区域负荷预测方法及装置与流程

1.本技术涉及负荷预测技术领域，更具体地说，涉及一种区域负荷预测方法及装置。


背景技术：

2.负荷预测为电力管理的重要组成部分。对负荷的准确预测维持电网系统安全稳定运行的关键。台区是指一台变压器的供电范围或区域，由于台区级整体负荷变化规律性较弱，导致采用现有技术所获取的台区负荷预测结果可靠性较低。因而，如何准确地对台区负荷进行预测成为了人们关注的重点。


技术实现要素：

3.有鉴于此，本技术提供了一种区域负荷预测方法及装置，用于解决现有技术中难以准确地对台区负荷进行预测的缺点。
4.为了实现上述目的，现提出的方案如下：
5.一种区域负荷预测方法，包括：
6.确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；
7.采集所述环境特征类型对应的环境值；
8.获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；
9.将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；
10.将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；
11.根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。
12.可选的，所述确定与负荷相关的环境特征类型，包括：
13.确定多项外在环境类型；
14.获取每一项外在环境类型的环境值序列，并将各个所述环境值序列组合形成变量集；
15.采用主成分分析方法对所述变量集进行筛选及降维，生成每一项外在环境类型对应的特征值；
16.根据各个所述特征值，提取所述多项外在环境类型中的主成分作为与负荷相关的环境特征类型。
17.可选的，所述根据各个所述特征值，提取所述多项外在环境类型中的主成分作为与负荷相关的环境特征类型，包括：
18.依次计算每个所述环境值对应的方差贡献值；
19.对各个所述方差贡献值由大至小进行排序，得到排序结果；
20.初始化加数；
21.从所述排序结果中选取排序为首的方差贡献值作为目标贡献值，并从所述排序结果中删除所述目标贡献值，记录所述目标贡献值对应的外在环境类型；
22.判断所述目标贡献值与所述加数之和是否大于预置的贡献阈值，若不大于，则将所述目标贡献值与所述加数之和作为新的加数，返回执行从所述排序结果中选取排序为首的方差贡献值作为目标贡献值的步骤，直至所述目标贡献值与所述加数之和超过所述贡献阈值为止；
23.将最终记录得到的所有外在环境类型作为主成分，形成与负荷相关的环境特征类型。
24.可选的，所述确定区域的所有用户类型，包括：
25.确定所述区域中每个用户的历史负荷曲线；
26.从每个所述用户对应的历史负荷曲线中，提取所述用户对应的用电行为特征；
27.采用模糊c均值聚类遗传算法ga-fcm，对各个所述用电行为特征进行聚类，得到包含多个聚类集合的聚类结果，每个所述聚类集合中包含多个用户对应的用电行为特征，各个聚类集合的所有用电行为特征组成所述区域所有用户对应的用电行为特征；
28.确定每个所述聚类集合对应的用户类型，各个所述聚类集合对应的用户类型组成所述区域的所有用户类型。
29.可选的，所述从每个所述用户对应的历史负荷曲线中，提取所述用户对应的用电行为特征，包括：
30.依次从每个所述历史负荷曲线中选取多个波动点，其中，每个所述历史负荷曲线的波动点数量相同；
31.根据所述历史负荷曲线的波动点，对所述历史负荷曲线进行分割，形成多段子曲线；
32.从每段所述子曲线中提取曲线特征，所述用户对应的各个所述曲线特征以及各个波动点形成该用户对应的用电行为特征。
33.可选的，获取每个所述用户类型对应的长短期记忆神经网络bilstm预测网络，包括：
34.获取所述用户类型对应的初始化bilstm模型；
35.获取所述用户类型对应的多个训练负荷序列，每个所述训练负荷序列标记有环境特征类型对应的训练环境值，所述训练负荷序列拼接有前一周期历史负荷序列及后一周期历史负荷序列；
36.利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练，直至所述初始化bilstm模型收敛为止，将最终得到的初始化bilstm模型作为所述用户类型对应的长短期记忆神经网络bilstm预测网络。
37.可选的，所述利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练，包括：
38.设定swa权重参数；
39.初始化迭代次数；
40.依次将每个所述训练负荷序列输入至所述初始化bilstm模型中，得到所述初始化
bilstm模型基于所述训练负荷序列中前一周期历史负荷序列输出的预测序列；
41.对迭代次数进行加1；
42.将所述预测序列与所述训练负荷序列中后一周期历史负荷序列进行比对，得到比对结果；
43.根据所述比对结果及所述swa权重参数，对所述初始化bilstm模型的参数进行随机梯度下降；
44.判断所述迭代次数是否等于预置的迭代阈值；
45.若等于，则求取调整后参数的加权平均值，并将所述加权平均值作为新的swa权重参数，返回执行初始化迭代次数的步骤；
46.若不等于，则返回执行依次将每个所述训练负荷序列输入至所述初始化bilstm模型中，得到所述初始化bilstm模型基于所述训练负荷序列中前一周期历史负荷序列输出的预测序列的步骤。
47.可选的，所述将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列，包括：
48.将所述标注后的负荷序列输入至对应的bilstm预测网络，利用所述bilstm预测网络基于所述负荷序列以及标注于所述负荷序列的环境特征类型对应的环境值进行负荷预测，形成并输出负荷预测序列。
49.可选的，所述根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果，包括：
50.参考每个所述用户类型对应的所述负荷预测序列及其对应用户人数，获取所述用户类型对应的负荷预测结果；
51.将各个所述用户类型对应的负荷预测结果进行汇总，形成所述区域的预测结果。
52.一种区域负荷预测装置，包括：
53.确定模块，用于确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；
54.采集模块，用于采集所述环境特征类型对应的环境值；
55.获取模块，用于获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；
56.标注模块，用于将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；
57.预测模块，用于将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；
58.叠加模块，用于根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。
59.从上述的技术方案可以看出，本技术提供的区域负荷预测方法，该方法可以确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；采集所述环境特征类型对应的环境值；获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预
测网络；将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；如此，本技术可以将区域中的所有用户划分为多个类型，从而，更好地辨别每一用户类型的负荷变化规律，针对性地根据用户类型完成负荷预测，且能够综合参考负荷序列以及外在环境特征进行负荷预测，进一步本技术负荷预测的可靠性及准确性；每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果；如此，本技术可以根据各个用户类型的用户人数，将各个用户类型的负荷预测序列进行汇总，从而，得到整个区域的负荷预测结果。台区亦属于区域中的一种，可见，本技术可以进一步提高区域负荷预测的准确度。
附图说明
60.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
61.图1为本技术实施例公开的一种区域负荷预测方法流程图；
62.图2为本技术实施例公开的一种bilstm预测网络的结构示意图；
63.图3为本技术实施例公开的一种lstm神经元的结构示意图；
64.图4为本技术实施例公开的一种区域负荷预测装置结构框图；
65.图5为本技术实施例公开的一种区域负荷预测设备的硬件结构框图。
具体实施方式
66.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
67.本发明实施例提供一种区域负荷预测方法，该方法可以应用于各种计算机终端或是智能终端中，其执行主体可以为计算机终端或是智能终端的处理器或服务器，所述区域负荷预测方法的方法流程图如图1所示，具体包括：
68.步骤s1、确定与负荷相关的环境特征类型及区域的所有用户类型。
69.具体地，每个用户类型对应区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户。
70.区域的范围可以较大也可以较小，可以对应于一个台区对应的范围，也可以对应于多个台区对应的范围。
71.一个区域可以存在两个以上用户类型，同一用户类型的负荷变化规律基本一致。
72.可以存在一个或多个与负荷相关的环境特征类型，环境特征类型可以为影响电器使用情况的环境因素，如月份、最高气温、最低气温、降雨量或潮湿度等环境因素。
73.步骤s2、采集所述环境特征类型对应的环境值。
74.具体地，可以采集每个环境特征类型对应的环境值，例如，可以采集最高气温的数
值以及最低气温的数值等。
75.步骤s3、获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络。
76.具体地，不同的用户类型对应于不同的bilstm预测网络，各个用户类型与各个bilstm预测网络一一对应。
77.bilstm预测网络经过该用户类型的真实负荷序列训练得到。bilstm预测网络可以基于对应用户类型中任一用户的负荷序列，预测该用户类型对应的负荷预测序列。
78.bilstm预测网络可以由两个长短期记忆网络lstm网络互相连接组成，一个lstm网络构成bilstm预测网络的正向传播隐藏层，另一个lstm网络构成bilstm预测网络的反向传播隐藏层，如图2所示。
79.图2中的x
t
′
为输入负荷序列中t时刻对应的负荷值，y
t
为负荷预测序列中t时刻对应的负荷预测值，h
′
t
为t时刻对应的隐藏层状态。
80.bilstm预测网络中的关系为：
[0081][0082][0083][0084]
为t时刻对应的正向传播隐藏层的状态；为t时刻对应的反向传播隐藏层的状态。
[0085]
lstm网络可以主要由遗忘门、输入门、输出门和记忆单元构成，如图3所示。记忆单元t时刻的状态可以由遗忘部分状态和保留部分状态组成；其中，遗忘部分状态由t时刻输入、记忆单元t-1时刻的状态及t时刻的中间输出h
t
共同决定，保留部分状态由遗忘部分状态分别经过σ函数和tanh函数变换后的输出共同决定。h
t
在输出门中由遗忘部分状态和记忆单元t时刻的状态经变换处理得到，其中，σ函数可以为sigmoid函数。tanh函数为双曲正切函数。
[0086]
图3中各变量计算公式可以如下所示：
[0087]ft
＝σ(wf×
[h
t＝1
,x
t
]+bf)
[0088]it
＝σ(wi×
[h
t-1
,x
t
]+bi)
[0089]gt
＝tanh(wg×
[h
t-1
,x
t
]+bg)
[0090]ot
＝σ(wo×
[h
t-1
,x
t
]+bo)
[0091]ct
＝c
t-1
×ft
+g
t
×it
[0092]ht
＝o
t
×
tanh(c
t
)
[0093]
x
t
可以为t时刻的输入；wf可以为遗忘门的权重矩阵；x
t
可以为t时刻对应的输入；bf可以为遗忘门的偏置项；wi及wg可以为输入门的权重矩阵；bi及bg可以为输入门的偏置项；bo可以为输出门的偏置项；c
t-1
可以为记忆单元t-1时刻的状态；h
t
可以为t时刻的中间输出；wo可以为输出门的权重矩阵。
[0094]
可以通过多种方式获取每个用户类型对应的负荷序列，例如，可以获取每个用户
类型中任意一个用户上一周期的负荷序列作为该用户类型对应的负荷序列，也可以获取每个用户类型中任意多个用户上一周期的负荷序列，将多个负荷序列间的平均序列作为该用户类型对应的负荷序列。
[0095]
可以对负荷序列进行预处理，补偿负荷序列中的异常值以及缺失值。
[0096]
在预处理过程中，可以将每一时段中每一时刻的负荷值，与前一个时段、前两个时段、后两个时段、后一个时段及上一个周期同一时段同一时刻的负荷平均值进行比较，在负荷值与负荷平均值间的差值小于预置的差值范围时，确定该负荷值无误；在超过差值范围时，将该负荷值更新为该负荷平均值。
[0097]
可以采用如下公式计算负荷平均值：
[0098][0099]
其中，l
m,n
可以为负荷平均值；l
m,n-1
可以为前一个时段同一时刻的负荷值；l
m,n-2
可以为前两个时段同一时刻的负荷值；l
m,n+1
可以为后一个时段同一时刻的负荷值；l
m,n+2
可以为后两个时段同一时刻的负荷值；l
m-1,n
可以为上一个周期同一时段同一时刻的负荷值。
[0100]
负荷序列可以包含上一周期中各个时刻的负荷值，负荷预测序列可以包含当前周期中各个时刻的负荷预测值。
[0101]
步骤s4、将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列。
[0102]
具体地，可以在每个负荷序列上都标注各个环境特征类型及其对应的环境值。
[0103]
步骤s5、将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列。
[0104]
具体地，可以将标注后的负荷序列输入至该负荷序列对应的bilstm预测网络中，利用该负荷序列对应的bilstm预测网络基于该负荷序列的负荷变化情况以及每个环境特征类型对应的环境值，对当前周期的负荷进行预测，得到该用户类型对应的负荷预测序列。
[0105]
步骤s6、根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。
[0106]
具体地，可以根据每个用户类型对应的用户人数，对各个负荷预测序列进行加权，形成区域的预测结果。
[0107]
从上述的技术方案可以看出，本技术实施例供的区域负荷预测方法，该方法可以确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；采集所述环境特征类型对应的环境值；获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；如此，本技术可以将区域中的所有用户划分为多个类型，从而，更好地辨别每一用户类型的负荷变化规律，针对性地根据用户类型完成负荷预测，且能够综合参考负荷序列以及外在环境特征进行负荷预测，进一步本技术负荷预测的可靠性及准确性；每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果；如此，本技术可以根据各个用户类型的用户人数，将各个用
户类型的负荷预测序列进行汇总，从而，得到整个区域的负荷预测结果。台区亦属于区域中的一种，可见，本技术可以进一步提高区域负荷预测的准确度。
[0108]
在本技术的一些实施例中，对步骤s1中确定与负荷相关的环境特征类型的过程进行详细说明，步骤如下：
[0109]
s10、确定多项外在环境类型。
[0110]
具体地，可以确定多个可能与负荷相关的外在环境类型，如最高气温、最低气温、当日平均气温、前1日平均气温、湿度、降水量、天气状况、日期类型及月份等类型。
[0111]
日期类型可以为星期几。
[0112]
天气状况可以为晴、多云、阴、阵雨天气类型。
[0113]
s11、获取每一项外在环境类型的环境值序列，并将各个所述环境值序列组合形成变量集。
[0114]
具体地，可以获取每一项外在环境类型在上一周期中多个时段内的环境值，形成环境值序列。
[0115]
以每个所述环境值序列为集合中的一行，形成变量集。
[0116]
s12、采用主成分分析方法对所述变量集进行筛选及降维，生成每一项外在环境类型对应的特征值。
[0117]
具体地，可以计算变量集对应的协方差矩阵，根据变量集对应的协方差矩阵计算每个外在环境类型对应的特征值及正交化单位特征向量。
[0118]
协方差矩阵的组成可以如下所示：
[0119]
s＝∑(s
ij
)n×n[0120][0121]
p可以为在上一周期中所包含的时段的数量；n可以为外在环境类型的总数量；i及j的取值范围为[1，n]；可以为第i项外在环境类型的各个环境值间的平均值；可以为第j项外在环境类型的各个环境值间的平均值；x
ki
可以为变量集中第k行第i列对应的环境值；x
kj
可以为变量集中第k行第j列对应的环境值。
[0122]
s13、根据各个所述特征值，提取所述多项外在环境类型中的主成分作为与负荷相关的环境特征类型。
[0123]
具体地，可以对各个特征值进行排序，选取前n个特征值对应的外在环境类型为与负荷相关的环境特征类型。
[0124]
从上述技术方案可以看出，本实施例提供了一种可选的选取与负荷相关的环境特征类型的方式，通过上述的方式可以提取外在环境类型中的主要成分作为环境特征类型，以在降低数据处理难度的同时，保证负荷预测的准确度。
[0125]
在本技术的一些实施例中，对步骤s13、根据各个所述特征值，提取所述多项外在环境类型中的主成分作为与负荷相关的环境特征类型的过程进行详细说明，步骤如下：
[0126]
s130、依次计算每个所述特征值对应的方差贡献值。
[0127]
具体地，可以利用方差贡献值计算方式，计算每个环境值对应的方差贡献值。
[0128]
方差贡献值计算方式可以如下所示：
[0129][0130]
λi可以为第i个特征值；ηi可以为第i个特征值对应的方差贡献值；λk可以为第k个特征值。
[0131]
s131、对各个所述方差贡献值由大至小进行排序，得到排序结果。
[0132]
具体地，可以数值大为先，数值小为后，对各个方差贡献值进行排序，得到排序结果。
[0133]
s132、初始化加数。
[0134]
具体地，可以对加数进行初始化，得到数值为0的加数。
[0135]
s133、从所述排序结果中选取排序为首的方差贡献值作为目标贡献值，并从所述排序结果中删除所述目标贡献值，记录所述目标贡献值对应的外在环境类型。
[0136]
具体地，可以从排序结果中选取数值最大的方差贡献值为目标贡献值，并从排序结果中删除该目标贡献值，同时，对该目标贡献值所对应的外在环境类型进行保存记录。
[0137]
s134、判断所述目标贡献值与所述加数之和是否大于预置的贡献阈值，若不大于，则将所述目标贡献值与所述加数之和作为新的加数，返回执行步骤s133，直至所述目标贡献值与所述加数之和超过所述贡献阈值为止。
[0138]
具体地，可以计算目标贡献值与加数之和，得到相加结果，在相加结果不大于贡献阈值时，可以将相加结果作为新的加数，返回执行步骤s133，直至所述目标贡献值与所述加数之和超过所述贡献阈值为止。
[0139]
可以根据实际需求设置贡献阈值，例如，可以将贡献阈值设置为85％。
[0140]
s135、将最终记录得到的所有外在环境类型作为主成分，形成与负荷相关的环境特征类型。
[0141]
具体地，可以将记录保存的各个外在环境类型作为环境特征类型。
[0142]
从上述技术方案可以看出，本实施例提供了一种从外在环境类型中选取环境特征类型的可选的方式，通过上述的方式可以更好地选取对变量集贡献较大的外在环境类型作为环境特征类型。
[0143]
在本技术的一些实施例中，对步骤s1中确定区域的所有用户类型的过程进行详细说明，步骤如下：
[0144]
s14、确定所述区域中每个用户的历史负荷曲线。
[0145]
具体地，可以提取区域中每个用户的一个周期内所有时段的历史负荷曲线。
[0146]
s15、从每个所述用户对应的历史负荷曲线中，提取所述用户对应的用电行为特征。
[0147]
具体地，可以从每个历史负荷曲线中，提取能够反映用户主要用电特征的用点行为特征。
[0148]
s16、采用模糊c均值聚类遗传算法ga-fcm，对各个所述用电行为特征进行聚类，得到包含多个聚类集合的聚类结果，每个所述聚类集合中包含多个用户对应的用电行为特征，各个聚类集合的所有用电行为特征组成所述区域所有用户对应的用电行为特征。
[0149]
具体地，可以采用ga-fcm算法，完成各个用电行为特征的聚类，得到包含聚类结
果。
[0150]
聚类结果中可以包含多个聚类集合，每个聚类集合中包含多个相似的用电行为特征。
[0151]
可以设置聚类中心个数、聚类集合、交叉概率、迭代阈值等参数，对聚类中心进行二进制编码，然后计算每个用电行为特征适应度，并根据适应度值，通过选择、交叉或变异等遗传操作对每个聚类集合中的用电行为特征、聚类中心个数、聚类集合、交叉概率、迭代阈值等参数进行更新，以完成聚类。
[0152]
聚类公式如下所示：
[0153][0154][0155][0156][0157][0158]
其中，j可以为聚类函数，n可以为聚类集合中所包含的用电行为特征的数量，c可以为聚类中心个数；m可以为模糊加权指数；xi为第i个用电行为特征；cj为第j个聚类中心；u
ij
为样本xi属于对聚类集合j的隶属度；f为适应度值；xj为第j个用电行为特征；ci为第i个聚类中心；ck为第k个聚类中心。
[0159]
s17、确定每个所述聚类集合对应的用户类型，各个所述聚类集合对应的用户类型组成所述区域的所有用户类型。
[0160]
具体地，可以针对每个聚类集合中每个用电行为特征，确定对应的用户类型，将各个用户类型作为该聚类集合对应的用户类型，完成区域中用户的类型划分。
[0161]
在对各个用户进行类型划分后，可以对各个聚类集合及其对应的用户类型进行存储，在负荷预测时，直接调取各个聚类集合及其对应的用户类型。
[0162]
从上述技术方案可以看出，本实施例提供了一种确定区域中所有用户类型的可选的方式，通过上述的方式可以完成区域中所有用户的聚类，从而，完成用户类型的确定。
[0163]
在本技术的一些实施例中，对步骤s15、从每个所述用户对应的历史负荷曲线中，提取所述用户对应的用电行为特征的过程进行详细说明，步骤如下：
[0164]
s150、依次从每个所述历史负荷曲线中选取多个波动点，其中，每个所述历史负荷
曲线的波动点数量相同。
[0165]
具体地，可以根据实际情况确定波动点的数量，一般而言，考虑到用户在外出归家以及进入睡眠时会出现较大的负荷变动，或者，在一年中，用户在夏季以及冬季的负荷变动较大，因而，波动点的数量可以为2。
[0166]
可以在每个历史负荷曲线中选取波动最大的前n个坐标点作为波动点。
[0167]
s151、根据所述历史负荷曲线的波动点，对所述历史负荷曲线进行分割，形成多段子曲线。
[0168]
具体地，可以波动点为分割点，对历史负荷曲线进行分割，得到多个子曲线。
[0169]
s152、从每段所述子曲线中提取曲线特征，所述用户对应的各个所述曲线特征以及各个波动点形成该用户对应的用电行为特征。
[0170]
具体地，可以从每段子曲线中提取该子曲线对应的负荷均值以及负荷方差作为曲线特征，同一用户对应的曲线特征以及波动点组成该用户对应的用电行为特征。
[0171]
从上述技术方案可以看出，本实施例提供了一种可选的确定每个用户的用电行为特征的可选的方式，通过上述的方式可以进一步去除负荷曲线中的冗余信息，完成用电行为特征的精简化。
[0172]
在本技术的一些实施例中，对步骤s3中获取每个所述用户类型对应的长短期记忆神经网络bilstm预测网络的过程进行详细说明，步骤如下：
[0173]
s30、获取所述用户类型对应的初始化bilstm模型。
[0174]
具体地，可以获取初始化未经训练的bilstm模型作为该用户类型对应的初始化bilstm模型。
[0175]
s31、获取所述用户类型对应的多个训练负荷序列，每个所述训练负荷序列标记有环境特征类型对应的训练环境值，所述训练负荷序列拼接有前一周期历史负荷序列及后一周期历史负荷序列。
[0176]
具体地，可以获取标记有环境特征类型对应的训练环境值的训练负荷序列，该训练负荷序列可以由两个连续周期的历史负荷序列拼接而成。
[0177]
s32、利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练，直至所述初始化bilstm模型收敛为止，将最终得到的初始化bilstm模型作为所述用户类型对应的长短期记忆神经网络bilstm预测网络。
[0178]
具体地，可以应用swa算法，利用各个训练负荷序列对初始化bilstm模型进行训练，直至初始化bilstm模型收敛为止，训练得到的初始化bilstm模型为该用户类型对应的bilstm预测网络。
[0179]
从上述技术方案可以看出，本实施例提供了一种训练每个用户类型对应的bilstm预测网络的可选的方式，通过上述的方式可以结合swa算法及有监督方式，训练得到bilstm预测网络，能够更好地完成bilstm预测网络的训练。
[0180]
在本技术的一些实施例中，对步骤s32中利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练的过程进行详细说明，步骤如下：
[0181]
s320、设定swa权重参数。
[0182]
具体地，可以根据实际需求设置swa权重参数。
[0183]
s321、初始化迭代次数。
[0184]
具体地，可以将迭代次数设置为0。
[0185]
s322、依次将每个所述训练负荷序列输入至所述初始化bilstm模型中，得到所述初始化bilstm模型基于所述训练负荷序列中前一周期历史负荷序列输出的预测序列。
[0186]
具体地，可以将训练负荷序列输入至初始化bilstm模型中，得到初始化bilstm模型基于输入的训练负荷序列中前一周期历史负荷序列输出的预测序列。
[0187]
s323、对迭代次数进行加1。
[0188]
具体地，可以对迭代次数+1。
[0189]
s324、将所述预测序列与所述训练负荷序列中后一周期历史负荷序列进行比对，得到比对结果。
[0190]
具体地，可以根据预测序列与输入的训练负荷序列中后一周期历史负荷序列，计算损失值。
[0191]
s325、根据所述比对结果及所述swa权重参数，对所述初始化bilstm模型的参数进行随机梯度下降。
[0192]
具体地，可以根据损失值以及swa权重参数，对初始化bilstm模型的参数进行随机梯度下降，完成参数调整。
[0193]
s326、判断所述迭代次数是否等于预置的迭代阈值，若等于，则执行步骤s327，若不等于，则执行步骤s322。
[0194]
具体地，可以比较迭代次数是否等于预置的迭代阈值，在迭代次数等于预置的迭代阈值时，返回执行步骤s327，若在迭代次数不等于预置的迭代阈值时，返回执行步骤s322。
[0195]
s327、求取调整后参数的加权平均值，并将所述加权平均值作为新的swa权重参数，返回执行步骤s321。
[0196]
具体地，可以在迭代次数等于预置的迭代阈值时，更新swa权重参数，并返回执行步骤s321。
[0197]
从上述技术方案可以看出，本实施例提供了一种利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练的可选的方式，通过上述的方式可以进一步提高初始化bilstm模型的训练收敛速度，提高训练效率。
[0198]
在本技术的一些实施例中，对步骤s5、将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列的过程进行详细说明，步骤如下：
[0199]
s50、将所述标注后的负荷序列输入至对应的bilstm预测网络，利用所述bilstm预测网络基于所述负荷序列以及标注于所述负荷序列的环境特征类型对应的环境值进行负荷预测，形成并输出负荷预测序列。
[0200]
具体地，bilstm预测网络可以基于负荷序列、标注于负荷序列中的各个环境特征类型及其环境值以及对应的用户类型的负荷变化规律，完成负荷预测，输出负荷预测序列。
[0201]
从上述技术方案可以看出，本实施例提供了一种获取负荷预测序列的可选的方式，通过上述的方式，可以更好地完成负荷预测，提高负荷预测的可靠性。
[0202]
在本技术的一些实施例中，对步骤s6、根据每个所述用户类型对应的用户人数，对
各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果的过程进行详细说明，步骤如下：
[0203]
s60、参考每个所述用户类型对应的所述负荷预测序列及其对应用户人数，获取所述用户类型对应的负荷预测结果。
[0204]
具体地，可以将用户类型对应的用户人数与负荷预测序列相乘，得到该用户类型得到的负荷预测结果。
[0205]
s61、将各个所述用户类型对应的负荷预测结果进行汇总，形成所述区域的预测结果。
[0206]
具体地，可以将各个用户类型对应的负荷预测结果进行叠加，得到整个区域对应的预测结果。
[0207]
从上述技术方案可以看出，本实施例提供了一种汇总负荷预测序列的可选的方式，通过上述的方式可以更好地完成整个区域的负荷预测。
[0208]
接下来将结合图4对本技术提供的区域负荷预测装置进行详细介绍，下文提供的区域负荷预测装置可以与上文提供的区域负荷预测方法相互对照。
[0209]
参见图4可以发现，区域负荷预测装置可以包括：
[0210]
确定模块1，用于确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；
[0211]
采集模块2，用于采集所述环境特征类型对应的环境值；
[0212]
获取模块3，用于获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；
[0213]
标注模块4，用于将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；
[0214]
预测模块5，用于将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；
[0215]
叠加模块6，用于根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。
[0216]
进一步，确定模块可以包括：
[0217]
外在环境类型确定单元，用于确定多项外在环境类型；
[0218]
环境值获取序列单元，用于获取每一项外在环境类型的环境值序列，并将各个所述环境值序列组合形成变量集；
[0219]
变量集降维单元，用于采用主成分分析方法对所述变量集进行筛选及降维，生成每一项外在环境类型对应的特征值；
[0220]
环境特征类型提取单元，用于根据各个所述特征值，提取所述多项外在环境类型中的主成分作为与负荷相关的环境特征类型。
[0221]
进一步，环境特征类型提取单元可以包括：
[0222]
第一环境特征类型提取子单元，用于依次计算每个所述特征值对应的方差贡献值；
[0223]
第二环境特征类型提取子单元，用于对各个所述方差贡献值由大至小进行排序，
得到排序结果；
[0224]
第三环境特征类型提取子单元，用于初始化加数；
[0225]
第四环境特征类型提取子单元，用于从所述排序结果中选取排序为首的方差贡献值作为目标贡献值，并从所述排序结果中删除所述目标贡献值，记录所述目标贡献值对应的外在环境类型；
[0226]
第五环境特征类型提取子单元，用于判断所述目标贡献值与所述加数之和是否大于预置的贡献阈值，若不大于，则将所述目标贡献值与所述加数之和作为新的加数，返回执行从所述排序结果中选取排序为首的方差贡献值作为目标贡献值的步骤，直至所述目标贡献值与所述加数之和超过所述贡献阈值为止；
[0227]
第六环境特征类型提取子单元，用于将最终记录得到的所有外在环境类型作为主成分，形成与负荷相关的环境特征类型。
[0228]
进一步，确定模块还可以包括：
[0229]
历史负荷曲线确定单元，用于确定所述区域中每个用户的历史负荷曲线；
[0230]
用电行为提取特征单元，用于从每个所述用户对应的历史负荷曲线中，提取所述用户对应的用电行为特征；
[0231]
聚类结果获取单元，用于采用模糊c均值聚类遗传算法ga-fcm，对各个所述用电行为特征进行聚类，得到包含多个聚类集合的聚类结果，每个所述聚类集合中包含多个用户对应的用电行为特征，各个聚类集合的所有用电行为特征组成所述区域所有用户对应的用电行为特征；
[0232]
用户类型确定单元，用于确定每个所述聚类集合对应的用户类型，各个所述聚类集合对应的用户类型组成所述区域的所有用户类型。
[0233]
进一步，用电行为提取特征单元可以包括：
[0234]
第一用电行为提取特征子单元，用于依次从每个所述历史负荷曲线中选取多个波动点，其中，每个所述历史负荷曲线的波动点数量相同；
[0235]
第二用电行为提取特征子单元，用于根据所述历史负荷曲线的波动点，对所述历史负荷曲线进行分割，形成多段子曲线；
[0236]
第三用电行为提取特征子单元，用于从每段所述子曲线中提取曲线特征，所述用户对应的各个所述曲线特征以及各个波动点形成该用户对应的用电行为特征。
[0237]
进一步，获取模块可以包括：
[0238]
初始化bilstm模型获取单元，用于获取所述用户类型对应的初始化bilstm模型；
[0239]
训练负荷序列获取单元，用于获取所述用户类型对应的多个训练负荷序列，每个所述训练负荷序列标记有环境特征类型对应的训练环境值，所述训练负荷序列拼接有前一周期历史负荷序列及后一周期历史负荷序列；
[0240]
bilstm预测网络获取单元，用于利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练，直至所述初始化bilstm模型收敛为止，将最终得到的初始化bilstm模型作为所述用户类型对应的长短期记忆神经网络bilstm预测网络。
[0241]
进一步，bilstm预测网络获取单元可以包括：
[0242]
第一bilstm预测网络获取子单元，用于设定swa权重参数；
[0243]
第二bilstm预测网络获取子单元，用于初始化迭代次数；
[0244]
第三bilstm预测网络获取子单元，用于依次将每个所述训练负荷序列输入至所述初始化bilstm模型中，得到所述初始化bilstm模型基于所述训练负荷序列中前一周期历史负荷序列输出的预测序列；
[0245]
第四bilstm预测网络获取子单元，用于对迭代次数进行加1；
[0246]
第五bilstm预测网络获取子单元，用于将所述预测序列与所述训练负荷序列中后一周期历史负荷序列进行比对，得到比对结果；
[0247]
第六bilstm预测网络获取子单元，用于根据所述比对结果及所述swa权重参数，对所述初始化bilstm模型的参数进行随机梯度下降；
[0248]
第七bilstm预测网络获取子单元，用于判断所述迭代次数是否等于预置的迭代阈值，若等于，则调用第八bilstm预测网络获取子单元，若不等于，则调用第三bilstm预测网络获取子单元及其后续单元。
[0249]
第八bilstm预测网络获取子单元，用于求取调整后参数的加权平均值，并将所述加权平均值作为新的swa权重参数，并调用第二bilstm预测网络获取子单元及其后续单元。
[0250]
进一步，预测模块可以包括：
[0251]
负荷预测序列输出单元，用于将所述标注后的负荷序列输入至对应的bilstm预测网络，利用所述bilstm预测网络基于所述负荷序列以及标注于所述负荷序列的环境特征类型对应的环境值进行负荷预测，形成并输出负荷预测序列。
[0252]
进一步，叠加模块可以包括：
[0253]
用户人数参考单元，用于参考每个所述用户类型对应的所述负荷预测序列及其对应用户人数，获取所述用户类型对应的负荷预测结果；
[0254]
负荷预测结果汇总单元，用于将各个所述用户类型对应的负荷预测结果进行汇总，形成所述区域的预测结果。
[0255]
本技术实施例提供的区域负荷预测装置可应用于区域负荷预测设备，如pc终端、云平台、服务器及服务器集群等。可选的，图5示出了区域负荷预测设备的硬件结构框图，参照图5，区域负荷预测设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
[0256]
在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
[0257]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0258]
存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
[0259]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0260]
确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；
[0261]
采集所述环境特征类型对应的环境值；
[0262]
获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；
[0263]
将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；
[0264]
将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；
[0265]
根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。
[0266]
可选地，所述程序的细化功能和扩展功能可参照上文描述。
[0267]
本技术实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
[0268]
确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；
[0269]
采集所述环境特征类型对应的环境值；
[0270]
获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；
[0271]
将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；
[0272]
将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；
[0273]
根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。
[0274]
可选地，所述程序的细化功能和扩展功能可参照上文描述。
[0275]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0276]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0277]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。本技术的各个实施例之间可以相互结合。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种区域负荷预测方法，其特征在于，包括：确定与负荷相关的环境特征类型及区域的所有用户类型，每个所述用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；采集所述环境特征类型对应的环境值；获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。2.根据权利要求1所述的区域负荷预测方法，其特征在于，确定与负荷相关的环境特征类型，包括：确定多项外在环境类型；获取每一项所述外在环境类型的环境值序列，并将各个所述环境值序列组合形成变量集；采用主成分分析方法对所述变量集进行筛选及降维，生成每一项外在环境类型对应的特征值；根据各个所述特征值，提取所述多项外在环境类型中的主成分作为与负荷相关的环境特征类型。3.根据权利要求2所述的区域负荷预测方法，其特征在于，所述根据各个所述特征值，提取所述多项外在环境类型中的主成分作为与负荷相关的环境特征类型，包括：依次计算每个所述特征值对应的方差贡献值；对各个所述方差贡献值由大至小进行排序，得到排序结果；初始化加数；从所述排序结果中选取排序为首的方差贡献值作为目标贡献值，并从所述排序结果中删除所述目标贡献值，记录所述目标贡献值对应的外在环境类型；判断所述目标贡献值与所述加数之和是否大于预置的贡献阈值，若不大于，则将所述目标贡献值与所述加数之和作为新的加数，返回执行从所述排序结果中选取排序为首的方差贡献值作为目标贡献值的步骤，直至所述目标贡献值与所述加数之和超过所述贡献阈值为止；将最终记录得到的所有外在环境类型作为主成分，形成与负荷相关的环境特征类型。4.根据权利要求1所述的区域负荷预测方法，其特征在于，确定区域的所有用户类型，包括：确定所述区域中每个用户的历史负荷曲线；从每个所述用户对应的历史负荷曲线中，提取所述用户对应的用电行为特征；采用模糊c均值聚类遗传算法ga-fcm，对各个所述用电行为特征进行聚类，得到包含多个聚类集合的聚类结果，每个所述聚类集合中包含多个用户对应的用电行为特征，各个聚类集合的所有用电行为特征组成所述区域所有用户对应的用电行为特征；
确定每个所述聚类集合对应的用户类型，各个所述聚类集合对应的用户类型组成所述区域的所有用户类型。5.根据权利要求4所述的区域负荷预测方法，其特征在于，所述从每个所述用户对应的历史负荷曲线中，提取所述用户对应的用电行为特征，包括：依次从每个所述历史负荷曲线中选取多个波动点，其中，每个所述历史负荷曲线的波动点数量相同；根据所述历史负荷曲线的波动点，对所述历史负荷曲线进行分割，形成多段子曲线；从每段所述子曲线中提取曲线特征，所述用户对应的各个所述曲线特征以及各个波动点形成该用户对应的用电行为特征。6.根据权利要求1所述的区域负荷预测方法，其特征在于，获取每个所述用户类型对应的长短期记忆神经网络bilstm预测网络，包括：获取所述用户类型对应的初始化bilstm模型；获取所述用户类型对应的多个训练负荷序列，每个所述训练负荷序列标记有环境特征类型对应的训练环境值，所述训练负荷序列拼接有前一周期历史负荷序列及后一周期历史负荷序列；利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练，直至所述初始化bilstm模型收敛为止，将最终得到的初始化bilstm模型作为所述用户类型对应的长短期记忆神经网络bilstm预测网络。7.根据权利要求6所述的区域负荷预测方法，其特征在于，所述利用各个所述训练负荷序列并结合随机权重平均算法swa算法，对所述初始化bilstm模型进行训练，包括：设定swa权重参数；初始化迭代次数；依次将每个所述训练负荷序列输入至所述初始化bilstm模型中，得到所述初始化bilstm模型基于所述训练负荷序列中前一周期历史负荷序列输出的预测序列；对迭代次数进行加1；将所述预测序列与所述训练负荷序列中后一周期历史负荷序列进行比对，得到比对结果；根据所述比对结果及所述swa权重参数，对所述初始化bilstm模型的参数进行随机梯度下降；判断所述迭代次数是否等于预置的迭代阈值；若等于，则求取调整后参数的加权平均值，并将所述加权平均值作为新的swa权重参数，返回执行初始化迭代次数的步骤；若不等于，则返回执行依次将每个所述训练负荷序列输入至所述初始化bilstm模型中，得到所述初始化bilstm模型基于所述训练负荷序列中前一周期历史负荷序列输出的预测序列的步骤。8.根据权利要求1所述的区域负荷预测方法，其特征在于，所述将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列，包括：将所述标注后的负荷序列输入至对应的bilstm预测网络，利用所述bilstm预测网络基于所述负荷序列以及标注于所述负荷序列的环境特征类型对应的环境值进行负荷预测，形
成并输出负荷预测序列。9.根据权利要求1所述的区域负荷预测方法，其特征在于，所述根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果，包括：参考每个所述用户类型对应的所述负荷预测序列及其对应用户人数，获取所述用户类型对应的负荷预测结果；将各个所述用户类型对应的负荷预测结果进行汇总，形成所述区域的预测结果。10.一种区域负荷预测装置，其特征在于，包括：确定模块，用于确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应所述区域中的多个用户，各个所述用户类型对应的各个用户组成所述区域的所有用户；采集模块，用于采集所述环境特征类型对应的环境值；获取模块，用于获取每个所述用户类型对应的负荷序列及长短期记忆神经网络bilstm预测网络；标注模块，用于将环境特征类型对应的环境值作为每个所述负荷序列的标注标签，标注于所述负荷序列；预测模块，用于将标注后的负荷序列输入至对应的bilstm预测网络中，得到所述bilstm预测网络输出的负荷预测序列；叠加模块，用于根据每个所述用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成所述区域的预测结果。

技术总结
本申请公开了一种区域负荷预测方法及装置，该方法可以确定与负荷相关的环境特征类型及区域的所有用户类型，每个用户类型对应区域中的多个用户，各个用户类型对应的各个用户组成区域的所有用户；采集环境特征类型对应的环境值；获取每个用户类型对应的负荷序列及长短期记忆神经网络BiLSTM预测网络；将环境特征类型对应的环境值作为每个负荷序列的标注标签，标注于负荷序列；将标注后的负荷序列输入至对应的BiLSTM预测网络中，得到BiLSTM预测网络输出的负荷预测序列；根据每个用户类型对应的用户人数，对各个用户类型对应的负荷预测序列进行叠加，形成区域的预测结果。可见，本申请可以进一步提高区域负荷预测的准确度。进一步提高区域负荷预测的准确度。进一步提高区域负荷预测的准确度。


技术研发人员：曾顺奇 冀浩然 张镇
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：2023.07.10
技术公布日：2023/10/15