基于机器学习的电力营销预测方法及系统与流程

本发明属于电力营销预测，具体为基于机器学习的电力营销预测方法及系统。

背景技术：

1、随着电力市场的竞争日益激烈和各种电力营销手段的不断出台，电力企业需要通过业务拓展来增加市场份额，在此背景下，传统的统计分析方法已经不能满足电力市场复杂多变的需求，因此，建立了电力营销预测模型，以预测电力市场需求情况，为电力企业制定营销策略提供支持。但是现有适用于电力营销预测的方法中，存在仅进行电力营销短期预测导致电力营销预测结果无法满足决策者需求；现有适用于电力营销预测的模型中，存在面对复杂多变的市场环境时，单一的数据处理方法具有泛化能力差和数据偏差的问题，从而导致电力营销预测结果不准确；存在内置参数设置不当，从而导致模型预测结果不准确。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于机器学习的电力营销预测方法及系统，针对现有适用于电力营销预测的方法中，存在仅进行电力营销短期预测导致电力营销预测结果无法满足决策者需求的问题，本方案创造性地引入短期和长期预测相结合的方法，并根据短期预测结果调整长期预测结果，为决策者提供更多的信息和支持，从而制定具有前瞻性和灵活性的电力营销综合战略；针对现有适用于电力营销预测的模型中，存在面对复杂多变的市场环境时，单一的数据处理方法具有泛化能力差和数据偏差的问题，从而导致电力营销预测结果不准确，本方案采用多种数据处理组合的方法建立短期预测模型，适应不同数据模式和降低预测模型的过拟合风险，从而提高电力营销预测结果的准确性和鲁棒性；针对现有适用于电力营销预测的模型中，存在内置参数设置不当，从而导致模型预测结果不准确，本方案采用圆混沌种群、权重因子和精英突变改进获取预测模型最优参数的算法，获取到最优参数组合，提升模型预测结果准确性。

2、本发明提供的基于机器学习的电力营销预测方法及系统，该方法包括以下步骤：

3、步骤s1：数据采集；

4、步骤s2：数据预处理；

5、步骤s3：电力营销短期预测；

6、步骤s4：电力营销长期预测；

7、步骤s5：预测模型超参数优化；

8、步骤s6：电力营销综合预测。

9、进一步地，在步骤s1中，所述数据采集，具体为从电力系统和智能电表系统中，通过采集得到电力营销预测原始数据；

10、所述电力营销预测原始数据包括电力营销短期预测数据和电力营销长期预测数据；

11、所述电力营销短期预测数据包括实时电力消费数据、短期历史电力消费数据、天气数据和短期事件信息数据；

12、所述电力营销长期预测数据包括长期历史电力消费数据、长期气候变化数据、人口城市化数据和相关电力政策法规数据。

13、进一步地，在步骤s2中，所述数据预处理，用于对电力营销预测原始数据进行数据预处理，得到电力营销预测初步数据集，具体包括以下步骤：

14、步骤s21：共同预处理，具体为通过所述数值过滤、数据归一化和特征选择对电力营销预测原始数据集进行数据预处理，得到电力营销预测共同初步数据集，包括以下步骤：

15、步骤s211：数值过滤，用于对所述数值型数据进行缺失值、异常值和重复值删除；

16、步骤s212：数据归一化，用于对数据进行归一化处理，具体为通过最小-最大法对数据集进行归一化处理；

17、步骤s213：特征选择，用于在电力营销预测原始数据集中提取对电力营销预测的有效特征，具体为采用特征选择算法pca对电力营销预测原始数据集进行特征选择；

18、步骤s22：短期预测特定预处理，具体为通过所述高频数据处理、短期事件信息标记和实时数据流处理对电力营销短期预测数据集进行数据预处理，得到电力营销预测短期初步数据集，包括以下步骤：

19、步骤s221：高频数据处理，具体为对高频率的所述的短期历史电力消费数据和长期历史电力消费数据使用数据进行采样和聚合；

20、步骤s222：短期事件信息标记，具体为对所述短期事件信息数据中的节假日和大型活动特殊时间点进行标记；

21、步骤s223：实时数据流处理，具体是使用数据流处理技术apache kafka对所述实时电力消费数据进行预处理和传输；

22、步骤s23：长期预测特定预处理，具体为通过所述长期趋势分析、经济与气候数据匹配和情景分析准备对电力营销长期预测数据集进行数据预处理，得到电力营销预测长期初步数据集，包括以下步骤：

23、步骤s231：长期趋势分析，具体是使用趋势分解方法prophet分离长期趋势和季节性成分；

24、步骤s232：经济与气候数据匹配，具体为将经济指标和气候数据按时间对齐，确保数据的时间一致性；

25、步骤s233：情景分析，具体是根据不同的经济、政策情景生成多个数据集，用于敏感性分析和情景预测。

26、进一步地，在步骤s3中，所述电力营销短期预测，具体为通过建立短期预测模型对短时间内的电力营销进行预测，包括以下步骤：

27、步骤s31：建立短期预测模型，具体包括以下步骤：

28、步骤s311：获取高层次特征，具体包括以下步骤：

29、步骤s3111：计算卷积层输出特征图，所用公式如下：

30、；

31、式中，表示卷积层输出的特征图，ll表示第l层特征图的大小，f表示卷积核的大小，p卷积核的填充大小，s表示用于决定卷积核在输入数据上的移动步长；

32、步骤s3112：卷积核的计算，所用公式如下：

33、；

34、；

35、式中，表示卷积核在第l+1层中的输出值，分别表示在特征图中位置的行列坐标，kl表示第l层中卷积核的个数，x，y分别表示卷积核在输入矩阵高度和宽度的位置偏移值，表示卷积核在第l层的第k个特征图的位置，表示连接第l层的第k个特征图到第l+1层的卷积核的权重值，b代表偏移量；

36、步骤s3113：表达复杂特征，所用公式如下：

37、；

38、式中，表示在第l层中第k个特征图上第(i,j)位置的激活值，表示在第l层中第k个特征图上第(i,j)位置的加权输入值，表示的是激活函数；

39、步骤s3114：lp池化操作；所用公式如下：

40、；

41、式中，表示在特征图上第()位置的输出值，f表示窗口的大小参数；

42、步骤s312：获取时间维度依赖关系，具体包括以下步骤：

43、步骤s3121：初始化模型参数，设置模型隐藏单元数量、输入向量维度、输出向量维度和训练迭代次数；

44、步骤s3122：遗忘门计算过程，所用公式如下：

45、；

46、式中，ft表示遗忘门的输出，xt表示输入数据，ht-1表示是上一时刻隐藏状态，wxf和whf表示对应遗忘门的权重矩阵，bf表示遗忘门的偏置项参数，σ表示sigmoid函数；

47、步骤s3123：输入门计算过程，所用公式如下：

48、；

49、式中，it表示输入门的输出；wxi和whi表示对应输入门权重矩阵；bi表示输入门的偏置项参数；

50、步骤s3124：计算新细胞单元状态候选值，所用公式如下：

51、；

52、式中，wxc和whc表示对应细胞单元状态权重矩阵；bc表示细胞单元状态的偏置项参数；

53、步骤s3125：细胞单元状态更新过程，所用公式表示如下：

54、；

55、式中，ct表示是当前时刻细胞单元状态；ct-1表示是上一时刻细胞单元状态；

56、步骤s3126：输出门计算过程，所用公式如下：

57、；

58、式中，ot表示输出门的输出；wxo和who表示是对应输出门权重矩阵；bo表示输出门的偏置项参数；

59、步骤s3127：隐藏状态计算过程，所用公式如下：

60、；

61、式中，tanh表示是双曲正切函数；ht表示当前时刻的隐藏状态；

62、步骤s3128：得到当前时刻预测结果，所用公式如下：

63、；

64、式中，bv表示预测值的偏置项参数；

65、步骤s313：进行特征重要性加权，具体包括以下步骤：

66、步骤s3131：计算注意力值α，所用公式如下：

67、；

68、式中，q表示查询向量，k表示键向量，v表示值向量，表示键的维度，表示矩阵k转置矩阵；

69、步骤s3132：计算输出结果，所用公式如下：

70、；

71、式中，表示多头注意力输出结果，表示单头注意输出结果，n表示头的数量，v表示值向量，concat表示拼接操作，表示输出线性变换矩阵；

72、步骤s314：计算预测结果，所用公式如下：

73、；

74、式中，表示预测结果；xi表示是输入数据；wi表示是与输入数据xi对应的权重参数；表示输入数据xi和权重参数wi组合的结果；

75、步骤s32：短期预测模型训练，具体为使用所述营销预测短期初步数据集中的历史数据对短期预测模型进行训练，得到训练后的短期预测模型；

76、步骤s33：电力营销短期预测，具体是将所述营销预测短期初步数据集中实时文本数据作为训练后的短期预测模型的输入数据，得到电力营销短期预测结果。

77、进一步地，在步骤s4中，所述电力营销长期预测，具体为通过建立长期预测模型对长时间内的电力营销进行预测，包括以下步骤：

78、步骤s41：建立长期预测模型，具体通过使用平滑系数实现对时间序列中水平、趋势和季节成分的动态调整，包括以下步骤：

79、步骤s411：计算水平成分，具体用来表示当前趋势的估计值，所用公式如下：

80、；

81、式中，表示当前水平成分，表示平滑系数，表示当前真实值，表示时间（t-m）的季节成分，表示上一次水平成分，表示上一次趋势成分；

82、步骤s412：计算趋势成分，具体用来表示当前时间序列的趋势变化，所用公式如下：

83、；

84、式中，表示当前趋势成分，表示平滑系数；

85、步骤s413：计算季节成分，具体用来表示时间序列在特定季节性影响下的变化，所用公式如下：

86、；

87、式中，表示当前季节成分，表示平滑系数；

88、步骤s414：计算预测值，具体是通过所述的水平成分、趋势成分和季节成分计算得出的，所用公式如下：

89、；

90、式中，表示时间（t-m）的预测值，m表示预测未来m期的数量，k表示季节周期的长度，表示时间（t-mk+m）季节成分；

91、步骤s42：长期预测模型训练，具体为使用所述营销预测长期初步数据集中的历史数据对长期预测模型进行训练，得到训练后的长期预测模型；

92、步骤s43：电力营销长期预测，具体是将所述营销预测长期初步数据集中实时文本数据和短期预测模型的预测结果作为训练后的长期预测模型的输入数据，得到电力营销长期预测结果。

93、进一步地，在步骤s5中，所述预测模型超参数优化具体包括以下步骤：

94、步骤s51：初始化参数，具体为通过构建算法初始参数；

95、所述算法初始参数，包括种群大小n、搜索坦克比例pn、观察坦克比例sn、最大迭代次数t、预警值r2和安全阈值st；

96、步骤s52：初始化种群，具体是使用圆混沌种群的方法进行种群初始化，包括以下步骤：

97、步骤s521：生成n个混沌序列值，初始化随机值z0；所用公式如下：

98、；

99、式中，表示第d维度第i个混沌序列值，表示第d维度第i+1个混沌序列值，round表示介于0到1之间的随机数；

100、步骤s522：混沌序列值转换搜索个体，公式表达如下：

101、；

102、式中，表示第i个体第d维度的初始化位置，lbd和ubd分别表示维度d的搜索下限和上限；

103、步骤s53：种群划分：计算种群中个体适应度值fi；将基于个体位置建立的短期预测模型和长期预测模型性能作为个体的适应度值；将个体按适应度值由优至差进行排序，划分搜索坦克与辅助坦克；找到具有最佳适应度的个体fb及其位置xb，以及具有最差适应度的个体fw及其位置xw；

104、步骤s54:获取自适应权重因子，所用公式如下：

105、；

106、式中，ω(t)表示自适应权重因子，t表示迭代次数；α和β都表示介于[0,1]范围内的随机数；

107、步骤s55：更新搜索坦克位置，所用公式如下：

108、；

109、式中，表示第i个体在第t+1代坦克群中的第d个维度位置；表示第i个体在第t代坦克群群中的第d个维度位置；表示当前迭代中最佳适应度的对应位置；a和b分别表示[0,2π]和[0,π]范围内的随机数；和表示[0,1]范围内的随机数，r2<st表示附近没有敌人，处于安全位置；表示附近有敌人，需换个区域；q表示服从正态分布的随机数；表示种群随机个体位置；是平滑项；

110、步骤s56：更新辅助坦克位置，所用公式如下：

111、；

112、式中，t表示迭代次数；n表示个体的数量，表示机群在第t+1次迭代中具有最佳适应度值的个体在维度d上的位置，表示当前迭代中最差适应度的对应位置；a+表示维度伪逆矩阵，元素随机分配1或-1；表示[0,1]范围内的随机数，表示取最小值；

113、步骤s57：更新观察坦克位置，随机选择机群中10%个体作为观察坦克，进行位置更新；所用公式如下：

114、；

115、式中，表示种群在第t次迭代中具有最佳适应度的个体在维度d上的位置；表示种群在第t次迭代中具有最差适应度的个体在维度d上的位置；表示是均值为0、方差为1的标准正态分布随机数；k表示是区间中均匀分布的随机数[−1,1]；表示是避免分母为零的最小常数；

116、步骤s58：精英个体突变，重新计算每个个体的适应度值fi，选择种群中1%个体作为精英个体，进行精英个体突变；所用公式如下：

117、；

118、；

119、式中，表示精英个体在第t+1次迭代中突变后的位置；表示精英个体在第t次迭代中的位置；表示标准差；表示满足柯西分布随机变量；表示满足高斯分布随机变量；

120、步骤s59：搜索判定，具体为通过构建搜索终止条件，进行最优个体位置的搜索判定，得到最优个体位置数据设置；

121、所述搜索终止条件，包括阈值终止和迭代终止；

122、所述阈值终止，具体为设置适应度阈值，当所述个体适应度值fi高于适应度阈值时，超参数搜索完成；

123、所述迭代终止，具体指达到最大迭代次数时，终止迭代并获得最优个体位置；

124、所述最优个体位置，包括短期预测模型参数和长期预测模型参数。

125、进一步地，在步骤s6中，所述电力营销综合预测，具体是通过短期预测模型和长期预测模型的预测结果，制定电力营销决策，优化电力供应链和资源配置，以应对长期电力市场的变化和需求波动。

126、本发明采取的技术方案如下：本发明提供的基于机器学习的电力营销预测系统，包括数据采集模块、数据预处理模块、电力营销短期预测模块、电力营销长期预测模块、预测模型超参数优化模块和电力营销综合预测模块；

127、所述数据采集模块从电力系统中，通过采集得到电力营销预测原始数据，所述电力营销预测原始数据，包括电力营销短期预测数据和电力营销长期预测数据，并将所述电力营销预测原始数据发送至数据预处理模块；

128、所述数据预处理模块接收数据采集模块发送的电力营销预测原始数据，并对所述电力营销预测原始数据进行数据预处理，得到电力营销预测初步数据，将所述电力营销预测初步数据发送至电力营销短期预测模块和电力营销长期预测模块；

129、所述电力营销短期预测模块接收数据预处理模块发送的电力营销预测初步数据，并建立短期预测模型对短时间内的电力营销进行预测，得到电力营销短期预测结果，并将所述电力营销短期预测结果发送至电力营销长期预测模块和电力营销综合预测模块；

130、所述电力营销长期预测模块接收数据预处理模块发送的电力营销预测初步数据和电力营销短期预测模块发送电力营销短期预测结果，并建立长期预测模型对长时间内的电力营销进行预测，得到电力营销长期预测结果，并将所述电力营销长期预测结果发送至电力营销综合预测模块；

131、所述预测模型超参数优化模块，用于预测模型超参数优化，通过超参数优化算法，得到短期预测模型和长期预测模型参数最优解组合，并将所述短期预测模型和长期预测模型参数最优解组合分别发送至电力营销短期预测模块和电力营销长期预测模块；

132、所述电力营销综合预测模块接收电力营销短期预测模块和电力营销长期预测模块发送的预测结果，制定电力营销决策，优化电力供应链和资源配置。

133、采用上述方案本发明取得的有益效果如下：

134、（1）针对现有适用于电力营销预测的方法中，存在仅进行电力营销短期预测导致电力营销预测结果无法满足决策者需求的问题，本方案创造性地引入短期和长期预测相结合的方法，并根据短期预测结果调整长期预测结果，为决策者提供更多的信息和支持，从而制定具有前瞻性和灵活性的电力营销综合战略。

135、（2）针对现有适用于电力营销预测的模型中，存在面对复杂多变的市场环境时，单一的数据处理方法具有泛化能力差和数据偏差的问题，从而导致电力营销预测结果不准确，本方案采用多种数据处理组合的方法建立短期预测模型，适应不同数据模式和降低预测模型的过拟合风险，从而提高电力营销预测结果的准确性和鲁棒性。

136、（3）针对现有适用于电力营销预测的模型中，存在内置参数设置不当，从而导致模型预测结果不准确，本方案采用圆混沌种群、权重因子和精英突变改进获取预测模型最优参数的算法，获取到最优参数组合，提升模型预测结果准确性。