CN115640896A - 多用户场景下的家庭用户电力负荷预测方法及相关设备 - Google Patents
多用户场景下的家庭用户电力负荷预测方法及相关设备 Download PDFInfo
- Publication number
- CN115640896A CN115640896A CN202211311699.4A CN202211311699A CN115640896A CN 115640896 A CN115640896 A CN 115640896A CN 202211311699 A CN202211311699 A CN 202211311699A CN 115640896 A CN115640896 A CN 115640896A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- training
- user data
- predicted
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 169
- 238000013136 deep learning model Methods 0.000 claims abstract description 61
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 238000007499 fusion processing Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims description 64
- 108091026890 Coding region Proteins 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000000737 periodic effect Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多用户场景下的家庭用户电力负荷预测方法及相关设备,包括:获取家庭用户的历史电力负荷数据集,基于每个家庭用户的历史电力负荷数据集进行主成分分析,得到初始数据集,并对初始数据集聚类分析,得到N类池用户数据,采用N类池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型;确定待预测的单个家庭用户数据在N类池用户数据中的隶属度系数;采用电力负荷预测模型,对待预测的单个家庭用户数据进行电力负荷预测,得到待预测的单个家庭用户数据对应的N类预测结果;采用隶属度系数对N类预测结果进行加权融合处理,得到待预测的单个家庭的电力负荷预测值,采用本发明可提高电力负荷预测的精准性。
Description
技术领域
本发明涉及电力运营领域,尤其涉及一种多用户场景下的家庭用户电力负荷预测方法及相关设备。
背景技术
随着电力系统的发展,人们对电力负荷预测问题的研究也越来越关注。电力负荷预测对电力系统规划和运行极其重要。准确的负荷预测是实现规划方案科学性和正确性的保证,也是保证电网可靠供电,优质运行的一项前瞻性工作。
目前电力系统的负荷预测的主要方法有两大类:一大类是通过时间序列的方法;另一类是利用神经网络法。时间序列方法是根据负荷的历史数据,建立描述电力负荷随时间变化的数学模型,在该模型的基础上确立负荷预测的表达式,并对未来负荷进行预测。在时间序列法中常采用的技术有:卡尔曼滤波、状态估计、Box-Jenkins模型、自回归滑动平均模型等。神经网络法是选取过去一段时间的负荷作为训练样本,构建适宜的网络结构,用某种训练算法对网络进行训练,使其满足精度要求之后,此神经网络作为负荷预测模型。该方法具有信息记忆、自主学习、知识推理和优化计算的特点,还有很强的计算能力、自适应能力、复杂映射能力、容错能力及各种智能处理能力。
但是,上述预测均为针对同一群体,在电力系统中,单个家庭用户智能计量数据存在显著不确定性和波动性,同时客户行为太过随机和复杂,以至于难以准确的预测其电力负荷值。
发明内容
本发明实施例提供一种多用户场景下的家庭用户电力负荷预测方法、装置、计算机设备和存储介质,以提高多用户场景下的家庭用户电力负荷预测的准确性。
为了解决上述技术问题,本申请实施例提供一种多用户场景下的家庭用户电力负荷预测方法,包括:
获取家庭用户的历史电力负荷数据集;
基于每个家庭用户的所述历史电力负荷数据集进行主成分分析,得到初始数据集,并对所述初始数据集聚类分析,得到N类池用户数据,N为正整数;
采用N类所述池用户数据,分别对预设的深度学习模型进行训练,得到 N个电力负荷预测模型,其中,所述预设的深度学习模型包括编码器和解码器,所述解码器中包含有注意力机制模块;
对所述待预测的单个家庭用户数据进行隶属度分析,确定所述待预测的单个家庭用户数据在N类池用户数据中的隶属度系数;
采用所述电力负荷预测模型,对所述待预测的单个家庭用户数据进行电力负荷预测,得到所述待预测的单个家庭用户数据对应的N类预测结果;
采用所述隶属度系数对所述N类预测结果进行加权融合处理,得到所述待预测的单个家庭的电力负荷预测值。
可选地,所述基于每个家庭用户的所述历史电力负荷数据集进行主成分分析,得到初始数据集,并对所述初始数据集聚类分析,得到N类池用户数据包括:
将所述电力负荷数据集按照预设的时间周期进行划分,得到至少两个周期数据,并按照预设分配比例,将周期数据分入初始训练集和初始验证集;
采用基线提取的方式,分别对所述初始训练集和所述初始验证集中的周期数据进行拟合分析,得到训练时间序列和验证时间序列;
采用K-Means聚类的方式,对所述训练时间序列进行聚类,得到目标训练集,将所述验证时间序列作为目标验证集,并将所述目标训练集的聚类中心作为所述目标验证集的聚类中心,将所述目标训练集和所述目标验证集作为所述池用户数据。
可选地,所述采用K-Means聚类的方式,对所述训练时间序列得到目标训练集包括:
以K为初始聚类中心个数,K为正整数,且K=2;
随机初始化K个聚类中心点;
采用K-Means聚类的方式,对所述训练时间序列进行聚类,得到训练聚类结果;
将K的值增加1,并返回所述随机初始化K个聚类中心点的步骤继续执行,直到K达到预设阈值M,得到M-1个所述训练聚类结果;
通过肘部法则,采用如下公式对每个所述训练聚类结果的损失值SSE进行计算:
其中,p为家庭用户数据样本点,mk为第K簇的质心,Ck为第K簇的训练聚类结果;
基于每个所述训练聚类结果对应的损失值SSE,绘制损失值曲线,将所述损失值曲线的拐点对应的K值,作为目标聚类中心个数N,并获取所述目标聚类中心个数对应的训练聚类结果,作为所述目标训练集。
可选地,所述采用N类所述池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型包括:
采用所述目标训练集对所述预设的深度学习模型进行训练,得到训练后的深度学习模型;
采用所述目标验证集对所述训练后的深度学习模型进行验证,得到验证结果;
若所述验证结果未达到预设训练条件,则采用所述目标验证集对所述训练后的深度学习模型继续训练,直到所述验证结果达到所述预设训练条件,将得到的训练后的深度学习模型作为所述电力负荷预测模型。
可选地,所述采用所述目标训练集对所述预设的深度学习模型进行训练,得到训练后的深度学习模型包括:
从所述目标训练集对应的每类所述池用户数据中,任意选取预设数量的初始数据,作为第一训练数据;
对所述第一数据进行卷积编码,得到第一输出编码,并对所述第一输出编码进行池化,得到第一编码序列;
将每类所述池用户数据对应的质心数据和噪声数据作为第二训练数据;
对所述第二训练数据采用长短期记忆神经网络进行编码,得到第二编码;
对所述第一编码序列和所述第二编码序列进行拼接处理,得到第一拼接序列;
采用注意力机制对所述第一拼接序列进行信息筛选,并对筛选信息进行解码,得到电力负荷预测值;
将所述电力负荷预测值与所述初始数据进行损失计算,并根据得到的损失值进行反向传播,对所述预设的深度学习模型进行参数更新,得到所述训练后的深度学习模型。
可选地,所述采用所述电力负荷预测模型,对所述待预测的单个家庭用户数据进行电力负荷预测,得到所述待预测的单个家庭用户数据对应的N类预测结果包括:
从所述目标训练集对应的每类所述池用户数据中,任意选取预设数量的初始数据,作为参考数据;
采用对所述参考数据进行卷积编码,得到参考编码,并对所述编码进行池化,得到参考编码序列;
将所述待预测的单个家庭用户数据分别在每类所述池用户数据对应的数据,均作为待测试数据;
对每个所述待测试数据采用长短期记忆神经网络进行编码,得到待测试编码;
对所述参考编码序列和所述待测试编码进行拼接处理,得到第二拼接序列;
采用注意力机制对所述第二拼接序列进行信息筛选,并对筛选信息进行解码,得到所述待预测的单个家庭用户数据对应的每类池用户数据的电力负荷预测值。
可选地,所述对所述待预测的单个家庭用户数据进行隶属度分析,确定所述待预测的单个家庭用户数据在N类池用户数据中的隶属度系数包括:
采用如下公式计算所述待预测的单个家庭用户数据在第i类池用户数据中的隶属度系数ui:
其中,di为所述待预测的单个家庭用户数据到所述第i类池用户数据的质心的距离,g为加权指数,g>1,并且,∑kui=1。
为了解决上述技术问题,本申请实施例提供一种多用户场景下的家庭用户电力负荷预测装置,包括:
数据获取模块,用于获取家庭用户的历史电力负荷数据集;
聚类分析模块,用于基于每个家庭用户的所述历史电力负荷数据集进行主成分分析,得到初始数据集,并对所述初始数据集聚类分析,得到N类池用户数据,N为正整数;
模型训练模块,用于采用N类所述池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型,其中,所述预设的深度学习模型包括编码器和解码器,所述解码器中包含有注意力机制模块;
隶属度确定模块,用于对所述待预测的单个家庭用户数据进行隶属度分析,确定所述待预测的单个家庭用户数据在N类池用户数据中的隶属度系数;
预测模块,用于采用所述电力负荷预测模型,对所述待预测的单个家庭用户数据进行电力负荷预测,得到所述待预测的单个家庭用户数据对应的N 类预测结果;
加权融合模块,用于采用所述隶属度系数对所述N类预测结果进行加权融合处理,得到所述待预测的单个家庭的电力负荷预测值。
可选地,所述聚类分析模块包括:
数据划分单元,用于将所述电力负荷数据集按照预设的时间周期进行划分,得到至少两个周期数据,并按照预设分配比例,将周期数据分入初始训练集和初始验证集;
序列提取单元,用于采用基线提取的方式,分别对所述初始训练集和所述初始验证集中的周期数据进行拟合分析,得到训练时间序列和验证时间序列;
序列聚类单元,用于采用K-Means聚类的方式,对所述训练时间序列进行聚类,得到目标训练集,将所述验证时间序列作为目标验证集,并将所述目标训练集的聚类中心作为所述目标验证集的聚类中心,将所述目标训练集和所述目标验证集作为所述池用户数据。
可选地,所述序列聚类单元包括:
聚类中心数量初始化子单元,用于以K为初始聚类中心个数,K为正整数,且K=2;
聚类中心点初始化子单元,用于随机初始化K个聚类中心点;
聚类子单元,用于采用K-Means聚类的方式,对所述训练时间序列进行聚类,得到训练聚类结果;
循环聚类子单元,用于将K的值增加1,并返回所述随机初始化K个聚类中心点的步骤继续执行,直到K达到预设阈值M,得到M-1个所述训练聚类结果;
损失值计算子单元,用于通过肘部法则,采用如下公式对每个所述训练聚类结果的损失值SSE进行计算:
其中,p为家庭用户数据样本点,mk为第K簇的质心,CK为第K簇的训练聚类结果;
目标训练集确定子单元,用于基于每个所述训练聚类结果对应的损失值 SSE,绘制损失值曲线,将所述损失值曲线的拐点对应的K值,作为目标聚类中心个数N,并获取所述目标聚类中心个数N对应的训练聚类结果,作为所述目标训练集。
可选地,所述模型训练模块包括:
模型训练单元,用于采用所述目标训练集对所述预设的深度学习模型进行训练,得到训练后的深度学习模型;
模型验证单元,用于采用所述目标验证集对所述训练后的深度学习模型进行验证,得到验证结果;
循环训练单元,用于若所述验证结果未达到预设训练条件,则采用所述目标验证集对所述训练后的深度学习模型继续训练,直到所述验证结果达到所述预设训练条件,将得到的训练后的深度学习模型作为所述电力负荷预测模型。
可选地,所述模型训练单元包括:
第一训练数据选取子单元,用于从所述目标训练集对应的每类所述池用户数据中,任意选取预设数量的初始数据,作为第一训练数据;
第一编码子单元,用于对所述第一数据进行卷积编码,得到第一输出编码,并对所述第一输出编码进行池化,得到第一编码序列;
第二训练数据选取子单元,用于将每类所述池用户数据对应的质心数据和噪声数据作为第二训练数据;
第二编码子单元,用于对所述第二训练数据采用长短期记忆神经网络进行编码,得到第二编码;
第一拼接子单元,用于对所述第一编码序列和所述第二编码序列进行拼接处理,得到第一拼接序列;
电力负荷预测子单元,用于采用注意力机制对所述第一拼接序列进行信息筛选,并对筛选信息进行解码,得到电力负荷预测值;
模型更新子单元,用于将所述电力负荷预测值与所述初始数据进行损失计算,并根据得到的损失值进行反向传播,对所述预设的深度学习模型进行参数更新,得到所述训练后的深度学习模型。
可选地,所述预测模块包括:
参考数据确定单元,用于从所述目标训练集对应的每类所述池用户数据中,任意选取预设数量的初始数据,作为参考数据;
第三编码单元,用于采用对所述参考数据进行卷积编码,得到参考编码,并对所述编码进行池化,得到参考编码序列;
测试数据选取单元,用于将所述待预测的单个家庭用户数据分别在每类所述池用户数据对应的数据,均作为待测试数据;
第四编码单元,用于对每个所述待测试数据采用长短期记忆神经网络进行编码,得到待测试编码;
第二拼接单元,用于对所述参考编码序列和所述待测试编码进行拼接处理,得到第二拼接序列;
负荷预测单元,用于采用注意力机制对所述第二拼接序列进行信息筛选,并对筛选信息进行解码,得到所述待预测的单个家庭用户数据对应的每类池用户数据的电力负荷预测值。
可选地,所述隶属度确定模块包括:
隶属度系数计算单元,用于采用如下公式计算所述待预测的单个家庭用户数据在第i类池用户数据中的隶属度系数ui:
其中,di为所述待预测的单个家庭用户数据到所述第i类池用户数据的质心的距离,g为加权指数,g>1,并且,∑kui=1。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述多用户场景下的家庭用户电力负荷预测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述多用户场景下的家庭用户电力负荷预测方法的步骤。
本发明实施例提供的多用户场景下的家庭用户电力负荷预测方法、装置、计算机设备及存储介质,获取家庭用户的历史电力负荷数据集,基于每个家庭用户的历史电力负荷数据集进行主成分分析,得到初始数据集,并对初始数据集聚类分析,得到N类池用户数据,采用N类池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型,其中,预设的深度学习模型包括编码器和解码器,解码器中包含有注意力机制模块;对待预测的单个家庭用户数据进行隶属度分析,确定待预测的单个家庭用户数据在N 类池用户数据中的隶属度系数;采用电力负荷预测模型,对待预测的单个家庭用户数据进行电力负荷预测,得到待预测的单个家庭用户数据对应的N类预测结果;采用隶属度系数对N类预测结果进行加权融合处理,得到待预测的单个家庭的电力负荷预测值,实现对单个目标用户的负荷数据进行隶属度分析,加强目标用户与多个家庭池化数据的互动联系,以便于更好的利用多个家庭用户的用电信息对单个家庭用户进行负荷预测,有利于提高单用户家庭电力负荷预测的精准性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是本申请的多用户场景下的家庭用户电力负荷预测方法的一个实施例的流程图;
图3是根据本申请的多用户场景下的家庭用户电力负荷预测装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,如图1所示,系统架构100可以包括终端设备101、102、 103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器 (Moving Picture E界面显示perts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureE界面显示perts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、 103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的多用户场景下的家庭用户电力负荷预测方法由服务器执行,相应地,多用户场景下的家庭用户电力负荷预测装置设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器,本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用系统。
请参阅图2,图2示出本发明实施例提供的一种多用户场景下的家庭用户电力负荷预测方法,以该方法应用在图1中的服务端为例进行说明,详述如下:
S201:获取家庭用户的历史电力负荷数据集。
其中,历史电力负荷数据集,是指每个家庭用户在过去特定时间范围内产生的电力负荷数据的集合,时间范围可以根据实际需要进行设定,例如设定为一年。
S202:基于每个家庭用户的历史电力负荷数据集进行主成分分析,得到初始数据集,并对初始数据集聚类分析,得到N类池用户数据,N为正整数。
在一具体可选实施方式中,步骤S202中,基于每个家庭用户的历史电力负荷数据集进行主成分分析,得到初始数据集,并对初始数据集聚类分析,得到N类池用户数据包括:
将电力负荷数据集按照预设的时间周期进行划分,得到至少两个周期数据,并按照预设分配比例,将周期数据分入初始训练集和初始验证集;
采用基线提取的方式,分别对初始训练集和初始验证集中的周期数据进行拟合分析,得到训练时间序列和验证时间序列;
采用K-Means聚类的方式,对训练时间序列进行聚类,得到目标训练集,将验证时间序列作为目标验证集,并将目标训练集的聚类中心作为目标验证集的聚类中心,将目标训练集和目标验证集作为池用户数据。
其中,预设的时间周期可根据实际需要进行设定,考虑到电力负荷波动性强,在不同时间、季节、用户类型等有不同的电力负荷表现,本实施例采用一周作为预设的时间周期,也即,将家庭用户的历史电力负荷数据集按周进行划分,得到周期数据。
优选地,本实施例中将预设分配比例设定为训练集,验证集和测试集按照8:1:1的比例划分,具体也可根据实际需要进行设定,此处不做限制。
其中,基线提取指的是把家庭用户的周期数据的时间序列分成基线和剩余项两个部分,以预设的时间周期为一周为例进行说明,在一具体示例中,历史电力负荷数据集为每个家庭用户在过去一年内产生的电力负荷数据的集合,则按一周为时间周期进行划分为52周,单个家庭用户的电力负荷数据的时间序列为[x1,x2,...,x52][x1,x2,…,x52],基线提取是:xi=baselinei+residuali,其中baselinei,residuali分别指的是xi的基线和剩余项,采用移动平均算法加上一个窗口值w来提出基线,residuali=xi-baselinei,对其中一些明显异常的值进行移除,然后用剩余正常子序列代表整个序列;
应理解,基线是周电力负荷数据的基本形状,代表稳定负荷,相当于去除了部分噪声干扰,更具有代表性。剩余项就表示电力负荷数据减去基线,包含随机噪声等。
在一具体可选实施方式中,采用K-Means聚类的方式,对训练时间序列得到目标训练集包括:
以K为初始聚类中心个数,K为正整数,且K=2;
随机初始化K个聚类中心点;
采用K-Means聚类的方式,对训练时间序列进行聚类,得到训练聚类结果;
将K的值增加1,并返回随机初始化K个聚类中心点的步骤继续执行,直到K达到预设阈值M,得到M-1个训练聚类结果;
通过肘部法则,采用如下公式对每个训练聚类结果的损失值SSE进行计算:
其中,p为家庭用户数据样本点,mk为第K簇的质心,Ck为第K簇的训练聚类结果;
基于每个训练聚类结果对应的损失值SSE,绘制损失值曲线,将损失值曲线的拐点对应的K值,作为目标聚类中心个数N,并获取目标聚类中心个数对应的训练聚类结果,作为目标训练集。
S203:采用N类池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型,其中,预设的深度学习模型包括编码器和解码器,解码器中包含有注意力机制模块。
具体地,构建电力负荷预测模型,主要包括两个部分,第一部分为编码器,用深度学习的方法对数据进行编码处理;第二部分为解码器,对输出的编码序列加上注意力(Attention)机制,让模型对重要信息重点关注并充分学习吸收,再用深度学习的方法对其进行解码处理,最后输出电力负荷预测值。用训练集和验证集对整个电力负荷预测模型进行训练和验证,得到训练好的模型。
在一具体可选实施方式中,步骤S203中,采用N类池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型包括:
采用目标训练集对预设的深度学习模型进行训练,得到训练后的深度学习模型;
采用目标验证集对训练后的深度学习模型进行验证,得到验证结果;
若验证结果未达到预设训练条件,则采用目标验证集对训练后的深度学习模型继续训练,直到验证结果达到预设训练条件,将得到的训练后的深度学习模型作为电力负荷预测模型。
在一具体可选实施方式中,采用目标训练集对预设的深度学习模型进行训练,得到训练后的深度学习模型包括:
从目标训练集对应的每类池用户数据中,任意选取预设数量的初始数据,作为第一训练数据;
对第一数据进行卷积编码,得到第一输出编码,并对第一输出编码进行池化,得到第一编码序列;
将每类池用户数据对应的质心数据和噪声数据作为第二训练数据;
对第二训练数据采用长短期记忆神经网络进行编码,得到第二编码;
对第一编码序列和第二编码序列进行拼接处理,得到第一拼接序列;
采用注意力机制对第一拼接序列进行信息筛选,并对筛选信息进行解码,得到电力负荷预测值;
将电力负荷预测值与初始数据进行损失计算,并根据得到的损失值进行反向传播,对预设的深度学习模型进行参数更新,得到训练后的深度学习模型。
优选地,卷积编码可以为空洞卷积编码,本实施例中,在编码器部分通过空洞卷积对池用户数据进行特征提取,而对目标用户数据采用LSTM进行全时间编码。在解码器阶段,加入注意力机制(Attention),加强模型对局部特征的学习能力。
本实施例中,给编码序列加上注意力机制,其实质为一个寻址的过程,它能让模型对重要信息重点关注并充分学习吸收。本实施例以soft-attention 为例,真实使用不限于此。
作为一种可选地具体实施方式,注意力分布为:
α=softmax(s(key,q))=softmax(s(concat(B,C),q))
其中α为注意力分布(概率分布),s(concat(B,C),q)为注意力打分机制,打分机制可选择s(concat(B,C),q)=VT tanh(Econcat(B,C)+Uq),其中V,E,U都为可学习参数。
然后通过信息加权平均得到计算结果。注意力分布αk为查询q时,第k 个信息受关注的程度,采用一种“软性”的信息选择机制对输入信息进行选择, 其计算为:att(q,concat(B,C))=∑αconcat(B,C)。
S204:对待预测的单个家庭用户数据进行隶属度分析,确定待预测的单个家庭用户数据在N类池用户数据中的隶属度系数。
在一具体可选实施方式中,步骤S204中,对待预测的单个家庭用户数据进行隶属度分析,确定待预测的单个家庭用户数据在N类池用户数据中的隶属度系数包括:
采用如下公式计算待预测的单个家庭用户数据在第i类池用户数据中的隶属度系数ui:
其中,di为待预测的单个家庭用户数据到第i类池用户数据的质心的距离, g为加权指数,g>1,并且,∑kui=1。
S205:采用电力负荷预测模型,对待预测的单个家庭用户数据进行电力负荷预测,得到待预测的单个家庭用户数据对应的N类预测结果。
在一具体可选实施方式中,步骤S205中,采用电力负荷预测模型,对待预测的单个家庭用户数据进行电力负荷预测,得到待预测的单个家庭用户数据对应的N类预测结果包括:
从目标训练集对应的每类池用户数据中,任意选取预设数量的初始数据,作为参考数据;
采用对参考数据进行卷积编码,得到参考编码,并对编码进行池化,得到参考编码序列;
将待预测的单个家庭用户数据分别在每类池用户数据对应的数据,均作为待测试数据;
对每个待测试数据采用长短期记忆神经网络进行编码,得到待测试编码;
对参考编码序列和待测试编码进行拼接处理,得到第二拼接序列;
采用注意力机制对第二拼接序列进行信息筛选,并对筛选信息进行解码,得到待预测的单个家庭用户数据对应的每类池用户数据的电力负荷预测值。
需要说明的是,步骤S204与步骤S205之间,并没有直接的逻辑先后关系,其具体也可以是并列执行,此处不作具体限定。
S206:采用隶属度系数对N类预测结果进行加权融合处理,得到待预测的单个家庭的电力负荷预测值。
具体地,在得到待预测的单个家庭用户数据对应的N类预测结果后,根据步骤S204中计算得到待预测的单个家庭用户数据在N类池用户数据中的隶属度系数,采用预设的加权方式,进行加权融合处理,得到待预测的单个家庭的电力负荷预测值。
因理解,本实施例中,先确定待预测的单个家庭用户数据对应的每类池用户数据中的隶属度系数,进而进行加权融合,有效防止过拟合,提高预测的精准性。
在一具体示例中,存在N类池用户数据,通过步骤S204得到待预测的单个家庭用户数据对应的N类预测结果为[u1,u2,…,un],进一步对其进行加权融合得到预测值为f=u1f1+u2f2+…+ukfk,其中,f1,f2,…,fk为每类池用户数据对应的加权系数。
本实施例中,通过获取家庭用户的历史电力负荷数据集,基于每个家庭用户的历史电力负荷数据集进行主成分分析,得到初始数据集,并对初始数据集聚类分析,得到N类池用户数据,采用N类池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型,其中,预设的深度学习模型包括编码器和解码器,解码器中包含有注意力机制模块;对待预测的单个家庭用户数据进行隶属度分析,确定待预测的单个家庭用户数据在N类池用户数据中的隶属度系数;采用电力负荷预测模型,对待预测的单个家庭用户数据进行电力负荷预测,得到待预测的单个家庭用户数据对应的N类预测结果;采用隶属度系数对N类预测结果进行加权融合处理,得到待预测的单个家庭的电力负荷预测值,实现对单个目标用户的负荷数据进行隶属度分析,加强目标用户与多个家庭池化数据的互动联系,以便于更好的利用多个家庭用户的用电信息对单个家庭用户进行负荷预测,有利于提高单用户家庭电力负荷预测的精准性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3示出与上述实施例多用户场景下的家庭用户电力负荷预测方法一一对应的多用户场景下的家庭用户电力负荷预测装置的原理框图。如图3所示,该多用户场景下的家庭用户电力负荷预测装置包括数据获取模块31、聚类分析模块32、模型训练模块33、隶属度确定模块34、预测模块35和加权融合模块36。各功能模块详细说明如下:
数据获取模块31,用于获取家庭用户的历史电力负荷数据集;
聚类分析模块32,用于基于每个家庭用户的历史电力负荷数据集进行主成分分析,得到初始数据集,并对初始数据集聚类分析,得到N类池用户数据,N为正整数;
模型训练模块33,用于采用N类池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型,其中,预设的深度学习模型包括编码器和解码器,解码器中包含有注意力机制模块;
隶属度确定模块34,用于对待预测的单个家庭用户数据进行隶属度分析,确定待预测的单个家庭用户数据在N类池用户数据中的隶属度系数;
预测模块35,用于采用电力负荷预测模型,对待预测的单个家庭用户数据进行电力负荷预测,得到待预测的单个家庭用户数据对应的N类预测结果;
加权融合模块36,用于采用隶属度系数对N类预测结果进行加权融合处理,得到待预测的单个家庭的电力负荷预测值。
可选地,聚类分析模块32包括:
数据划分单元,用于将电力负荷数据集按照预设的时间周期进行划分,得到至少两个周期数据,并按照预设分配比例,将周期数据分入初始训练集和初始验证集;
序列提取单元,用于采用基线提取的方式,分别对初始训练集和初始验证集中的周期数据进行拟合分析,得到训练时间序列和验证时间序列;
序列聚类单元,用于采用K-Means聚类的方式,对训练时间序列进行聚类,得到目标训练集,将验证时间序列作为目标验证集,并将目标训练集的聚类中心作为目标验证集的聚类中心,将目标训练集和目标验证集作为池用户数据。
可选地,序列聚类单元包括:
聚类中心数量初始化子单元,用于以K为初始聚类中心个数,K为正整数,且K=2;
聚类中心点初始化子单元,用于随机初始化K个聚类中心点;
聚类子单元,用于采用K-Means聚类的方式,对训练时间序列进行聚类,得到训练聚类结果;
循环聚类子单元,用于将K的值增加1,并返回随机初始化K个聚类中心点的步骤继续执行,直到K达到预设阈值M,得到M-1个训练聚类结果;
损失值计算子单元,用于通过肘部法则,采用如下公式对每个训练聚类结果的损失值SSE进行计算:
其中,p为家庭用户数据样本点,mk为第K簇的质心,CK为第K簇的训练聚类结果;
目标训练集确定子单元,用于基于每个训练聚类结果对应的损失值SSE,绘制损失值曲线,将损失值曲线的拐点对应的K值,作为目标聚类中心个数N,并获取目标聚类中心个数N对应的训练聚类结果,作为目标训练集。
可选地,模型训练模块33包括:
模型训练单元,用于采用目标训练集对预设的深度学习模型进行训练,得到训练后的深度学习模型;
模型验证单元,用于采用目标验证集对训练后的深度学习模型进行验证,得到验证结果;
循环训练单元,用于若验证结果未达到预设训练条件,则采用目标验证集对训练后的深度学习模型继续训练,直到验证结果达到预设训练条件,将得到的训练后的深度学习模型作为电力负荷预测模型。
可选地,模型训练单元包括:
第一训练数据选取子单元,用于从目标训练集对应的每类池用户数据中,任意选取预设数量的初始数据,作为第一训练数据;
第一编码子单元,用于对第一数据进行卷积编码,得到第一输出编码,并对第一输出编码进行池化,得到第一编码序列;
第二训练数据选取子单元,用于将每类池用户数据对应的质心数据和噪声数据作为第二训练数据;
第二编码子单元,用于对第二训练数据采用长短期记忆神经网络进行编码,得到第二编码;
第一拼接子单元,用于对第一编码序列和第二编码序列进行拼接处理,得到第一拼接序列;
电力负荷预测子单元,用于采用注意力机制对第一拼接序列进行信息筛选,并对筛选信息进行解码,得到电力负荷预测值;
模型更新子单元,用于将电力负荷预测值与初始数据进行损失计算,并根据得到的损失值进行反向传播,对预设的深度学习模型进行参数更新,得到训练后的深度学习模型。
可选地,预测模块35包括:
参考数据确定单元,用于从目标训练集对应的每类池用户数据中,任意选取预设数量的初始数据,作为参考数据;
第三编码单元,用于采用对参考数据进行卷积编码,得到参考编码,并对编码进行池化,得到参考编码序列;
测试数据选取单元,用于将待预测的单个家庭用户数据分别在每类池用户数据对应的数据,均作为待测试数据;
第四编码单元,用于对每个待测试数据采用长短期记忆神经网络进行编码,得到待测试编码;
第二拼接单元,用于对参考编码序列和待测试编码进行拼接处理,得到第二拼接序列;
负荷预测单元,用于采用注意力机制对第二拼接序列进行信息筛选,并对筛选信息进行解码,得到待预测的单个家庭用户数据对应的每类池用户数据的电力负荷预测值。
可选地,隶属度确定模块34包括:
隶属度系数计算单元,用于采用如下公式计算待预测的单个家庭用户数据在第i类池用户数据中的隶属度系数ui:
其中,di为待预测的单个家庭用户数据到第i类池用户数据的质心的距离, g为加权指数,g>1,并且,∑kui=1。
关于多用户场景下的家庭用户电力负荷预测装置的具体限定可以参见上文中对于多用户场景下的家庭用户电力负荷预测方法的限定,在此不再赘述。上述多用户场景下的家庭用户电力负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是,图中仅示出了具有组件连接存储器41、处理器 42、网络接口43的计算机设备4,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器41可以是所述计算机设备4的内部存储单元,例如该计算机设备4的硬盘或内存。在另一些实施例中,所述存储器41也可以是所述计算机设备4的外部存储设备,例如该计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器 41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中,所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件,例如多用户场景下的家庭用户电力负荷预测的程序代码等。此外,所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42 通常用于控制所述计算机设备4的总体操作。本实施例中,所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据,例如运行多用户场景下的家庭用户电力负荷预测的程序代码。
所述网络接口43可包括无线网络接口或有线网络接口,该网络接口43 通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有界面显示程序,所述界面显示程序可被至少一个处理器执行,以使所述至少一个处理器执行如上述的多用户场景下的家庭用户电力负荷预测方法的步骤。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种多用户场景下的家庭用户电力负荷预测方法,其特征在于,包括:
获取家庭用户的历史电力负荷数据集;
基于每个家庭用户的所述历史电力负荷数据集进行主成分分析,得到初始数据集,并对所述初始数据集聚类分析,得到N类池用户数据,N为正整数;
采用N类所述池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型,其中,所述预设的深度学习模型包括编码器和解码器,所述解码器中包含有注意力机制模块;
对待预测的单个家庭用户数据进行隶属度分析,确定所述待预测的单个家庭用户数据在N类池用户数据中的隶属度系数;
采用所述电力负荷预测模型,对所述待预测的单个家庭用户数据进行电力负荷预测,得到所述待预测的单个家庭用户数据对应的N类预测结果;
采用所述隶属度系数对所述N类预测结果进行加权融合处理,得到所述待预测的单个家庭的电力负荷预测值。
2.如权利要求1所述的多用户场景下的家庭用户电力负荷预测方法,其特征在于,所述基于每个家庭用户的所述历史电力负荷数据集进行主成分分析,得到初始数据集,并对所述初始数据集聚类分析,得到N类池用户数据包括:
将所述电力负荷数据集按照预设的时间周期进行划分,得到至少两个周期数据,并按照预设分配比例,将周期数据分入初始训练集和初始验证集;
采用基线提取的方式,分别对所述初始训练集和所述初始验证集中的周期数据进行拟合分析,得到训练时间序列和验证时间序列;
采用K-Means聚类的方式,对所述训练时间序列进行聚类,得到目标训练集,将所述验证时间序列作为目标验证集,并将所述目标训练集的聚类中心作为所述目标验证集的聚类中心,将所述目标训练集和所述目标验证集作为所述池用户数据。
3.如权利要求1所述的多用户场景下的家庭用户电力负荷预测方法,其特征在于,所述采用K-Means聚类的方式,对所述训练时间序列得到目标训练集包括:
以K为初始聚类中心个数,K为正整数,且K=2;
随机初始化K个聚类中心点;
采用K-Means聚类的方式,对所述训练时间序列进行聚类,得到训练聚类结果;
将K的值增加1,并返回所述随机初始化K个聚类中心点的步骤继续执行,直到K达到预设阈值M,得到M-1个所述训练聚类结果;
通过肘部法则,采用如下公式对每个所述训练聚类结果的损失值SSE进行计算:
其中,p为家庭用户数据样本点,mk为第K簇的质心,CK为第K簇的训练聚类结果;
基于每个所述训练聚类结果对应的损失值SSE,绘制损失值曲线,将所述损失值曲线的拐点对应的K值,作为目标聚类中心个数N,并获取所述目标聚类中心个数对应的训练聚类结果,作为所述目标训练集。
4.如权利要求2所述的多用户场景下的家庭用户电力负荷预测方法,其特征在于,所述采用N类所述池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型包括:
采用所述目标训练集对所述预设的深度学习模型进行训练,得到训练后的深度学习模型;
采用所述目标验证集对所述训练后的深度学习模型进行验证,得到验证结果;
若所述验证结果未达到预设训练条件,则采用所述目标验证集对所述训练后的深度学习模型继续训练,直到所述验证结果达到所述预设训练条件,将得到的训练后的深度学习模型作为所述电力负荷预测模型。
5.如权利要求4所述的多用户场景下的家庭用户电力负荷预测方法,其特征在于,所述采用所述目标训练集对所述预设的深度学习模型进行训练,得到训练后的深度学习模型包括:
从所述目标训练集对应的每类所述池用户数据中,任意选取预设数量的初始数据,作为第一训练数据;
对所述第一数据进行卷积编码,得到第一输出编码,并对所述第一输出编码进行池化,得到第一编码序列;
将每类所述池用户数据对应的质心数据和噪声数据作为第二训练数据;
对所述第二训练数据采用长短期记忆神经网络进行编码,得到第二编码;
对所述第一编码序列和所述第二编码序列进行拼接处理,得到第一拼接序列;
采用注意力机制对所述第一拼接序列进行信息筛选,并对筛选信息进行解码,得到电力负荷预测值;
将所述电力负荷预测值与所述初始数据进行损失计算,并根据得到的损失值进行反向传播,对所述预设的深度学习模型进行参数更新,得到所述训练后的深度学习模型。
6.如权利要求5所述的多用户场景下的家庭用户电力负荷预测方法,其特征在于,所述采用所述电力负荷预测模型,对所述待预测的单个家庭用户数据进行电力负荷预测,得到所述待预测的单个家庭用户数据对应的N类预测结果包括:
从所述目标训练集对应的每类所述池用户数据中,任意选取预设数量的初始数据,作为参考数据;
采用对所述参考数据进行卷积编码,得到参考编码,并对所述编码进行池化,得到参考编码序列;
将所述待预测的单个家庭用户数据分别在每类所述池用户数据对应的数据,均作为待测试数据;
对每个所述待测试数据采用长短期记忆神经网络进行编码,得到待测试编码;
对所述参考编码序列和所述待测试编码进行拼接处理,得到第二拼接序列;
采用注意力机制对所述第二拼接序列进行信息筛选,并对筛选信息进行解码,得到所述待预测的单个家庭用户数据对应的每类池用户数据的电力负荷预测值。
8.一种多用户场景下的家庭用户电力负荷预测装置,其特征在于,所述多用户场景下的家庭用户电力负荷预测装置包括:
数据获取模块,用于获取家庭用户的历史电力负荷数据集;
聚类分析模块,用于基于每个家庭用户的所述历史电力负荷数据集进行主成分分析,得到初始数据集,并对所述初始数据集聚类分析,得到N类池用户数据,N为正整数;
模型训练模块,用于采用N类所述池用户数据,分别对预设的深度学习模型进行训练,得到N个电力负荷预测模型,其中,所述预设的深度学习模型包括编码器和解码器,所述解码器中包含有注意力机制模块;
隶属度确定模块,用于对所述待预测的单个家庭用户数据进行隶属度分析,确定所述待预测的单个家庭用户数据在N类池用户数据中的隶属度系数;
预测模块,用于采用所述电力负荷预测模型,对所述待预测的单个家庭用户数据进行电力负荷预测,得到所述待预测的单个家庭用户数据对应的N类预测结果;
加权融合模块,用于采用所述隶属度系数对所述N类预测结果进行加权融合处理,得到所述待预测的单个家庭的电力负荷预测值。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的多用户场景下的家庭用户电力负荷预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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任一项所述的多用户场景下的家庭用户电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211311699.4A CN115640896B (zh) | 2022-10-25 | 2022-10-25 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211311699.4A CN115640896B (zh) | 2022-10-25 | 2022-10-25 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115640896A true CN115640896A (zh) | 2023-01-24 |
CN115640896B CN115640896B (zh) | 2024-04-30 |
Family
ID=84947717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211311699.4A Active CN115640896B (zh) | 2022-10-25 | 2022-10-25 | 多用户场景下的家庭用户电力负荷预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640896B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN115018200A (zh) * | 2022-07-04 | 2022-09-06 | 中国地质大学(北京) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 |
-
2022
- 2022-10-25 CN CN202211311699.4A patent/CN115640896B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN115018200A (zh) * | 2022-07-04 | 2022-09-06 | 中国地质大学(北京) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
任勇;曾鸣;: "基于簇负荷特性曲线的"聚类-回归"电力大用户短期负荷预测", 华北电力大学学报(自然科学版), no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN115640896B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101172B (zh) | 基于权重嫁接的模型融合的人脸识别方法及相关设备 | |
CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN112686301A (zh) | 基于交叉验证的数据标注方法及相关设备 | |
CN106803092B (zh) | 一种标准问题数据的确定方法及装置 | |
CN113886721B (zh) | 个性化兴趣点推荐方法、装置、计算机设备及存储介质 | |
CN114358023B (zh) | 智能问答召回方法、装置、计算机设备及存储介质 | |
CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN116777642A (zh) | 基于集成学习模型的车险风险参数预测方法及装置 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN112887371A (zh) | 边缘计算方法、装置、计算机设备及存储介质 | |
CN112801145A (zh) | 安全监测方法、装置、计算机设备及存储介质 | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
CN117235633A (zh) | 机构分类方法、装置、计算机设备及存储介质 | |
CN115640896B (zh) | 多用户场景下的家庭用户电力负荷预测方法及相关设备 | |
CN116168403A (zh) | 医疗数据分类模型训练方法、分类方法、装置及相关介质 | |
CN113240323B (zh) | 基于机器学习的水平评测方法、装置及相关设备 | |
CN114780809A (zh) | 基于强化学习的知识推送方法、装置、设备及存储介质 | |
CN113987328A (zh) | 一种题目推荐方法、设备、服务器及存储介质 | |
CN114238583B (zh) | 自然语言处理方法、装置、计算机设备及存储介质 | |
CN112966085B (zh) | 人机会话智能控制方法、装置、电子设备及存储介质 | |
CN114237915B (zh) | 分布式环境下基于机器学习的数据修复方法、装置及设备 | |
CN116757384A (zh) | 碳配额的需求数据监测方法、装置及相关介质 |
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 |