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。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。
[0004]由于家庭用户用电量数据采集频率较低，所以无法分析家庭用户用电模式，而采用深度学习的算法可以对家庭用户的日用电量进行预测。

技术实现思路

[0005]本专利技术的目的是为了提供一种采用深度学习算法(RNN)的家庭用户用电量预测方法，对家庭用户各用电设备日用电量进行预测的方法，有效实现在获取以天为单位的各用电设备用电量数据后对将来所需用电量的精准预测。
[0006]为解决以上技术问题，本专利技术的技术方案为：一种基于深度学习的家庭用户用电量预测方法，步骤包括：
[0007]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；
[0008]步骤2：对日用电量数据进行数据预处理；
[0009]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；
[0010]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。
[0011]进一步地，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。
[0012]进一步地，所述步骤2中，数据预处理步骤包括：
[0013]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；
[0014]对所有数据进行序列数据归一化。
[0015]进一步地，所述步骤2中，自回归插值具体为：
[0016]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：
[0017][0018]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。
[0019]进一步地，所述步骤2中，序列数据归一化的处理公式为：
[0020][0021]式中，为处理后的数据，ω为原始数据，ω
max
和ω
min
分别为原始数据中的最大数和最小数。
[0022]进一步地，所述步骤3具体为：
[0023]步骤3.1：以预处理后的待预测日期前3个星期的日用电量数据、气象数据和日期类型数据作为训练样本作为RNN模型输入，构建RNN模型，得到所述RNN模型的数学表达式：
[0024]S
t
＝f(U
·
x
t
+W
·
S
t
‑1+b)，O
t
＝f(V
·
S
t
+c)；
[0025]其中，U,W,V，b，c为模型需要学习更新的参数，x为一个序列的输入，即为数据清洗后的数据，标记为{x1,x2,
…
x
t
…
}，x
t
代表时刻为t时刻的输入，s为隐含单元，标记为{S1,S2,
…
S
t
}，S
t
为t时刻的隐含层状态，作为下一层的输入，也就是模型每一层的输入有两个，一个是x
t
，一个是上一层的状态S
t
‑1，O
t
代表时刻t的输出，f为非线性的激活函数tanh，其表达式为：其中，e
z
表示指数函数，z为函数的输入；
[0026]步骤3.2：对所述RNN模型进行网络训练，并采用最小化损失函数来更新模型参数，损失函数的公式为：
[0027][0028]其中，N表示数据数目，x
t
代表时刻为t时刻的输入，O
t
代表时刻t的输出。
[0029]本专利技术具有如下有益效果：
[0030]一、本专利技术采用了循环神经网络RNN，将天气，用电设备的用电数据等参数作为输入参数，日用电量为被预测参数，再经过RNN的数次训练后，便可以得到含有家庭用户日用电量和天气等条件之间关系的家庭用户用电设备日用电量预测模型，利用该模型，便可以将待预测日期的天气等数据输入预测模型从而得到待预测日所需的用电量预测值；本专利技术采用RNN将使得所预测的结果更加准确、可靠；
[0031]二、本专利技术基于深度学习的用电量预测方法可以对家庭中的电视、空调、冰箱、灯具(卧室、客厅、卫生间)、热水器、灶具设备(用电)的用电设历史用电数据能够记录、读取和
分析，并结合当地的气象数据，对用电的需求进行简单的预测和分析；从而便于工作人员对用电设备进行控制。
附图说明
[0032]图1为本专利技术方法示意框图；
[0033]图2为一个实施例家庭用户日用电量关系图；
[0034]图3为循环神经网络RNN的神经单元结构示意图。
具体实施方式
[0035]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本本文档来自技高网...

【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：