[发明专利]用于预测电力负荷的方法和装置

说明书

本申请实施例公开了用于预测电力负荷的方法和装置。该方法的一具体实施方式包括：获取待预测企业的历史电力负荷数据、历史环境数据和未来环境数据；利用预先训练的编码器对待预测企业的历史电力负荷数据和历史环境数据进行编码，得到待预测企业的历史电力负荷特征；利用预先训练的解码器对待预测企业的历史电力负荷特征和未来环境数据进行解码，得到待预测企业的未来电力负荷预测数据。该实施方式涉及云计算领域，提供了一种基于编码器和解码器结合的电力负荷预测方法。使用编码器学习企业的历史电力负荷特征，使用解码器预测企业的未来电力负荷数据，提高了电力负荷的预测准确度。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于预测电力负荷的方法和装置。

背景技术

随着国内电力改革的进行，越来越多的企业进入了电力市场。据统计，目前国内已经有超过两万家售电企业。由于电的特殊性，国家要求售电企业需要提前预估他们将要使用的电量，并进行申报。如果最终使用的真实电量与申报的电量之间的偏差超过一定范围，会对售电企业进行高额的偏差罚款。因此，电力负荷预测对于售电企业特别重要，关系着售电企业的存亡。

目前，常用的电力负荷预测方法包括相似日方法、时间序列方法等等。其中，相似日方法是通过选择相似的历史日数据，然后从中获得加权平均值来预测电力负荷。时间序列方法是根据企业历史电力负荷数据，建立一个电力负荷随时间变化的数据模型，在该模型的基础上进行未来电力负荷的预测。

发明内容

本申请实施例提出了用于预测电力负荷的方法和装置。

第一方面，本申请实施例提供了一种用于预测电力负荷的方法，包括：获取待预测企业的历史电力负荷数据、历史环境数据和未来环境数据；利用预先训练的编码器对待预测企业的历史电力负荷数据和历史环境数据进行编码，得到待预测企业的历史电力负荷特征；利用预先训练的解码器对待预测企业的历史电力负荷特征和未来环境数据进行解码，得到待预测企业的未来电力负荷预测数据。

在一些实施例中，编码器是卷积神经网络，解码器是长短期记忆网络。

在一些实施例中，利用预先训练的编码器对待预测企业的历史电力负荷数据和历史环境数据进行编码，得到待预测企业的历史电力负荷特征，包括：基于待预测企业的历史电力负荷数据和历史环境数据，生成待测企业的历史二维数据，其中，历史二维数据包括时间维度和空间维度，时间维度包括历史时间点，空间维度包括每个历史时间点的电力负荷数据和环境数据；基于历史二维数据，生成待预测企业的历史图像；将待预测企业的历史图像输入至卷积神经网络，得到待预测企业的历史电力负荷特征。

在一些实施例中，卷积神经网络包括输入网络、残差神经网络和输出网络，输入网络涉及的操作包括以下至少一项：卷积、批标准化和激活函数变换，残差神经网络涉及的操作包括以下至少一项：卷积、随机失活、激活函数变换、批标准化和最大池化，输出网络涉及的操作包括以下至少一项：批标准化和平均池化。

在一些实施例中，残差神经网络通过直连将输入网络的输出经过最大池化后与残差神经网络的输出合并。

在一些实施例中，长短期记忆网络包括多个长短期记忆单元，每个长短期记忆单元包括输入门、遗忘门和输出门。

在一些实施例中，编码器和解码器通过如下步骤训练得到：获取训练样本集合，其中，每个训练样本包括以下三部分：第一预设长度的样本电力负荷数据和样本环境数据、第二预设长度的样本环境数据和第二预设长度的样本电力负荷数据；对于训练样本集合中的训练样本，将该训练样本中的第一预设长度的样本电力负荷数据和样本环境数据作为编码器的输入，将编码器的输出和该训练样本中的第二预设长度的样本环境数据作为解码器的输入，将该训练样本中的第二预设长度的样本电力负荷数据作为解码器的输出，训练出编码器和解码器。