一种基于深度学习的家庭用户用电量预测方法技术

本发明专利技术公开一种基于深度学习的家庭用户用电量预测方法，包括以下步骤：步骤1：获取家庭各用电设备日用电量数据、气象数据和日期类型数据；步骤2：对日用电量数据进行数据预处理；步骤3：根据预处理后的日用电量数据、气象数据和日期类型数据导入RNN建立家庭用户各用电设备用电量预测模型，用户日用电量数据为被预测量；步骤4：将待预测日的气象数据和日期类型数据输入用电量预测模型，得到待预测日所需的日用电量预测值。本发明专利技术预测方法采用了深度学习算法RNN，能精确预测家庭用户用电量的需求。求。求。

【技术实现步骤摘要】
一种基于深度学习的家庭用户用电量预测方法


[0001]本专利技术涉及数据挖掘及深度学习
，尤其涉及一种基于深度学习的家庭用户用电量预测方法。

技术介绍

[0002]机器学习是计算机利用已有的海量数据，分析推论出某种模型，预测未来的一种方法。与传统计算机编程相比较，机器学习只需要利用大量数据，便可得出某种模型，再根据模型进行判断和预测，无需编译好的程序语言。从实践的意义上来说，机器学习不是基于编程因果的逻辑，而是分析归纳得出趋势的结论。机器学习的基础离不开数据，幸运的是我们正处在大数据时代。人类过去两年所生产的数据多于人类历史上所创造的数据总和。这主要是由于传感器(2013年平均为100亿个，预期到2020年达到1万亿个)和连接设备(2016年为64亿个，预期在2020年达到208亿个)大规模大范围的使用。当前，传感器与设备每年共生成巨量字节的数据。我们通过机器学习从庞大的数据中提取可实施应用的信息。因此，有不少学者指出机器学习是在互联网时代应运而生的。
[0003]深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的家庭用户用电量预测方法，其特征在于：包括步骤1：获取家庭各用电设备日用电量数据、气象数据和日期类型数据；步骤2：对日用电量数据进行数据预处理；步骤3：根据预处理后的日用电量数据、气象数据和日期类型数据导入RNN建立家庭用户各用电设备用电量预测模型，用户日用电量数据为被预测量；步骤4：将待预测日的气象数据和日期类型数据输入用电量预测模型，得到待预测日所需的日用电量预测值。2.根据权利要求1所述的基于深度学习的家庭用户用电量预测方法，其特征在于：步骤1中，家庭各用电设备日用电量数据包括电视、空调、冰箱、灯具、热水器、灶具设备的日用电量数据；日期类型数据包括工作日和非工作日。3.根据权利要求1所述的基于深度学习的家庭用户用电量预测方法，其特征在于所述步骤2中，数据预处理步骤包括：对各用电设备日用电量数据中的缺省值采用自回归插值法进行补全；对所有数据进行序列数据归一化。4.根据权利要求3所述的基于深度学习的家庭用户用电量预测方法，其特征在于所述步骤2中，自回归插值具体为：采用拉格朗日插值法对各用电设备日用电量中的缺省值进行补全，使得n
‑
1的多项式y＝a0+a1x+a2x2+
…
+a
n
‑1x
n
‑1经过n个点的坐标(x1,y1)，(x2,y2)，(x3,y3)，
…
,(x
n
,y
n
)，其中，a0,a1,
…
,a
n
‑1为多项式系数，那么拉格朗日插值的函数表达式表示为：式中，，x为时刻变量，x
i
和x
j
分别表示单个用电设备的第i个和第j个时刻，y
i
表示单个用电设备第i个时刻的用电负荷；n表示用电负荷的总时刻数。5.根据权利要求2所述的基于深度学习的家庭用户用电量预测...

【专利技术属性】
技术研发人员：陈轶，于阳，温生，蔡成铭，李京京，夏曼娟，
申请(专利权)人：南京苏逸实业有限公司南京工业大学，
类型：发明
国别省市：