基于智能家电端的电网供配电调控方法技术

本发明专利技术提供一种基于智能家电端的电网供配电调控方法，还涉及一种用电功率预测方法，其中用电功率预测方法包括：获取智能家电的用电功率实时数据，构建用电功率实时数据库；构建初始用电功率预测模型；将所述用电功率实时数据库中数据，输入所述初始用电功率预测模型进行学习训练，得到用电功率预测模型；和基于所述用电功率预测模型获取预用电功率。本发明专利技术提供的基于家庭端用电的电网供配电调控方法，能够通过家庭端的用电情况对接下来特定时间段内的预用电功率进行预测，其中通过深度学习理论能够很好地实现预用电功率的精准预测，为电网供配电提供重要数据支撑，能够避免能源的浪费。

【技术实现步骤摘要】
基于智能家电端的电网供配电调控方法
本专利技术大致属于节能环保领域，具体涉及一种用电功率预测方法及基于家庭端用电的电网供配电调控方法。
技术介绍
受技术和成本限制，目前还不具备大规模储存电能的能力。发电、供电、配电以及用电必须同时完成。随着新能源的不断发展，太阳能、风能等清洁能源的发电量也在不断提升，在总发电量中所占比重也越来越大，分布式发电也逐渐演化为一种趋势，这无疑对于环境问题以及能源问题的解决都有极大助益，但是大规模分布式发电设备并网给现有的供配电网络系统造成很大冲击，对电网基础设施提出了更高要求，如何确保电网运行的绝对可靠性是一个必须应对的难题。电网供配电困难的一个主要原因在于用户端用电量的不确定性，而分布式发电及并网更是雪上加霜，如果提升用户端用电量的预测精度，对于电网供配电意义重大。自深度学习理论提出以来，相继在语音识别、人脸识别、自动驾驶等方向取得了突破性的进展，在原有方法基础上有了极大的提升，达到甚至超过了专家水准，在各个领域都掀起了利用深度学习进行深入研究的风潮。深度学习方法本质是在有充足数据的基础上，构建多隐层的非线性模型，在高维空间中对输入数据进行特征提取、组合，并在多次迭代中提高特征提取、组合的效率，从而最终完成分类、预测任务。
技术介绍
部分的内容仅仅是专利技术人所知晓的技术，并不代表本领域的现有技术。
技术实现思路
针对现有技术存在问题中的一个或多个，在本专利技术的一个方面，本专利技术提供一种用电功率预测方法；在本专利技术的另一方面，提供一种电网供配电调控方法。本专利技术的具体通过以下技术方案实现：在本专利技术的一个方面，提供一种用电功率预测方法，包括：S1：获取智能家电的用电功率实时数据，构建用电功率实时数据库；S2：构建初始用电功率预测模型；S3：将所述用电功率实时数据库中数据，输入所述初始用电功率预测模型进行学习训练，得到用电功率预测模型；和S4：基于所述用电功率预测模型获取预用电功率。根据本专利技术的一个方面，步骤S1中所述用电功率实时数据为家庭端的智能家电的用电功率实时数据。根据本专利技术的一个方面，步骤S2中所述初始用电功率预测模型基于深度学习模型。根据本专利技术的一个方面，所述家庭端的智能家电包括智能冰箱、智能空调、智能微波炉、智能炒菜机、智能厨卫电器、智能照明电器或智能健身家根据本专利技术的一个方面，所述深度学习模型包括深度LSTM神经网络模型。根据本专利技术的一个方面，所述深度LSTM神经网络模型包含N层结构，每一层结构为一个LSTM单元，所述LSTM单元通过输入模块、输入门、遗忘门、输出门以及单元状态控制信息流通；其中：所述输入模块的状态表示为：zt＝g(Wzxt+Rzyt-1+bz)；所述输入门的状态表示为：it＝σ(Wixt+Riyt-1+pi⊙ct-1+bi)；所述遗忘门的状态表示为：ft＝σ(Wfxt+Rfyt-1+pf⊙ct-1+bf)；所述遗忘门的状态表示为：ot＝σ(Woxt+Royt-1+po⊙ct+bo)；所述单元状态表示为：ct＝zt⊙it+ct-1⊙ft；所述单元输出表示为：yt＝h(ct)⊙ot；其中t表示时刻，σ,g,h为非线性激活函数，被用于门激活函数，hyperbolictangent(g(x)＝h(x)＝tanh(x))被用于单元的输入和输出的激活函数；其中W*为输入权重，R*为循环权重，b*为偏置权重，式中*可代表{z,i,f,o}中任意一个，其中pi,pf,po为窥视孔权重；其中⊙表示乘法操作。根据本专利技术的一个方面，步骤S4中获取预用电功率的具体方法为：S41：将家庭端的智能家电的用电功率实时数据输入所述用电功率预测模型；S42：对下一周期的用电功率进行预测；和S43：获取预用电功率。根据本专利技术的一个方面，步骤S42中所述周期是指进行用电功率预测的时间精度，优选地，所述时间精度包括小时、天、月、季度或年。根据本专利技术的一个方面，步骤S3种所述学习训练的具体方法为：将所述用电功率数据库中数据分为训练数据和测试数据，所述测试数据占所述用电功率数据库中数据的20％；将训练数据输入所述初始用电功率预测模型；通过前向传播和/或误差反向传播方式对初始用电功率预测模型进行训练；将测试数据输入经过训练的初始用电功率预测模型进行验证效果；和反复训练直至达到指定迭代次数或者模型误差小于指定阈值，获得用电功率预测模型。在本专利技术的另一方面，提供一种基于智能家电端的电网供配电调控方法，包括：获得预用电功率；将所述预用电功率作为电网供配电的参考数据，支撑电网调整供配电方式；和/或同时将家庭端发电量作为电网供配电的参考数据，支撑电网调整供配电方式，所述家庭端发电量包括但不仅限于家庭光伏发电系统的发电量。根据本专利技术的一个方面，所述电网调整供配电方式为电网综合考虑区域用电情况，调整发电量并根据需求完成配电。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是根据本专利技术的一个实施例的用电功率预测方法流程图；图2是根据本专利技术的一个实施例的一个LSTM单元的结构示意图。具体实施方式在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本专利技术的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。下文的公开提供了许多不同的实施方式或例子用来实现本专利技术的不同结构。为了简化本专利技术的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本专利技术。此外，本专利技术可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本专利技术提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。在本专利技术的第一实施方式中，提供一种用电功率预测方法，如图1所示，示出了本专利技术的一个实施例的用电功率预测方法流程图，包括：S1：获取智能家电的用电功率实时数据，构建用电功率实时数据库；S2：构建初始用电功率预测模型；S3：将所述用电功率实时数据库中数据，输入所述初始用电功率预测模型进行学习训练，得到用电功率预测模型；和S4：基于所述用电功率预测模型获取预用电功率。根据本专利技术的一个优选实施例，步骤S1中所述用电功率实时数据为家庭端的智能家电的用电功率实时数据，例如其中所述智能家电可包括智能冰箱、智能空调、智能微波炉、智能炒菜机、智能厨卫电器、智能照明电器或智能健身家电等智能用电设备。根据本专利技术的一个优选实施例，步骤S2种所述初始用电功率预测模型基于深度学习模型。根据本专利技术的一个优选实施例，所述深度学习模型包括深度LSTM神经网络模型。根据本专利技术的一个优选实施例，如图2所示，示出了一个LSTM单元的结构示意图，其中所述深度LSTM神经网络模型包含N层结构，每一层结构为一个LSTM单元，所述LSTM单元通过输入模块、输入门、遗忘门、输出门以及单元状态控制信息流通；其中：所述输入模块的状态表示为：zt＝g(Wzxt+Rzyt-1+bz)；所述输本文档来自技高网...

【技术保护点】
1.一种用电功率预测方法，其特征在于，包括：S1：获取智能家电的用电功率实时数据，构建用电功率实时数据库；S2：构建初始用电功率预测模型；S3：将所述用电功率实时数据库中数据，输入所述初始用电功率预测模型进行学习训练，得到用电功率预测模型；和S4：基于所述用电功率预测模型获取预用电功率。

【技术特征摘要】
1.一种用电功率预测方法，其特征在于，包括：S1：获取智能家电的用电功率实时数据，构建用电功率实时数据库；S2：构建初始用电功率预测模型；S3：将所述用电功率实时数据库中数据，输入所述初始用电功率预测模型进行学习训练，得到用电功率预测模型；和S4：基于所述用电功率预测模型获取预用电功率。2.如权利要求1所述的用电功率预测方法，其特征在于，步骤S1中所述用电功率实时数据为家庭端的智能家电的用电功率实时数据。3.如权利要求2所述的用电功率预测方法，其特征在于，所述家庭端的智能家电包括智能冰箱、智能空调、智能微波炉、智能炒菜机、智能厨卫电器、智能照明电器或智能健身家电中的一种或多种。4.如权利要求1所述的用电功率预测方法，其特征在于，步骤S2中所述初始用电功率预测模型基于深度学习模型，优选地，所述深度学习模型包括深度LSTM神经网络模型。5.如权利要求4所述的用电功率预测方法，其特征在于，所述深度LSTM神经网络模型包含N层结构，每一层结构为一个LSTM单元，所述LSTM单元通过输入模块、输入门、遗忘门、输出门以及单元状态控制信息流通；其中：所述输入模块的状态表示为：zt＝g(Wzxt+Rzyt-1+bz)；所述输入门的状态表示为：it＝σ(Wixt+Riyt-1+pi⊙ct-1+bi)；所述遗忘门的状态表示为：ft＝σ(Wfxt+Rfyt-1+pf⊙ct-1+bf)；所述遗忘门的状态表示为：ot＝σ(Woxt+Royt-1+po⊙ct+bo)；所述单元状态表示为：ct＝zt⊙it+ct-1⊙ft；所述单元输出表示为：yt＝h(ct)⊙ot；其中t表示时刻，σ,g,h为非线性激活函数，被用于门激活函数，hyperbolictangent(g(x)＝h(x)＝tanh(x...

【专利技术属性】
技术研发人员：高忠科，党伟东，常传泉，
申请(专利权)人：天津大学，天津科源科技有限公司，
类型：发明
国别省市：天津,12