基于深度学习的电力用户侧负荷分类方法及系统技术方案

本发明专利技术涉及电力用户侧分类的技术领域，特别是涉及一种基于深度学习的电力用户侧负荷分类方法及系统，其能够为电力交易平台提供更准确和全面的电力负荷分类信息；方法包括：获取已知用户侧负荷类型的历史用电数据信息；用户侧负荷类型包括工业负荷

【技术实现步骤摘要】
基于深度学习的电力用户侧负荷分类方法及系统


[0001]本专利技术涉及电力用户侧分类的
，特别是涉及一种基于深度学习的电力用户侧负荷分类方法及系统
。

技术介绍

[0002]在电力交易平台中，通过对电力用户侧负荷进行分类可以为负荷预测和系统调度提供更准确的信息，从而能够具有针对性的鼓励用户侧积极地参与负荷响应活动；通过提供相应的激励措施，以平衡供需关系
、
降低电力系统压力
、
促进可再生能源消纳和提高系统的弹性和韧性
。
[0003]对于新进入电力交易平台的用户侧，现有的负荷分类方法大多采用用户侧自主申报或平台考察的方式确定，这种方法存在一定的局限性和不准确性，例如用户侧可能虚报或隐瞒自己的真实用电情况，或者平台考察时无法全面了解用户的用电行为和特点
。
因此，亟需一种更为准确和全面的电力用户侧负荷分类方法
。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种能够为电力交易平台提供更准确和全面的电力负荷分类信息的基于深度学习的电力用户侧负荷分类方法
。
[0005]第一方面，本专利技术提供了基于深度学习的电力用户侧负荷分类方法，所述方法包括：获取已知用户侧负荷类型的历史用电数据信息；所述用户侧负荷类型包括工业负荷
、
商业负荷
、
居民负荷和市政负荷；利用预先构建的电力特征提取模型，对历史用电数据信息进行特征提取，获得分属于不同用户侧负荷类型的电力特征；所述电力特征包括连续且相同时长内的能量消耗
、
功率因数
、
峰谷差
、
用电周期和平均功率；将属于同一用户侧的电力特征按时间顺序进行排列，获得与用户侧相对应的电力特征矩阵；将属于同一用户侧负荷类型的电力特征矩阵进行汇总，获得与负荷类型相对应的电力特征矩阵集合；将分属于不同用户侧负荷类型的电力特征矩阵集合分别上传至深度学习训练平台，构建电力用户侧负荷类型识别模型；所述电力用户侧负荷类型识别模型的输入为电力特征矩阵，输出为电力用户侧负荷类型；获取待分类用户侧的历史用电数据信息，并对待分类用户侧的历史用电数据信息进行电力特征提取，并将提取到的电力特征转换成待分类用户侧的电力特征矩阵；所述待分类用户侧的电力特征矩阵与已知负荷类型的用户侧的电力特征矩阵的元素相同；利用电力用户侧负荷类型识别模型对待分类用户侧的电力特征矩阵进行识别，获得该待分类用户侧负荷类型
。
[0006]进一步地，所述用户侧负荷类型包括工业负荷
、
商业负荷
、
居民负荷和市政负荷；所述电力特征包括连续且相同时长内的能量消耗
、
功率因数
、
峰谷差
、
用电周期和平均功率
。
[0007]进一步地，所述电力特征提取模型的构建方法，包括：对历史用电数据信息进行划分，分为训练数据集和验证数据集；选择与用户侧负荷类型相关的电力特征，所述电力特征包括能量消耗
、
功率因数
、
峰谷差
、
用电周期和平均功率选择能够处理时间序列数据的机器学习模型作为电力特征提取模型；将特征提取模型应用于训练数据集中的每个样本，通过模型学习提取电力特征；使用验证集进行模型评估，根据评估结果，对特征提取模型进行调优和优化；将训练和优化后的电力特征提取模型用于提取新的待分类用户侧的历史用电数据信息中的电力特征
。
[0008]进一步地，所述电力特征矩阵的转换方法，包括：按预先设置的时间长度，对每个用户侧的电力特征进行时间划分，并计算每个时间长度内各电力特征的数值；将每个时间长度内各电力特征的数值，按照时间顺序排列，获得电力特征矩阵；电力特征矩阵的每一列代表一个电力特征，而每一行则对应一段时间长度内的电力特征数值
。
[0009]进一步地，所述电力用户侧负荷类型识别模型的构建方法，包括：将分属于不同用户侧负荷类型的电力特征矩阵集合分别上传至深度学习训练平台；将上传的电力特征矩阵集合划分为训练集和验证集；根据分类任务的需求和数据特点，选择深度学习模型架构，搭建电力用户侧负荷类型识别模型；深度学习模型架构包括卷积神经网络和循环神经网络；使用训练集的电力特征矩阵作为输入，负荷类型作为目标标签，对电力用户侧负荷类型识别模型进行训练；使用验证集的电力特征矩阵进行模型性能评估，并根据评估结果调整模型的结构和超参数；在训练和验证得到符合分类任务要求的模型后，将电力用户侧负荷类型识别模型保存为文件，用于在实际应用中加载和调用
。
[0010]进一步地，所述电力特征提取模型在构建过程中采用的机器学习模型包括循环神经网络
、
长短期记忆网络和卷积神经网络
。
[0011]进一步地，所述电力特征提取模型采用以下技术进行电力特征提取：时间序列分析：电力数据具有时序性，利用时间序列分析方法提取各种时间相关的电力特征；频域分析：将电力信号转换到频域，提取与频率相关的电力特征；统计分析：利用统计学方法对电力数据进行分析，提取各种统计量特征
。
[0012]另一方面，本申请还提供了基于深度学习的电力用户侧负荷分类系统，所述系统包括：历史数据获取模块，用于获取已知用户侧负荷类型的历史用电数据信息，并发送；
所述用户侧负荷类型包括工业负荷
、
商业负荷
、
居民负荷和市政负荷；电力特征提取模块，用于接收已知用户侧负荷类型的历史用电数据信息，并利用预先存储的电力特征提取模型对历史用电数据信息进行特征提取，获得分属于不同用户侧负荷类型的电力特征，并发送；所述电力特征包括连续且相同时长内的能量消耗
、
功率因数
、
峰谷差
、
用电周期和平均功率；特征处理模块，用于接收分属于不同用户侧负荷类型的电力特征，将属于同一用户侧的电力特征按时间顺序进行排列，得到与用户侧相对应的电力特征矩阵，并发送；特征分类模块，用于接收与用户侧相对应的电力特征矩阵，并将属于同一用户侧负荷类型的电力特征矩阵进行汇总，得到与负荷类型相对应的电力特征矩阵集合，并发送；训练模块，用于接收与负荷类型相对应的电力特征矩阵集合，并将分属于不同用户侧负荷类型的电力特征矩阵集合分别上传至深度学习训练平台进行训练学习，获得电力用户侧负荷类型识别模型；所述电力用户侧负荷类型识别模型的输入为电力特征矩阵，输出为电力用户侧负荷类型；待分类用户侧数据处理模块，用于获取待分类用户侧的历史用电数据信息，并对待分类用户侧的历史用电数据信息进行电力特征提取，再将提取到的电力特征转换成待分类用户侧的电力特征矩阵，并发送；分类模块，用于接收待分类用户侧的电力特征矩阵，并利用预先存储的电力用户侧负荷类型识别模型对待分类用户侧的电力特征矩阵进行识别，确定该待分类用户侧负荷类型
。
[0013]第三方面，本申请提供了一种电子设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的电力用户侧负荷分类方法，其特征在于，所述方法包括：获取已知用户侧负荷类型的历史用电数据信息；利用预先构建的电力特征提取模型，对历史用电数据信息进行特征提取，获得分属于不同用户侧负荷类型的电力特征；将属于同一用户侧的电力特征按时间顺序进行排列，获得与用户侧相对应的电力特征矩阵；将属于同一用户侧负荷类型的电力特征矩阵进行汇总，获得与负荷类型相对应的电力特征矩阵集合；将分属于不同用户侧负荷类型的电力特征矩阵集合分别上传至深度学习训练平台，构建电力用户侧负荷类型识别模型；所述电力用户侧负荷类型识别模型的输入为电力特征矩阵，输出为电力用户侧负荷类型；获取待分类用户侧的历史用电数据信息，并对待分类用户侧的历史用电数据信息进行电力特征提取，并将提取到的电力特征转换成待分类用户侧的电力特征矩阵；所述待分类用户侧的电力特征矩阵与已知负荷类型的用户侧的电力特征矩阵的元素相同；利用电力用户侧负荷类型识别模型对待分类用户侧的电力特征矩阵进行识别，获得该待分类用户侧负荷类型
。2.
如权利要求1所述的基于深度学习的电力用户侧负荷分类方法，其特征在于，所述用户侧负荷类型包括工业负荷
、
商业负荷
、
居民负荷和市政负荷；所述电力特征包括连续且相同时长内的能量消耗
、
功率因数
、
峰谷差
、
用电周期和平均功率
。3.
如权利要求2所述的基于深度学习的电力用户侧负荷分类方法，其特征在于，所述电力特征提取模型的构建方法，包括：对历史用电数据信息进行划分，分为训练数据集和验证数据集；选择与用户侧负荷类型相关的电力特征，所述电力特征包括能量消耗
、
功率因数
、
峰谷差
、
用电周期和平均功率选择能够处理时间序列数据的机器学习模型作为电力特征提取模型；将特征提取模型应用于训练数据集中的每个样本，通过模型学习提取电力特征；使用验证集进行模型评估，根据评估结果，对特征提取模型进行调优和优化；将训练和优化后的电力特征提取模型用于提取新的待分类用户侧的历史用电数据信息中的电力特征
。4.
如权利要求2所述的基于深度学习的电力用户侧负荷分类方法，其特征在于，所述电力特征矩阵的转换方法，包括：按预先设置的时间长度，对每个用户侧的电力特征进行时间划分，并计算每个时间长度内各电力特征的数值；将每个时间长度内各电力特征的数值，按照时间顺序排列，获得电力特征矩阵；电力特征矩阵的每一列代表一个电力特征，而每一行则对应一段时间长度内的电力特征数值
。5.
如权利要求1所述的基于深度学习的电力用户侧负荷分类方法，其特征在于，所述电力用户侧负荷类型识别模型的构建方法，包括：将分属于不同用户侧负荷类型的电力特征矩阵集合分别上传至深度学习训练平台；将上传的电力特征矩阵集合划分为训练集和验证集；
根据分类任务的需求和数据特点，选择深度学习模型架构，搭建电力用户侧负荷类型识别模型；深度学习模型架构包括卷积神经网络和循环神经网络；使用训练集的电力特征矩阵作为输入，负荷类型作为目标标签，对电力用户侧负荷类型识别模型进行训练；使用验证集的电力特征矩阵进行模型性能评...

【专利技术属性】
技术研发人员：任宇路，何龙，石智珩，陈扬波，肖春，姚俊峰，曹琼，杨俊，张俊伟，卢建生，王薇蓉，梁中豪，
申请(专利权)人：国网山西省电力公司营销服务中心，
类型：发明
国别省市：