CN107248740B - 一种家庭用电设备负荷预测方法 - Google Patents
一种家庭用电设备负荷预测方法 Download PDFInfo
- Publication number
- CN107248740B CN107248740B CN201710451780.5A CN201710451780A CN107248740B CN 107248740 B CN107248740 B CN 107248740B CN 201710451780 A CN201710451780 A CN 201710451780A CN 107248740 B CN107248740 B CN 107248740B
- Authority
- CN
- China
- Prior art keywords
- data
- self
- model
- load data
- encoder model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种家庭用电设备负荷预测方法,它包括:收集表征家庭用电设备所处各种环境状态的环境数据;收集家庭用电设备在各种环境状态下的用电负荷数据;对收集的用电负荷数据进行数据清洗;对经过数据清洗后的用电负荷数据进行属性值编码处理;构建一个以上自编码器模型,依次初始化自编码器模型参数;依次训练每个自编码器模型;将训练后的所有自编码器模型搭建出深度堆叠自编码器模型进行初始化参数设置;对深度堆叠自编码器模型进行深度训练;利用训练好的深度堆叠自编码模型实现家庭用电设备的用电负荷预测;解决了现有技术对电力负荷预测由于电力负荷的复杂性和多变性,很难建立精准的模型对其进行预测等技术问题。
Description
技术领域
本发明属于家庭用电设备负荷预测技术,尤其涉及一种家庭用电设备负荷预测方法。
背景技术
电力负荷的精准预测对电力生产以及电力系统的安全运行具有重大的意义。但是由于电力负荷的复杂性和多变性,很难建立精准的模型对其进行预测,传统的负荷预测方法均存在一定的缺陷,这导致负荷预测的难题一直悬而未决。同时目前,随着“互联网+”口号的提出,随着能源互联网的迅猛发展,越来越多的用电设备接入互联网中,在这过程中势必产生大量的用电数据,如何利用这些海量的数据,从大量的数据中深度挖掘出各种用电设备的负荷变化特点,从而实现用电设备的负荷精准,不但于提高用户侧的用电经济性,更有助于电网调度机构制定发电计划以实现供需平衡,有利于大大提高电力系统运行的安全性和经济性。
发明内容:
本发明要解决的技术问题:提供一种家庭用电设备负荷预测方法,以解决现有技术对电力负荷预测由于电力负荷的复杂性和多变性,传统的负荷预测方法均存在一定的缺陷,很难建立精准的模型对其进行预测等技术问题。
本发明技术方案:
一种家庭用电设备负荷预测方法,它包括:
步骤1、收集表征家庭用电设备所处各种环境状态的环境数据;
步骤2、收集家庭用电设备在各种环境状态下的用电负荷数据;
步骤3、对收集的用电负荷数据进行数据清洗;
步骤4、对经过数据清洗后的用电负荷数据进行属性值编码处理,形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据;
步骤5、构建一个以上自编码器模型,依次初始化自编码器模型参数;
步骤6、利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据,依次训练每个自编码器模型;
步骤7、将经过训练后的所有自编码器模型依次首尾级联堆叠,并采用多元分类器作为输出层,搭建出深度堆叠自编码器模型;
步骤8、对深度堆叠自编码器模型进行初始化参数设置;
步骤9、利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据,对深度堆叠自编码器模型进行深度训练;
步骤10、利用训练好的深度堆叠自编码模型,输入家庭用电设备所处环境状态的环境数据,通过深度堆叠自编码器模型实现家庭用电设备的用电负荷预测。
步骤1所述收集表征家庭用电设备所处各种环境状态的环境数据它包括光照强度、温度、湿度以及PM2.5颗粒物数据;用公式:S={S1,S2,S3,S4}表示;
式中:S表示环境数据集,一个数据集中四种数据的组合表示一种环境状态;S1表示光照强度数据;S2表示温度数据;S3表示湿度数据;S4表示PM2.5颗粒物数据。
步骤2所述的用电负荷数据包括有功负荷数据和无功负荷数据;
表述如下:
L={L1,L2,L3,L4,L5,L6,L7,L8,L9,L10}={冰箱,空调,洗衣机,电视机,电脑、日光灯,电风扇,热水器,饮水机,电饭锅}
用电负荷数据:D={D1,D2,D3,D4,D5,D6,D7,D8,D9,D10}
Di=[Pi,Qi]′,(i=1,2,...10)
式中:L表示由10台典型家庭用电设备组成的设备集合;Li表示L中第i台家庭用电设备,i=1,2,...,10;D表示10台典型家庭用电设备在各种环境状态下的用电负荷数据集合;Di表示L中第i个家庭用电设备Li在各种环境状态下的用电负荷数据,包括有功用电负荷数据Pi和无功用电负荷数据Qi,i=1,2,...,10;Di由用电设备连续一年365天的日用电负荷数据组成。
步骤3所述对收集的用电负荷数据进行数据清洗,包括填写空缺
数据、替换噪声数据和去除重复数据;对每个家庭用电设备的用
电负荷数据Di,根据拉格朗日三次多项式插值法,填写空缺数据
和替换噪声数据;具体如下:
d'=li*di+lj*dj+lk*dk
li=((x'-xj)*(x'-xk))/((xi-xj)*(xi-xk))
lj=((x'-xi)*(x'-xk))/((xj-xi)*(xj-xk))
lk=((x'-xi)*(x'-xj))/((xk-xi)*(xk-xj))
式中:di、dj、dk表示某个用电负荷数据Di中的第i、j、k个正常数据,d'为空缺数据或需被替换的噪声数据,li、lj、lk表示与数据di、dj、dk对应的插值修正系数,xi、xj、xk表示数据在用电负荷数据Di中所处的第i、j、k个位置,x'是指数据d'在用电负荷数据Di中所处的位置。
步骤4所述形成带属性值编码的用电负荷数据的方法为:对各家庭用电设备的用电负荷数据,标示数据来源的该家庭用电设备,并标示采集数据时设备所处的环境状态;形成不带属性值编码的用电负荷数据的方法为:对各用电负荷数据,不标示数据来源的家庭用电设备,同时不标示采集数据时设备所处的环境状态。
步骤5所述构建一个以上自编码器模型,依次初始化自编码器模型参数的方法为:搭建10个自编码器模型,设置每个自编码器模型的隐含层与可视层神经元个数,并设置每个神经元的初始化参数:
V=[4,10,50,100,500,100,50,20,10,5]
H=[10,50,100,500,100,50,20,10,5,1]
W=0.5
B=0.5
式中:V表示每个自编码器模型的可视层神经元个数;H表示每个自编码器模型的隐含层神经元个数;W表示自编码器模型隐含层与可视层之间神经元连接权重初始值;B表示自编码器模型隐含层、可视层神经元的偏置初始值。
利用不带属性值编码的用电负荷数据作为各个自编码器模型的训
练数据,依次训练每个自编码器模型;模型训练参数设置为:
η1=0.8
K1=20
η1表示每个自编码器模型在迭代训练过程中的学习速率;K1表示每个自编码器模型在迭代训练过程中的训练步数。
步骤7所述搭建出的深度堆叠自编码器模型为:
SAE=[4,10,50,100,500,100,50,20,10,5,1]
式中:SAE表示搭建出来的深度堆叠自编码器模型,矩阵中各元素表示各层神经元的个数;该堆叠自编码模型由10个自编码器模型堆叠而成,共有11层,每两层神经元组成一个自编码器模型;输入层有四个神经元,用于输入表征当前环境状态的四个环境数据;输出层采用softmax回归多元分类器,神经元个数为1,设置分类总数为10,用于辨识10种家庭用电设备类型;
步骤8所述对深度堆叠自编码器模型进行初始化参数设置方法为:W2=W′
B2=B′
式中:W2为各隐含层与可视层之间神经元连接权重初始值;B2为偏置初始值。
步骤9所述利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据,对深度堆叠自编码器模型进行深度训练的方法为:深度堆叠自编码器模型的输入为带属性值编码的用电负荷数据中标记的各环境数据,深度堆叠自编码器模型的输出为带属性值编码的用电负荷数据中的有功负荷数据和无功负荷数据;模型训练参数设置为:
η2=0.5
K2=50
式中:η2、K2分别表示深度堆叠自编码模型在迭代训练过程中的学习速率和迭代步数。
本发明的有益效果:
本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法,考虑了各种环境因素对各种家庭用电设备的直接影响,根据表征环境状态的环境数据的变化预测家庭用电设备的变化,实现家庭用电设备负荷精准预测的目的,有利于提高家庭用户的用电经济性,同时有助于电网的发电计划安排。
本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法,搭建了深度堆叠自编码器模型对家庭用电设备的负荷进行深度学习,通过大量先验负荷数据对深度堆叠自编码器模型进行深度训练,最终得到训练好的深度堆叠自编码器模型,根据当前家庭所处的环境数据即可快速实现各种家庭用电设备负荷的精准预测,方法快速、精确。
本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法,过程中用于训练深度堆叠自编码器模型的先验负荷数据仅仅为简单的瞬时有功和瞬时无功负荷数据,数据简单易得,易于采集,模型的训练易于实现。
解决了现有技术对电力负荷预测由于电力负荷的复杂性和多变性,传统的负荷预测方法均存在一定的缺陷,很难建立精准的模型对其进行预测等技术问题。
附图说明:
图1为本发明家庭用电设备负荷预测方法流程图;
图2为电脑在某环境状态下的某日6h内瞬时有功负荷实测数据曲线图;
图3为电脑在某环境状态下的某日6h内瞬时无功负荷实测数据曲线图。
具体实施方式:
为了进一步对本发明技术方案进行说明:请参考图1、图2和图3,通过搭建深度堆叠自编码器模型分析各种环境因素,包括光照强度、温度、湿度和PM2.5颗粒物对各种常见家庭用电设备的用电负荷的影响,利用已有的在各种环境下的家庭用电设备的用电负荷数据训练该深度堆叠自编码器模型,最终得到训练好的深度堆叠自编码器模型,根据当前家庭所处的环境即可实现各种家庭用电设备负荷的预测。该家庭用电设备负荷预测方法包括以下步骤:
步骤A1,收集表征家庭用电设备所处各种环境状态的环境数据。各种类型环境数据的不同组合表示各种不同的环境状态。所述各种类型环境数据包括光照强度、温度、湿度以及PM2.5颗粒物数据。其中:
S={S1,S2,S3,S4}
其中,S表示环境数据集,一个数据集中四种数据的组合表示一种环境状态;S1表示光照强度数据;S2表示温度数据;S3表示湿度数据;S4表示PM2.5颗粒物数据。
步骤A2,收集各个家庭用电设备在各种环境状态下的用电负荷数据,需要收集的用电负荷数据包括:有功负荷数据和无功负荷数据。其中:
家庭用电设备集合:
L={L1,L2,L3,L4,L5,L6,L7,L8,L9,L10}={冰箱,空调,洗衣机,电视机,电脑、日光灯,电风扇,热水器,饮水机,电饭锅}
用电负荷数据:D={D1,D2,D3,D4,D5,D6,D7,D8,D9,D10}
Di=[Pi,Qi]′,(i=1,2,...10)
其中,L表示由10台典型家庭用电设备组成的设备集合;Li表示L中第i台家庭用电设备,i=1,2,...,10;D表示10台典型家庭用电设备在各种环境状态下的用电负荷数据集合;Di表示L中第i个家庭用电设备Li在各种环境状态下的用电负荷数据,包括有功用电负荷数据Pi和无功用电负荷数据Qi,i=1,2,...,10;Di由用电设备连续一年365天的日用电负荷数据组成,日用电负荷数据指在一天24h内每隔2min采集家庭用电设备Li的瞬时有功负荷和瞬时无功负荷数据最终取其平均值所形成的数据,故每个用电负荷数据Di的矩阵维度是2*365,共有730个数据点。
图2为电脑在某环境状态下的某日6h内瞬时有功负荷实测数据曲线图。
图3为电脑在某环境状态下的某日6h内瞬时无功负荷实测数据曲线图。
步骤A3,对收集的用电负荷数据进行数据清洗,包括填写空缺数据、替换噪声数据和去除重复数据。对每个家庭用电设备的用电负荷数据Di,根据拉格朗日三次多项式插值法,填写空缺数据和替换噪声数据。具体如下:
d'=li*di+lj*dj+lk*dk
li=((x'-xj)*(x'-xk))/((xi-xj)*(xi-xk))
lj=((x'-xi)*(x'-xk))/((xj-xi)*(xj-xk))
lk=((x'-xi)*(x'-xj))/((xk-xi)*(xk-xj))
其中,di、dj、dk表示某个用电负荷数据Di中的第i、j、k个正常数据,d'为空缺数据或需被替换的噪声数据,li、lj、lk表示与数据di、dj、dk对应的插值修正系数,xi、xj、xk表示数据在用电负荷数据Di中所处的第i、j、k个位置,x'是指数据d'在用电负荷数据Di中所处的位置。
步骤A4,对经过数据清洗后的用电负荷数据进行属性值编码处理,形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据。形成带属性值编码的用电负荷数据的具体操作包括:对各家庭用电设备的用电负荷数据,标示数据来源的该家庭用电设备,并标示采集数据时设备所处的环境状态。形成不带属性值编码的用电负荷数据的具体操作包括:对各用电负荷数据,不标示数据来源的家庭用电设备,同时不标示采集数据时设备所处的环境状态。
步骤A5,构建多个自编码器模型,依次初始化自编码器模型参数。搭建10个自编码器模型,设置每个自编码器模型的隐含层与可视层神经元个数,并设置每个神经元的初始化参数:
V=[4,10,50,100,500,100,50,20,10,5]
H=[10,50,100,500,100,50,20,10,5,1]
W=0.5
B=0.5
其中,V表示每个自编码器模型的可视层神经元个数;H表示每个自编码器模型的隐含层神经元个数;W表示自编码器模型隐含层与可视层之间神经元连接权重初始值;B表示自编码器模型隐含层、可视层神经元的偏置初始值;
步骤A6,利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据,依次训练每个自编码器模型。模型训练参数具体设置如下:
η1=0.8
K1=20
η1表示每个自编码器模型在迭代训练过程中的学习速率;K1表示每个自编码器模型在迭代训练过程中的训练步数;
步骤A7,将经过训练的所有自编码器模型依次首尾级联堆叠,并采用多元分类器作为输出层,搭建出深度堆叠自编码器模型。搭建出的深度堆叠自编码器模型如下:
SAE=[4,10,50,100,500,100,50,20,10,5,1]
其中,SAE表示搭建出来的深度堆叠自编码器模型,矩阵中各元素表示各层神经元的个数。该堆叠自编码模型由10个自编码器模型堆叠而成,共有11层,每两层神经元组成一个自编码器模型。输入层有四个神经元,用于输入表征当前环境状态的四个环境数据。输出层采用softmax回归多元分类器,神经元个数为1,设置分类总数为10,用于辨识10种家庭用电设备类型。
步骤A8,对堆叠自编码器模型进行初始化参数设置,设置深度堆叠自编码器模型中每层神经元的初始化参数如下:
W2=W′
B2=B′
其中,各隐含层与可视层之间神经元连接权重初始值W2和偏置初始值B2等于步骤5中的连接权重值初始值W和偏置值初始值B在完成步骤6的训练后得到的连接权重值W′和偏置值B′。
步骤A9,利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据,对深度堆叠自编码器模型进行深度训练。其中,深度堆叠自编码器模型的输入为带属性值编码的用电负荷数据中标记的各环境数据,深度堆叠自编码器模型的输出为带属性值编码的用电负荷数据中的有功负荷数据和无功负荷数据。模型训练参数具体设置如下:
η2=0.5
K2=50
其中,η2、K2分别表示深度堆叠自编码模型在迭代训练过程中的学习速率和迭代步数。
步骤A10,利用训练好的深度堆叠自编码模型,输入家庭用电设备所处环境状态的环境数据,通过深度堆叠自编码器模型分析计算,实现家庭用电设备的用电负荷预测。其中,深度堆叠自编码模型实现家庭用电设备的用电负荷预测,输出各家庭用电设备的负荷预测值,包括有功负荷预测值和无功负荷预测值。
本发明的基于深度堆叠自编码模型的家庭用电设备负荷预测方法相对于现有技术具有如下的优点及效果:
(1)本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法,考虑了各种环境因素对各种家庭用电设备的直接影响,根据表征环境状态的环境数据的变化预测家庭用电设备的变化,实现家庭用电设备负荷精准预测的目的,有利于提高家庭用户的用电经济性,同时有助于电网的发电计划安排。
(2)本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法,搭建了深度堆叠自编码器模型对家庭用电设备的负荷进行深度学习,通过大量先验负荷数据对深度堆叠自编码器模型进行深度训练,最终得到训练好的深度堆叠自编码器模型,根据当前家庭所处的环境数据即可快速实现各种家庭用电设备负荷的精准预测,方法快速、精确。
(3)本发明设计的基于深度堆叠自编码模型的家庭用电设备负荷预测方法,过程中用于训练深度堆叠自编码器模型的先验负荷数据仅仅为简单的瞬时有功和瞬时无功负荷数据,数据简单易得,易于采集,模型的训练易于实现。
Claims (7)
1.一种家庭用电设备负荷预测方法,它包括:
步骤1、收集表征家庭用电设备所处各种环境状态的环境数据;
步骤1所述收集表征家庭用电设备所处各种环境状态的环境数据它包括光照强度、温度、湿度以及PM2.5颗粒物数据;用公式:
S={S1,S2,S3,S4}表示;
式中:S表示环境数据集,一个数据集中四种数据的组合表示一种环境状态;S1表示光照强度数据;S2表示温度数据;S3表示湿度数据;S4表示PM2.5颗粒物数据;
步骤2、收集家庭用电设备在各种环境状态下的用电负荷数据;步骤2所述的用电负荷数据包括有功负荷数据和无功负荷数据;表述如下:
L={L1,L2,L3,L4,L5,L6,L7,L8,L9,L10}={冰箱,空调,洗衣机,电视机,电脑、日光灯,电风扇,热水器,饮水机,电饭锅}
用电负荷数据:D={D1,D2,D3,D4,D5,D6,D7,D8,D9,D10}
Di=[Pi,Qi]′,(i=1,2,...10)
式中:L表示由10台典型家庭用电设备组成的设备集合;Li表示L中第i台家庭用电设备,i=1,2,...,10;D表示10台典型家庭用电设备在各种环境状态下的用电负荷数据集合;Di表示L中第i个家庭用电设备Li在各种环境状态下的用电负荷数据,包括有功用电负荷数据Pi和无功用电负荷数据Qi,i=1,2,...,10;Di由用电设备连续一年365天的日用电负荷数据组成;
步骤3、对收集的用电负荷数据进行数据清洗;
步骤4、对经过数据清洗后的用电负荷数据进行属性值编码处理,形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据;
步骤5、构建一个以上自编码器模型,依次初始化自编码器模型参数;
步骤6、利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据,依次训练每个自编码器模型;
步骤7、将经过训练后的所有自编码器模型依次首尾级联堆叠,并采用多元分类器作为输出层,搭建出深度堆叠自编码器模型;
步骤8、对深度堆叠自编码器模型进行初始化参数设置;
步骤9、利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据,对深度堆叠自编码器模型进行深度训练;
步骤10、利用训练好的深度堆叠自编码模型,输入家庭用电设备所处环境状态的环境数据,通过深度堆叠自编码器模型实现家庭用电设备的用电负荷预测。
2.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤3所述对收集的用电负荷数据进行数据清洗,包括填写空缺数据、替换噪声数据和去除重复数据;对每个家庭用电设备的用电负荷数据Di,根据拉格朗日三次多项式插值法,填写空缺数据和替换噪声数据;具体如下:
d'=li*di+lj*dj+lk*dk
li=((x'-xj)*(x'-xk))/((xi-xj)*(xi-xk))
lj=((x'-xi)*(x'-xk))/((xj-xi)*(xj-xk))
lk=((x'-xi)*(x'-xj))/((xk-xi)*(xk-xj))
式中:di、dj、dk表示某个用电负荷数据Di中的第i、j、k个正常数据,d'为空缺数据或需被替换的噪声数据,li、lj、lk表示与数据di、dj、dk对应的插值修正系数,xi、xj、xk表示数据在用电负荷数据Di中所处的第i、j、k个位置,x'是指数据d'在用电负荷数据Di中所处的位置。
3.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤4所述形成带属性值编码的用电负荷数据的方法为:对各家庭用电设备的用电负荷数据,标示数据来源的该家庭用电设备,并标示采集数据时设备所处的环境状态;形成不带属性值编码的用电负荷数据的方法为:对各用电负荷数据,不标示数据来源的家庭用电设备,同时不标示采集数据时设备所处的环境状态。
4.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤5所述构建一个以上自编码器模型,依次初始化自编码器模型参数的方法为:搭建10个自编码器模型,设置每个自编码器模型的隐含层与可视层神经元个数,并设置每个神经元的初始化参数:
V=[4,10,50,100,500,100,50,20,10,5]
H=[10,50,100,500,100,50,20,10,5,1]
W=0.5
B=0.5
式中:V表示每个自编码器模型的可视层神经元个数;H表示每个自编码器模型的隐含层神经元个数;W表示自编码器模型隐含层与可视层之间神经元连接权重初始值;B表示自编码器模型隐含层、可视层神经元的偏置初始值。
5.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据,依次训练每个自编码器模型;模型训练参数设置为:
η1=0.8
K1=20
η1表示每个自编码器模型在迭代训练过程中的学习速率;K1表示每个自编码器模型在迭代训练过程中的训练步数。
6.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤7所述搭建出的深度堆叠自编码器模型为:
SAE=[4,10,50,100,500,100,50,20,10,5,1]
式中:SAE表示搭建出来的深度堆叠自编码器模型,矩阵中各元素表示各层神经元的个数;该堆叠自编码模型由10个自编码器模型堆叠而成,共有11层,每两层神经元组成一个自编码器模型;输入层有四个神经元,用于输入表征当前环境状态的四个环境数据;输出层采用softmax回归多元分类器,神经元个数为1,设置分类总数为10,用于辨识10种家庭用电设备类型;
步骤8所述对深度堆叠自编码器模型进行初始化参数设置方法为:W2=W′
B2=B′
式中:W2为各隐含层与可视层之间神经元连接权重初始值;B2为偏置初始值。
7.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤9所述利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据,对深度堆叠自编码器模型进行深度训练的方法为:深度堆叠自编码器模型的输入为带属性值编码的用电负荷数据中标记的各环境数据,深度堆叠自编码器模型的输出为带属性值编码的用电负荷数据中的有功负荷数据和无功负荷数据;模型训练参数设置为:
η2=0.5
K2=50
式中:η2、K2分别表示深度堆叠自编码模型在迭代训练过程中的学习速率和迭代步数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710451780.5A CN107248740B (zh) | 2017-06-15 | 2017-06-15 | 一种家庭用电设备负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710451780.5A CN107248740B (zh) | 2017-06-15 | 2017-06-15 | 一种家庭用电设备负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248740A CN107248740A (zh) | 2017-10-13 |
CN107248740B true CN107248740B (zh) | 2020-03-24 |
Family
ID=60018026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710451780.5A Active CN107248740B (zh) | 2017-06-15 | 2017-06-15 | 一种家庭用电设备负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248740B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325634B (zh) * | 2018-10-24 | 2022-03-18 | 南方电网科学研究院有限责任公司 | 一种考虑用户潜在用电需求的农村电网负荷预测方法 |
CN110136024B (zh) * | 2019-03-28 | 2023-10-10 | 上海芯联芯智能科技有限公司 | 获取用户的用电特征、用电习惯及用电量预测值的方法及装置 |
CN111614489A (zh) * | 2020-04-27 | 2020-09-01 | 国网山东省电力公司电力科学研究院 | 基于稀疏自编码的暂态录波故障数据清洗方法和系统 |
CN111476438A (zh) * | 2020-05-18 | 2020-07-31 | 南方电网科学研究院有限责任公司 | 一种用户用电量预测方法、系统以及设备 |
CN112348697B (zh) * | 2020-10-21 | 2022-11-01 | 国网天津市电力公司 | 基于大数据的电网运行状态综合评估方法及装置 |
CN115392544A (zh) * | 2022-08-01 | 2022-11-25 | 万帮数字能源股份有限公司 | 家庭用电负荷预测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551884A (zh) * | 2009-05-08 | 2009-10-07 | 华北电力大学 | 面向大规模样本的cvr电力负荷快速预测方法 |
CN104279715A (zh) * | 2014-10-29 | 2015-01-14 | 四川慧盈科技有限责任公司 | 一种楼宇空调设备负荷预测方法 |
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学(保定) | 一种基于拉格朗日插值与时间序列的预测方法 |
CN106447133A (zh) * | 2016-11-03 | 2017-02-22 | 上海交通大学 | 一种基于深度自编码网络的短期电力负荷预测方法 |
-
2017
- 2017-06-15 CN CN201710451780.5A patent/CN107248740B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551884A (zh) * | 2009-05-08 | 2009-10-07 | 华北电力大学 | 面向大规模样本的cvr电力负荷快速预测方法 |
CN104279715A (zh) * | 2014-10-29 | 2015-01-14 | 四川慧盈科技有限责任公司 | 一种楼宇空调设备负荷预测方法 |
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
CN106354995A (zh) * | 2016-08-24 | 2017-01-25 | 华北电力大学(保定) | 一种基于拉格朗日插值与时间序列的预测方法 |
CN106447133A (zh) * | 2016-11-03 | 2017-02-22 | 上海交通大学 | 一种基于深度自编码网络的短期电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于MapReduce和深度学习的负荷分析与预测;杨佳驹;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170315(第03期);第29-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107248740A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248740B (zh) | 一种家庭用电设备负荷预测方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN111563467B (zh) | 一种基于机器视觉的太阳能板清洁系统 | |
CN107491833A (zh) | 一种光伏发电功率预测的方法和装置 | |
CN110444257A (zh) | 一种基于无监督和有监督学习的水泥游离钙软测量方法 | |
Huang et al. | A novel power output model for photovoltaic systems | |
CN116845889B (zh) | 一种基于层次化超图神经网络的电力负载预测方法 | |
CN115065078A (zh) | 微网环境下储能容量配置方法及系统 | |
CN109946968B (zh) | 一种楼宇内分布式能源匹配系统和方法 | |
CN110119842A (zh) | 一种微电网短期负荷预测方法 | |
Wang | Application of deep learning model in building energy consumption prediction | |
CN109600117B (zh) | 一种光伏电池输出特性的模拟方法 | |
CN115577770A (zh) | 一种基于负荷分解与深度学习的持续型电器负荷预测方法 | |
CN115296424B (zh) | 一种基于融合终端的分布式电源综合监测系统及方法 | |
CN115511218A (zh) | 基于多任务学习与深度学习的间歇型电器负荷预测方法 | |
CN115293502A (zh) | 一种基于数据驱动的园区综合能源系统随机—分布鲁棒低碳调度方法 | |
CN111125630B (zh) | 一种基于l1/2范数和同质性约束的能源分解方法 | |
Gligor et al. | Considerations on an intelligent buildings management system for an optimized energy consumption | |
Ye et al. | Multi-scenario stochastic optimal scheduling for power systems with source-load matching based on pseudo-inverse Laguerre polynomials | |
Darvishi Salookolaei et al. | Prediction of renewable energy production using grey systems theory | |
Li et al. | Short-term Load Forecasting of Long-short Term Memory Neural Network Based on Genetic Algorithm | |
Gong et al. | Application of CNN-LSTM based hybrid neural network in power load forecasting | |
CN109242199A (zh) | 一种可用于源荷互动环境下的主动负荷安全调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210121 Address after: 550002 Jiefang Road, Nanming District, Guiyang, Guizhou Province, No. 32 Patentee after: ELECTRIC POWER RESEARCH INSTITUTE, GUIZHOU POWER GRID Co.,Ltd. Patentee after: GUIYANG POWER SUPPLY BUREAU, GUIZHOU POWER GRID Co.,Ltd. Address before: 550002 Jiefang Road, Nanming District, Guiyang, Guizhou Province, No. 32 Patentee before: ELECTRIC POWER RESEARCH INSTITUTE, GUIZHOU POWER GRID Co.,Ltd. |
|
TR01 | Transfer of patent right |