基于特征篩選的用能數(shù)據(jù)預(yù)測方法及裝置、介質(zhì)、終端 技術(shù)領(lǐng)域 [0001] 本申請涉及用能時空特性分析領(lǐng)域，特別是涉及一種基于特征篩選的用能數(shù)據(jù)預(yù)測方法及裝置、介質(zhì)、終端。 背景技術(shù) [0002] 隨著新型電力系統(tǒng)的快速發(fā)展，使得負(fù)荷側(cè)參與系統(tǒng)調(diào)節(jié)成為可能。但當(dāng)電動汽車、儲能、需求響應(yīng)等大量柔性負(fù)荷接入配電網(wǎng)時，由于其分散無序的接入特點(diǎn)，導(dǎo)致針對用戶用能特性的分析變得困難，從而導(dǎo)致對用戶未來用能行為數(shù)據(jù)的預(yù)測準(zhǔn)確性降低，而準(zhǔn)確的用戶未來用能行為數(shù)據(jù)預(yù)測結(jié)果，對優(yōu)化電力系統(tǒng)運(yùn)行，提高能源利用效率，保障電力系統(tǒng)穩(wěn)定運(yùn)行具有重要意義。 [0003] 目前，常用的用戶用能特性的分析方法主要集中在利用統(tǒng)計理論的回歸法和卡爾曼濾波法等。然而，由于回歸法和卡爾曼濾波法僅關(guān)注數(shù)據(jù)本身，忽略了非線性問題對用戶用能特性的影響，導(dǎo)致針對用戶用能特性的分析不可靠，從而導(dǎo)致對用戶未來用能行為數(shù)據(jù)的預(yù)測準(zhǔn)確性降低。 發(fā)明內(nèi)容 [0004] 有鑒于此，本申請?zhí)峁┮环N基于特征篩選的用能數(shù)據(jù)預(yù)測方法及裝置、介質(zhì)、終端，主要目的在于現(xiàn)有針對用戶用能特性的分析不可靠，從而導(dǎo)致對用戶未來用能行為數(shù)據(jù)的預(yù)測準(zhǔn)確性降低的問題。 [0005] 依據(jù)本申請一個方面，提供了一種基于特征篩選的用能數(shù)據(jù)預(yù)測方法，包括： [0006] 獲取目標(biāo)區(qū)域所包含的全部用戶在預(yù)設(shè)時長內(nèi)的用能行為數(shù)據(jù)以及所述目標(biāo)區(qū)域的環(huán)境參數(shù)集； [0007] 將所述環(huán)境參數(shù)集所包含的多個環(huán)境參數(shù)進(jìn)行第一隨機(jī)劃分，生成多個環(huán)境參數(shù)子集，所述第一隨機(jī)劃分包括環(huán)境參數(shù)子集的數(shù)量、環(huán)境參數(shù)子集中的環(huán)境參數(shù)的數(shù)量、環(huán)境參數(shù)子集中的環(huán)境參數(shù)的類型； [0008] 將各個所述用戶逐一作為目標(biāo)用戶，并分別計算各個所述環(huán)境參數(shù)子集與所述目標(biāo)用戶的用能行為數(shù)據(jù)之間的最大相關(guān)最小冗余指標(biāo)，并從所述目標(biāo)用戶對應(yīng)的多個最大相關(guān)最小冗余指標(biāo)中，篩選出最大值所對應(yīng)的環(huán)境參數(shù)子集，將所述環(huán)境參數(shù)子集作為所述目標(biāo)用戶的典型環(huán)境參數(shù)集，所述最大相關(guān)最小冗余指標(biāo)用于表征環(huán)境參數(shù)子集與用戶的用能行為數(shù)據(jù)之間的最大相關(guān)性指標(biāo)與最小冗余性指標(biāo)的差值； [0009] 分別計算所述典型環(huán)境參數(shù)集所包含的各個環(huán)境參數(shù)與所述目標(biāo)用戶的用能行為數(shù)據(jù)之間的相關(guān)系數(shù)，將各個所述相關(guān)系數(shù)組合得到所述目標(biāo)用戶的相關(guān)系數(shù)向量，將各個所述目標(biāo)用戶的相關(guān)系數(shù)向量組合得到用戶與典型環(huán)境參數(shù)集之間的相關(guān)系數(shù)矩陣； [0010] 基于所述相關(guān)系數(shù)矩陣對全部用戶進(jìn)行聚類處理，得到多個用戶組，并將各個所述用戶組逐一作為目標(biāo)用戶組； [0011] 將所述目標(biāo)用戶組所包含的各個用戶的典型環(huán)境參數(shù)集進(jìn)行整合，得到所述目標(biāo)用戶組的環(huán)境參數(shù)指示向量，將所述環(huán)境參數(shù)指示向量所包含的多個環(huán)境參數(shù)進(jìn)行第二隨機(jī)劃分，生成多個環(huán)境參數(shù)指示子向量，所述第二隨機(jī)劃分包括環(huán)境參數(shù)指示子向量的數(shù)量、環(huán)境參數(shù)指示子向量中的環(huán)境參數(shù)的數(shù)量、環(huán)境參數(shù)指示子向量中的環(huán)境參數(shù)的類型； [0012] 分別計算各個所述環(huán)境參數(shù)指示子向量的特征篩選遍歷求解指標(biāo)，從各個所述特征篩選遍歷求解指標(biāo)中篩選出最大特征篩選遍歷求解指標(biāo)，將所述最大特征篩選遍歷求解指標(biāo)所對應(yīng)的環(huán)境參數(shù)指示子向量確定為所述目標(biāo)用戶組的最優(yōu)環(huán)境參數(shù)集，得到各個用戶組的最優(yōu)環(huán)境參數(shù)集，所述特征篩選遍歷求解指標(biāo)用于衡量環(huán)境參數(shù)指示子向量與用戶組的用能行為數(shù)據(jù)之間的適應(yīng)程度； [0013] 分別調(diào)用與各個所述用戶組相匹配的用能行為數(shù)據(jù)預(yù)測模型，根據(jù)各個所述用戶組的最優(yōu)環(huán)境參數(shù)集以及用能行為數(shù)據(jù)進(jìn)行預(yù)測處理，得到各個所述用戶組的預(yù)測用能行為數(shù)據(jù)，所述用能行為數(shù)據(jù)預(yù)測模型是由編碼器、解碼器、全局注意力子模型組成的，所述編碼器以及所述解碼器是基于長短期神經(jīng)網(wǎng)絡(luò)構(gòu)建的。 [0014] 優(yōu)選的，所述計算所述環(huán)境參數(shù)子集與所述目標(biāo)用戶的用能行為數(shù)據(jù)之間的最大相關(guān)最小冗余指標(biāo)，包括： [0015] 獲取所述環(huán)境參數(shù)子集所包含的各個環(huán)境參數(shù)與所述目標(biāo)用戶的用電行為數(shù)據(jù)之間的相關(guān)系數(shù)； [0016] 基于下述公式，根據(jù)各個所述相關(guān)系數(shù)計算所述環(huán)境參數(shù)子集與所述目標(biāo)用戶的用電行為數(shù)據(jù)之間的最大相關(guān)性指標(biāo)， [0017] ， [0018] 其中， 表示環(huán)境參數(shù)子集 與用戶的用電行為數(shù)據(jù) 之間的最大相關(guān)性指標(biāo)， 表示環(huán)境參數(shù)子集 所包含的環(huán)境參數(shù)的數(shù)量， 表示環(huán)境參數(shù) 與用戶的用能行為數(shù)據(jù) 之間的相關(guān)系數(shù)； [0019] 將所述環(huán)境參數(shù)子集中的任意兩個環(huán)境參數(shù)逐一作為目標(biāo)環(huán)境參數(shù)對； [0020] 將所述目標(biāo)環(huán)境參數(shù)對中的兩個環(huán)境參數(shù)所包含的數(shù)據(jù)點(diǎn)以成對的形式分散在二維空間中，得到所述目標(biāo)環(huán)境參數(shù)對的數(shù)據(jù)點(diǎn)集合； [0021] 按照不同的劃分尺度，分別將所述二維空間進(jìn)行網(wǎng)格化處理，得到多個二維空間網(wǎng)格，并基于下述公式，分別計算所述數(shù)據(jù)點(diǎn)集合在各個所述二維空間網(wǎng)格中的互信息指標(biāo)， [0022] ，

1.一種基于特征篩選的用能數(shù)據(jù)預(yù)測方法，其特征在于，包括： 獲取目標(biāo)區(qū)域所包含的全部用戶在預(yù)設(shè)時長內(nèi)的用能行為數(shù)據(jù)以及所述目標(biāo)區(qū)域的環(huán)境參數(shù)集； 將所述環(huán)境參數(shù)集所包含的多個環(huán)境參數(shù)進(jìn)行第一隨機(jī)劃分，生成多個環(huán)境參數(shù)子集，所述第一隨機(jī)劃分包括環(huán)境參數(shù)子集的數(shù)量、環(huán)境參數(shù)子集中的環(huán)境參數(shù)的數(shù)量、環(huán)境參數(shù)子集中的環(huán)境參數(shù)的類型； 將各個所述用戶逐一作為目標(biāo)用戶，并分別計算各個所述環(huán)境參數(shù)子集與所述目標(biāo)用戶的用能行為數(shù)據(jù)之間的最大相關(guān)最小冗余指標(biāo)，并從所述目標(biāo)用戶對應(yīng)的多個最大相關(guān)最小冗余指標(biāo)中，篩選出最大值所對應(yīng)的環(huán)境參數(shù)子集，將所述環(huán)境參數(shù)子集作為所述目標(biāo)用戶的典型環(huán)境參數(shù)集，所述最大相關(guān)最小冗余指標(biāo)用于表征環(huán)境參數(shù)子集與用戶的用能行為數(shù)據(jù)之間的最大相關(guān)性指標(biāo)與最小冗余性指標(biāo)的差值； 分別計算所述典型環(huán)境參數(shù)集所包含的各個環(huán)境參數(shù)與所述目標(biāo)用戶的用能行為數(shù)據(jù)之間的相關(guān)系數(shù)，將各個所述相關(guān)系數(shù)組合得到所述目標(biāo)用戶的相關(guān)系數(shù)向量，將各個所述目標(biāo)用戶的相關(guān)系數(shù)向量組合得到用戶與典型環(huán)境參數(shù)集之間的相關(guān)系數(shù)矩陣； 基于所述相關(guān)系數(shù)矩陣對全部用戶進(jìn)行聚類處理，得到多個用戶組，并將各個所述用戶組逐一作為目標(biāo)用戶組； 將所述目標(biāo)用戶組所包含的各個用戶的典型環(huán)境參數(shù)集進(jìn)行整合，得到所述目標(biāo)用戶組的環(huán)境參數(shù)指示向量，將所述環(huán)境參數(shù)指示向量所包含的多個環(huán)境參數(shù)進(jìn)行第二隨機(jī)劃分，生成多個環(huán)境參數(shù)指示子向量，所述第二隨機(jī)劃分包括環(huán)境參數(shù)指示子向量的數(shù)量、環(huán)境參數(shù)指示子向量中的環(huán)境參數(shù)的數(shù)量、環(huán)境參數(shù)指示子向量中的環(huán)境參數(shù)的類型； 分別計算各個所述環(huán)境參數(shù)指示子向量的特征篩選遍歷求解指標(biāo)，從各個所述特征篩選遍歷求解指標(biāo)中篩選出最大特征篩選遍歷求解指標(biāo)，將所述最大特征篩選遍歷求解指標(biāo)所對應(yīng)的環(huán)境參數(shù)指示子向量確定為所述目標(biāo)用戶組的最優(yōu)環(huán)境參數(shù)集，得到各個用戶組的最優(yōu)環(huán)境參數(shù)集，所述特征篩選遍歷求解指標(biāo)用于衡量環(huán)境參數(shù)指示子向量與用戶組的用能行為數(shù)據(jù)之間的適應(yīng)程度； 分別調(diào)用與各個所述用戶組相匹配的用能行為數(shù)據(jù)預(yù)測模型，根據(jù)各個所述用戶組的最優(yōu)環(huán)境參數(shù)集以及用能行為數(shù)據(jù)進(jìn)行預(yù)測處理，得到各個所述用戶組的預(yù)測用能行為數(shù)據(jù)，所述用能行為數(shù)據(jù)預(yù)測模型是由編碼器、解碼器、全局注意力子模型組成的，所述編碼器以及所述解碼器是基于長短期神經(jīng)網(wǎng)絡(luò)構(gòu)建的。