基于深度学习的电力负荷预测方法和系统、存储介质技术方案

本发明专利技术提供一种基于深度学习的电力负荷预测方法和系统、存储介质，涉及用电技术领域。方法包括：S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；S102、确定用于进行电力负荷预测的深度学习模型；S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内的电力负荷预测数据。本发明专利技术采用深度学习的方式进行电力负荷预测，而且深度学习过程中不仅考虑电力负荷数据，还考虑气象数据和空气质量数据，能够提供电力负荷预测的准确性。

Power load forecasting method and system based on deep learning and storage medium

The invention provides a power load forecasting method and a system and a storage medium based on deep learning, and relates to the field of power consumption. The methods include: S101, collect the power load data, weather data and air quality data of the user in the preset historical period, and divide the collected data into training set and test set; S102, determine the depth learning model for power load forecasting; S103, the input of the test set is used to carry out the model. The depth learning model of power load forecasting is used to obtain the power load forecasting data of users in the third time interval. The invention adopts the way of deep learning to predict the power load, and in the process of deep learning, the power load data is considered, the weather data and the air quality data are considered, and the accuracy of the power load forecasting can be provided.

【技术实现步骤摘要】
基于深度学习的电力负荷预测方法和系统、存储介质
本专利技术涉及用电
，具体涉及一种基于深度学习的电力负荷预测方法和系统、存储介质。
技术介绍
随着电力系统不断发展，电力系统对社会的经济发展也越来越重要。随着电网技术的不断进步和经济社会对电力需求的增加，目前电力能源服务已经覆盖诸多领域。在此背景下，电网系统的正常运行十分重要，而电力需求预测对于电网系统的运行有着重要的意义，电网系统的复杂性与多变性决定了对电力负荷预测需要有较强的自适应与较高的准确性。目前电力系统的负荷预测的主要方法是有两大类：一大类是通过时间序列的方法对电力系统的负荷进行预测，对历史负荷数据的拟合；另一大类是利用机器学习方法对电力系统负荷进行预测，如支持向量机，随机森林等。随着电力系统的智能化程度不断增强，电力系统运行所产生的数据越来越多，种类日益繁杂，而且具有高维性和高度动态性。以上传统的预测方法存在一些缺陷，例如，传统的时间序列方法无法利用电力负荷以外的其他相关数据以提高预测精度，传统的时间序列方法和机器学习方法的精确性都有待提高。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种基于深度学习的电力负荷预测方法和系统、存储介质，能够提高电力负荷预测的准确性。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：第一方面，本专利技术实施例提供一种基于深度学习的电力负荷预测方法，包括：S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；S102、确定用于进行电力负荷预测的深度学习模型：S1021、对深度学习模型的网络结构和模型参数进行初始化设置；S1022、将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，得到用户在所述第二时间区间内的电力负荷预测数据；S1023、根据用户在所述第二时间区间内的电力负荷预测数据和所述测试集，对当前的深度学习模型的预测能力进行测定；若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回步骤S1022；否则，将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并执行步骤S103；S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。第二方面，本专利技术实施例提供一种基于深度学习的电力负荷预测系统包括数据采集模块、模型确定模块和所述负荷预测模块，其中：所述数据采集模块用于采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；所述模型确定模块用于确定用于进行电力负荷预测的深度学习模型，且包括初始化单元、深度学习单元和能力测定单元；其中，所述初始化单元用于对深度学习模型的网络结构和模型参数进行初始化设置；所述深度学习单元用于将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，得到用户在所述第二时间区间内的电力负荷预测数据；所述能力测定单元用于根据用户在所述第二时间区间内的电力负荷预测数据和所述测试集，对当前的深度学习模型的预测能力进行测定，若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回所述深度学习单元；否则，将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并转到所述负荷预测模块；所述负荷预测模块用于将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。第三方面，本专利技术实施例提供一种计算机可读存储介质，该介质上存储有计算机程序，在处理器执行所述计算机程序时可实现上述方法。(三)有益效果本专利技术实施例提供了一种基于深度学习的电力负荷预测方法和系统、存储介质，具备以下有益效果：本专利技术实施例提供的基于深度学习的电力负荷预测方法，对模型结构和/或模型参数进行初始化，得到初始的深度学习模型，然后初始的深度学习模型利用训练集进行深度学习，得到预测结果，并根据预测结果和测试集测定模型的预测能力，如果预测能力不满足要求，则对模型结构和/或参数进行调整，直至预测能力满足要求，得到最终的深度学习模型，最终的深度学习模型利用测试集进行测试，从而得到想要的测试结果。可见，本专利技术实施例采用深度学习的方式进行电力负荷预测，深度学习作为一种人工智能方法相对于传统的时间序列方法和机器学习方法，预测准确率更高，而且在深度学习过程采用的数据不仅有电力负荷数据，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响人的行为，进而影响人的用电量，最终会导致负荷发生变化，因此在考虑气象数据和空气质量数据，可以进一步提高预测准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出了本专利技术实施例中基于深度学习的电力负荷预测方法的流程示意图；图2示出了本专利技术实施例中基于深度学习的电力负荷预测系统的结构框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。第一方面，本专利技术实施例提供一种基于深度学习的电力负荷预测方法，如图1所示，该方法包括：S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；可理解的是，电力负荷数据为用户在历史时间段内的电力消费数据，气象数据即天气数据。在实际应用时，历史时间段、第一时间区间、第二时间区间可以根据需要选择，例如，在当天的24时，将前一天(即昨天)和当天作为历史时间段，采集这两天所产生的电力负荷数据以及这两天的天气数据和空气质量数据。将前一天作为第一时间区间，将当天作为第二时间区间，这样前一天的相关数据形成训练集，当天的相关数据形成测试集。在实际应用时，在将采集到的数据划分为训练集和测试集之前，还可以包括对采集到的数据进行清洗处理，这样可以将缺失值、异常值去除，以免其影响后续的深度学习和预测。还可以将清洗之后得到的数据进行格式转换，将其转换为有监督学习数本文档来自技高网...

【技术保护点】
1.一种基于深度学习的电力负荷预测方法，其特征在于，包括：S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；S102、确定用于进行电力负荷预测的深度学习模型：S1021、对深度学习模型的网络结构和模型参数进行初始化设置；S1022、将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，得到用户在所述第二时间区间内的电力负荷预测数据；S1023、根据用户在所述第二时间区间内的电力负荷预测数据和所述测试集，对当前的深度学习模型的预测能力进行测定；若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回步骤S1022；否则，将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并执行步骤S103；S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。...

【技术特征摘要】
1.一种基于深度学习的电力负荷预测方法，其特征在于，包括：S101、采集在预设历史时间段内用户的电力负荷数据、气象数据以及空气质量数据，并将采集到的数据划分为训练集和测试集；其中，所述历史时间段包括第一时间区间和晚于所述第一时间区间的第二时间区间，所述训练集为所述第一时间区间内的数据，所述测试集为所述第二时间区间内的数据；S102、确定用于进行电力负荷预测的深度学习模型：S1021、对深度学习模型的网络结构和模型参数进行初始化设置；S1022、将所述训练集输入当前的深度学习模型，通过当前的深度学习模型的深度学习，得到用户在所述第二时间区间内的电力负荷预测数据；S1023、根据用户在所述第二时间区间内的电力负荷预测数据和所述测试集，对当前的深度学习模型的预测能力进行测定；若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回步骤S1022；否则，将当前的深度学习模型作为所述用于进行电力负荷预测的深度学习模型，并执行步骤S103；S103、将所述测试集输入所述用于进行电力负荷预测的深度学习模型，得到用户在第三时间区间内的电力负荷预测数据；其中，所述第三时间区间为预设的未来时间段内的时间区间。2.根据权利要求1所述的方法，其特征在于，当前的深度学习模型采用第一公式进行深度学习，所述第一公式包括：式中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，L()为均方损失函数，λ为正则化系数，J(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为所述用户在所述第二时间区间内的电力负荷预测数据，f()为当前的深度学习模型。3.根据权利要求1所述的方法，其特征在于，所述对当前的深度学习模型的预测能力进行测定，包括：采用第二公式确定当前的深度学习模型的第一预测误差；若所述第一预测误差低于预设的第一误差下限，则所述预测能力满足所述预定要求；否则，所述预测能力不满足所述预定要求；其中，所述第二公式包括：式中，MAE为所述第一预测误差，N为用户在所述第二时间区间内的电力负荷预测数据的个数，为用户在所述第二时间区间内的第t个电力负荷预测数据，Xt为所述测试集中的第t个测试样本，所述第t个电力负荷预测数据和所述第t个测试样本分别为用户在同一时间区间内的电力负荷预测值和电力负荷真实值。4.根据权利要求3所述的方法，其特征在于，所述对当前的深度学习模型的预测能力进行测定，还包括：采用第三公式确定当前的深度学习模型的第二预测误差；对应的，所述若所述第一预测误差低于预设的第一误差下限，则所述预测能力满足所述预定要求，包括：若所述第一预测误差低于预设的第一误差下限且所述第二预测误差低于预设的第二误差下限，则所述预测能力满足所述预定要求；其中，所述第三公式包括：式中，MA...

【专利技术属性】
技术研发人员：周开乐，郭志峰，杨善林，李兰兰，陆信辉，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34