本發(fā)明涉及用電量預(yù)測，尤其是涉及一種面向代理購電用戶的改進tcn電量預(yù)測方法。

背景技術(shù)：

1、現(xiàn)有技術(shù)中，代理購電作為能源市場重要環(huán)節(jié)，其電量預(yù)測精準(zhǔn)性直接影響市場參與者的收益和風(fēng)險控制。且一般預(yù)測方法在面對復(fù)雜市場環(huán)境時存在局限，傳統(tǒng)tcn存在諸多問題，例如冗余卷積操作，tcn的每一層由兩個連續(xù)的卷積操作組成，這提高了模型的學(xué)習(xí)能力，但也不可避免地增加了反向傳播的路徑和每個學(xué)習(xí)歷元的時間成本。輸入重要性問題，相同數(shù)量的非線性使得tcn對所有輸入元素都是平等的，然而，一些元素實際上比其他元素包含更重要的信息，因此亟需對傳統(tǒng)tcn模型進行改進。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種面向代理購電用戶的改進tcn電量預(yù)測方法，能夠有效提升代理購電用戶電量預(yù)測的準(zhǔn)確性、可靠性。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種面向代理購電用戶的改進tcn電量預(yù)測方法，包括：

3、采集各類用戶的代購電量歷史數(shù)據(jù)，以及影響因素歷史數(shù)據(jù)；

4、基于所述代購電量歷史數(shù)據(jù)和影響因素歷史數(shù)據(jù)，采用隨機森林法對特征重要性進行排序，提取關(guān)鍵的影響因素；

5、將篩選過后的影響因素數(shù)據(jù)集與代購電量歷史數(shù)據(jù)集劃分訓(xùn)練集和測試集，共同輸入至phacia-tcns預(yù)測模型進行預(yù)測，得到預(yù)測結(jié)果。

6、優(yōu)選的，所述影響因素歷史數(shù)據(jù)包括對應(yīng)于代購電量歷史數(shù)據(jù)的氣象數(shù)據(jù)、電價數(shù)據(jù)和事件政策數(shù)據(jù)。

7、優(yōu)選的，在采集各類用戶的代購電量歷史數(shù)據(jù)，以及影響因素歷史數(shù)據(jù)之后，還包括：對所述代購電量歷史數(shù)據(jù)和影響因素歷史數(shù)據(jù)進行異常、缺失值處理及數(shù)據(jù)標(biāo)準(zhǔn)化。

8、優(yōu)選的，通過歷史數(shù)據(jù)構(gòu)建所述phacia-tcns預(yù)測模型，通過訓(xùn)練集訓(xùn)練后進行預(yù)測，得到待預(yù)測日預(yù)測結(jié)果序列。

9、優(yōu)選的，所述phacia-tcns預(yù)測模型包括：

10、時域卷積網(wǎng)絡(luò)模型，能夠在時間維度上學(xué)習(xí)電量數(shù)據(jù)的序列特征；

11、輸入注意力模塊，能夠?qū)⑤斎胄蛄兄械闹匾蛩刭x予更高的權(quán)重；

12、并行混合激活卷積模塊，能夠取代時域卷積網(wǎng)絡(luò)模型中的原始?xì)埐顗K，減少普通時域卷積網(wǎng)絡(luò)模型中的冗余卷積運算，同時保持良好的學(xué)習(xí)能力。

13、優(yōu)選的，所述phacia-tcns預(yù)測模型的具體過程包括：

14、定義輸入序列為s0，先將s0送到全連接的線性層，再由全連接的非線性層進行處理，得到中間關(guān)注向量a0，表達式為：

15、a0＝relu(linear(s0))

16、通過元素求和運算將a0與s0相加，并將求和結(jié)果由另一個全連通非線性層進一步處理，得到完整的注意力向量a1；

17、通過softmax操作將a1歸一化，以獲得最終的加權(quán)重要向量a2；a1、a2表達式為：

18、a1＝tanh(a0+s0)

19、a2＝softmax(a1)

20、將加權(quán)重要向量a2應(yīng)用于原始輸入負(fù)載序列s0，使用元素乘法生成加權(quán)負(fù)載序列s1：

21、

22、定義第i層的輸入序列為si，phac模塊首先使用擴展隨機卷積和反歸一化處理si以獲得中間序列si1，表達式為：

23、

24、將si1發(fā)送給并行排列的非線性激活操作，將其結(jié)果相乘得到一個激活序列si2：

25、

26、在phac模塊中還加入了一個跳過連接，其中輸入序列si由1×1卷積塊處理以獲得殘差序列si3，表達式為：

27、

28、在進行dropout運算后，將激活序列si2與殘差序列si3進行逐元求和，得到phacsi+1的輸出序列：

29、

30、優(yōu)選的，所述phacia-tcns預(yù)測模型中隱藏層的神經(jīng)元個數(shù)為384，核大小為5。

31、優(yōu)選的，選用平均絕對百分比誤差和均方根誤差作為模型預(yù)測精度的評價指標(biāo)，再與rnn、lstm、gru、bi-rnn、bi-lstm、bi-gru預(yù)測模型通過rmse和mape指標(biāo)進行對比分析，rmse和mape指標(biāo)越小的網(wǎng)絡(luò)，預(yù)測效果越好，計算過程如下：

32、

33、其中，n為預(yù)測電量值的總數(shù)，yi為真實值，為預(yù)測值。

34、優(yōu)選的，一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)了如權(quán)利要求1-8任一項所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法的步驟。

35、優(yōu)選的，一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)了如權(quán)利要求1-8任一項所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法的步驟。

36、因此，本發(fā)明采用上述一種面向代理購電用戶的改進tcn電量預(yù)測方法，能夠有效提升代理購電用戶電量預(yù)測的準(zhǔn)確性、可靠性。

37、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的詳細(xì)描述。

技術(shù)特征：

1.一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于：所述影響因素歷史數(shù)據(jù)包括對應(yīng)于代購電量歷史數(shù)據(jù)的氣象數(shù)據(jù)、電價數(shù)據(jù)和事件政策數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于：在采集各類用戶的代購電量歷史數(shù)據(jù)，以及影響因素歷史數(shù)據(jù)之后，還包括：對所述代購電量歷史數(shù)據(jù)和影響因素歷史數(shù)據(jù)進行異常、缺失值處理及數(shù)據(jù)標(biāo)準(zhǔn)化。

4.根據(jù)權(quán)利要求1所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于：通過歷史數(shù)據(jù)構(gòu)建所述phacia-tcns預(yù)測模型，通過訓(xùn)練集訓(xùn)練后進行預(yù)測，得到待預(yù)測日預(yù)測結(jié)果序列。

5.根據(jù)權(quán)利要求4所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于，所述phacia-tcns預(yù)測模型包括：

6.根據(jù)權(quán)利要求5所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于，所述phacia-tcns預(yù)測模型的具體過程包括：

7.根據(jù)權(quán)利要求5所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于：所述phacia-tcns預(yù)測模型中隱藏層的神經(jīng)元個數(shù)為384，核大小為5。

8.根據(jù)權(quán)利要求1所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法，其特征在于：選用平均絕對百分比誤差和均方根誤差作為模型預(yù)測精度的評價指標(biāo)，再與rnn、lstm、gru、bi-rnn、bi-lstm、bi-gru預(yù)測模型通過rmse和mape指標(biāo)進行對比分析，rmse和mape指標(biāo)越小的網(wǎng)絡(luò)，預(yù)測效果越好，計算過程如下：

9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于：該程序被處理器執(zhí)行時實現(xiàn)了如權(quán)利要求1-8任一項所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法的步驟。

10.一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于：所述處理器執(zhí)行所述程序時實現(xiàn)了如權(quán)利要求1-8任一項所述的一種面向代理購電用戶的改進tcn電量預(yù)測方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種面向代理購電用戶的改進TCN電量預(yù)測方法，屬于用電量預(yù)測技術(shù)領(lǐng)域，包括：采集各類用戶的代購電量歷史數(shù)據(jù)，以及影響因素歷史數(shù)據(jù)；基于所述代購電量歷史數(shù)據(jù)和影響因素歷史數(shù)據(jù)，采用隨機森林法對特征重要性進行排序，提取關(guān)鍵的影響因素；將篩選過后的影響因素數(shù)據(jù)集與代購電量歷史數(shù)據(jù)集劃分訓(xùn)練集和測試集，共同輸入至PhaCIA?TCNS預(yù)測模型進行預(yù)測，得到預(yù)測結(jié)果。本發(fā)明采用上述的一種面向代理購電用戶的改進TCN電量預(yù)測方法，能夠有效提升代理購電用戶電量預(yù)測的準(zhǔn)確性、可靠性。

技術(shù)研發(fā)人員：趙偉博,周穎,邱敏,韋于思,白雪峰,張嘉埔,武亞杰,熊益紅,鄭鵬,朱玲玲,錢曉瑞,詹祥澎,劉耀先,黃羽倩
受保護的技術(shù)使用者：中國電力科學(xué)研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9