【技术实现步骤摘要】
基于在线学习的台区用电负荷区间预测方法及系统
[0001]本专利技术是关于电力
，特别是关于一种基于在线学习的台区用电负荷区间预测方法及系统。
技术介绍
[0002]目前用电负荷预测的对象，要么是预测单个用电主体，比如某个家庭或工厂的用电负荷；要么是预测某一城市或地区的用电负荷。缺少对台区的用电负荷预测，而台区在实际供电环境中，是一个十分重要的节点。台区是在营销专业的概念，把配变及其供电范围叫台区。
[0003]当前大部分的用电负荷预测，都是预测用电负荷值，实现的是回归问题。但这种预测方式在实际需求中存在不足，因为在回归问题中，预测结果只能尽量趋近实际值，不能真正的预测到实际值。所以需要预测出一个用电负荷区间，尽可能的让用电负荷实际值落在区间范围内，这样才能满足实际业务需求。
[0004]但现有技术仅用电负荷区间预测，没有考虑到在区间预测中的另一项重要指标。即不仅需要尽可能的让用电负荷实际值落在区间范围内，还需要让预测区间间隔尽可能的小，这样才能得到效果最好的区间预测结果。
[0005]现有技术...
【技术保护点】
【技术特征摘要】
1.一种基于在线学习的台区用电负荷区间预测方法，其特征在于，包括：步骤S1，在离线环境下，获取台区用电负荷区间预测相关的最近历史数据作为模型的输入；步骤S2，使用时间序列神经网络双层LSTM，并结合负荷区间预测损失函数，对输入模型的所述最近历史数据进行训练，得到负荷区间预测模型；步骤S3，在台区环境中，加载负荷区间预测模型；步骤S4，当某天x结束时，智能电表采集到当天的用电负荷数据，并对包含当天在内的最近m天数据进行预处理，其中x≥1，且m为负荷区间预测模型进行在线学习时，训练集数据对应的天数；步骤S5，在先学习过程中，使用步骤S4中预处理后得到的数据作为训练集，并对步骤S3加载的负荷区间预测模型进行在线学习，训练优化得到最新的负荷区间预测模型；步骤S6，对包含当天在内的最近n天数据进行预处理，其中n为时间序列长度，且n≤m；步骤S7，加载最新的负荷区间预测模型，并输入步骤S6中预处理后的数据，得到模型对第x天后的负荷区间预测结果。2.如权利要求1所述的基于在线学习的台区用电负荷区间预测方法，其特征在于，还包括：步骤S8，当第x+1天结束时，重复步骤S3至步骤S6，从而得到模型对第x+1天后的负荷区间预测结果。3.如权利要求1所述的基于在线学习的台区用电负荷区间预测方法，其特征在于，所述最近历史数据是以天为单位，且所述最近历史数据包括台区用电负荷数据、节假日数据以及农历数据和24节气数据，且将所述区用电负荷数据、所述节假日数据以及所述农历数据和24节气数据进行预处理后，合并作为模型的输入。4.如权利要求3所述的基于在线学习的台区用电负荷区间预测方法，其特征在于，所述步骤S2包括：对台区的M天历史用电负荷数据，通过步骤S1得到每天的向量表示；构建长度为n的时间序列，将连续n天的向量表示组合起来，得到24*n的矩阵，且共有M
‑
n+1个矩阵；将得到的M
‑
n+1个时间序列作为输入，传入时间序列神经网络双层LSTM进行训练；在时间序列神经网络双层LSTM训练中，使用负荷区间预测损失函数作为目标。...
【专利技术属性】
技术研发人员：王祥，武占侠，魏本海，何晓蓉，占兆武，冷安辉，唐远洋，
申请(专利权)人：深圳智芯微电子科技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：
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。