面向行业用户用电量预测的自监督表示学习方法和系统

本发明涉及负荷预测领域，尤其涉及一种面向行业用户用电量预测的自监督表示学习方法和系统。

背景技术：

1、在电力市场改革背景下，预判地区行业整体售电量规模，合理规划电力企业购电计划，提升电力系统的供需平衡性和供电经济性，对改革的顺利进行有着重要的战略意义。电量预测指对一段时间内电力系统的负荷消耗电能总量进行预报，属于负荷预测方向的子问题。传统的基于统计学方法如自回归滑动平均模型arma、自回归积分滑动平均模型arima等，通常假设时间序列数据是稳定的，对数据质量要求较高。常见的基于机器学习的负荷预测方法有支持向量机svm[cortes et al.,1995]等，能够拟合非线性数据，但是难以捕捉序列之间的相关性，难以处理具有较多特征输入或者具有长期依赖的大规模数据。负荷预测是人工智能技术在电力系统最广泛和深入的领域之一，常见的在负荷预测领域应用的深度学习方法有卷积神经网络cnn[lecun et al.,1989]、短期记忆网络lstm[hochreiter etal.,1997]等。近来，以transformer[vaswani et al.,2017]为基础的时间序列预测模型在负荷预测领域大放异彩，代表方法包括patchtst[nie et al.,2023]、autoformer[wu etal.,2021]、fedformer[zhou et al.,2022]等。

2、但是，多行业用户用电量预测这一实际应用场景给时间序列预测模型带来新的挑战。一方面时间序列预测模型广泛使用的数据集通常是单个体数据。而实际用户用电量数据中包含多个用户的数据，这些用户来自不同的行业，会有较大的用电行为差异。为多种行业用户的数据分别建立模型训练是不现实的，如何构建模型区分不同行业用户的用电行为模式差异性是我们面临的挑战之一。另一方面，同一行业的用户，在不同季节会有不同的用电行为模式，例如在生产旺季消耗更多的电能等。如何构建模型区分同一行业用户的用电行为模式差异性是我们面临另一个挑战。

3、现有的时间序列预测模型，在单个体用户数据集上进行模型的训练和计算。在多行业用户序列预测数据集上，模型难以区分不同行业用户在用电行为模式上的差异，也无法捕捉同一行业用户在不同时间段用电行为模式上的差异，模型的鲁棒性受到挑战。

技术实现思路

1、为了解决现有技术的负荷预测模型难以区分不同行业用电行为差异的问题，本发明提出了一种面向行业用户用电量预测的自监督表示学习方法和系统，用于实现基于用户过往用电数据，对用户未来一段时间的日用电量进行精准预测。

2、本发明采用如下技术方案：

3、第一方面，本发明提供一种面向行业用户用电量预测的自监督表示学习方法，包括：

4、获取各行业用户日用电量、日峰用电量、日谷用电量构成用户日用电时间序列，将用户日用电时间序列作为编码器的输入，得到用户日用电时间序列的特征；

5、通过卷积神经网络对用户日用电时间序列的特征进行通道信息融合和特征抽取，输出用户日用电时间序列的对比学习表示；

6、根据所述的用户日用电时间序列的的时间信息和行业信息，将同行业时间距离相近的用户日用电时间序列视为正样本，不同行业以及同行业时间距离不相近的用户日用电时间序列视为负样本；通过用户日用电时间序列的对比学习表示计算对比学习损失函数；

7、通过神经网络线性层对用户日用电时间序列的特征进行预测，得到用户日用电预测量，计算用户日用电预测量与用户日用电实际量的均方误差，得到预测损失函数；

8、结合对比学习损失与预测损失训练编码器、卷积神经网络和神经网络线性层，利用训练后的编码器和神经网络线性层实现行业用户用电量预测。

9、进一步地，所述的编码器为patchtst编码器。

10、进一步地，时间距离相近即用户日用电时间序列的起始时间差值的绝对值小于用户日用电时间序列长度的一半。

11、进一步地，卷积神经网络由两个卷积层构成。

12、进一步地，所述的对比学习损失函数公式为：

13、

14、其中，表示对比学习损失，i表示用户日用电时间序列的样本集合，p(i)表示第i个样本的正样本集合，q(i)表示第i个样本的正负样本集合的并集，zp为正样本集合中用户日用电时间序列的对比学习表示，zq为正负样本集合的并集中用户日用电时间序列的对比学习表示，zi为用户日用电时间序列的样本集合中用户日用电时间序列的对比学习表示；τ为温度系数。

15、进一步地，所述的模型训练的总损失的损失函数为：

16、

17、其中，表示总损失函数，表示预测损失函数，表示对比学习损失函数，λ为调整预测损失与对比学习损失比例的超参数。

18、第二方面，本发明提供一种面向行业用户用电量预测的自监督表示学习系统，用于实现上述方法。

19、与现有技术相比，本发明具备的有益效果是：本发明基于多种行业的用户用电数据和所属行业数据进行建模，通过为样本划分正样本、负样本和计算对比学习损失函数，获得能够体现不同行业用户间的用电行为差异、同一行业用户在不同时间段的用电行为差异的对比学习表示，最终实现用户未来一个月左右日用电量的精准预测。

技术特征：

1.一种面向行业用户用电量预测的自监督表示学习方法，其特征在于，包括：

2.根据权利要求1所述的面向行业用户用电量预测的自监督表示学习方法，其特征在于，所述的编码器为patchtst编码器。

3.根据权利要求1所述的面向行业用户用电量预测的自监督表示学习方法，其特征在于，时间距离相近即用户日用电时间序列的起始时间差值的绝对值小于用户日用电时间序列长度的一半。

4.根据权利要求1所述的面向行业用户用电量预测的自监督表示学习方法，其特征在于，卷积神经网络由两个卷积层构成。

5.根据权利要求1所述的面向行业用户用电量预测的自监督表示学习方法，其特征在于，所述的对比学习损失函数公式为：

6.根据权利要求1所述的面向行业用户用电量预测的自监督表示学习方法，其特征在于，所述的模型训练的总损失的损失函数为：

7.一种面向行业用户用电量预测的自监督表示学习系统，其特征在于，包括：

8.根据权利要求7所述的面向行业用户用电量预测的自监督表示学习系统，其特征在于，所述时间序列特征获取模块的编码器为patchtst编码器。

9.根据权利要求7所述的面向行业用户用电量预测的自监督表示学习系统，其特征在于，所述对比学习损失模块的对比学习损失函数公式为：

10.根据权利要求7所述的面向行业用户用电量预测的自监督表示学习系统，其特征在于，所述总损失模块的模型训练的总损失的损失函数为：

技术总结
本发明公开了一种面向行业用户用电量预测的自监督表示学习方法和系统，属于负荷预测领域。本发明首先获取各行业用户日用电量、日峰用电量、日谷用电量构成用户日用电时间序列，通过编码器得到用户日用电时间序列的特征；再利用卷积神经网络输出用得到户日用电时间序列的对比学习表示；根据所述的用户日用电时间序列的时间信息和行业信息，划分正负样本，通过对比学习表示计算对比学习损失函数；通过神经网络线性层对用户日用电时间序列特征进行预测，得到用户日用电预测量，计算用户日用电预测量与用户日用电实际量的均方误差，得到预测损失函数；结合对比学习损失与预测损失得到模型训练的总损失。最终实现用户用电量的精准预测。

技术研发人员：杨洋,张奕青
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/1/16