一种电力负荷的预测方法及装置制造方法及图纸

本发明专利技术公开了一种电力负荷的预测方法及装置，其中预测方法包括：通过电力控制装置，获取用户电力负荷数据；对所述的电力负荷数据进行预处理，剔除错误数据；根据预设的数学统计策略，对已经获取的数据进行统计学计算，得到N多维的统计特征参数；根据处理好的特征数据之后，将数据输入到CNN深度学习神经网络中；通过CNN得到的具有时间依赖性的序列，将其按照时间顺序输入到LSTM深度学习神经网络中，并对其进行数据训练；利用上述深度学习神经网络模型进行电力负荷预测；本发明专利技术提供的负荷预测方法基于CNN

【技术实现步骤摘要】
一种电力负荷的预测方法及装置


[0001]本专利技术涉及居民用电负荷预测领域，具体涉及一种基于CNN
‑
LSTM神经网络模型的居民用电负荷预测方法即装置。

技术介绍

[0002]随着新能源的崛起，对电力系统的需求也将是越来越大，电力负荷预测的重要性也日益突出。电力负荷预测是电力系统规划工作的基础，是合理安排发电、输电和配电的必要前提。因此，提高电力负荷预测的准确性具有十分重要的意义。
[0003]针对电力负荷预测的方法有很多，但是，随着用电智能化的速度不断加快，利用传统的自主回归模型已经不能够适应当下的环境；由于噪声、不确定性、传感器故障等问题，实际运行数据容易受到异常值、缺失值干扰。电力负荷预测很多时候要基于多元时间序列进行分析，利用传统的自回归移动平均模型(ARMA)，自回归综合移动平均模型(ARIMA)等统计方法对电负荷进行预测已越来越不能满足实际应用的需求。KNN、随机森林、支持向量机等多种机器学习模型在数据样本量较小的情况下具有较好的预测性能，然而，传统的机器学习模型只能提取较浅层的特征，且通常需要复杂的特征工程。近几年，许多学者将CNN
‑
LSTM算法应用于时间序列预测问题上。CNN将上一隐层时间步的输出作为当下时间步的输入，并影响当下时间步的输出。凭借LSTM其独特的循环机制，取得了良好的效果。

技术实现思路

[0004]针对上述问题，本专利技术提供了一种预测准确性更高的基于CNN
‑
LSTM神经网络模型的电力负荷预测方法和装置。
[0005]本专利技术采用CNN
‑
LSTM算法神经网络，充分利用了CNN算法良好的特征提取能力和 LSTM算法出色的针对时间序列建模的能力，有效的提高了电力负荷预测的准确性。
[0006]为了实现上述目的，一种电力负荷的预测方法，包括：
[0007]获取用户的用电数据；
[0008]对所述用电数据进行数据预处理，剔除错误数据；
[0009]将经过预处理的数据输入CNN深度学习神经网络中提取特征信息，得到具有时间依赖性的数据序列；
[0010]将已经提取过特征的数据，输入到LSTM深度学习神经网络中进行训练，得到训练模型；
[0011]利用训练好的模型进行用电负荷预测。
[0012]作为优选的一种技术方案，获取用户的用电数据，进一步包括：通过用电负荷传感器，收集每日预设时段的用户用电数据，归总至数据总表中，且在采集数据的时候，保证每15分钟采集一次；
[0013]作为优选的一种技术方案，对所述用电数据进行数据预处理，剔除错误数据，进一步包括：
[0014]根据先验经验，将数据中明显的错误信息剔除；
[0015]整合计算其中数据是否存在较大差异，若存在，则剔除，否则，将其保留；
[0016]将已经基本预处理好的数据，根据时间、采集条件以及其他属性要求，分别整理并保存至不同的类别；
[0017]通过时间属性，进行数理统计，并在数据集中至少保存90天的数据量。
[0018]作为优选的一种技术方案，将已经基本预处理好的数据，根据时间、采集条件以及其他属性要求，分别整理并保存至不同的类别，进一步包括：
[0019]根据采集时间、采集特性，生成包含时间、采集特性的数据集；
[0020]将数据集按照8：1：1的比例进行数据划分训练集、测试集、验证集。
[0021]作为优选的一种技术方案，将已经提取过特征的数据，输入到LSTM深度学习神经网络中进行训练，得到训练模型，进一步包括：
[0022]将所述训练集输入到CNN神经网络中；
[0023]经过Relu函数进行激活，并通过max
‑
pooling进行池化处理；
[0024]加入概率为0.3的dropout来防止过拟合；
[0025]输出为带有时间特征依赖的数据，并作为LSTM神经网络的输入。
[0026]作为优选的一种技术方案，利用训练好的模型进行用电负荷预测，进一步包括：
[0027]根据CNN提取的具有时间依赖性的序列，将其按照时间顺序输入到LSTM中，作为每一个timestep的输入；
[0028]为了使得模型具有更好的可扩展性和准确性，引入Attention机制；
[0029]利用已经划分好的数据集，将LSTM神经网络按照seq2seq的方式进行训练；
[0030]通过最后全连接层将Attentionvalue进行映射到输出值，也即是模型的预测值，得到预测结果。
[0031]另一方面，本专利技术提供一种电力负荷的预测装置，包括：
[0032]获取单元，用于获取用户的用电数据；
[0033]预处理单元，用于对所述用电数据进行数据预处理，剔除错误数据；
[0034]特征提取单元，用于将经过预处理的数据输入CNN深度学习神经网络中提取特征信息，得到具有时间依赖性的数据序列；
[0035]训练单元，用于将已经提取过特征的数据，输入到LSTM深度学习神经网络中进行训练，得到训练模型；
[0036]预测单元，用于利用训练好的模型进行用电负荷预测。
[0037]在上述预测装置中，优选的，将已经提取过特征的数据，输入到LSTM深度学习神经网络中进行训练，得到训练模型，进一步包括：
[0038]将所述训练集输入到CNN神经网络中；
[0039]经过Relu函数进行激活，并通过max
‑
pooling进行池化处理；
[0040]加入概率为0.3的dropout来防止过拟合；
[0041]输出为带有时间特征依赖的数据，并作为LSTM神经网络的输入。
[0042]在上述预测装置中，优选的，利用训练好的模型进行用电负荷预测，进一步包括：
[0043]根据CNN提取的具有时间依赖性的序列，将其按照时间顺序输入到LSTM中，作为每一个timestep的输入；
[0044]为了使得模型具有更好的可扩展性和准确性，引入Attention机制；
[0045]利用已经划分好的数据集，将LSTM神经网络按照seq2seq的方式进行训练；
[0046]通过最后全连接层将Attentionvalue进行映射到输出值，也即是模型的预测值，得到预测结果。
[0047]本专利技术相对于现有技术，有以下有益效果：
[0048]1)本专利技术可以方便地采用现有的公开数据集和深度学习框架进行模型的构建和预测；本专利技术选取的是UCI机器学习知识库提供的个人家庭用电量数据集，使用深度学习框架Keras， TensorFlow进行模型的构建；代价小，易于实行；
[0049]2)针对已有的数据，利用错误剔除的方法，剔除了部分错误数据；针对缺失部分，利用线性插值的方法进行补充，从而可以更加贴近真实数据，更好验证模型的有效性；
[0050]3)充分利用了CNN神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力负荷的预测方法，其特征在于，包括：获取用户的用电数据；对所述用电数据进行数据预处理，剔除错误数据；将经过预处理的数据输入CNN深度学习神经网络中提取特征信息，得到具有时间依赖性的数据序列；将已经提取过特征的数据，输入到LSTM深度学习神经网络中进行训练，得到训练模型；利用训练好的模型进行用电负荷预测。2.根据权利要求1所述的预测方法，其特征在于，获取用户的用电数据，进一步包括：通过用电负荷传感器，收集每日预设时段的用户用电数据，归总至数据总表中，且在采集数据的时候，保证每15分钟采集一次。3.根据权利要求2所述的测方法，其特征在于，对所述用电数据进行数据预处理，剔除错误数据，进一步包括：根据先验经验，将数据中明显的错误信息剔除；整合计算其中数据是否存在较大差异，若存在，则剔除，否则，将其保留；将已经基本预处理好的数据，根据时间、采集条件以及其他属性要求，分别整理并保存至不同的类别；通过时间属性，进行数理统计，并在数据集中至少保存90天的数据量。4.根据权利要求3所述的预测方法，其特征在于，将已经基本预处理好的数据，根据时间、采集条件以及其他属性要求，分别整理并保存至不同的类别，进一步包括：根据采集时间、采集特性，生成包含时间、采集特性的数据集；将数据集按照8：1：1的比例进行数据划分训练集、测试集、验证集。5.根据权利要求4所述的预测方法，其特征在于，将已经提取过特征的数据，输入到LSTM深度学习神经网络中进行训练，得到训练模型，进一步包括：将所述训练集输入到CNN神经网络中；经过Relu函数进行激活，并通过max
‑
pooling进行池化处理；加入概率为0.3的dropout来防止过拟合；输出为带有时间特征依赖的数据，并作为LSTM神经网络的输入。6.根据权利要求5所述的预测方法，其特征在于，利用训练好的模型进行用电负荷预测，进一步包括：根据CNN提取的具有时间依赖性的序列，将其按照时间顺序输入到LSTM中，作为每一...

【专利技术属性】
技术研发人员：刘磊，
申请(专利权)人：南京无象云智能科技有限公司，
类型：发明
国别省市：