【技术实现步骤摘要】
一种住宅日用电负荷预测方法和设备
本专利技术涉及用电负荷
，特别是指一种住宅日用电负荷预测方法和设备。
技术介绍
智能用电是构建坚强智能电网的重要支柱和主要环节之一，是实现坚强智能电网的基础。依托坚强电网和现代管理理念，利用高级量测、高效控制、高速通信、快速储能等技术，实现市场响应迅速、计量公正准确、数据采集实时、收费方式多样、服务高效便捷，构建电网与客户能量流、信息流、业务流实时互动的新型供用电关系。目前对住宅用户用电负荷的预测多是采用传统的统计学的方法，例如，通过统计特定小区的某一时间段的用电负荷数据，绘制出此小区在这一时间段的用电负荷曲线，然后采用曲线拟合和误差分析相结合的方法，预测小区的住宅用户用电负荷。本申请的专利技术人在研究住宅用户用电负荷时发现，住宅用户用电负荷变化不同于工厂、学校或一些聚合级别的负荷，存在巨大的不确定性，同时规律性也较低。采用传统统计的方法对住宅用户用电负荷进行预测，预测的精度较低。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种住宅日用电负荷预...
【技术保护点】
1.一种住宅日用电负荷预测方法，其特征在于，包括，/n获取住宅用电负荷和自然环境数据；/n将获取的用电负荷数据按时间段分割成多个数据集；/n基于数据集构建卷积自编码器，并采用卷积自编码器对所述数据集进行编码处理，得到数据集的特征向量；/n基于数据集的特征向量构建特征向量预测模型，并采用特征向量预测模型对数据集的特征向量进行预测处理，得到所述数据集的预测特征向量；/n采用卷积自编码器对数据集的预测特征向量进行解码处理，得到预测数据集。/n
【技术特征摘要】
1.一种住宅日用电负荷预测方法，其特征在于，包括，
获取住宅用电负荷和自然环境数据；
将获取的用电负荷数据按时间段分割成多个数据集；
基于数据集构建卷积自编码器，并采用卷积自编码器对所述数据集进行编码处理，得到数据集的特征向量；
基于数据集的特征向量构建特征向量预测模型，并采用特征向量预测模型对数据集的特征向量进行预测处理，得到所述数据集的预测特征向量；
采用卷积自编码器对数据集的预测特征向量进行解码处理，得到预测数据集。
2.根据权利要求1所述的预测方法，其特征在于，所述基于数据集构建卷积自编码器，并采用卷积自编码器对所述数据集进行编码处理，得到数据集的特征向量，包括：
将数据集进行随机组合，得到组合数据集，将所述组合数据集分割为编码器训练集和编码器验证集；
建立包括编码器和解码器的卷积自编码器模型；
将编码器训练集中的数据输入到卷积自编码器模型，对卷积自编码器模型进行迭代训练至收敛；得到训练的卷积自编码器模型；
采用编码器验证集中的数据对训练的卷积自编码器模型进行验证；
采用验证有效的卷积自编码器模型对所述数据集进行编码处理，得到数据集的特征向量。
3.根据权利要求2所述的预测方法，其特征在于，所述建立包括编码器和解码器的卷积自编码器模型中，卷积自编码器模型的模型深度为编码器5层、解码器5层，卷积核为3，每一层的卷积核数量为16；每一层设置批标准化参数，激活函数采用非线性整流单元；编码器的第2层和第4层之后设置最大池化层，解码器的第2层和第4层之后设置上采样层，上采样采用等值复制方法；编码器的输出为特征向量，长度为24。
4.根据权利要求1所述的预测方法，其特征在于，所述基于数据集的特征向量构建特征向量预测模型，并采用特征向量预测模型对数据集的特征向量进行预测处理，得到所述数据集的预测特征向量，包括：
将数据集的特征向量按不同住宅分开，得住宅特征向量；
将住宅特征向量转化为预测可用数据，并按时间先后顺序，将预测可用数据分为训练集、验证集和测试集；
构建特征向量预测模型；
分别采用训练集和验证集对特征向量预测模型进行...
【专利技术属性】
技术研发人员：何昕，姚国风，唐新忠，李天杰，李琳，马娜，郭坤阳，赵大明，吴晓江，刘兰方，
申请(专利权)人：北京国电通网络技术有限公司，国网浙江省电力有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。