本發(fā)明屬于用電量預(yù)測(cè)領(lǐng)域，尤其涉及一種基于ssa-ccnn的用戶用電量預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、通過(guò)對(duì)用戶用電量進(jìn)行預(yù)測(cè)，不僅便于電力市場(chǎng)制定發(fā)電計(jì)劃，提高能源的利用率，而且還可以反映電力負(fù)荷情況，保障電力系統(tǒng)的安全運(yùn)行，對(duì)電力系統(tǒng)穩(wěn)定運(yùn)行具有至關(guān)重要的作用。

3、但用戶的用電量數(shù)據(jù)具有一定的波動(dòng)性，容易受外界因素，例如節(jié)假日以及溫度等因素影響，現(xiàn)有的預(yù)測(cè)模型往往無(wú)法捕捉到這種突變信息。例如，專利號(hào)為cn116777049a的專利提供了一種用戶用電量預(yù)測(cè)方法及系統(tǒng)，基于長(zhǎng)短期記憶網(wǎng)絡(luò)lstm和混合密度網(wǎng)絡(luò)mdn，構(gòu)建多尺度用電量預(yù)測(cè)模型，但長(zhǎng)短期記憶網(wǎng)絡(luò)lstm需要更多的參數(shù)對(duì)模型進(jìn)行大量訓(xùn)練，同時(shí)并不能有效處理用戶用電量數(shù)據(jù)與外界因素之間的非線性關(guān)系。專利號(hào)為cn114169645a的專利公開(kāi)了一種智能電網(wǎng)短期負(fù)荷預(yù)測(cè)方法，在對(duì)數(shù)據(jù)處理過(guò)程中，采用局部均值分解lmd對(duì)數(shù)據(jù)進(jìn)行處理，但局部均值分解lmd法對(duì)噪聲極其敏感，很小的噪聲也可能導(dǎo)致分解結(jié)果的偏差，而用戶用電量數(shù)據(jù)中往往存在著大量的噪聲信息，lmd并不能將用戶用電量數(shù)據(jù)中的噪聲信息進(jìn)行有效分離。

技術(shù)實(shí)現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于ssa-ccnn的用戶用電量預(yù)測(cè)方法及系統(tǒng)，利用奇異譜分析（ssa）對(duì)用戶歷史用電量數(shù)據(jù)進(jìn)行分解，將分解后的不同用電量數(shù)據(jù)特征分量輸入到深度因果卷積神經(jīng)網(wǎng)絡(luò)（ccnn）中建立預(yù)測(cè)模型中獲取不同數(shù)據(jù)特征分量的預(yù)測(cè)值，通過(guò)對(duì)預(yù)測(cè)值進(jìn)行疊加獲取用戶最終用電量的預(yù)測(cè)值。

2、為實(shí)現(xiàn)上述目的，本發(fā)明的一個(gè)或多個(gè)實(shí)施例提供了如下技術(shù)方案：

3、本發(fā)明第一方面提供了一種基于ssa-ccnn的用戶用電量預(yù)測(cè)方法；

4、一種基于ssa-ccnn的用戶用電量預(yù)測(cè)方法，包括：

5、獲取用戶歷史用電量數(shù)據(jù)，對(duì)所述用戶歷史用電量數(shù)據(jù)進(jìn)行預(yù)處理；

6、采用奇異譜分析法將預(yù)處理后的用戶歷史用電量數(shù)據(jù)分解為表征不同用戶歷史用電量數(shù)據(jù)特征的周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列；

7、將周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列輸入到訓(xùn)練好的深度因果卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)而獲取周期分量預(yù)測(cè)值、趨勢(shì)分類預(yù)測(cè)值和噪聲分量預(yù)測(cè)值；

8、將周期分量預(yù)測(cè)值、趨勢(shì)分類預(yù)測(cè)值和噪聲分量預(yù)測(cè)值進(jìn)行疊加得到最終用戶用電量的預(yù)測(cè)值。

9、作為進(jìn)一步的技術(shù)方案，對(duì)用戶歷史用電量數(shù)據(jù)預(yù)處理的過(guò)程包括：數(shù)據(jù)校正和歸一化處理，采用缺失值插補(bǔ)法對(duì)用戶歷史用電量數(shù)據(jù)中的異常數(shù)據(jù)進(jìn)行校正，對(duì)校正后的數(shù)據(jù)采用min-miax方法進(jìn)行歸一化處理，min-miax公式如下：

10、

11、式中，為歸一化后數(shù)據(jù)；為原始數(shù)據(jù)；分別為最大值和最小值。

12、作為進(jìn)一步的技術(shù)方案，所述采用奇異譜分析法將預(yù)處理后的用戶歷史用電量數(shù)據(jù)分解為表征不同用戶歷史用電量數(shù)據(jù)特征的周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列具體過(guò)程為：

13、將用戶歷史用電量數(shù)據(jù)嵌入為軌跡矩陣x，對(duì)所述軌跡矩陣進(jìn)行奇異值求解，獲取用戶歷史用電量數(shù)據(jù)軌跡矩陣的奇異值以及特征向量；

14、根據(jù)奇異值的大小對(duì)奇異值分解后的特征向量進(jìn)行分組，獲取用戶歷史用電量數(shù)據(jù)軌跡矩陣的周期分量、趨勢(shì)分量以及噪聲分量；

15、采用對(duì)角平均法對(duì)軌跡矩陣的周期分量、趨勢(shì)分量以及噪聲分量進(jìn)行重構(gòu)得到周期分量、趨勢(shì)分量以及噪聲分量的時(shí)間序列。

16、作為進(jìn)一步的技術(shù)方案，所述軌跡矩陣x為，

17、

18、式中，m表示窗口長(zhǎng)度，取值范圍為2至n/2之間； j為軌跡矩陣x的列數(shù)；， n表示時(shí)刻的用戶歷史用電量數(shù)據(jù)。

19、作為進(jìn)一步的技術(shù)方案，所述對(duì)所述軌跡矩陣進(jìn)行奇異值求解，獲取用戶歷史用電量數(shù)據(jù)軌跡矩陣的奇異值以及特征向量的具體過(guò)程為；

20、獲取軌跡矩陣的協(xié)方差矩陣g，g=，其中為x的轉(zhuǎn)置矩陣，從協(xié)方差矩陣得到m個(gè)奇異值和奇異值對(duì)應(yīng)的特征向量，則軌跡矩陣x為：

21、

22、式中，表示奇異值分解主分量；表示為軌跡矩陣的奇異值；表示左奇異向量；表示右奇異向量；表示降序排列的特征值。

23、作為進(jìn)一步的技術(shù)方案，所述對(duì)角平均法如下：

24、

25、式中，，為轉(zhuǎn)換后的一維時(shí)間序列。

26、作為進(jìn)一步的技術(shù)方案，所述將周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列輸入到訓(xùn)練好的深度因果卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)而獲取周期分量預(yù)測(cè)值、趨勢(shì)分類預(yù)測(cè)值和噪聲分量預(yù)測(cè)值的過(guò)程為：

27、將周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列作為到深度因果卷積神經(jīng)網(wǎng)絡(luò)模型的輸入；

28、通過(guò)深度因果卷積神經(jīng)網(wǎng)絡(luò)模型中的第一因果卷積層和第二因果卷積層捕捉所述周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列的長(zhǎng)期依賴關(guān)系；

29、利用池化層減小所述周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列的長(zhǎng)度；

30、通過(guò)全連接層輸出所述周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列的預(yù)測(cè)值。

31、本發(fā)明第二方面提供了一種基于ssa-ccnn的用戶用電量預(yù)測(cè)系統(tǒng)；包括：

32、數(shù)據(jù)預(yù)處理模塊，被配置為：獲取用戶歷史用電量數(shù)據(jù)，對(duì)所述用戶歷史用電量數(shù)據(jù)進(jìn)行預(yù)處理；

33、數(shù)據(jù)特征分解模塊，被配置為：采用奇異譜分析法將預(yù)處理后的用戶歷史用電量數(shù)據(jù)分解為表征不同用戶歷史用電量數(shù)據(jù)特征的周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列；

34、用戶用電量預(yù)測(cè)模塊，被配置為：將周期分量、趨勢(shì)分量及噪聲分量的時(shí)間序列輸入到訓(xùn)練好的深度因果卷積神經(jīng)網(wǎng)絡(luò)模型中，進(jìn)而獲取周期分量預(yù)測(cè)值、趨勢(shì)分類預(yù)測(cè)值和噪聲分量預(yù)測(cè)值；

35、將周期分量預(yù)測(cè)值、趨勢(shì)分類預(yù)測(cè)值和噪聲分量預(yù)測(cè)值進(jìn)行疊加得到最終用戶用電量的預(yù)測(cè)值。

36、本發(fā)明第三方面提供了計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的一種基于ssa-ccnn的用戶用電量預(yù)測(cè)方法中的步驟。

37、本發(fā)明第四方面提供了電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的一種基于ssa-ccnn的用戶用電量預(yù)測(cè)方法中的步驟。

38、以上一個(gè)或多個(gè)技術(shù)方案存在以下有益效果：

39、本發(fā)明提供了一種基于ssa-ccnn的用戶用電量預(yù)測(cè)方法及系統(tǒng)，通過(guò)采用奇異譜分解對(duì)用戶歷史用電量數(shù)據(jù)進(jìn)行處理能夠有效處理用電量數(shù)據(jù)與外界因素之間的非線性關(guān)系，通過(guò)將用戶歷史用電量數(shù)據(jù)分解為多個(gè)成分，?每個(gè)成分都具有明確的物理意義，?如趨勢(shì)、?周期性和噪聲等。使得用戶歷史用電量數(shù)據(jù)的特征提取和分析變得更加直觀和易于理解。?通過(guò)選擇代表性的成分進(jìn)行分析，?可以更好地理解和處理用戶歷史用電量數(shù)據(jù)。

40、采用深度因果卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)用戶歷史用電量數(shù)據(jù)的趨勢(shì)、周期和噪聲分量進(jìn)行預(yù)測(cè)，深度因果卷積神經(jīng)網(wǎng)絡(luò)包含兩個(gè)因果卷積層能夠有效捕捉上述數(shù)據(jù)分量中的時(shí)間依懶性，從而更好地理解和預(yù)測(cè)數(shù)據(jù)的動(dòng)態(tài)變化，其預(yù)測(cè)誤差更小，結(jié)果更準(zhǔn)確，便于電力市場(chǎng)根據(jù)上述預(yù)測(cè)結(jié)果制定合適的發(fā)電計(jì)劃滿足用戶正常用電的需求。

41、本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。