CN111489036A - 基于电器负荷特性和深度学习的居民负荷预测方法、装置 - Google Patents

基于电器负荷特性和深度学习的居民负荷预测方法、装置 Download PDF

Info

Publication number
CN111489036A
CN111489036A CN202010288667.1A CN202010288667A CN111489036A CN 111489036 A CN111489036 A CN 111489036A CN 202010288667 A CN202010288667 A CN 202010288667A CN 111489036 A CN111489036 A CN 111489036A
Authority
CN
China
Prior art keywords
load
neural network
stm
stm neural
electrical
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.)
Granted
Application number
CN202010288667.1A
Other languages
English (en)
Other versions
CN111489036B (zh
Inventor
王守相
郭陆阳
邓欣宇
张慧波
李刚
李野
许迪
董得龙
刘浩宇
孙虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Xianghe Electric Technology Co ltd
Tianjin University
State Grid Tianjin Electric Power Co Ltd
Original Assignee
Tianjin Xianghe Electric Technology Co ltd
Tianjin University
State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Xianghe Electric Technology Co ltd, Tianjin University, State Grid Tianjin Electric Power Co Ltd filed Critical Tianjin Xianghe Electric Technology Co ltd
Priority to CN202010288667.1A priority Critical patent/CN111489036B/zh
Publication of CN111489036A publication Critical patent/CN111489036A/zh
Application granted granted Critical
Publication of CN111489036B publication Critical patent/CN111489036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于电器负荷特性和深度学习的居民负荷预测方法，包括如下步骤：对电器进行负荷特性分析，将家用电器分为持续型电器和间歇型电器两类；将基于Loess的季节性趋势分解方法(STL)应用于持续型电器，将其原始负荷曲线分解为三个负荷分量；构建用于持续型电器负荷预测的LSTM神经网络和用于间歇型电器负荷预测的MTL‑LSTM神经网络，并对其进行训练；将需要预测日期的历史负荷数据、当天的气象和日历数据输入到负荷预测模型中，进行自下而上的负荷预测；将所有电器的负荷预测结果结果汇总，得到居民的负荷预测结果；本发明基于负荷特性分析，充分挖掘电器设备负荷的规律与用户用电行为的相关性，提高了居民负荷预测精度。

Description

基于电器负荷特性和深度学习的居民负荷预测方法、装置
技术领域
本发明属于智能配用电技术领域，尤其涉及基于电器负荷特性分析和深度学习的居民负荷预测方法、装置。
背景技术
负荷预测对电力系统的安全、稳定和经济运行有重要意义。按照预测规模，传统的负荷预测可分为系统级、变电站级、母线级、馈线级和建筑物级等。随着智能电表的普及，电力公司可以获得大量的居民用电信息，使居民级负荷预测成为可能。准确的居民负荷预测可以应用于家庭能量管理系统，帮助用户了解自己的用电规律，进而实现节能减排；还能辅助电力公司制定合理的需求响应计划，优化发电方案，提升系统的供电能力与可靠性。然而，由于居民负荷与其用电行为密切相关，因此具有较强的随机性与不确定性，难以准确预测。
与传统负荷预测问题相比，居民的负荷预测具有更大的挑战性。变电站或节点的负荷规模较大，一般较为稳定。工商业用户的用电负荷受生产规律影响，往往可以分为几类典型的用电模式，规律性强。然而，居民负荷与用户的用电行为密切相关。由于家庭电器种类繁多，且负荷规模较小，因此居民负荷充满随机性与不确定性。传统负荷预测方法仅利用家庭总电表的负荷数据，难以挖掘用户的用电习惯，效果不佳。因此，只有引入电器设备级的负荷特征才能进一步提升预测准确性。
近年来，电力公司大力推动了高级计量体系(AMI)的建设，同时人工智能技术(AI)的应用也显著提升非侵入式负荷监测(NILM)的准确性。在AMI和NILM的支持下，可以获得居民用户的设备级负荷数据，使精细化的居民负荷预测成为可能。目前，一些现有文献中涉及到基于设备级的负荷信息，提出一种自下而上的策略，即将房间级和设备级的负荷预测结果进行聚合，进而得到居民总体的负荷，研究表明，该策略显著提升负荷预测精度；但是，由于用户用电习惯和电器设备工作原理的差异性，电器的负荷曲线呈现出多样化的特点。例如，冰箱和空调等电器设备的负荷曲线具有较强的波动性，使其负荷规律不易把握；而微波炉和吹风机等具有明显开关特性的设备，其负荷曲线与用户行为密切相关。例如，女性通常会在洗发后使用吹风机和电夹板，烤箱和面包机的使用也具有某种潜在关联。因此，有必要在电器层面进行负荷特性分析，改善负荷曲线的规律性，同时挖掘设备间的相关性，从而实现更加精细化的居民负荷预测。
因此，基于这些问题，研究一种基于电器负荷特性分析和深度学习的居民负荷预测方法，具有重要的应用价值。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于电器负荷特性分析和深度学习的居民负荷预测方法。
本发明解决其技术问题是采取以下技术方案实现的：
基于电器负荷特性和深度学习的居民负荷预测方法，所述居民电力负荷预测方法包括如下步骤：
S1、获取待预测负荷的居民用户的历史智能电表负荷数据以及设备级的负荷数据，将居民用户的电器设备分为持续型电器和间歇型电器，并得到持续型电器的历史负荷曲线；
S2、利用STL算法将持续型电器的历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分；
S3、构建LSTM神经网络，将步骤S2中经过分解的负荷分量均分割成负荷分量样本集和负荷分量测试集，对LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
S4、构建多任务学习的MTL-LSTM神经网络，将步骤S1中的间歇型电器的负荷数据分割成负荷样本集和负荷测试集，对MTL-LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
S5、利用步骤S3中训练好的LSTM神经网络对需要预测的持续型电器负荷分量进行预测，将预测得到的负荷分量结果进行汇总，得到持续型电器的负荷预测结果；利用步骤S4中训练好的MTL-LSTM神经网络对需要预测的间歇型电器负荷进行预测，将得到的间歇型电器负荷预测结果与持续型电器的负荷预测结果相累加，得到居民的负荷预测结果。
进一步的，所述步骤S3、S4中LSTM神经网络、MTL-LSTM神经网络的构建及训练均使用python编程语言中keras深度学习工具包。
进一步的，步骤S3中对LSTM神经网络进行训练或步骤S5中利用训练好的LSTM神经网络进行负荷预测时，神经网络的输入特征包括电器历史负荷、气象因素及日历信息。
进一步的，步骤S4中对MTL-LSTM神经网络进行训练或步骤S5中利用训练好的MTL-LSTM神经网络进行负荷预测时，神经网络的输入特征包括电器历史负荷、气象因素、日历信息、使用时长及使用频率。
进一步的，当对LSTM神经网络进行训练或利用其进行预测时，神经网络输入特征的时刻点为：当预测第d天、第t个时刻点的负荷时，历史负荷特征为预测时刻点前至少6个时刻点，且预测时刻点前至少1、2、7天对应时刻点的负荷数据，第d天、第t个时刻点的气象因素、日历信息；当对MTL-LSTM神经网络进行训练或利用其进行预测时，神经网络输入特征的时刻点为：当预测第d天、第t个时刻点的负荷时，历史负荷特征为预测时刻点前至少6个时刻点，且预测时刻点前至少1、2、7天对应时刻点的负荷数据及设备日使用时长和频率，第d天、第t个时刻点的气象因素、日历信息。
进一步的，所述气象因素包括时刻点的温度、湿度和露点；所述日历信息包括时刻点的时间数据、星期和节假日数据。
进一步的，所述步骤S1中电器分类的具体方法为：计算各种电器的参数K，K＝Ton/Tall，Ton为一定时间周期内电器的累计开启时长，Tall为该周期的总时长；当K大于0.8时为持续型电器，K小于0.8时为间歇型电器
基于电器负荷特性和深度学习的居民负荷预测装置，包括：
家庭电器设备分类模块，用于获取待预测负荷的居民用户的历史智能电表负荷数据以及设备级的负荷数据，将居民用户的电器设备分为持续型电器和间歇型电器，并得到持续型电器的历史负荷曲线；
负荷分解模块，用于利用STL算法将持续型电器的历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分；
LSTM神经网络构建及训练模块，用于构建LSTM神经网络，将负荷分解模块得到的负荷分量均分割成负荷分量样本集和负荷分量测试集，对LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
MTL-LSTM神经网络构建及训练模块，用于构建多任务学习的MTL-LSTM神经网络，将家庭电器设备分类模块中得到的间歇型电器的负荷数据分割成负荷样本集和负荷测试集，对MTL-LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
居民负荷数据预测获取模块，用于利用LSTM神经网络构建及训练模块中训练好的LSTM神经网络对需要预测的持续型电器负荷分量进行预测，将预测得到的负荷分量结果进行汇总，得到持续型电器的负荷预测结果；利用MTL-LSTM神经网络构建及训练模块中训练好的MTL-LSTM神经网络对需要预测的间歇型电器负荷进行预测，将得到的间歇型电器负荷预测结果与持续型电器的负荷预测结果相累加，得到居民的负荷预测结果。
一种计算设备，包括：
一个或多个处理单元；
存储单元，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行基于电器负荷特性和深度学习的居民负荷预测方法。
一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机程序被处理器执行时实现基于电器负荷特性和深度学习的居民负荷预测方法的步骤。
本发明的优点和积极效果是：
本发明首先对电器进行负荷特性分析，将家用电器分为持续型电器和间歇型电器两类；然后将基于Loess的季节性趋势分解方法(STL)应用于持续型电器，将其原始负荷曲线分解为三类，并训练LSTM神经网络进行负荷预测；接着构建多任务深度学习模型对间歇型电器的负荷进行预测；最终对设备级的负荷进行汇总，实现自下而上的居民负荷预测；该方法能充分挖掘电器负荷的规律性和用户用电行为的相关性，降低居民用电习惯的不确定性，自下而上地实现更加精细化地居民负荷预测，能够显著降低居民负荷预测误差。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
图1为本发明实施例DRED数据集提供的不同自下而上策略得到的平均绝对误差MAE指标对比图；
图2为本发明实施例AMPds数据集提供的不同自下而上策略得到的平均绝对误差MAE指标对比图；
图3为本发明实施例UK-DALE数据集提供的不同自下而上策略得到的平均绝对误差MAE指标对比图；
图4为本发明实施例DRED数据集提供的不同自下而上策略得到的平均绝对百分比误差RMSE指标对比图；
图5为本发明实施例AMPds数据集提供的不同自下而上策略得到的平均绝对百分比误差RMSE指标对比图；
图6为本发明实施例UK-DALE数据集提供的不同自下而上策略得到的平均绝对百分比误差RMSE指标对比图；
图7为本发明实施例DRED数据集提供的不同自下而上策略得到的均方误差MAEP指标对比图；
图8为本发明实施例AMPds数据集提供的不同自下而上策略得到的均方误差MAEP指标对比图；
图9为本发明实施例UK-DALE数据集提供的不同自下而上策略得到的均方误差MAEP指标对比图；
图10为本发明实施例DRED数据集提供的不同算法得到的平均绝对误差MAE指标对比图；
图11为本发明实施例AMPds数据集提供的不同算法得到的平均绝对误差MAE指标对比图；
图12为本发明实施例UK-DALE数据集提供的不同算法得到的平均绝对误差MAE指标对比图；
图13为本发明实施例DRED数据集提供的不同算法得到的平均绝对百分比误差RMSE指标对比图；
图14为本发明实施例AMPds数据集提供的不同算法得到的平均绝对百分比误差RMSE指标对比图；
图15为本发明实施例UK-DALE数据集提供的不同算法得到的平均绝对百分比误差RMSE指标对比图；
图16为本发明实施例DRED数据集提供的不同算法得到的均方误差MAEP指标对比图。
图17为本发明实施例AMPds数据集提供的不同算法得到的均方误差MAEP指标对比图。
图18为本发明实施例UK-DALE数据集提供的不同算法得到的均方误差MAEP指标对比图。
其中，图1-9中，所有方法均采用自下而上的策略，即先预测电器的负荷，进而汇总得到居民总负荷。方法1的LSTM表示仅使用LSTM算法进行设备负荷预测；方法2的STL-LSTM表示先使用STL对所有电器的负荷曲线进行分解，进而使用LSTM对负荷分量进行预测，汇总得到电器的负荷；方法4的LSTM/MTL-LSTM表示对持续型电器仅使用LSTM算法，对间歇型电器使用MTL-LSTM模型；方法3的STL-LSTM/LSTM表示对持续型电器使用STL-LSTM模型，对间歇型电器使用LSTM算法；方法5的STL-LSTM/MTL-LSTM表示对持续型电器使用STL-LSTM模型，对间歇型电器使用MTL-LSTM模型，即为本发明所提出的方法；图10-18中，LSTM(Direct)表示不采用自下而上的策略，直接利用LSTM算法对总负荷进行预测；STL-LSTM(Direct)表示不采用自下而上的策略，直接利用STL-LSTM算法对总负荷进行预测；GRU(Direct)表示不采用自下而上的策略，直接利用GRU对总负荷进行预测；RNN(Direct)表示不采用自下而上的策略，直接利用RNN算法对总负荷进行预测；SVR(Direct)表示不采用自下而上的策略，直接利用SVR算法对总负荷进行预测；STL-LSTM/MTL-LSTM表示对持续型电器使用STL-LSTM模型，对间歇型电器使用MTL-LSTM模型，即为本发明所提出的方法；
具体实施方式
首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面就结合图1-18来具体说明本发明。
实施例1
本实施例利用DRED、AMPds、UK-DALE三个公开数据集上的数据进行进行电力负荷预测，其中：数据集Ⅰ为荷兰Dutch Residential Energy Dataset(DRED)，包括一个居民用户家庭中12个电器的负荷信息，时间维度为2015年7月5日至12月5日；数据集II为Almanacof Minutely Power dataset(AMPds)，该数据集量测了一个加拿大居民在2012年至2014年的家庭用电数据，涉及20个电器设备；数据集III为UK Domestic Appliance-LevelElectricity(UK-DALE)，包括5户居民的真实家庭负荷数据，本实施例使用居民2的部分数据用于算例验证。通过使用NILMTK工具，将原始数据降采样至30分钟/点，数据集的详细信息如表1所示。
表1数据集描述
数据集 时间范围 原始周期 电器数量 采样周期
DRED 07/05/2015—12/05/2015 1s 12 30min
AMPds 04/01/2012—03/31/2014 1min 20 30min
UK-DALE 05/22/2013—08/04/2013 6s 18 30min
具体的电力负荷预测方法包括以下步骤：
S1、通过K指数对三个数据集的电器设备进行分类，将电器分为持续型和间歇型两类；具体的，K＝Ton/Tall，Ton为一定时间周期内电器的累计开启时长，Tall为该周期的总时长，K大于0.8时为持续型电器，K小于0.8时为间歇型电器。通过该方法分类，电器分类结果如表8所示，可以发现，持续型电器主要为冰箱和电热器，间歇型电器主要为灯和电风扇，该结果说明K的阈值设定为0.8是合理的；
表8基于负荷特性分析的电器分类结果
Figure BDA0002449546540000091
Figure BDA0002449546540000101
S2、通过STL算法，将持续型电器的历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分；
由于电力负荷是一类典型的时间序列，因此可以采用时间序列分解方法挖掘曲线规律，利用STL算法将设备的原始负荷曲线分解为以下三个分量：
(1)趋势分量(Tt)：表示负荷曲线的长期变化趋势；
(2)周期分量(St)：表示负荷曲线的周期性成分，本实施例将一天设为一个时间周期；
(3)剩余分量(Rt)：表示负荷曲线中随机的、不规律的分量；
对于负荷曲线Y有：
Yt＝Tt+St+Rtt＝1,...,N
式中，N表示负荷曲线中数据点的数目。
本实施例中，使用python包“statsmodels 0.11.1”中的“seasonal_decompose.py”实现STL方法，周期设置为“一天”，two_sided参数为“False”。
S3、构建LSTM神经网络，并对其进行训练；
构建LSTM神经网络，神经网络构建及训练均使用python编程语言中keras深度学习工具包，其网络结构如表2所示；需要指出的是，此神经网络的最终输出与次日的功率曲线采样点数量一致。
表2 LSTM的神经网络结构
名称 网络参数
LSTM层 LSTM unit number:128
Dropout层 0.3
LSTM层 LSTM unit number:64
Dropout层 0.1
Dense Dense unit number:1
学习率 0.01
优化器 Adam
迭代次数 50
损失函数 MAE
步骤S2中经过分解的负荷分量均分割成负荷分量样本集和负荷分量测试集，在各样本集上分别训练步骤S2中电器的三个负荷分量。具体的：当预测第d天、第t个时刻点的负荷时，LSTM网络输入特征包括：前6个时刻点(t-1，t-2，…，t-6)负荷数据，前1、2、7天对应时刻点的负荷数据(d-1，d-2，d-7)，第t个时刻点的温度、湿度和露点、时间数据，第d天的星期和节假日数据，使用滚动更新技术使预测粒度由1个点拓展为48个点/天，表3总结了本实例LSTM网络的输入特征维度：
表3 LSTM网络输入参数
Figure BDA0002449546540000121
在训练过程中，损失函数随着迭代次数的增加而逐渐下降，在迭代次数达到50次时，损失函数趋于稳定，考虑到准确率和训练速率，故本实施例中设置迭代次数为50次，即神经网络经过50轮后训练结束。
S4、构建MTL-LSTM神经网络，并对其进行训练；
当处理复杂问题时，通过将原任务分割为几个子任务，并针对不同的子任务分别训练模型。然而，这种方法不仅效率低下，同时往往忽略了多个任务之间的关联性，造成大量有价值的信息被丢失。多任务学习是迁移学习的一种。对于一个包含m个子任务的问题
Figure BDA0002449546540000131
其中所有的子任务或这些任务的一个子集通常是相关的，多任务学习的方法可以通过特征共享表示来挖掘多个任务之间的潜在关联，从来提升每一个子任务的表现。此外，与单任务学习相比，多任务学习的方法可以显著提升模型的训练效率。多任务学习的特征共享方法有硬参数共享和软参数共享。在硬参数共享方式中，使用多个隐藏层实现参数共享，并在靠近输出端开始分支，输出多个子任务的结果。在这种方式下，多任务模型难以找到多个任务的共享表示，因此降低了过拟合的风险。在软参数共享中，每个子任务使用不同的网络，但网络之间相互约束，提升了模型的鲁棒性。为了提升模型效率与预测效果，本发明采用硬参数共享方式，设计了多任务学习的LSTM来充分考虑间歇型设备之间的相关性。详细网络结构和参数如表4所示。
表4 MTL-LSTM网络参数
名称 网络参数
硬参数共享层(LSTM) 128
Dropout 1,Dropout 2,…,Dropout n 0.3
LSTM 1,LSTM 2,…,LSTM n 64
Dropout 1,Dropout 2,…,Dropout n 0.1
Dense 1,LSTM 2,…,LSTM n 1
学习率 0.01
优化器 Adam
迭代次数 50
损失函数 MAE
利用步骤S1中得到的间歇型电器负荷对搭建好的MTL-LSTM网络进行训练：将步骤S1中的间歇型电器的负荷数据分割成负荷样本集和负荷测试集，对MTL-LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
其输入特征除了步骤S3中LSTM网络的输入特征外，还包括前1、2、7天的该设备日使用时长和频率，表5总结了本实例MTL-LSTM网络的输入特征维度：
表5 MTL-LSTM网络输入参数
Figure BDA0002449546540000141
在训练过程中，损失函数随着迭代次数的增加而逐渐下降，在迭代次数达到50次时，损失函数趋于稳定，考虑到准确率和训练速率，故本实施例中设置迭代次数为50次，即神经网络经过50轮后训练结束。
S5、利用训练好的LSTM神经网络进行持续型电器的负荷预测，得到持续型电器设备的负荷预测结果；利用训练好的多任务学习(MTL)的LSTM神经网络进行间歇型电器的负荷预测，将预测得到的持续型电器的负荷和间歇型电器的负荷结果进行汇总，即可得到居民的负荷预测结果。
需要说明的是，对持续型电器进行负荷预测时，首先需要对利用STL算法进行持续型电器历史负荷曲线分解后的负荷分量进行预测，然后将负荷分量进行汇总，得到持续型电器的负荷预测结果；具体的：当预测第d天、第t个时刻点的负荷时，LSTM网络输入特征包括：前6个时刻点(t-1，t-2，…，t-6)负荷数据，前1、2、7天对应时刻点的负荷数据(d-1，d-2，d-7)，第t个时刻点的温度、湿度和露点、时间数据，第d天的星期和节假日数据；对间歇型电器进行负荷预测时，利用历史负荷特征、气象因素和日历信息进行预测，具体的，当预测第d天、第t个时刻点的负荷时，LSTM网络输入特征包括：前6个时刻点(t-1，t-2，…，t-6)负荷数据，前1、2、7天对应时刻点的负荷数据(d-1，d-2，d-7)，第t个时刻点的温度、湿度和露点、时间数据，第d天的星期和节假日数据，还包括前1、2、7天的该设备日使用时长和频率。
作为举例，在本实施例中，使用各样本集中后7天的数据作为验证集对构建的模型进行效果验证，将预测值与该天真实的功率曲线进行对比，计算得到平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)三种评价指标，以下为详细的实验结果：
需要说明的是，其中，图1-9中，所有方法均采用自下而上的策略，即先预测电器的负荷，进而汇总得到居民总负荷。方法1的LSTM表示仅使用LSTM算法进行设备负荷预测；方法2的STL-LSTM表示先使用STL对所有电器的负荷曲线进行分解，进而使用LSTM对负荷分量进行预测，汇总得到电器的负荷；方法4的LSTM/MTL-LSTM表示对持续型电器仅使用LSTM算法，对间歇型电器使用MTL-LSTM模型；方法3的STL-LSTM/LSTM表示对持续型电器使用STL-LSTM模型，对间歇型电器使用LSTM算法；方法5的STL-LSTM/MTL-LSTM表示对持续型电器使用STL-LSTM模型，对间歇型电器使用MTL-LSTM模型，即为本发明所提出的方法；图10-18中，LSTM(Direct)表示不采用自下而上的策略，直接利用LSTM算法对总负荷进行预测；STL-LSTM(Direct)表示不采用自下而上的策略，直接利用STL-LSTM算法对总负荷进行预测；GRU(Direct)表示不采用自下而上的策略，直接利用GRU对总负荷进行预测；RNN(Direct)表示不采用自下而上的策略，直接利用RNN算法对总负荷进行预测；SVR(Direct)表示不采用自下而上的策略，直接利用SVR算法对总负荷进行预测；STL-LSTM/MTL-LSTM表示对持续型电器使用STL-LSTM模型，对间歇型电器使用MTL-LSTM模型，即为本发明所提出的方法。
1.验证自下而上策略的合理性分析
首先，由图1-9可知，方法3在MAE、RMSE和MAPE三个指标上均优于方法1，两者的唯一区别在于，方法3对持续型电器的负荷预测增加了STL过程；类似可知，方法5优于方法4，两者唯一的区别在于方法5对持续型电器使用了STL技术；因此，STL有利于提升持续型电器的负荷预测效果。此外，还可以发现方法3要优于方法2，两者唯一的区别是方法2中的间歇型电器使用了STL，因此STL不适用于间歇型电器，进一步验证了STL的合理性和有效性。
其次，在持续型电器使用相同预测方法的前提下，方法1、3对间歇型电器均采用MTL-LSTM模型，而方法4、5为LSTM模型。由图1-9可知，前者的MAE、RMSE、MAPE指标均低于后者，因此验证了多任务学习网络可以充分考虑用户用电行为的关联，从而提升预测效果。间歇型设备的训练时间如表6所示，可知，由于多任务学习模型可以替代多个电器的负荷预测模型，因此其训练时间大约降低了40％，验证了多任务学习模型的高效性。
表6训练时间对比
数据集 LSTM MTL-LSTM 下降百分比
DRED 6m 10s 3m 22s 45.41％
AMPds 29m 32s 17m 13s 41.70％
UK-DALE 2m 53s 1m 39s 42.77％
最后，方法5在三个误差指标上均优于其他方法，验证了本发明所提自下而上策略的有效性。
2.与先进的负荷预测方法对比结果
表7总结了本实施例方法相对其他方法的误差下降百分比。
表7误差降低百分比
Figure BDA0002449546540000171
观察图10-18可见，本发明在MAE、RMSE和MAPE三个指标上均表现最佳。由表7可知，对比其他先进的方法，本发明使MAE指标下降约20％，使RMSE指标下降约10％。由于居民用电行为具有较强的不确定性，仅依靠家庭总负荷数据无法充分挖掘用户的用电规律，因此其他方法的MAPE指标高达40％—70％，而本发明考虑了电器的工作原理与设备级的相关性，使MAPE指标在三个数据集上均稳定于30％左右。具体来讲，一般家庭内包含10—20种家用电器，每个电器的用电行为均有很强的不确定性，从而影响居民负荷预测的准确定性。本发明采用自下而上的策略，并使用负荷分解的方法细化持续型电器的负荷规律，采用多任务学习方法挖掘设备间的关联性，从而降低电器用电行为的不确定性。结果表明，本发明可以显著降低预测误差，实现更加精细化的居民负荷预测。
基于电器负荷特性和深度学习的居民负荷预测装置，包括：
家庭电器设备分类模块，用于获取待预测负荷的居民用户的历史智能电表负荷数据以及设备级的负荷数据，将居民用户的电器设备分为持续型电器和间歇型电器，并得到持续型电器的历史负荷曲线；
负荷分解模块，用于利用STL算法将持续型电器的历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分；
LSTM神经网络构建及训练模块，用于构建LSTM神经网络，将负荷分解模块得到的负荷分量均分割成负荷分量样本集和负荷分量测试集，对LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
MTL-LSTM神经网络构建及训练模块，用于构建多任务学习的MTL-LSTM神经网络，将家庭电器设备分类模块中得到的间歇型电器的负荷数据分割成负荷样本集和负荷测试集，对MTL-LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
居民负荷数据预测获取模块，用于利用LSTM神经网络构建及训练模块中训练好的LSTM神经网络对需要预测的持续型电器负荷分量进行预测，将预测得到的负荷分量结果进行汇总，得到持续型电器的负荷预测结果；利用MTL-LSTM神经网络构建及训练模块中训练好的MTL-LSTM神经网络对需要预测的间歇型电器负荷进行预测，将得到的间歇型电器负荷预测结果与持续型电器的负荷预测结果相累加，得到居民的负荷预测结果。
一种计算设备，包括：
一个或多个处理单元；
存储单元，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行上述的基于电器负荷特性和深度学习的负荷预测方法；需要说明的是，计算设备可包括但不仅限于处理单元、存储单元；本领域技术人员可以理解，计算设备包括处理单元、存储单元并不构成对计算设备的限定，可以包括更多的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机程序被处理器执行时实现上述的基于电器负荷特性和深度学习的居民负荷预测方法的步骤；需要说明的是，可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合；可读介质上包含的程序可以用任何适当的介质传输，包括，但不限于无线、有线、光缆，RF等等，或者上述的任意合适的组合。例如，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java，C++等，还包括常规的过程式程序设计语言，诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行，或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
以上实施例对本发明进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.基于电器负荷特性和深度学习的居民负荷预测方法，其特征在于：所述居民电力负荷预测方法包括如下步骤：
S1、获取待预测负荷的居民用户的历史智能电表负荷数据以及设备级的负荷数据，将居民用户的电器设备分为持续型电器和间歇型电器，并得到持续型电器的历史负荷曲线；
S2、利用STL算法将持续型电器的历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分；
S3、构建LSTM神经网络，将步骤S2中经过分解的负荷分量均分割成负荷分量样本集和负荷分量测试集，对LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
S4、构建多任务学习的MTL-LSTM神经网络，将步骤S1中的间歇型电器的负荷数据分割成负荷样本集和负荷测试集，对MTL-LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
S5、利用步骤S3中训练好的LSTM神经网络对需要预测的持续型电器负荷分量进行预测，将预测得到的负荷分量结果进行汇总，得到持续型电器的负荷预测结果；利用步骤S4中训练好的MTL-LSTM神经网络对需要预测的间歇型电器负荷进行预测，将得到的间歇型电器负荷预测结果与持续型电器的负荷预测结果相累加，得到居民的负荷预测结果。
2.根据权利要求1所述的基于电器负荷特性和深度学习的居民负荷预测方法，其特征在于：所述步骤S3、S4中LSTM神经网络、MTL-LSTM神经网络的构建及训练均使用python编程语言中keras深度学习工具包。
3.根据权利要求1所述的基于电器负荷特性和深度学习的居民负荷预测方法，其特征在于：步骤S3中对LSTM神经网络进行训练或步骤S5中利用训练好的LSTM神经网络进行负荷预测时，神经网络的输入特征包括电器历史负荷、气象因素及日历信息。
4.根据权利要求1所述的基于电器负荷特性和深度学习的居民负荷预测方法，其特征在于：步骤S4中对MTL-LSTM神经网络进行训练或步骤S5中利用训练好的MTL-LSTM神经网络进行负荷预测时，神经网络的输入特征包括电器历史负荷、气象因素、日历信息、使用时长及使用频率。
5.根据权利要求3或4所述的基于电器负荷特性和深度学习的居民负荷预测方法，其特征在于：当对LSTM神经网络进行训练或利用其进行预测时，神经网络输入特征的时刻点为：当预测第d天、第t个时刻点的负荷时，历史负荷特征为预测时刻点前至少6个时刻点，且预测时刻点前至少1、2、7天对应时刻点的负荷数据，第d天、第t个时刻点的气象因素、日历信息；当对MTL-LSTM神经网络进行训练或利用其进行预测时，神经网络输入特征的时刻点为：当预测第d天、第t个时刻点的负荷时，历史负荷特征为预测时刻点前至少6个时刻点，且预测时刻点前至少1、2、7天对应时刻点的负荷数据及设备日使用时长和频率，第d天、第t个时刻点的气象因素、日历信息。
6.根据权利要求5所述的基于电器负荷特性和深度学习的居民负荷预测方法，其特征在于：所述气象因素包括时刻点的温度、湿度和露点；所述日历信息包括时刻点的时间数据、星期和节假日数据。
7.根据权利要求1所述的基于电器负荷特性和深度学习的居民负荷预测方法，其特征在于：所述步骤S1中电器分类的具体方法为：计算各种电器的参数K，K＝Ton/Tall，Ton为一定时间周期内电器的累计开启时长，Tall为该周期的总时长；当K大于0.8时为持续型电器，K小于0.8时为间歇型电器。
8.基于电器负荷特性和深度学习的居民负荷预测装置，其特征在于：包括：
家庭电器设备分类模块，用于获取待预测负荷的居民用户的历史智能电表负荷数据以及设备级的负荷数据，将居民用户的电器设备分为持续型电器和间歇型电器，并得到持续型电器的历史负荷曲线；
负荷分解模块，用于利用STL算法将持续型电器的历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分；
LSTM神经网络构建及训练模块，用于构建LSTM神经网络，将负荷分解模块得到的负荷分量均分割成负荷分量样本集和负荷分量测试集，对LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
MTL-LSTM神经网络构建及训练模块，用于构建多任务学习的MTL-LSTM神经网络，将家庭电器设备分类模块中得到的间歇型电器的负荷数据分割成负荷样本集和负荷测试集，对MTL-LSTM神经网络进行训练和测试，得到训练好的LSTM神经网络；
居民负荷数据预测获取模块，用于利用LSTM神经网络构建及训练模块中训练好的LSTM神经网络对需要预测的持续型电器负荷分量进行预测，将预测得到的负荷分量结果进行汇总，得到持续型电器的负荷预测结果；利用MTL-LSTM神经网络构建及训练模块中训练好的MTL-LSTM神经网络对需要预测的间歇型电器负荷进行预测，将得到的间歇型电器负荷预测结果与持续型电器的负荷预测结果相累加，得到居民的负荷预测结果。
9.一种计算设备，其特征在于：包括：
一个或多个处理单元；
存储单元，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行如权利要求1至7中任一项所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述方法的步骤。
CN202010288667.1A 2020-04-14 2020-04-14 基于电器负荷特性和深度学习的居民负荷预测方法、装置 Active CN111489036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010288667.1A CN111489036B (zh) 2020-04-14 2020-04-14 基于电器负荷特性和深度学习的居民负荷预测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010288667.1A CN111489036B (zh) 2020-04-14 2020-04-14 基于电器负荷特性和深度学习的居民负荷预测方法、装置

Publications (2)

Publication Number Publication Date
CN111489036A true CN111489036A (zh) 2020-08-04
CN111489036B CN111489036B (zh) 2023-06-09

Family

ID=71812735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010288667.1A Active CN111489036B (zh) 2020-04-14 2020-04-14 基于电器负荷特性和深度学习的居民负荷预测方法、装置

Country Status (1)

Country Link
CN (1) CN111489036B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461462A (zh) * 2020-04-29 2020-07-28 南京工程学院 基于TrellisNet-LSTM的日负荷预测方法
CN112097315A (zh) * 2020-09-22 2020-12-18 天津大学 适用于学校区域供热系统的分时分区互补间歇供暖方法
CN112330012A (zh) * 2020-11-03 2021-02-05 山东大卫国际建筑设计有限公司 一种基于迁移学习的建筑能耗预测方法及设备
CN112330077A (zh) * 2021-01-04 2021-02-05 南方电网数字电网研究院有限公司 电力负荷预测方法、装置、计算机设备和存储介质
CN112966868A (zh) * 2021-03-13 2021-06-15 山东大学 一种建筑负荷日前预测方法及系统
CN113052389A (zh) * 2021-04-01 2021-06-29 中国电力科学研究院有限公司 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN113591926A (zh) * 2021-07-02 2021-11-02 华中科技大学 一种基于lstm网络的空调开关状态预测方法及装置
CN113988373A (zh) * 2021-09-27 2022-01-28 河海大学 基于多通道卷积神经网络的多任务海量用户负荷预测方法
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN114781759A (zh) * 2022-06-16 2022-07-22 国网天津市电力公司经济技术研究院 基于神经网络和动态镜像下降的居民负荷预测方法及装置
CN117196272A (zh) * 2023-11-08 2023-12-08 深圳海辰储能科技有限公司 电能交易调度方法、装置、储能端及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416690A (zh) * 2018-01-19 2018-08-17 中国矿业大学 基于深度lstm神经网络的电网负荷预测方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110503251A (zh) * 2019-08-12 2019-11-26 江苏方天电力技术有限公司 一种基于Stacking算法的非节假日负荷预测方法
CN110942228A (zh) * 2019-10-25 2020-03-31 万翼科技有限公司 能耗控制方法、装置、计算机设备与存储介质
WO2020063689A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统热负荷预测的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416690A (zh) * 2018-01-19 2018-08-17 中国矿业大学 基于深度lstm神经网络的电网负荷预测方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
WO2020063689A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统热负荷预测的方法和装置
CN110503251A (zh) * 2019-08-12 2019-11-26 江苏方天电力技术有限公司 一种基于Stacking算法的非节假日负荷预测方法
CN110942228A (zh) * 2019-10-25 2020-03-31 万翼科技有限公司 能耗控制方法、装置、计算机设备与存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周虎;江岳春;陈旭;黄珊;彭信淞: "模糊聚类分析和代数算法结合的短期负荷预测", 电力系统及其自动化学报, vol. 23, no. 3 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461462B (zh) * 2020-04-29 2023-11-21 南京工程学院 基于TrellisNet-LSTM的日负荷预测方法
CN111461462A (zh) * 2020-04-29 2020-07-28 南京工程学院 基于TrellisNet-LSTM的日负荷预测方法
CN112097315A (zh) * 2020-09-22 2020-12-18 天津大学 适用于学校区域供热系统的分时分区互补间歇供暖方法
CN112330012A (zh) * 2020-11-03 2021-02-05 山东大卫国际建筑设计有限公司 一种基于迁移学习的建筑能耗预测方法及设备
CN112330077A (zh) * 2021-01-04 2021-02-05 南方电网数字电网研究院有限公司 电力负荷预测方法、装置、计算机设备和存储介质
CN112966868A (zh) * 2021-03-13 2021-06-15 山东大学 一种建筑负荷日前预测方法及系统
CN113052389A (zh) * 2021-04-01 2021-06-29 中国电力科学研究院有限公司 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN113591926A (zh) * 2021-07-02 2021-11-02 华中科技大学 一种基于lstm网络的空调开关状态预测方法及装置
CN113988373B (zh) * 2021-09-27 2022-09-30 河海大学 基于多通道卷积神经网络的多任务海量用户负荷预测方法
CN113988373A (zh) * 2021-09-27 2022-01-28 河海大学 基于多通道卷积神经网络的多任务海量用户负荷预测方法
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN114781759A (zh) * 2022-06-16 2022-07-22 国网天津市电力公司经济技术研究院 基于神经网络和动态镜像下降的居民负荷预测方法及装置
CN117196272A (zh) * 2023-11-08 2023-12-08 深圳海辰储能科技有限公司 电能交易调度方法、装置、储能端及存储介质

Also Published As

Publication number Publication date
CN111489036B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN111489036B (zh) 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
Hao et al. A novel two-stage forecasting model based on error factor and ensemble method for multi-step wind power forecasting
Wang et al. Deep learning-based socio-demographic information identification from smart meter data
Sun et al. Probabilistic peak load estimation in smart cities using smart meter data
CN109409561B (zh) 多时间尺度时间序列协同预测模型的构建方法
Liang et al. A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting
Zhu et al. Short‐Term Electricity Consumption Forecasting Based on the EMD‐Fbprophet‐LSTM Method
Zhaoyu et al. The application of the PSO based BP network in short-term load forecasting
Zhao et al. Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression
CN115860797A (zh) 一种适应新电价改革形势的电量需求预测方法
Fan et al. A new intelligent hybrid forecasting method for power load considering uncertainty
Souhe et al. Forecasting of electrical energy consumption of households in a smart grid
Wang et al. Multienergy load forecasting for regional integrated energy systems considering multienergy coupling of variation characteristic curves
Zuo Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting
Mishra et al. Performance evaluation of prophet and STL-ETS methods for load forecasting
Kang et al. A novel physical-feature-based approach for stochastic simulation of typical building electricity use profiles
Zhang Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors
Sun et al. Ultra-short-term wind power interval prediction based on fluctuating process partitioning and quantile regression forest
Ye et al. Optimal Component IGSCV-SVR Ensemble Model Improved by VMD for Ultra-short-term Wind Speed Forecasting.
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
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
Shen et al. An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed
Wang et al. Load forecasting method based on CNN and extended LSTM

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