【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 ...
【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:
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。