用联合矩阵三分解对各区域的用户特征和时序特征进行抽取,设计合理的目标函数求解算法并求解用户的用电需求表示,在抽取过程中尽可能地保留用户历史用电行为特征;
S3)根据步骤S1)和S2)的输出,对时序特征进行建模,进而实现用户用电量预测。
2.根据权利要求1所述的用户用电量预测方法,其特征在于:在S1)中,输入的用户用电记录数据中的所有用户被表示为集合:
U={u1,u2,…,uL}
其中,L表示数据中包含的用户个数,ui表示第i个用户,
第i个用户的用电记录数据被构建为用电记录向量:
其中, 表示用户ui在第d天的用电量;
第i个用户的地理位置信息被表示为结构体:
其中为居住地点中某个组成部分的字符串表示,按行政单位(省、城市、区县、乡镇、街道、小区等)从大到小的顺序排列,根据具体情况选择一定的行政单位作为划分阈值对用户进行划分,得到不同的供电区域G1,G2,…,GN,其中N表示供电区域的个数;
基于所述用户供电区域划分结果将用户分组,将用户用电记录向量按照上述划分结果进行聚合和归整,并以矩阵的形式进行表示,输入的所有供电区域的用户用电记录数据被表示为矩阵集合:
X={X1,X2,…,XN}
其中N表示供电区域的个数,第i个供电区域的用电记录数据被构建为矩阵的形式其中Ni为该区域内所包含的用户个数,T为历史记录中包含的天数,表示矩阵Xi的第n行,代表供电区域i中第n个用户的历史用电情况,表示矩阵Xi的第t列,代表供电区域i在第t天所有用户的用电情况;
最终,S1)输出各区域用户的用电记录矩阵:
X1,X2,…,XN,
将上述各用户分组的用电记录集合作为输入数据输入到后续的模型中。
3.根据权利要求2所述的用户用电量预测方法,其特征在于:在S2)中,所述的用电特征抽取算法以用户分组矩阵为单位进行计算,利用联合矩阵三分解方法进行特征抽取,对各区域用户历史用电行为进行特征提取的目标函数计算如下:
(1)最大可能的降低每个供电区域用户用电记录矩阵在分解为用户特征矩阵、时序特征矩阵以及系数矩阵过程中的损失:
其中Ui表示区域i的用户特征矩阵,Vi表示区域i的时序特征矩阵,Si为表示上述特征对应关系的系数矩阵,表示计算矩阵的L2范式的平方;
(2)保持不同供电区域用户用电记录矩阵分解得到的系数矩阵的一致性:
在此,所有供电区域分解的损失函数融合到一起,并共享系数矩阵S;
(3)最大可能的保持用户特征矩阵、时序特征矩阵以及系数矩阵的平滑:
其中,Z为正则项,通过该正则项来保持特征矩阵的平滑,降低过拟合的影响。
4.根据权利要求3所述的用户用电量预测方法,其特征在于:在S3)中,通过自回归模型对时序特征矩阵中包含的时间依赖性进行建模,捕获时序特征的变化规律,进而实现对未来时段特征变化情况的预测。
5.根据权利要求4所述的用户用电量预测方法,其特征在于:基于时序特征的时间依赖性,利用自回归模型对时序特征进行拟合,AR模型部分的损失函数有如下形式:
其中Wi∈RK×(l×K)为自回归系数,l为AR模型的阶数,F(·,·)为一个连接函数,通过该函数将多个向量拼接成一个长向量,通过该拟合目标使模型能够根据历史时序特征矩阵预测未来时段的时序特征的变化趋势。
6.根据权利要求4所述的用户用电量预测方法,其特征在于,该预测方法的总体目标函数为:
L=l2+l3+Z
即:
目标函数L同时是Ui,Vi,Wi和S的凸函数,采用基于梯度下降的迭代更新方法来求解上述参数,
用户用电量预测过程根据求解得到的S,Ui,Vi和Wi以及时序特征的预测结果,计算得到未来时段的用户用电量,对第i个供电区域在t+1天时所有用户的用电量进行预测的计算方法如下:
其中为区域i中所有用户在t+1天的用电量预测向量,该向量中的每个元素代表对应用户在t+1天的预测用电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436298.5A CN109740790A (zh) | 2018-11-28 | 2018-11-28 | 一种基于时序特征提取的用户用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811436298.5A CN109740790A (zh) | 2018-11-28 | 2018-11-28 | 一种基于时序特征提取的用户用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740790A true CN109740790A (zh) | 2019-05-10 |
Family
ID=66358179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811436298.5A Pending CN109740790A (zh) | 2018-11-28 | 2018-11-28 | 一种基于时序特征提取的用户用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740790A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
CN111062502A (zh) * | 2019-12-17 | 2020-04-24 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111652573A (zh) * | 2020-05-22 | 2020-09-11 | 深圳市周大福珠宝制造有限公司 | 产品生产过程管理***及方法 |
CN111860865A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 模型构建和分析的方法、装置、电子设备和介质 |
CN111934318A (zh) * | 2020-08-13 | 2020-11-13 | 彭浩明 | 非侵入式电力负荷分解方法、装置、设备及存储介质 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
CN113377827A (zh) * | 2021-04-30 | 2021-09-10 | 西安电子科技大学 | 一种基于Conv-LSTM网络的窃电检测方法和*** |
CN115031794A (zh) * | 2022-04-29 | 2022-09-09 | 天津大学 | 一种多特征图卷积的新型气固两相流流量测量方法 |
CN117495434A (zh) * | 2023-12-25 | 2024-02-02 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040083452A1 (en) * | 2002-03-29 | 2004-04-29 | Minor James M. | Method and system for predicting multi-variable outcomes |
CN105335800A (zh) * | 2015-11-19 | 2016-02-17 | 国网天津市电力公司 | 一种基于联合学习的电力用户用电量预测方法 |
CN105447767A (zh) * | 2015-11-19 | 2016-03-30 | 国网天津市电力公司 | 一种基于联合矩阵分解模型的电力用户细分方法 |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
-
2018
- 2018-11-28 CN CN201811436298.5A patent/CN109740790A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040083452A1 (en) * | 2002-03-29 | 2004-04-29 | Minor James M. | Method and system for predicting multi-variable outcomes |
CN105335800A (zh) * | 2015-11-19 | 2016-02-17 | 国网天津市电力公司 | 一种基于联合学习的电力用户用电量预测方法 |
CN105447767A (zh) * | 2015-11-19 | 2016-03-30 | 国网天津市电力公司 | 一种基于联合矩阵分解模型的电力用户细分方法 |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
CN111062502A (zh) * | 2019-12-17 | 2020-04-24 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN111062502B (zh) * | 2019-12-17 | 2023-07-14 | 国网湖南省电力有限公司 | 用户用电行为细分方法及其故障分析方法 |
CN113139672A (zh) * | 2020-05-07 | 2021-07-20 | 国网能源研究院有限公司 | 一种居民生活用电量预测方法 |
CN111652573B (zh) * | 2020-05-22 | 2023-04-18 | 深圳市周大福珠宝制造有限公司 | 产品生产过程管理***及方法 |
CN111652573A (zh) * | 2020-05-22 | 2020-09-11 | 深圳市周大福珠宝制造有限公司 | 产品生产过程管理***及方法 |
CN111860865A (zh) * | 2020-07-23 | 2020-10-30 | 中国工商银行股份有限公司 | 模型构建和分析的方法、装置、电子设备和介质 |
CN111934318A (zh) * | 2020-08-13 | 2020-11-13 | 彭浩明 | 非侵入式电力负荷分解方法、装置、设备及存储介质 |
CN111934318B (zh) * | 2020-08-13 | 2024-02-27 | 彭浩明 | 非侵入式电力负荷分解方法、装置、设备及存储介质 |
CN113377827A (zh) * | 2021-04-30 | 2021-09-10 | 西安电子科技大学 | 一种基于Conv-LSTM网络的窃电检测方法和*** |
CN113377827B (zh) * | 2021-04-30 | 2023-07-25 | 西安电子科技大学 | 一种基于Conv-LSTM网络的窃电检测方法和*** |
CN115031794A (zh) * | 2022-04-29 | 2022-09-09 | 天津大学 | 一种多特征图卷积的新型气固两相流流量测量方法 |
CN117495434A (zh) * | 2023-12-25 | 2024-02-02 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
CN117495434B (zh) * | 2023-12-25 | 2024-04-05 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740790A (zh) | 一种基于时序特征提取的用户用电量预测方法 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Domínguez-Muñoz et al. | Selection of typical demand days for CHP optimization | |
Lee et al. | Forecasting nonlinear time series of energy consumption using a hybrid dynamic model | |
CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Liu et al. | Edge sensing data-imaging conversion scheme of load forecasting in smart grid | |
CN113591368A (zh) | 一种综合能源***多能负荷预测方法及*** | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
Kong et al. | Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
Zheng et al. | Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit | |
CN117521724A (zh) | 一种基于lstm网络模型的电力功率负荷预测方法及预测装置 | |
Dadhich et al. | Development of electric load prediction techniques for rajasthan region and suggestive measures for optimum use of energy using multi-objective optimization | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源***冷热负荷数据驱动预测方法 | |
Li | Energy consumption forecasting with deep learning | |
CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
Wu et al. | SSDP model with inflow clustering for hydropower system operation | |
Zhang et al. | Power Network Smart Meter Data Driven Cross-Task Transfer Learning for Resident Characteristics Estimation | |
CN112560325B (zh) | 换电业务的预测方法、***、设备及存储介质 | |
Pawar et al. | Electricity Forecasting Using Machine Learning: A Review | |
Rohith et al. | GUI energy demand forecast using LSTM deep learning model in python platform | |
Lai et al. | Scheduling air conditioner testing tasks under time-of-use electricity tariff: A predict in and for optimization approach | |
Guan et al. | Distributed Short-Term Load Forecasting for Interconnecting Power Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |