本發明涉及電力能源預測，尤其涉及一種基于大數據的電力能源預測方法。

背景技術：

1、隨著光伏發電技術的發展，為了減少電力能源浪費，平衡電力能源供需，出現了對短期的電力能源預測的技術。傳統的電力能源預測技術中，在建立數據倉庫后，通過分析大量歷史數據進行電力能源預測。但是，這種能源預測方法實際上不適用于基于物聯網的電力能源預測系統，因為數據倉庫是一種離線的數據分析方法，與電力能源生產系統的聯系不夠緊密，無法反映物聯網環境的動態變化。

技術實現思路

1、本技術通過提供一種基于大數據的電力能源預測方法，提高電力能源預測的準確度和效率，避免資源浪費。

2、本技術提供了一種基于大數據的電力能源預測方法，包括：

3、s101，獲得所有電力傳感節點在預設歷史時間段內每個采樣時間點的相關電力數據，得到每個電力傳感節點的電力能源變化曲線和每個采樣時間對應的場景快照特征信息；

4、s102，利用預設的能源場景關聯機制，將所有電力傳感節點劃分為若干節點區域；

5、s103，基于每個節點區域，將目標差異值最大的節點對的電力傳感節點作為該節點區域的主導對象節點；

6、s104，每預設時間間隔獲得主導對象節點的電力能源特征向量，輸入至預先訓練完成的局部能源貢獻預測模型中，輸出主導對象節點在下一個周期內的局部能源貢獻信息，得到主導對象節點對應的節點區域在下一個周期內的電力能源預測值；

7、s105，將所有節點區域在下一個周期內的電力能源預測值打包反饋至電力能源管理中心。

8、優選地，所述相關電力數據包括電壓值、功率值、環境參數值、電力能源值，所述電力能源變化曲線的生成方式包括：

9、a1、基于每個電力傳感節點，獲得其在歷史時間段內每個采樣時間點對應的電力能源值，形成若干個數據點，每個數據點包括采樣時間戳和電力能源值；

10、a2、基于若干數據點，將時間戳作為橫坐標，電力能源值作為縱坐標，利用預設的曲線擬合技術，生成該電力傳感節點的電力能源變化曲線。

11、所述場景快照特征信息由電壓特征值、功率特征值、環境特征值組成，表示為，其中，表示第個采樣時間點對應的場景快照特征信息，表示第個采樣時間點對應的電壓值歸一化后的電壓特征值，為第個采樣時間點對應的功率值歸一化后的功率特征值，表示第個采樣時間點對應的環境參數值歸一化后的環境特征值。

12、優選地，所述預設的能源場景關聯機制，包括：

13、b1、每兩個電力傳感節點組成節點對，基于每個節點對，計算對應的電力能源變化曲線的積分差值作為第一差異值；

14、b2、基于兩個節點的電力能源變化曲線，生成關聯時間節點序列以及兩個節點分別對應的場景快照特征信息序列，k表示關聯時間節點的數量，為第k個關聯時間節點對應的時間戳，為第k個關聯時間節點處的場景快照特征信息；關聯時間節點序列具體為：兩個節點的電力能源變化曲線的交匯處所對應的時間節點按照順序組成關聯時間節點序列；

15、b3、基于每個關聯時間節點，分別計算兩個節點在每個關聯時間節點處的能源方向值，利用預設的能源-場景偏差算法，計算得到節點對的第二差異值；

16、b4、根據每個節點對的第一差異值和第二差異值，得到目標差異值；

17、b5、設定分類閾值，若節點對的目標差異值小于分類閾值，則將節點對中的電力傳感節點歸類至一個區域內，最終得到若干節點區域。

18、優選地，所述能源方向值設置為該關聯時間節點與上一個關聯時間節點組成的曲線在該關聯時間節點處的斜率值。

19、所述預設的能源-場景偏差算法具體包括：

20、c1、基于每個節點對，計算兩個節點在每個關聯時間節點處的能源方向值的差值絕對值，組成能源方向差異序列，為第k個關聯時間節點處節點對的能源方向差異值；

21、c2、基于節點對的兩個場景快照特征信息序列，計算兩個節點在每個關聯時間節點處的場景快照特征信息的歐氏距離值，組成場景差異序列，為第k個關聯時間節點處節點對的場景差異值；

22、c3、基于關聯時間節點序列對應的差值絕對值序列、場景差異序列，根據以下公式進行加權求和得到節點對的第二差異值：

23、；

24、其中，為節點對的第二差異值，k為關聯時間節點的總數量，為第j個關聯時間節點處的能源方向差異值，為第j個關聯時間節點處的場景差異值，和分別為能源方向差異值和場景差異值對第二差異值的權重值，用于表示能源方向差異值和場景差異值對第二差異值的重要影響程度，根據實際情況進行設置，+=1。

25、優選地，所述b4中，根據以下公式計算得到目標差異值：

26、；

27、其中，f為目標差異值，為第一差異值，為第二差異值，和分別為第一差異值和第二差異值對目標差異值的權重值，用于表示對目標差異值的影響程度，+=1。

28、優選地，所述電力能源特征向量的生成方式為：

29、d1、獲得主導對象節點當前時間點的第一場景快照特征信息，從當前時間點向前逐點獲得第二場景快照特征信息，直至第一場景快照特征信息與第二場景快照特征信息的場景差異值大于場景切換閾值，標記為目標場景快照特征信息，并獲得對應的目標時間點以及對應的電力能源值；

30、d2、獲得目標時間點至當前時間點在主導對象節點的電力能源變化曲線中命中的曲線段，得到曲線段中每個采樣時間點的能源方向值，組成能源方向序列；

31、d3、將目標場景快照特征信息及其對應的電力能源值、能源方向序列、第一場景快照特征信息組成電力能源特征向量。

32、優選地，所述局部能源貢獻信息包括主導對象節點在下一個周期內的電力能源預測值、局部貢獻指標；每個所述電力傳感節點對應一個預先訓練完成的局部能源貢獻預測模型，獲取方式為：

33、e1、收集該節點大量歷史周期獲得的電力能源特征向量，對其進行標簽標注形成訓練數據集，標注的內容設置為：該歷史周期的下一個歷史周期對應的實際電力能源值、以及該節點在所處節點區域內的局部貢獻指標；其中，該節點在所處節點區域內的局部貢獻指標，設置為：該節點在下一個歷史周期對應的實際電力能源值與所處節點區域在同歷史周期內的實際電力能源總量的比值；

34、e2、利用標注后的電力能源特征向量作為訓練數據集，對預先設置的神經網絡結構進行訓練，不斷優化模型參數，得到最終的局部能源貢獻預測模型。

35、優選地，所述s104中，得到主導對象節點對應的節點區域在下一個周期內的電力能源預測值，包括：

36、s201，基于每個主導對象節點的局部能源貢獻信息，包括電力能源預測值和局部貢獻指標，將電力能源預測值與局部貢獻指標的比值確定為該主導對象節點對應的區域能源預測值；

37、s202，將兩個主導對象節點的區域能源預測值進行加權求和，得到對應節點區域在下一個周期內的電力能源預測值。

38、優選地，所述s104還包括：

39、s301，對于每個主導對象節點，基于其上一個周期和當前周期內生成的場景快照特征信息序列，分析場景切換的模式和時間規律，預測距離下一個周期的采樣時間對應的場景快照特征信息，得到第三場景快照特征信息；

40、s302，計算當前時間點的場景快照特征信息與第三場景快照特征信息之間的場景差異值作為場景轉移特征向量；

41、s303，將該主導對象節點的場景轉移特征向量輸入至該節點對應的預先訓練完成的場景能源慣性預測模型，輸出該主導對象節點的慣性糾偏值；

42、s304，利用主導對象節點的慣性糾偏值，對下一個周期內的電力能源預測值進行誤差糾正，更新主導對象節點在下一個周期內的局部能源貢獻信息。

43、本技術中提供的一個或多個技術方案，至少具有如下技術效果或優點：

44、通過綜合考慮電力能源變化曲線和場景快照特征信息，計算節點對的第一差異值和第二差異值，綜合考慮了電力能源變化的差異、能源趨勢差異和場景差異，使得傳感節點區域的劃分更加科學合理；主導對象節點有助于更準確地預測節點區域的電力能源以及利用主導對象節點進行預測，避免了單一電力傳感節點的局部預測誤差偏離問題，提高了整體電力能源預測的準確性；采用局部能源貢獻預測模型，基于大量歷史數據進行訓練，能夠更好地捕捉電力能源的變化規律。

45、區別于傳統的離線數據倉庫分析方法，能夠實時獲取電力傳感節點的數據，與電力能源生產系統的聯系更加緊密，能夠反映物聯網環境的動態變化；定期獲取主導對象節點的電力能源特征向量進行預測，實現了周期性地監測電力傳感節點的電力能源；另外，進行節點區域的劃分并利用局部能源貢獻預測模型，能夠在提高預測準確性的同時，提高效率和資源利用率，避免消耗過多的處理資源。