CN115511218A - 基于多任务学习与深度学习的间歇型电器负荷预测方法 - Google Patents
基于多任务学习与深度学习的间歇型电器负荷预测方法 Download PDFInfo
- Publication number
- CN115511218A CN115511218A CN202211340684.0A CN202211340684A CN115511218A CN 115511218 A CN115511218 A CN 115511218A CN 202211340684 A CN202211340684 A CN 202211340684A CN 115511218 A CN115511218 A CN 115511218A
- Authority
- CN
- China
- Prior art keywords
- intermittent
- load
- load prediction
- appliance
- learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 13
- 230000005611 electricity Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多任务学习与深度学习的间歇型电器负荷预测方法,包括以下步骤:S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据,定义K指数,并对该居民用户的电器设备进行分类,将电器分为持续型和间歇型两类;S2、对间歇型电器的负荷特征进行提取,得到历史负荷、日使用时长、日使用频率、星期、时刻等与间歇型电器使用相关的负荷特征,以及温度、湿度、露点等气象特征;S3、构建基于硬参数共享多任务学习和门控循环单元网络的间歇型电器负荷预测模型,即MTL‑GRU模型,利用历史负荷特征以及气象特征对MTL‑GRU模型进行训练;S4、将历史间歇型电器负荷数据输入到训练好的模型中,得到间歇型电器的负荷预测结果。本发明能够有效提高负荷预测效率和准确性。
Description
技术领域
本发明属于用户负荷分析预测技术领域,涉及一种间歇型电器负荷预测方法,尤其是一种基于多任务学习与深度学习的间歇型电器负荷预测方法。
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、电器级的负荷预测成为可能。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,只有先对电器设备级的负荷进行预测,才能掌握用户的用能规律。
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。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。
经检索,未发现与本发明相同或相似的现有技术的专利文献。
发明内容
本发明的目的在于克服现有技术基于经验而理论支撑体系不足,提出一种基于多任务学习与深度学习的间歇型电器负荷预测方法,能够有效提高负荷预测效率和准确性。
本发明解决其现实问题是采取以下技术方案实现的:
一种基于多任务学习与深度学习的间歇型电器负荷预测方法,包括以下步骤:
S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据,定义K指数,并对该居民用户的电器设备进行分类,将电器分为持续型和间歇型两类;
S2、对间歇型电器的负荷特征进行提取,得到历史负荷、日使用时长、日使用频率、星期、时刻等与间歇型电器使用相关的负荷特征,以及温度、湿度、露点等气象特征;
S3、构建基于硬参数共享多任务学习(Multi-Task Learning,MTL)和门控循环单元(Gate Recurrent Unit,GRU)网络的间歇型电器负荷预测模型,即MTL-GRU模型,利用历史负荷特征以及气象特征对MTL-GRU模型进行训练;
S4、将历史间歇型电器负荷数据输入到训练好的模型中,得到间歇型电器的负荷预测结果。
而且,所述步骤S1中电器设备进行分类的具体方法为:设置K的阈值设定为0.8,K大于0.8时为持续型电器,K小于0.8时为间歇型电器;
其中,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。
而且,所述步骤S3中构建基于硬参数共享多任务学习和门控循环单元网络的间歇型电器负荷预测模型为:
zt=σ(ωz·[ht-1,xt]+bz)
ft=σ(ωf·[ht-1,xt]+bf)
其中,zt、ft分别为重置门和更新门的输出,ht-1、xt分别为上个单元的输出与当前时刻的输入,ht为当前时刻的输出,σ(·)为Sigmoid激活函数,tanh(·)为Tanh激活函数,⊙表示矩阵对应位置相乘。
而且,所述步骤S3中对MTL-GRU模型进行训练的方法为:
将间歇型电器的公共特征和非公共特征输入到MTL-GRU神经网络的参数共享层,对于n个间歇型电器,MTL-GRU的网络输入特征包括所有电器的公共特征与n个电器的非公共特征,网络输出为n个电器的负荷预测结果。
而且,所述步骤S4中网络的输入特征为:
当预测第d天、第t个时刻点的负荷时,历史负荷特征为前6个时刻点负荷数据,前1、2、7天对应时刻点的负荷数据、设备日使用时长和频率,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。
本发明的优点和有益效果:
1、本发明一种基于多任务学习与深度学习的间歇型电器负荷预测方法。首先对电器进行负荷特性分析,将电器分为持续型和间歇型两类,然后提取间歇型电器的典型负荷特征,最后构建基于硬参数共享多任务学习(Multi-Task Learning,MTL)和门控循环单元(Gate Recurrent Unit,GRU)网络的间歇型电器负荷预测模型,即MTL-GRU模型,利用历史负荷特征以及气象特征进行模型训练和负荷预测,得到间歇型电器的负荷预测结果。本发明所构建的基于多任务学习与深度学习的间歇型电器负荷预测方法能够在提取间歇型电器独有负荷特征的基础上,充分考虑居民用户使用间歇型电器的相关性,使GRU深度学习网络能够更好地学习负荷规律,同时仅通过一个MTL-GRU模型即能够实现对多个间歇型电器的负荷预测,有效提高负荷预测效率和准确性。
2、本发明所构建的电器分类方法能够依据电器的负荷特性,通过数据驱动的方式将其分为持续型和间歇型两类,为实现精细化的电器负荷预测提供帮助。
3、本发明所构建的基于参数硬共享多任务学习的持续型电器负荷预测方法能够在提取间歇型电器独有负荷特征的基础上,充分考虑居民用户使用间歇型电器的相关性,有助于GRU深度学习网络能够更好地学习负荷规律,同时仅通过一个MTL-GRU模型即能够实现对多个间歇型电器的负荷预测,有效提高负荷预测效率,有利于大规模工业应用的推广实践。
4、本发明所构建的基于GRU的持续型电器负荷预测方法能够学习负荷分量的时间序列特性,符合趋势分量、周期分量的序列特征,相比人工神经网络、循环神经网络等能够实现更加准确的预测效果。
附图说明
图1为本发明实施例提供的电器设备分类结果图;
图2为本发明实施例提供的多任务学习策略流程图;
图3为本发明实施例提供的GRU网络结构图;
图4为本发明实施例提供的持续型电器负荷预测流程图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种基于多任务学习与深度学习的间歇型电器负荷预测方法,包括以下步骤:
S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据,定义K指数,并对该居民用户的电器设备进行分类,将电器分为持续型和间歇型两类;
所述步骤S1中电器设备进行分类的具体方法为:设置K的阈值设定为0.8,K大于0.8时为持续型电器,K小于0.8时为间歇型电器;
其中,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。
S2、对间歇型电器的负荷特征进行提取,得到历史负荷、日使用时长、日使用频率、星期、时刻等与间歇型电器使用相关的负荷特征,以及温度、湿度、露点等气象特征;
S3、构建基于硬参数共享多任务学习(Multi-Task Learning,MTL)和门控循环单元(Gate Recurrent Unit,GRU)网络的间歇型电器负荷预测模型,即MTL-GRU模型,利用历史负荷特征以及气象特征对MTL-GRU模型进行训练;
所述步骤S3中构建基于硬参数共享多任务学习(Multi-Task Learning,MTL)和门控循环单元(Gate Recurrent Unit,GRU)网络的间歇型电器负荷预测模型为:
zt=σ(ωz·[ht-1,xt]+bz)
ft=σ(ωf·[ht-1,xt]+bf)
其中,zt、ft分别为重置门和更新门的输出,ht-1、xt分别为上个单元的输出与当前时刻的输入,ht为当前时刻的输出,σ(·)为Sigmoid激活函数,tanh(·)为Tanh激活函数,⊙表示矩阵对应位置相乘。
所述步骤S3中对MTL-GRU模型进行训练的方法为:
将间歇型电器的公共特征(气象因素、日历信息)和非公共特征(历史负荷、日使用时长、日使用频率)输入到MTL-GRU神经网络的参数共享层,对于n个间歇型电器,MTL-GRU的网络输入特征包括所有电器的公共特征与n个电器的非公共特征,网络输出为n个电器的负荷预测结果。
在本实施例中,所述步骤S3、S4中网络的输入特征为:
当预测第d天、第t个时刻点的负荷时,历史负荷特征为前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、设备日使用时长和频率(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。
S4、将历史间歇型电器负荷数据输入到训练好的模型中,得到间歇型电器的负荷预测结果。
所述步骤S3、S4中GRU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。
实施例1
如图1-4所示,本实施例在DRED、AMPds、UK-DALE三个公开数据集上,利用本发明的持续型电器负荷预测方法进行负荷预测,包括以下步骤:
S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据,定义K指数,并对该居民用户的电器设备进行分类,将电器分为持续型和间歇型两类。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。设置K的阈值设定为0.8,K大于0.8时为持续型电器,K小于0.8时为间歇型电器。
本实施例使用三个公开数据集进行算例验证。数据集Ⅰ为荷兰Dutch ResidentialEnergy 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Almanac ofMinutely 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,设计20个电器设备。数据集III为UK Domestic Appliance-Level Electricity(UK-DALE),包括5户居民的真实家庭负荷数据,本发明使用居民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
电器分类结果如图1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,结果较为合理。
S2、对间歇型电器的负荷特征进行提取,得到历史负荷、日使用时长、日使用频率、星期、时刻等与间歇型电器使用相关的负荷特征,以及温度、湿度、露点等气象特征;
S3、接着构建基于硬参数共享多任务学习(Multi-Task Learning,MTL)和门控循环单元(Gate Recurrent Unit,GRU)网络的间歇型电器负荷预测模型,即MTL-GRU模型,利用历史负荷特征以及气象特征对其进行训练;
一般的深度学习模型只关注任务本身的信息,而忽略了任务间的潜在联系。多任务学习属于迁移学习的一种,使一个任务的知识可以迁移到其他任务中。当所有子任务(或部分子任务)间具有相关性时,多任务学习可以利用整体问题的信息帮助每个任务训练出更加精准的学习器。同时,多任务学习采用多输入多输出的网络结构,多个子任务并行训练,使整体问题的训练效率显著提升。
基于传统的单任务学习方法,可以设计出相应的多任务模型。目前,基于高斯过程、支持向量机、决策树等的多任务学习模型已经得到广泛应用。在深度学习方面,一般可以通过参数共享的方式实现多任务学习模型。目前使用较多的参数共享机制有硬共享和软共享,如图2所示。硬共享机制在模型第一层或前几层设置共享隐藏层,并在网络末端保留特定子任务的输出层,从而将共享特征传递到每个子任务中。由于硬共享机制下模型能够学习到多个任务的共享特征,因此降低了过拟合的风险。软共享机制中每个子任务则有自己单独的模型与参数,但子任务之间采用正则化建立层间约束,保证参数的相似性。
LSTM在最大限度上解决了长期依赖问题,但其复杂的结构与大量的超参数也导致训练效率低下。GRU是Cho等人在2014年提出的一种LSTM的变体,较LSTM模型得以简化,收敛速度加快,且模型推理效果基本接近LSTM,其基本结构如图3所示。GRU的基本单元包括更新门和重置门,前者相当于LSTM的输入门和遗忘门,负责控制历史信息的删除与保留,后者用于控制历史状态信息与当前时刻信息的结合程度。
由于间歇型电器的负荷曲线呈离散状,网络过拟合会造成较大的预测误差,因此本发明采用参数硬共享机制实现多任务GRU模型,网络结构如表2所示。该模型依然使用三层GRU结构,前两层为参与共享层,后一层包含n个GRU,为n个子任务的输出层。参与共享层包含全部间歇型电器的输入信息,因此神经元数目增加至256和128,其余参数与持续型电器负荷预测模型中的GRU网络保持一致。对于n个间歇型电器的负荷预测模型,多任务学习模型的输入包含每个电器设备的公共特征(如气象特征和星期特征)与n个电器的非公共特征(如历史负荷曲线),输出为n个电器的负荷预测结果。
表2 MTL-GRU网络结构
S4、将历史间歇型电器负荷数据输入到训练好的模型中,得到间歇型电器的负荷预测结果。
间歇型电器的总体负荷预测流程如图4所示。首先,对每个间歇型电器的特征进行整理,构成多任务GRU网络的输入特征集合。其次,将特征输入到模型的参数共享层,进行模型训练。最后,通过训练好的模型对多个设备进行负荷预测,得到间歇型电器的负荷预测结果。
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。本发明使用平均绝对误差(MeanAbsolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)作为负荷预测精度评价指标。MAE是描述预测值与真实值间绝对距离的基本方法。RMSE可以放大预测偏差较大的点,衡量模型效果的稳定性。MAPE不仅考虑误差本身的大小,还能反映误差在真实值中的占比。三个评价指标的计算方式如下:
传统间歇型电器负荷预测模型一般采用单任务学习策略,直接采用深度学习方法对每一个电器的负荷进行预测。为验证本发明的有效性和先进性,本实施例从数据集选用6种间歇型电器,分别采用单任务GRU以及本发明所提的MTL-GRU方法进行负荷预测,结果如表3所示。由表3可见,与单任务学习策略相比,本发明所提方法的预测误差明显降低,原因是本发明采用的多任务学习策略能够充分考虑用户电器使用的相关性,使GRU深度学习网络能够更好地学习负荷规律,从而有效提升间歇型电器负荷预测精度。
表3预测误差对比
本实施例还分别使用使用单任务GRU和本发明的MTL-GRU方法,对6种间歇型电器负荷预测任务的模型训练时间进行了对比,结果如表4所示。由表4可知,本发明方法的耗时明显低于传统单任务学习策略,原因是单任务策略种6种间歇型电器有较多的重复特征,共独立训练了6个GRU模型,而本发明的多任务学习方法仅需训练1个模型,且输入特征数量更少,因此模型训练耗时大大缩短,更有利于大规模工业应用。
表4训练耗时对比
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种基于多任务学习与深度学习的间歇型电器负荷预测方法,其特征在于:包括以下步骤:
S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据,定义K指数,并对该居民用户的电器设备进行分类,将电器分为持续型和间歇型两类;
S2、对间歇型电器的负荷特征进行提取,得到历史负荷、日使用时长、日使用频率、星期、时刻等与间歇型电器使用相关的负荷特征,以及温度、湿度、露点等气象特征;
S3、构建基于硬参数共享多任务学习和门控循环单元网络的间歇型电器负荷预测模型,即MTL-GRU模型,利用历史负荷特征以及气象特征对MTL-GRU模型进行训练;
S4、将历史间歇型电器负荷数据输入到训练好的模型中,得到间歇型电器的负荷预测结果。
2.根据权利要求1所述的一种基于多任务学习与深度学习的间歇型电器负荷预测方法,其特征在于:所述步骤S1中电器设备进行分类的具体方法为:设置K的阈值设定为0.8,K大于0.8时为持续型电器,K小于0.8时为间歇型电器;
其中,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。
4.根据权利要求1所述的一种基于多任务学习与深度学习的间歇型电器负荷预测方法,其特征在于:所述步骤S3中对MTL-GRU模型进行训练的方法为:
将间歇型电器的公共特征和非公共特征输入到MTL-GRU神经网络的参数共享层,对于n个间歇型电器,MTL-GRU的网络输入特征包括所有电器的公共特征与n个电器的非公共特征,网络输出为n个电器的负荷预测结果。
5.根据权利要求1所述的一种基于多任务学习与深度学习的间歇型电器负荷预测方法,其特征在于:所述步骤S4中网络的输入特征为:
当预测第d天、第t个时刻点的负荷时,历史负荷特征为前6个时刻点负荷数据,前1、2、7天对应时刻点的负荷数据、设备日使用时长和频率,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211340684.0A CN115511218A (zh) | 2022-10-25 | 2022-10-25 | 基于多任务学习与深度学习的间歇型电器负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211340684.0A CN115511218A (zh) | 2022-10-25 | 2022-10-25 | 基于多任务学习与深度学习的间歇型电器负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511218A true CN115511218A (zh) | 2022-12-23 |
Family
ID=84512077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211340684.0A Pending CN115511218A (zh) | 2022-10-25 | 2022-10-25 | 基于多任务学习与深度学习的间歇型电器负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511218A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-10-25 CN CN202211340684.0A patent/CN115511218A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
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 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
CN113822481A (zh) | 基于多任务学习策略和深度学习的综合能源负荷预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
Tsang et al. | Autonomous household energy management using deep reinforcement learning | |
Al Mamun et al. | A hybrid deep learning model with evolutionary algorithm for short-term load forecasting | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
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 | |
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 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN111784019A (zh) | 电力负荷处理方法和装置 | |
Neudakhina et al. | An ANN-based intelligent system for forecasting monthly electric energy consumption | |
Irankhah et al. | A parallel CNN-BiGRU network for short-term load forecasting in demand-side management | |
Qian et al. | Short-term Load Forecasting Based on Multi-model Fusion of CNN-LSTM-LGBM | |
Zandi et al. | An automatic learning framework for smart residential communities | |
Jose et al. | Impact of demand response contracts on short-term load forecasting in smart grid using SVR optimized by GA | |
Jiahui et al. | Short-term load forecasting based on GA-PSO optimized extreme learning machine | |
CN113962454A (zh) | 基于双重特征选择+粒子群优化的lstm能耗预测方法 | |
Li et al. | Short-term Load Forecasting of Long-short Term Memory Neural Network Based on Genetic Algorithm | |
Din et al. | Bivariate short-term electric power forecasting using LSTM network |
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 |