[发明专利]一种具有可解释特性的电力负荷预测方法、系统及终端机

说明书

本发明提供一种具有可解释特性的电力负荷预测方法、系统及终端机，涉及电力负荷预测技术领域，方法中，初始化三个因子：季节因子、趋势因子以及平滑因子；依次用S₁、T₁、I₁分别表示；计算当前DeepES单元中三个因子在t+1时刻的状态；向下一个DeepES单元输出三个因子S_t+1、T_t+1、I _t+1；重复执行直到第n个DeepES单元运行结束；基于最后一个DeepES单元输出的三个因子来计算预测值Y。在负荷预测中，构建具有可解释性的预测模型，能够让用户理解模型的推理过程，有助于增加对模型的可信度。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种具有可解释特性的电力负荷预测方法、系统及终端机。

背景技术

现有的电力负荷预测可以分为两大类。一是基于统计模型的负荷预测方法，这类方法基于数学、统计理论构建，具有很好的可解释性。常见的有自回归移动平均、自回归等时间序列模型。此外，也有基于卡尔曼滤波的预测方法，基于指数平滑度预测方法。另一类就是基于神经网络的预测方法，这是目前主流的预测方法。其中以长短期记忆网络LSTM(Long Short-Term Memory,LSTM)和门控循环单元(Gate Recurrent Unit,GRU)为主的循环神经网络(Recurrent Neural Network,RNN)在负荷预测中有广泛应用。

现有技术中，基于统计模型的预测方法，其特点是可解释性强，但是效果没有基于神经网络的好。相反，神经网络模型具有很强的非线性映射能力，能够实现效果不错的负荷预测。但是，模型可解释性是神经网络的主要缺点。由于神经网络本身是一个黑核，在网络中，很难厘清模型对负荷序列特征的提取过程，影响电力负荷预测的可信度。

发明内容

为了克服上述现有技术中的不足，本发明提供一种具有可解释特性的电力负荷预测方法，电力负荷预测方法将指数平滑模型和深度学习结合，称为深度指数平滑模型(DeepExponential Smoothing，简称DeepES)。一方面，利用深度学习在时序特征挖掘中的优势；另一方面，利用指数平滑模型的可解释性特征。使方法具有很好的可解释性。

方法包括：步骤一、初始化三个因子：季节因子、趋势因子以及平滑因子；依次用S₁、T₁、I₁分别表示；

步骤二、计算当前DeepES单元中三个因子在t+1时刻的状态；

即S_t+1、T_t+1、I_t+1；

步骤三、向下一个DeepES单元输出三个因子S_t+1、T_t+1、I_t+1；

步骤四、重复执行步骤二至步骤三，直到第n个DeepES单元运行结束；

步骤五、基于最后一个DeepES单元输出的三个因子来计算预测值Y。

进一步需要说明的是，步骤一中的初始化因子方式包括：构建网络框架；

在网络框架内设置激活函数，使用网络框架计算当前DeepES单元中三个因子在t+1时刻的状态；

将使用网络框架计算出的S_t+1、T_t+1、I_t+1输出给下一个DeepES单元。

进一步需要说明的是，步骤一中的初始化因子方式还包括：

输入序列为{X₁,X₂,…,X_n}，其长度为n；