[发明专利]基于神经网络的电力数据流预测方法、装置、设备及介质

说明书

本发明提供了基于神经网络的电力数据流预测方法、装置、设备及介质，涉及数据处理技术领域，包括：获取历史电力数据流集合，预处理以获得具有以月、周、日为时间序列的处理数据；建立初始模型，采用所述处理数据对所述初始模型进行训练，获得目标模型；将所述处理数据输入至所述目标模型，输出具有以月、周、日为时间序列的预测数据流；基于所述具有以月、周、日为时间序列的预测数据流对各个时间序列下的预测数据流进行加权，获得具有日为时间序列的目标结果，解决现有的统计分析对于电力日现金流的预测结果准确度不够的问题。

技术领域

本发明涉及数据处理技术领域，尤其涉及基于神经网络的电力数据流预测方法、装置、设备及介质。

背景技术

电力销售日现金流预测指在未来特定时间内，对每日电网账户内现金流进行预测。日现金预测旨在充分考虑未来各种影响因素的基础上，帮助企业做好财务预算,在强化存量资金高效运作方面，帮助逐步推行单位存量资金“零余额”管理,在细化流量资金精益管理方面，帮助实施现金流预算按月编制按日排程。其结果对电网的发展规划和战略部署都有着非常重要的意义。

然而进行高精度的按日为单位预测并不容易。目前可用于销售预测的数据挖掘工具主要有线性或非线性回归模型、灰色系统模型、最大嫡马尔可夫模型等。尽管这些模型已被广泛应用于经济预测领域，但一方面影响每日售电收入的因素非常，如影响每日售电收入的因素不仅有用户的平均用电量，还与季节、节假日、用户的缴费方式和行为模式等有关。居民用户的用电往往具有很明显的季节性影响，如冬天和夏天由于空调使用频率高，由此导致这两个季节的用电量会相对较多，而周末与非周末的缴费行为也会有明显的差异；另一方面其中涉及的用户量非常大。由此导致了这些预测方法在电力销售日现金流预测中的准确性无法保证。

如上述所述，现有大多统计分析模型很难拟合多因素相互作用，无法解决电力销售日现金流的精确预测。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种基于神经网络的电力数据流预测方法、装置、设备及介质，解决现有的统计分析对于电力日现金流的预测结果准确度不够的问题。

本发明公开了一种基于神经网络的电力数据流预测方法，包括：

获取历史电力数据流集合，对所述历史电力数据流集合进行预处理，以获得具有以月、周、日为时间序列的处理数据；

基于双向LSTM网络和Transformer网络建立初始模型，采用所述处理数据作为训练数据对所述初始模型进行训练，获得目标模型；

将所述处理数据输入至所述目标模型，采用所述目标模型的双向LSTM网络进行双向特征提取，获得前向特征值、后向特征值；

将所述前向特征值、所述后向特征值输入至所述目标模型的Transformer网络中，编码后分别获得前向特征编码和后向特征编码；

对所述前向特征编码分别进行第一单层卷积操作和第二单层卷积操作，并在对所述后向特征编码进行第三单层卷积操作后进行特征融合，获得融合特征；

基于所述融合特征进行解码，并通过线性输出层输出具有以月、周、日为时间序列的预测数据流；

基于所述具有以月、周、日为时间序列的预测数据流对各个时间序列下的预测数据流进行加权，获得具有日为时间序列的目标结果。

优选地，所述将所述处理数据输入至目标模型，并采用目标模型的双向LSTM网络中进行双向特征提取，获得前向特征值、后向特征值，包括：

在双向LSTM网络的正向传播中，根据所述处理数据的t-1周期的前向特征值以及预设第一网络权重生成t周期的前向特征值，迭代获得前向特征值；其中，t∈(1,2,...,n)，当t＝1时，t-1周期的前向特征值为0；