本发明涉及用电负荷预测，具体地说，涉及一种基于时空传导网络的居民用电负荷预测方法、系统、设备及介质。
背景技术：
1、居民用电负荷(residential power load, rpl)是指住宅区和家庭用户的用电设备在某一时刻使用的电能之和，是电网负荷的重要组成部分，具有规模庞大、波动性大、峰谷差距大等特点。rpl预测是电力系统经济运行的基础，关乎电力供需之间的平衡。供电公司通过准确预测rpl，可更好的安排发电调度计划，优化电网资源配置，对于降低供电公司运营成本，提高电网供电可靠性具有积极的意义。
2、许多学者对rpl预测做了大量研究，文献“一种基于门限自回归移动平均算法的rpl预测模型”，通过马尔科夫模型计算气温突变点，通过长短期记忆网络与门限自回归移动平均算法结合的方式进行rpl预测。文献“一种基于图卷积神经网络的rpl预测方法”，通过k-means聚类进行rpl类型划分，并采用图卷积神经网格构造各prl序列的相关性，从而提高rpl预测精度。文献“一种基于深度条件概率密度函数的rpl预测方法”，通过四次方核函数计算rpl预测与观测值之间的关系，通过交叉验证提高rpl预测精度。文献“一种基于长短时神经网络的rpl预测方法”，通过硬阈值函数滤除rpl历史数据噪声，采用长短时记忆网络对各类用户负荷数据进行预测。
3、由此可见，rpl预测方法多样。但随着电力体制改革和新型电力系统建设的不断推进，屋顶光伏、居民用户储能、电动汽车等居民多源负荷快速发展，兼具用电特征的rpl大量涌现，负荷特性发生深刻变化，上述方法对多源信息融合不足，在源网荷储互动场景下rpl预测准确率低。
技术实现思路
1、本发明针对现有的居民用电负荷预测方法对多源信息融合不足，在源网荷储互动场景下预测准确率低的问题，提出一种基于时空传导网络的居民用电负荷预测方法、系统、设备及介质；首先进行社会经济、气象环境等多源异构数据的融合与链式全流程追溯，为居民用电负荷预测提供支撑数据。其次，采用多模态方法分解居民用电负荷用电成分，并采用时空传导网络分析外部因素扰动情况下的居民用电负荷需求变化传播机理。最后，采用长短期记忆网络对各成分的居民用电负荷进行预测，并加权形成居民用电负荷预测结果；提高了居民用电负荷预测精度。
2、本发明具体实现内容如下：
3、一种基于时空传导网络的居民用电负荷预测方法，具体包括以下步骤：
4、步骤s1：融合采集的居民用电负荷数据和居民用电负荷外部多源数据，得到居民用电负荷融合数据；
5、步骤s2：分析居民用电负荷融合数据得到居民用电负荷数据成分，根据居民用电负荷数据成分分析外部扰动影响；
6、步骤s3：调用lstm网络预测居民用电负荷数据成分，并计算预测的居民用电负荷数据成分的权重，根据权重预测得到居民用电负荷。
7、为了更好地实现本发明，进一步地，所述步骤s1具体包括以下步骤：
8、步骤s11：从供电公司的用电信息采集系统获取居民用电负荷历史数据，得到居民用电负荷数据；
9、步骤s12：调用ocr算法，计算居民用电负荷外部多源数据图像两个卷积层间的连接权重，输出识别后的字符，得到居民用电负荷外部多源数据；
10、步骤s13：调用线性回归修复居民用电负荷外部多源数据，得到修复后的居民用电负荷外部多源数据；
11、步骤s14：从修复后的居民用电负荷外部多源数据提取得到多源数据特征，并调用决策函数融合修复后的居民用电负荷外部多源数据和居民用电负荷数据，得到居民用电负荷融合数据。
12、为了更好地实现本发明，进一步地，所述步骤s2具体包括以下步骤：
13、步骤s21：调用fcm聚类方法，分析居民用电负荷融合数据成分，得到居民用电负荷融合数据的不同类型电器的隶属度；
14、步骤s22：调用网络分析法构建居民用电负荷外部扰动传导动态网络，得到居民用电负荷的网络密度、居民用电负荷时空传导网络关联度；
15、步骤s23：根据居民用电负荷融合数据的不同类型电器的隶属度、居民用电负荷的网络密度、居民用电负荷时空传导网络关联度，得到外部扰动影响数据。
16、为了更好地实现本发明，进一步地，所述步骤s3具体包括以下步骤：
17、步骤s31：调用lstm网络预测居民用电负荷数据成分的分量；
18、步骤s32：调用熵权法计算居民用电负荷数据成分的影响权重，得到影响权重最优值；
19、步骤s33：根据影响权重预测得到居民用电负荷。
20、为了更好地实现本发明，进一步地，所述步骤s31的具体操作为：调用lstm网络，根据居民用电负荷融合数据、外部扰动影响数据、设定的激活函数、居民家庭的光伏发电功率、居民家庭的储能放电功率，预测得到第l个居民用电负荷成分数据。
21、为了更好地实现本发明，进一步地，所述步骤s32的具体操作为：调用熵权法，计算居民用电负荷成分预测条件熵、居民用电负荷成分预测信息熵，得到居民用电负荷成分预测的联合熵，根据联合熵得到居民用电负荷数据成分的影响权重，计算影响权重最优值。
22、基于上述提出的基于时空传导网络的居民用电负荷预测方法，为了更好地实现本发明，进一步地，提出一种基于时空传导网络的居民用电负荷预测系统，用于执行上述的基于时空传导网络的居民用电负荷预测方法，包括融合单元、分析单元、预测单元；
23、所述融合单元，用于融合采集的居民用电负荷数据和居民用电负荷外部多源数据，得到居民用电负荷融合数据；
24、所述分析单元，用于分析居民用电负荷融合数据得到居民用电负荷数据成分，根据居民用电负荷数据成分分析外部扰动影响；
25、所述预测单元，用于调用lstm网络预测居民用电负荷数据成分，并计算预测的居民用电负荷数据成分的权重，根据权重预测得到居民用电负荷。
26、基于上述提出的基于时空传导网络的居民用电负荷预测方法，为了更好地实现本发明，进一步地，提出一种电子设备，包括存储器和处理器；所述存储器上存储有计算机程序；当所述计算机程序在所述处理器上执行时，实现上述的基于时空传导网络的居民用电负荷预测方法。
27、基于上述提出的基于时空传导网络的居民用电负荷预测方法，为了更好地实现本发明，进一步地，提出一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令；当所述计算机指令在上述的电子设备上执行时，实现上述的基于时空传导网络的居民用电负荷预测方法。
28、本发明具有以下有益效果：
29、（1）本发明对社会经济、气象环境等多源异构数据的融合，为居民用电负荷预测增加了外部参考因素，具有数据分析全面的特点。
30、（2）本发明采用时空传导网络分析外部因素扰动情况下的居民用电负荷需求变化传播机理，识别了气温、人均gdp对居民用电负荷变化的影响。
31、（3）本发明采用lstm进行了多时间尺度的居民用电负荷预测，有效的关联了不同时间尺度数据对居民用电负荷预测的影响，提高了居民用电负荷预测精度。
1.一种基于时空传导网络的居民用电负荷预测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于时空传导网络的居民用电负荷预测方法，其特征在于，所述步骤s1具体包括以下步骤：
3.根据权利要求1所述的一种基于时空传导网络的居民用电负荷预测方法，其特征在于，所述步骤s2具体包括以下步骤：
4.根据权利要求1所述的一种基于时空传导网络的居民用电负荷预测方法，其特征在于，所述步骤s3具体包括以下步骤：
5.根据权利要求4所述的一种基于时空传导网络的居民用电负荷预测方法，其特征在于，所述步骤s31的具体操作为：调用lstm网络，根据居民用电负荷融合数据、外部扰动影响数据、设定的激活函数、居民家庭的光伏发电功率、居民家庭的储能放电功率，预测得到第l个居民用电负荷成分数据。
6.根据权利要求4所述的一种基于时空传导网络的居民用电负荷预测方法，其特征在于，所述步骤s32的具体操作为：调用熵权法，计算居民用电负荷成分预测条件熵、居民用电负荷成分预测信息熵，得到居民用电负荷成分预测的联合熵，根据联合熵得到居民用电负荷数据成分的影响权重，计算影响权重最优值。
7.一种基于时空传导网络的居民用电负荷预测系统，用于执行如权利要求1所述的基于时空传导网络的居民用电负荷预测方法，其特征在于，包括融合单元、分析单元、预测单元；
8.一种电子设备，其特征在于，包括存储器和处理器；所述存储器上存储有计算机程序；当所述计算机程序在所述处理器上执行时，实现如权利要求1-6任一项所述的基于时空传导网络的居民用电负荷预测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令；当所述计算机指令在如权利要求8所述的电子设备上执行时，实现如权利要求1-6任一项所述的基于时空传导网络的居民用电负荷预测方法。
