一种基于深度学习的电量消耗预测方法技术

本发明专利技术公开了一种基于深度学习的电量消耗预测方法，深度学习模型可以根据到目前为止的历史数据来训练BP网络，从而达到较好的预测效果。之所以选择深度学习进行电量预测是因为它具有神经网络特有的非线性适应性信息处理能力，容错性强，适用于电量消耗的变动分析，符合时间规律性和事件偶然性等诸多综合因素。本发明专利技术先将智能感知到的电流电压数据计算成用电量，用来训练神经网络，从而预测出下一个时刻的用电量。将预测的耗电量和统计出的用电时长反馈给用户，指导其节约用电。本发明专利技术简单实用，适用于WIFI组网的智能家居系统，地区和城市电网的电量消耗预测。

A method of electricity consumption prediction based on depth learning

The invention discloses a power consumption prediction method based on depth learning, and the depth learning model can train BP networks according to the historical data so far so as to achieve better prediction results. Chose the deep learning of consumption forecast because it has unique nonlinear neural network adaptive information processing capability, strong fault tolerance, it is suitable for the analysis of power consumption changes with time, regularity and comprehensive factors of accidental events. The invention first calculates the current and voltage data sensed by the intelligent perception into the power consumption to train the neural network, thereby predicting the power consumption at the next moment. The predicted power consumption and the statistical time of power consumption are fed back to the user, guiding them to save electricity. The invention is simple and practical, and is suitable for the intelligent household system of WIFI networking, and the consumption prediction of the electricity consumption of the area and the urban power grid.

【技术实现步骤摘要】
一种基于深度学习的电量消耗预测方法
本专利技术从神经网络的视角，综合分析了影响电量消耗的因素，建立了一种基于深度学习的电量消耗预测模型，具体涉及一种基于深度学习的电量消耗预测方法，属于通信

技术介绍
随着各种产业的发展，城市地区的耗电量也在不断增长，耗电量的预测在电力系统规划和运行方面起着越来越重要的作用。现代科学技术在迅速发展，预测耗电量的研究也在不断深化。耗电量预测需要在调查研究掌握大量翔实资料的基础上，通过正确的理论指导，考虑影响耗电量的各种因素，并从已知的需求出发，运用可靠的方法和手段预测未来的用电需求，对耗电量的发展趋势做出科学合理的判断。电力系统运行、控制和规划都离不开正确的耗电量预测，同时这也是电力规划的基础。深度学习模型建立在神经网络的基础上，一个神经网络由许多神经元组成，每个神经元就是一个处理单元。每个神经元会先应用一个非线性激活函数对输入数据进行处理然后输出。正是这样一个过程，神经网络具有表示非线性关系的能力。而循环神经网络是利用神经网络处理序列的通用模型，它具有能够处理输入之间前后相关问题的能力，但缺点是无法关联时间跨度较大的信息，所以这时引入LSTM本文档来自技高网...

【技术保护点】
一种基于深度学习的电量消耗预测方法，其特征在于，包括如下步骤：1)数据的预处理，异常数据的删除和数据的归一化处理；2)通过长短时记忆循环神经网络LSTM模型对处理后的网络数据进行训练，调整参数；3)引入辅助数据集和辅助损失函数；4)通过反向传播算法来更新网络权重；5)根据上一步得到的LSTM模型对耗电量进行预测。

【技术特征摘要】
1.一种基于深度学习的电量消耗预测方法，其特征在于，包括如下步骤：1)数据的预处理，异常数据的删除和数据的归一化处理；2)通过长短时记忆循环神经网络LSTM模型对处理后的网络数据进行训练，调整参数；3)引入辅助数据集和辅助损失函数；4)通过反向传播算法来更新网络权重；5)根据上一步得到的LSTM模型对耗电量进行预测。2.如权利要求1所述的方法，其特征在于，对于步骤1)：通过智能感知模块采集数据；智能感知模块先将收集到的电流电压数据计算成用电量；针对家庭用电，增加了家电状态识别模块可以识别出工作，关闭两种状态，然后结合智能感知到的数据，统计出两种状态各自的持续时间，若家电处于工作状态，则进入下一步；针对城市地区用电，在收集到相应的历史数据后，便直接进入下一步，无需判断工作状态。3.如权利要求1所述的方法，其特征在于，步骤2)中，神经网络在学习过程中,其输入样本中各指标具有不同的量纲和变化幅度,会影响神经网络的学习效果；为了克服这一缺点,需要对样本数据进行归一化处理,使各样本值在[0,1]内,这样满足激励函数输出的要求；采用如下方法:式中:anew为归一化后的值；a为原始数值；amax，a...

【专利技术属性】
技术研发人员：朱晓荣，田烁琳，李天雨，苏文豪，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32