CN117113159A - 基于深度学习的电力用户侧负荷分类方法及系统 - Google Patents
基于深度学习的电力用户侧负荷分类方法及系统 Download PDFInfo
- Publication number
- CN117113159A CN117113159A CN202311375867.0A CN202311375867A CN117113159A CN 117113159 A CN117113159 A CN 117113159A CN 202311375867 A CN202311375867 A CN 202311375867A CN 117113159 A CN117113159 A CN 117113159A
- Authority
- CN
- China
- Prior art keywords
- power
- user side
- load
- model
- side load
- 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 68
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 117
- 230000005611 electricity Effects 0.000 claims abstract description 56
- 238000000605 extraction Methods 0.000 claims abstract description 55
- 238000005265 energy consumption Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 23
- 238000012795 verification Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明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、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;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。
Description
技术领域
本发明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。
背景技术
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。
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。
发明内容
为解决上述技术问题,本发明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。
第一方面,本发明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。
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。
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。
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。
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。
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。
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。
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。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:本发明通过利用历史用电数据进行深度学习模型的训练,能够更准确地识别不同用户侧负荷类型;深度学习模型可以从大规模的数据中学习到复杂的电力特征与负荷类型之间的关联性,提高分类的准确性;同时,通过将同一负荷类型的电力特征矩阵汇总,可以更全面地捕捉每种负荷类型的特征;
相比传统的用户自主申报或平台考察方式,基于深度学习的方法可以自动地对用户侧负荷进行分类,减少了人工干预的主观性和不准确性;本发明通过提取电力特征和使用深度学习模型,实现了对用户侧负荷类型的客观分类;
综上所述,基于深度学习的电力用户侧负荷分类方法具有准确性、自动化、可扩展性和综合利用历史用电数据等优点,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,从而实现针对性的负荷预测、系统调度和激励措施的制定。
附图说明
图1是本发明的流程图;
图2是构建电力用户侧负荷类型识别模型的流程图;
图3是基于深度学习的电力用户侧负荷分类系统的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图2所示,本发明的基于深度学习的电力用户侧负荷分类方法,具体包括以下步骤:
S1、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;
步骤S1是电力用户侧负荷分类方法中的第一步,旨在获取已知用户侧负荷类型的历史用电数据信息;在这一步骤中,需要收集并准备包含已知用户侧负荷类型的电力用电数据;具体步骤如下:
S11、收集与电力用户相关的历史用电数据,包括不同用户的用电量和用电行为;这些数据可以从电力供应公司、用户侧的仪表设备或其他相关数据源获取;
S12、对收集到的数据进行清洗和预处理,以确保数据的准确性和一致性;这可能涉及去除异常值、处理缺失数据、纠正数据格式等;
S13、根据已知的用户侧负荷类型,对历史用电数据进行标记或分类;例如,将工业用户的数据标记为工业负荷,将商业用户的数据标记为商业负荷,将居民用户的数据标记为居民负荷,将市政公共用户的数据标记为市政负荷;这样可以建立一个带有标签的数据集;
需要注意的是,S1步骤的准确性和完整性对于后续基于深度学习的负荷分类模型的训练和预测结果至关重要;因此,在进行数据收集和处理时,应确保数据的质量和可靠性,并充分考虑不同用户侧负荷类型的特征和变化情况。
S2、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;
在步骤S2中,电力特征提取模型是用于从历史用电数据信息中提取具有代表性的电力特征,以用于电力用户侧负荷分类;下面是电力特征提取模型的构建方法的详细介绍:
S21、将S1中获取的历史用电数据信息,作为训练数据;确保数据集中包含各个负荷类型的样本;
S22、根据电力领域的专业知识和经验,选择与用户侧负荷类型相关的电力特征;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等;这些电力特征应具备区分不同负荷类型的能力;具体如下:
平均功率:计算历史用电数据的平均功率值,即将用电功率数据进行求平均操作;
能量消耗:计算历史用电数据的总能量消耗,即将用电功率数据进行积分操作;
峰谷差:计算历史用电数据的峰值和谷值之间的差值,用于表示用电负荷的波动性和峰谷差异;
用电周期:通过分析用电数据的周期性,如每日、每周或每月的周期性变化,确定用电的周期特征;
功率因数:计算历史用电数据的功率因数,用于描述电力负载的有功和无功功率之间的关系;
S23、选择适合处理时间序列数据的机器学习模型作为特征提取模型;常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等;
S24、使用已知用户侧负荷类型的历史用电数据信息作为训练集,将特征提取模型应用于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,计算模型的准确率、精确率、召回率等指标,评估模型的性能和效果;根据评估结果,对特征提取模型进行调优和优化,例如调整模型结构、调整超参数、增加训练数据等,以提高模型的性能和泛化能力;
S25、经过训练和调优后的特征提取模型可以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。
在本步骤中,通过使用预先构建的电力特征提取模型,可以从历史用电数据中提取具有代表性的电力特征;这些特征能够更好地区分不同负荷类型,从而提高负荷分类的准确性;在步骤S22中,借助电力领域的专业知识和经验,选择与用户侧负荷类型相关的电力特征;这确保了选择的特征具有区分不同负荷类型的能力;
步骤S23中选择适合处理时间序列数据的机器学习模型,如循环神经网络、长短期记忆网络和卷积神经网络;这些模型能够有效地处理序列数据的特点,捕捉时序信息,从而更好地提取电力特征;
综上所述,步骤S2中的电力特征提取模型利用专业知识和经验选择相关电力特征,结合适合处理时间序列数据的机器学习模型进行训练和优化,从而提高负荷分类的准确性和泛化能力。
进一步地,除了机器学习技术,还可以采用其他技术来进行电力特征提取;具体包括以下技术:
时间序列分析:电力数据通常具有时序性,可以利用时间序列分析方法来提取各种时间相关的特征,如平均值、标准差、最大值、最小值、趋势等;常用的时间序列分析方法包括滑动窗口统计、傅里叶变换、小波变换等;
频域分析:通过将电力信号转换到频域,可以提取频率相关的特征;常用的频域分析方法包括傅里叶变换、功率谱密度估计等;
统计分析:利用统计学方法对电力数据进行分析,可以提取各种统计量特征,如均值、方差、偏度、峰度等;同时,还可以利用统计模型(如高斯分布、指数分布等)来描述电力数据的分布特征;
信号处理技术:利用信号处理技术从电力信号中提取特征,如时域和频域的滤波、去噪、降维等方法;常用的信号处理技术包括小波变换、滤波器设计、信号降噪算法等;
深度学习特征提取:深度学习模型如卷积神经网络(CNN)和循环神经网络(RNN)等可以直接从原始电力数据中提取特征;这些模型可以学习到数据的高级表示,具有较强的表征能力;可以使用预训练的深度学习模型或自定义模型来提取电力数据的特征;
需要根据具体的任务和数据特点选择适合的特征提取技术;同时,可以尝试多种方法的组合和比较,以获得更准确和全面的电力特征表示。
S3、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;
具体来说,首先,根据已知用户侧负荷类型的历史用电数据信息,将每个用户侧的用电数据按照时间顺序排列。例如,对于某个用户侧的历史用电数据,可以按照每小时或每日进行时间划分,然后将用电数据按照时间顺序排列。
接下来,在特定的时间段内,根据已经进行特征提取的电力特征,将这些特征组合成一个特征矩阵。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内的电力特征的数值。
举例说明,假设我们有三个已知负荷类型的用户侧:工业负荷、商业负荷和居民负荷。为了构建电力特征矩阵,选择以每小时为时间段,且获取三个小时的电力特征数据,并使用以下五个电力特征:能量消耗、功率因数、峰谷差、用电周期和平均功率。则可以获得三组不同用户侧负荷类型的电力特征矩阵;
工业负荷类型的电力特征数据统计表格具体如下:
商业负荷类型的电力特征数据统计表格具体如下:
居民负荷类型的电力特征数据统计表格具体如下:
通过将上述表格中的行表头和列表头删除,即可得到该负荷类型用户侧的电力特征矩阵;
在本步骤中,通过将电力特征按时间顺序排列,并以特征矩阵的形式展示,可以清晰地呈现特定时间段内的电力特征值;这使得对数据的可视化和分析更加方便;通过按时间排序,可以捕捉到电力特征在时间序列上的演变和变化情况;这有助于分析用户用电行为的周期性或趋势性,以及特定时间段内的用电高峰和低谷;
按时间顺序排列后,可以帮助提取和分析电力特征之间的关系和趋势;这有助于发现不同电力特征之间的相关性,例如功率因数与能量消耗的关系,或平均功率与峰谷差的关系;
通过组织电力特征矩阵,可以对已知负荷类型的用户侧进行更深入的数据分析和预测;基于这些特征矩阵,可以应用各种机器学习和数据挖掘算法来进行负荷预测、用电行为分析、异常检测等任务,进一步优化能源管理和提高能效;
综上所述,将电力特征按时间顺序进行排列并构建特征矩阵具有结构清晰、时间相关性、特征提取和数据分析预测等优点,有助于深度理解用户用电行为和电力特征之间的关系,为能源管理和决策提供有力支持。
S4、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;
S4步骤是将属于同一用户侧负荷类型的电力特征矩阵进行汇总,从而获得对应该已知负荷类型用户侧的电力特征矩阵集合;这一步骤的目的是将已知用户侧负荷类型的电力特征数据进行整理和分类,以便后续的深度学习训练;具体而言,S4的步骤如下:
根据已知的用户侧负荷类型如工业负荷、商业负荷、居民负荷和市政负荷,将相应的电力特征矩阵根据负荷类型进行分类;
对于每一种负荷类型,将属于该类型的电力特征矩阵汇总在一起,形成一个矩阵集合;该矩阵集合中的每个矩阵代表一个已知用户侧负荷类型的电力特征;矩阵的行表示不同的电力特征,列表示不同的时间片段或时间步长;
通过S4步骤,可以获得不同负荷类型的电力特征矩阵集合,这些集合将用作深度学习模型的训练数据;这样可以为模型提供充足而有代表性的数据样本,提高模型的准确性和泛化能力;
通过将同一负荷类型的电力特征矩阵集合汇总,我们可以获得该负荷类型的典型特征表达;这样可以帮助深度学习模型更好地学习和识别该类型负荷的特征模式,提高模型的分类能力;
通过提供已知负荷类型的电力特征矩阵集合,S4步骤简化了深度学习模型的训练过程;模型可以直接使用这些集合作为输入,避免了繁琐的数据收集和整理步骤,提高了模型训练的效率和可靠性。
S5、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;
S5步骤是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;这一步骤的目的是利用深度学习算法,通过对电力特征矩阵的训练和学习,构建一个能够准确分类电力用户侧负荷类型的模型;具体而言,S5步骤包括以下几个关键步骤:
S51、数据上传: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;这些电力特征矩阵集合是在S4步骤中汇总得到的,每个集合对应一个已知负荷类型的用户侧数据;
S52、构建训练集和验证集:将上传的电力特征矩阵集合划分为训练集和验证集,用于训练和评估模型的性能;通常采用随机划分或交叉验证等方法,确保训练集和验证集的数据具有代表性和平衡性;
S53、搭建深度学习模型:根据任务的需求和数据的特点,选择合适的深度学习模型架构;常用的模型包括卷积神经网络、循环神经网络或其变体,如长短期记忆网络和Transformer等;模型可以包含多个层和节点,以提取电力特征并实现负荷类型分类;
S54、模型训练和优化: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,对深度学习模型进行训练;通过反向传播算法和优化方法,如随机梯度下降,逐步调整模型参数,使其能够准确地预测电力用户侧的负荷类型;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;这包括调整网络层数、节点数、学习率、批处理大小等,以优化模型性能和泛化能力;
S55、模型保存:在训练和验证得到满意的模型后,保存该模型以备后续的电力用户侧负荷类型识别任务使用;模型可以保存为一个文件或模型权重,以便在实际应用中加载和调用。
通过使用深度学习算法,可以构建具有非常高准确性的电力用户侧负荷类型识别模型;深度学习模型能够从电力特征矩阵中学习到更复杂、抽象的特征表示,以更准确地区分不同的负荷类型;深度学习模型能够自动学习并提取数据中的特征,无需手工设计特征工程;这对于电力数据而言尤为重要,因为电力特征矩阵通常包含大量的时序信息和复杂的模式,深度学习可以更好地捕捉这些特征;
深度学习模型可以适应不同用户侧负荷类型的数据分布和特点;通过训练集和验证集的迭代训练和优化过程,模型可以逐步调整自身的结构和参数,以最大程度地适应不同类型负荷的识别需求;一旦构建好的深度学习模型可以用于实际应用中的大规模电力用户负荷类型识别任务;因为深度学习模型能够从大量数据中学习,并且可以通过在云端或分布式计算环境中训练加速,处理大规模数据变得可行;
综上所述,电力用户侧负荷类型识别模型能够提供高准确性的负荷类型识别能力、自动特征提取、适应不同类型负荷数据、可扩展性以及丰富的框架支持,使得该方法成为电力用户负荷识别任务的一种有效解决方案。
S6、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;
S6步骤是基于待分类用户侧的历史用电数据信息进行电力特征提取,并将提取到的特征转换成待分类用户侧的电力特征矩阵的步骤。具体包括以下几个主要步骤:
S61、收集待分类用户侧的历史用电数据信息:从待分类用户侧收集必要的历史用电数据,这些数据应包含足够的样本,以反映待分类用户侧的用电行为和特点。历史用电数据包括用电量、用电功率等信息,通常以时间序列的形式记录。
S62、进行电力特征提取:使用S2步骤中构建的电力特征提取模型,对待分类用户侧的历史用电数据进行特征提取。电力特征提取模型的目的是从原始的历史用电数据中提取出代表用户侧负荷类型的相关特征。这些特征可以包括能量消耗、功率因数、峰谷差、用电周期和平均功率等。提取后的特征可以更好地描述用户侧的用电情况。
S63、转换为待分类用户侧的电力特征矩阵:按S3步骤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。待分类用户侧的电力特征矩阵的格式与S3步骤中排列得到的已知负荷类型用户侧的电力特征矩阵格式相同,以确保后续的负荷类型识别模型能够正确识别待分类用户侧的负荷类型。
通过收集待分类用户侧的历史用电数据信息,可以综合考虑用户不同时间段的用电行为和特征;这可以提供更加全面和准确的用户负荷类型信息,以便后续的负荷类型识别模型进行分类;通过使用电力特征提取模型,可以从原始的历史用电数据中提取出代表用户负荷类型的相关特征;这些特征可以更好地描述用户侧的用电情况,包括能量消耗、功率因数、峰谷差、用电周期和平均功率等;这些特征具有一定的泛化能力,可以更好地区分不同负荷类型之间的差异;
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,保证了数据的一致性和可比性;待分类用户侧的电力特征矩阵与已知负荷类型用户侧的电力特征矩阵具有相同的元素,这样在后续的负荷类型识别模型中可以直接使用相同的输入格式和特征表示,简化了建模和分类的过程;
通过对待分类用户侧的历史用电数据进行电力特征提取,并构建相应的电力特征矩阵,可以提高负荷类型识别模型的分类准确性;电力特征矩阵中包含了代表用户负荷类型的关键特征,能够更好地区分不同负荷类型之间的差异,提高分类的准确性和可靠性。
S7、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;
S7步骤是基于电力用户侧负荷类型识别模型将待分类用户侧的电力特征矩阵进行识别,以确定其负荷类型;具体包括以下内容:
将S6步骤中获得的待分类用户侧的电力特征矩阵输入电力用户侧负荷类型识别模型;该模型已在S5步骤中通过上传分属于不同用户侧负荷类型的电力特征矩阵集合进行训练构建;
根据电力用户侧负荷类型识别模型的输出,可以得到待分类用户侧的负荷类型;该输出结果可以表示为工业负荷、商业负荷、居民负荷或市政负荷之一,根据模型对特征矩阵的分析和比较进行分类决策;
需要注意的是,电力用户侧负荷分类方法的准确性和可靠性受多个因素影响,包括所用特征提取模型的性能、训练数据的质量和数量、模型的训练方法等;因此,在实际应用中,需要不断优化模型和数据集,以提高对待分类用户侧负荷类型的准确性。
在本步骤中,电力用户侧负荷类型识别模型能够自动对待分类用户侧的电力特征矩阵进行分类,无需人工干预,实现了自动化的负荷类型识别;通过使用电力用户侧负荷类型识别模型,可以快速对待分类用户侧的负荷类型进行判定,避免了需要逐个手动分析的繁琐过程,提高了识别的效率;电力用户侧负荷类型识别模型可以根据需要进行扩展,以覆盖更多的负荷类型;通过增加训练数据和优化模型,可以支持更多类型的负荷,适应不同用户侧的需求;
综上所述,基于电力用户侧负荷类型识别模型的负荷类型分类方法具有自动化、高效性、准确性、扩展性和可迭代性等优点,能够有效地对待分类用户侧的负荷类型进行识别,为后续的分析和决策提供有力支持。
实施例二
如图3所示,本发明的基于深度学习的电力用户侧负荷分类系统,具体包括以下模块;
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。
在本实施例中,系统通过历史数据获取模块和特征处理模块自动获取和处理用户侧的历史用电数据,无需用户手动填写或平台进行考察;这样可以减少人工工作量,提高效率,并避免了用户虚报或隐瞒信息的可能性;
电力特征提取模块利用预先存储的电力特征提取模型,可以从历史用电数据中提取出丰富而有用的特征,如能量消耗、功率因数、峰谷差、用电周期和平均功率等;这些特征能够更全面地描述用户侧的负荷情况,有助于提高分类的精度;
训练模块利用深度学习训练平台对已知负荷类型用户侧的电力特征矩阵集合进行训练学习,生成用户侧负荷类型识别模型;这个模型可以不断更新和改进,以适应新的电力用户侧负荷类型;系统具有一定的灵活性和扩展性,可以应对不断变化的电力市场和用户需求;通过深度学习模型进行特征提取和分类,能够更准确地将用户侧负荷进行分类;深度学习模型能够学习和捕捉电力数据中的复杂模式和关联性,从而提高分类的准确性;
系统可以接收待分类用户侧的历史用电数据,并实时将这些数据转换为电力特征矩阵,然后利用预先训练好的电力用户侧负荷类型识别模型进行分类;这样可以及时准确地确定待分类用户侧的负荷类型,为负荷预测和系统调度提供更准确的信息;
综上所述,基于深度学习的电力用户侧负荷分类系统通过自动化处理、强大的特征提取能力和准确的分类结果,能够提供准确、全面、实时的用户侧负荷分类信息,从而为电力系统调度和可再生能源消纳等方面的决策提供有力支持。
前述实施例一中的电力用户侧负荷分类方法的各种变化方式和具体实施例同样适用于本实施例的电力用户侧负荷分类系统,通过前述对电力用户侧负荷分类方法的详细描述,本领域技术人员可以清楚的知道本实施例中电力用户侧负荷分类系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
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。
6.如权利要求3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。
7.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。
8.一种基于深度学习的电力用户侧负荷分类系统,其特征在于,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。
9.一种基于深度学习的电力用户侧负荷分类电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,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1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375867.0A CN117113159A (zh) | 2023-10-23 | 2023-10-23 | 基于深度学习的电力用户侧负荷分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375867.0A CN117113159A (zh) | 2023-10-23 | 2023-10-23 | 基于深度学习的电力用户侧负荷分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117113159A true CN117113159A (zh) | 2023-11-24 |
Family
ID=88809516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311375867.0A Pending CN117113159A (zh) | 2023-10-23 | 2023-10-23 | 基于深度学习的电力用户侧负荷分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113159A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878927A (zh) * | 2024-03-11 | 2024-04-12 | 国网黑龙江省电力有限公司绥化供电公司 | 基于时序分析的电力系统负荷趋势分析方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866840A (zh) * | 2019-11-12 | 2020-03-06 | 南昌工程学院 | 基于知识图谱的电力负荷特征量训练的数据库建模方法 |
CN111144440A (zh) * | 2019-11-28 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种专变用户日电力负荷特征的分析方法及装置 |
CN111428745A (zh) * | 2020-01-03 | 2020-07-17 | 中国电力科学研究院有限公司 | 一种基于聚类分析的低压用户用电特征提取方法 |
CN112865079A (zh) * | 2021-01-14 | 2021-05-28 | 吴娟 | 一种基于大数据分析的电力系统稳定评估方法及系统 |
CN113011630A (zh) * | 2021-01-25 | 2021-06-22 | 国网浙江省电力有限公司杭州供电公司 | 一种大数据配电网台区时空负荷短期预测方法 |
CN114091776A (zh) * | 2021-11-29 | 2022-02-25 | 国网河南省电力公司经济技术研究院 | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 |
CN115115127A (zh) * | 2022-07-14 | 2022-09-27 | 国网福建省电力有限公司福州供电公司 | 一种基于深度学习的低压台区智能调控方法及系统 |
CN115146744A (zh) * | 2022-09-01 | 2022-10-04 | 安徽南瑞中天电力电子有限公司 | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 |
CN116703644A (zh) * | 2023-04-12 | 2023-09-05 | 国网浙江省电力有限公司 | 一种基于Attention-RNN的短期电力负荷预测方法 |
CN116914747A (zh) * | 2023-09-06 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
-
2023
- 2023-10-23 CN CN202311375867.0A patent/CN117113159A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866840A (zh) * | 2019-11-12 | 2020-03-06 | 南昌工程学院 | 基于知识图谱的电力负荷特征量训练的数据库建模方法 |
CN111144440A (zh) * | 2019-11-28 | 2020-05-12 | 中国电力科学研究院有限公司 | 一种专变用户日电力负荷特征的分析方法及装置 |
CN111428745A (zh) * | 2020-01-03 | 2020-07-17 | 中国电力科学研究院有限公司 | 一种基于聚类分析的低压用户用电特征提取方法 |
CN112865079A (zh) * | 2021-01-14 | 2021-05-28 | 吴娟 | 一种基于大数据分析的电力系统稳定评估方法及系统 |
CN113011630A (zh) * | 2021-01-25 | 2021-06-22 | 国网浙江省电力有限公司杭州供电公司 | 一种大数据配电网台区时空负荷短期预测方法 |
CN114091776A (zh) * | 2021-11-29 | 2022-02-25 | 国网河南省电力公司经济技术研究院 | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 |
CN115115127A (zh) * | 2022-07-14 | 2022-09-27 | 国网福建省电力有限公司福州供电公司 | 一种基于深度学习的低压台区智能调控方法及系统 |
CN115146744A (zh) * | 2022-09-01 | 2022-10-04 | 安徽南瑞中天电力电子有限公司 | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 |
CN116703644A (zh) * | 2023-04-12 | 2023-09-05 | 国网浙江省电力有限公司 | 一种基于Attention-RNN的短期电力负荷预测方法 |
CN116914747A (zh) * | 2023-09-06 | 2023-10-20 | 国网山西省电力公司营销服务中心 | 电力用户侧负荷预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
刘熙鹏等: ""基于多尺度特征融合的负荷辨识及其可解释交互增强方法"", 《电力系统自动化》, pages 1 - 4 * |
唐毅等: ""基于三维时空特性数据融合的电力物联网用户侧负荷识别方法研究"", 《山东师范大学学报(自然科学版)》, vol. 37, no. 2, pages 2 - 5 * |
王琪凯: ""基于深度学习模型的非侵入式电力负荷分解方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 042 - 2397 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117878927A (zh) * | 2024-03-11 | 2024-04-12 | 国网黑龙江省电力有限公司绥化供电公司 | 基于时序分析的电力系统负荷趋势分析方法 |
CN117878927B (zh) * | 2024-03-11 | 2024-05-28 | 国网黑龙江省电力有限公司绥化供电公司 | 基于时序分析的电力系统负荷趋势分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
Markovič et al. | Data-driven classification of residential energy consumption patterns by means of functional connectivity networks | |
CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
CN117151276A (zh) | 售电平台的智能化管理系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN114004408A (zh) | 一种基于数据分析的用户电力负荷预测方法 | |
CN111797924B (zh) | 一种基于聚类算法的三维度园区画像方法及系统 | |
CN114915563A (zh) | 一种网络流量预测方法和系统 | |
CN116957306B (zh) | 基于资源协同互动的用户侧响应潜力评估方法及系统 | |
CN113744081B (zh) | 窃电行为分析方法 | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
CN117610314B (zh) | 光伏组件建模方法、装置、设备及存储介质 | |
Ghahfarokhi et al. | Application of Machine Learning in Industry 4.0: Energy Consumption Prediction for Smart Meters | |
CN117498313A (zh) | 充电站负荷预测方法、装置、存储介质及计算机设备 |
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 |