CN118070134A - 一种园区内用户用电能耗预测方法及系统 - Google Patents
一种园区内用户用电能耗预测方法及系统 Download PDFInfo
- Publication number
- CN118070134A CN118070134A CN202410495011.5A CN202410495011A CN118070134A CN 118070134 A CN118070134 A CN 118070134A CN 202410495011 A CN202410495011 A CN 202410495011A CN 118070134 A CN118070134 A CN 118070134A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity consumption
- historical data
- power consumption
- users
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种园区内用户用电能耗预测方法及系统，涉及用电能耗预测技术领域，该方法主要包括：对获取的用户用电数据进行预处理，以预处理后的历史数据为基础构造目标数据并结合MI互信息法对历史数据进行分类；基于最小中值平方法构建AdaBoost分类器，并利用AdaBoost分类器识别类别标签；将每种类别标签的历史数据分别输入LSTM网络模型进行模型训练；最后将所对应的类别标签输入训练好的LSTM网络模型，输出用电能耗预测值。本发明能够有效提高园区内用户用电能耗预测的准确度。
Description
技术领域
本发明属于能耗预测领域，尤其涉及一种园区内用户用电能耗预测方法及系统。
背景技术
智能电网的快速发展为居民的生活带来了极大的便利，但与此同时，电力损失成为了一个不容忽视的问题，为了减少不必要的电力损失，供电公司需要根据用户的用电能耗来及时调整供电决策方案，提高电能利用率、减少电能浪费。
在电力用户用电能耗预测方面，最为常见的是采用支持向量机、多层感知机、反向传播神经网络等模型来进行预测；然而由于支持向量机和多层感知机的模型太单一导致识别精度不高，反向传播神经网络模型在处理大规模数据时又可能会出现梯度消失或梯度爆炸等问题，从而导致训练过程变得非常缓慢。LSTM长短时记忆神经模型可以解决梯度消失或梯度爆炸等问题，但该模型参数众多，容易出现过拟合的问题。因此，这些单一模型所存在的弊端最终都会导致用电能耗预测不准确的问题。
发明内容
为克服上述现有技术的不足，本发明提供了一种园区内用户用电能耗预测方法及系统，能够提高对电力用户用电能耗预测的准确度。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种园区内用户用电能耗预测方法。
一种园区内用户用电能耗预测方法，包括：
通过园区内的用户电表采集各用户在用电过程中所产生的用电能耗历史数据，所述用电能耗历史数据为园区内每个用户在一个月内的每日用电能耗。
对用电能耗历史数据中的突变数据进行预处理；
以预处理后的历史数据为基础构造目标数据，随后利用MI互信息法对一维用电能耗历史数据进行分类，具体为：通过计算一维用电能耗历史数据与目标数据之间的关联程度，按照关联程度由高到低依次排序，每4个共用一个类别标签，最后一组若不足4个，则以实有个数自动归为一组，以此实现对用电能耗历史数据的分类并记录类别标签；
将每种类别标签的历史数据分别输入LSTM长短时记忆网络模型进行模型训练；
基于LMEDS最小中值平方法构建AdaBoost分类器，将待预测用电能耗数据输入AdaBoost分类器，识别待预测用电能耗数据所对应的类别标签；
将所对应的类别标签输入训练好的LSTM长短时记忆网络模型，输出用电能耗预测值。
本发明第二方面提供了一种园区内用户用电能耗预测系统。
一种园区内用户用电能耗预测系统，包括：
用电数据获取模块，被配置为：通过园区内的用户电表采集各用户在用电过程中所产生的用电能耗历史数据，所述用电能耗历史数据为园区内每个用户在一个月内的每日用电能耗；
预处理模块，被配置为：对历史数据中的突变数据进行预处理；
类别标签生成模块，被配置为：以预处理后的历史数据为基础构造目标数据，随后利用MI互信息法对一维用电能耗历史数据进行分类，即通过计算一维用电能耗历史数据与目标数据之间的关联程度，按照关联程度由高到低依次排序，每4个共用一个类别标签，最后一组若不足4个，则以实有个数自动归为一组，以此实现对用电能耗历史数据的分类并记录类别标签；
类别标签识别模块，被配置为：基于LMEDS最小中值平方法构建AdaBoost分类器，将待预测用电能耗数据输入AdaBoost分类器，识别待预测用电能耗数据所对应的类别标签；
预测模块，被配置为：将每种类别标签的用电能耗历史数据分别输入LSTM长短时记忆网络模型进行模型训练；最后将待预测用电能耗数据所对应的类别标签输入训练好的长短时记忆网络模型，输出用电能耗预测值。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种园区内用户用电能耗预测方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种园区内用户用电能耗预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明提供了一种园区内用户用电能耗预测方法及系统，利用MI互信息法对用电能耗历史数据进行分类，提高了分类效率及精度，而且可以自定义每组分类标签中的标签个数。
在本发明中，基于LMEDS最小中值平方法构建AdaBoost分类器，使AdaBoost分类器不再容易受到弱分类器的限制；将LSTM长短时记忆网络模型设置为5个层，即输入层，隐含层，全连接层，输出层以及回归层，增加了网络深度，使其能够更好的捕捉数据的复杂性和长期依赖关系；进而提高了对电力用户用电能耗预测的精确度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一中园区内用户用电能耗预测方法流程图。
图2为本发明实施例一中基于LMEDS最小中值平方法构建AdaBoost分类器的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示，本实施例公开了一种园区内用户用电能耗预测方法，包括以下步骤：
步骤S1、通过园区内的用户电表采集园区内各用户在用电过程中所产生的用电能耗历史数据，记为，所述用电能耗历史数据为园区内每个用户在一个月内的每日用电能耗。
其中，t为园区内的用户数量，为第i个用户在这一个月内的每日用电能耗，/>为第i个用户在第d天的用电能耗。
步骤S2、对历史数据中的突变数据进行预处理。
用户电表在对园区内用户的用电能耗进行采集时，采集到的用电能耗历史数据往往存在数据发生突变的情况，对于突变数据，可采用平均值填充法进行处理。
步骤S3、以预处理后的历史数据为基础构造目标数据，随后利用MI互信息法对用电能耗历史数据进行分类，通过分类来选取相似日。
选取相似日的原因在于用户的用电量多少不仅与每天的不同时间有关系，与日期也存在紧密的联系，例如节假日、周六、周日等特殊日期的用户用电量明显多于寻常工作日，所以用电能耗会出现周期性规律。选取相似日，能够把园区内用户在这一个月内的日用电能耗自动划分为一定数量的类，更好的利用周期性规律，有助于电力公司优化供电策略；对用电能耗历史数据进行分类、选取相似日由步骤S3-1至步骤S3-3来实现。
步骤S3-1、以预处理后的历史数据为基础构造目标数据，具体为：将园区内所有用户在一个月内的每日用电能耗历史数据分别相加并取平均值，得到该园区内单个用户在这个月内的每日平均用电能耗并将其作为目标数据，记为；其中，/>为第j个目标数据，以此来表征该园区内单个用户在这个月内的第j天的平均用电能耗。
步骤S3-2、将用电能耗历史数据A转换为一维数组的形式，即：先将园区内第一个用户在一个月内的每日用电能耗历史数据填充到一维数组中，再将园区内第二个用户在一个月内的每日用电能耗历史数据填充到一维数组中，依此类推，直到园区内所有用户在这一个月内的用电能耗历史数据全部存入一维数组。
其中，一维用电能耗历史数据表示为，/>为第i个一维用电能耗历史数据，t为园区内用户数量，d为这一个月内的天数。
步骤S3-3、利用MI互信息法对一维用电能耗历史数据进行分类，MI互信息法计算一维用电能耗历史数据与目标数据之间关联程度的计算方式为：
其中，表示一维用电能耗历史数据/>与目标数据B之间的关联程度，/>为联合概率密度函数，/>和/>分别为/>和/>的边缘概率密度函数，/>和/>则分别表示第i个一维用电能耗历史数据和第j个目标数据。
通过计算一维用电能耗历史数据与目标数据之间的关联程度，按照关联程度由高到低依次排序，每4个共用一个类别标签，最后一组若不足4个，则以实有个数自动归为一组，以此实现对用电能耗历史数据的分类并记录类别标签。
步骤S4、将每种类别标签的历史数据分别输入LSTM长短时记忆网络模型进行模型训练。
为增加网络深度，使LSTM长短时记忆网络模型能够更好的捕捉数据的复杂性和长期依赖关系，对LSTM长短时记忆网络模型进行改进，将其设置为5个层，分别为输入层，隐含层，全连接层，输出层以及回归层。
设置输入层的数目为4，输出层数目为1；同时为了防止LSTM长短时记忆网络模型在训练过程中出现过拟合的问题，引入全连接层，全连接层把Dropout设置为0.2。
将每种类别标签的历史数据按照7:3的比例划分训练集和测试集，在完成划分以后执行归一化操作，归一化公式表示为：
其中，x为每种类别标签的历史数据中的训练集样本数据，为训练集样本数据中的最小值，/>为训练集样本数据中的最大值，/>为执行归一化之后的值。
在对LSTM长短时记忆网络模型进行模型训练时，以均方根误差作为评价指标，即：
其中，W表示均方根误差，z为测试样本的个数，为LSTM长短时记忆网络模型的预测值，/>为LSTM长短时记忆网络模型的测试值。
步骤S5、基于LMEDS最小中值平方法构建AdaBoost分类器，将待预测用电能耗数据输入AdaBoost分类器，识别待预测用电能耗数据所对应的类别标签。
如图2所示，基于LMEDS最小中值平方法构建AdaBoost分类器的具体步骤包括：
步骤S5-1、参数初始化并设置不同类型分类器的最大个数以及最大迭代次数/>；
步骤S5-2、从训练样本集中随机抽取u个样本组成样本子集R，利用AdaBoost分类器基于样本子集R训练强分类器；
步骤S5-3、利用新构建的强分类器模型对剩余的样本进行分类，同时计算对应的分类精度；
步骤S5-4、利用新构建的强分类器模型对满足该强分类器模型的样本数量进行判断，并更新迭代次数；
步骤S5-5、重复步骤S5-3和步骤S5-4，直到满足所述新构建的强分类器的样本数量不再增加或者达到最大迭代次数时，将此时的样本作为内点集重新训练分类器模型，由此得到基于LMEDS最小中值平方法下的一个分类器模型和其对应的一致集；
步骤S5-6、判断已建立的分类器模型的个数是否达到所设置的不同类型分类器的最大个数，若未达到则返回步骤S5-2；若已达到则比较各个分类器之间的正确分类样本数，基于LMEDS最小中值平方法寻找正确分类样本数最多的分类器模型作为最终的分类器模型。
其中，通过AdaBoost分类器确定标准能耗数据，具体为：由AdaBoost分类器评估未分类之前的历史数据中各用电能耗历史数据所占权重，将权重值大于所设阈值的能耗数据作为标准能耗数据；所设阈值可以设定为0.1。
步骤S6、将所对应的类别标签输入训练好的LSTM长短时记忆网络模型，输出用电能耗预测值。
实施例二
本实施例公开了一种园区内用户用电能耗预测系统，包括：
用电数据获取模块，被配置为：通过园区内的用户电表采集各用户在用电过程中所产生的用电能耗历史数据，所述用电能耗历史数据为园区内每个用户在一个月内的每日用电能耗；
预处理模块，被配置为：对历史数据中的突变数据进行预处理；
类别标签生成模块，被配置为：以预处理后的历史数据为基础构造目标数据，随后利用MI互信息法对一维用电能耗历史数据进行分类，即通过计算一维用电能耗历史数据与目标数据之间的关联程度，按照关联程度由高到低依次排序，每4个共用一个类别标签，最后一组若不足4个，则以实有个数自动归为一组，以此实现对用电能耗历史数据的分类并记录类别标签；
类别标签识别模块，被配置为：基于LMEDS最小中值平方法构建AdaBoost分类器，将待预测用电能耗数据输入AdaBoost分类器，识别待预测用电能耗数据所对应的类别标签；
预测模块，被配置为：将每种类别标签的用电能耗历史数据分别输入LSTM长短时记忆网络模型进行模型训练；随后将待预测用电能耗数据所对应的类别标签输入训练好的长短时记忆网络模型，输出用电能耗预测值。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的一种园区内用户用电能耗预测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的一种园区内用户用电能耗预测方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种园区内用户用电能耗预测方法，其特征在于，包括：
通过园区内的用户电表采集各用户在用电过程中所产生的用电能耗历史数据，所述用电能耗历史数据为园区内每个用户在一个月内的每日用电能耗；
对用电能耗历史数据中的突变数据进行预处理；
以预处理后的用电能耗历史数据为基础构造目标数据，随后利用MI互信息法对一维用电能耗历史数据进行分类，具体为：通过计算一维用电能耗历史数据与目标数据之间的关联程度，按照关联程度由高到低依次排序，每4个共用一个类别标签，最后一组若不足4个，则以实有个数自动归为一组，以此实现对用电能耗历史数据的分类并记录类别标签；
将每种类别标签的历史数据分别输入LSTM长短时记忆网络模型进行模型训练；
基于LMEDS最小中值平方法构建AdaBoost分类器，将待预测用电能耗数据输入AdaBoost分类器，识别待预测用电能耗数据所对应的类别标签；
将所对应的类别标签输入训练好的LSTM长短时记忆网络模型，输出用电能耗预测值。
2.如权利要求1所述的一种园区内用户用电能耗预测方法，其特征在于，以预处理后的用电能耗历史数据为基础构造目标数据，具体为：
将园区内所有用户在一个月内的每日用电能耗历史数据分别相加并取平均值，得到该园区内单个用户在这个月内的每日平均用电能耗并将其作为目标数据。
3.如权利要求1所述的一种园区内用户用电能耗预测方法，其特征在于，在对预处理后的用电能耗历史数据进行分类之前，需要将所述用电能耗历史数据转换为一维数组的形式，即：
先将园区内第一个用户在一个月内的每日用电能耗历史数据填充到一维数组中，再将园区内第二个用户在一个月内的每日用电能耗历史数据填充到一维数组中，依此类推，直到园区内所有用户在这一个月内的用电能耗历史数据全部存入一维数组。
4.如权利要求1所述的一种园区内用户用电能耗预测方法，其特征在于，MI互信息法计算一维用电能耗历史数据与目标数据之间关联程度的计算方式为：
其中，/>表示一维用电能耗历史数据/>与目标数据B之间的关联程度，/>为联合概率密度函数，/>和/>分别为/>和/>的边缘概率密度函数，/>和/>则分别表示第i个一维用电能耗历史数据和第j个目标数据。
5.如权利要求1所述的一种园区内用户用电能耗预测方法，其特征在于，在对LSTM长短时记忆网络模型进行模型训练时，以均方根误差作为评价指标，即：
其中，W表示均方根误差，z为测试样本的个数，/>为LSTM长短时记忆网络模型的预测值，/>为LSTM长短时记忆网络模型的测试值。
6.如权利要求1所述的一种园区内用户用电能耗预测方法，其特征在于，基于LMEDS最小中值平方法构建AdaBoost分类器的具体步骤包括：
S1、参数初始化并设置不同类型分类器的最大个数以及最大迭代次数/>；
S2、从训练样本集中随机抽取u个样本组成样本子集R，利用AdaBoost分类器基于样本子集R训练强分类器；
S3、利用新构建的强分类器模型对剩余的样本进行分类，同时计算对应的分类精度；
S4、利用新构建的强分类器模型对满足该强分类器模型的样本数量进行判断，并更新迭代次数；
S5、重复步骤S3和步骤S4，直到满足所述新构建的强分类器的样本数量不再增加或者达到最大迭代次数时，将此时的样本作为内点集重新训练分类器模型，由此得到基于LMEDS最小中值平方法下的一个分类器模型和其对应的一致集；
S6、判断已建立的分类器模型的个数是否达到所设置的不同类型分类器的最大个数，若未达到则返回步骤S2；若已达到则比较各个分类器之间的正确分类样本数，基于LMEDS最小中值平方法寻找正确分类样本数最多的分类器模型作为最终的分类器模型。
7.如权利要求1所述的一种园区内用户用电能耗预测方法，其特征在于，所述LSTM长短时记忆网络模型设置为5个层，分别为输入层，隐含层，全连接层，输出层以及回归层。
8.一种园区内用户用电能耗预测系统，其特征在于，包括：
用电数据获取模块，被配置为：通过园区内的用户电表采集各用户在用电过程中所产生的用电能耗历史数据，所述用电能耗历史数据为园区内每个用户在一个月内的每日用电能耗；
预处理模块，被配置为：对历史数据中的突变数据进行预处理；
类别标签生成模块，被配置为：以预处理后的历史数据为基础构造目标数据，随后利用MI互信息法对一维用电能耗历史数据进行分类，即通过计算一维用电能耗历史数据与目标数据之间的关联程度，按照关联程度由高到低依次排序，每4个共用一个类别标签，最后一组若不足4个，则以实有个数自动归为一组，以此实现对用电能耗历史数据的分类并记录类别标签；
类别标签识别模块，被配置为：基于LMEDS最小中值平方法构建AdaBoost分类器，将待预测用电能耗数据输入AdaBoost分类器，识别待预测用电能耗数据所对应的类别标签；
预测模块，被配置为：将每种类别标签的用电能耗历史数据分别输入LSTM长短时记忆网络模型进行模型训练；随后将待预测用电能耗数据所对应的类别标签输入训练好的长短时记忆网络模型，输出用电能耗预测值。
9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410495011.5A CN118070134B (zh) | 2024-04-24 | 2024-04-24 | 一种园区内用户用电能耗预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410495011.5A CN118070134B (zh) | 2024-04-24 | 2024-04-24 | 一种园区内用户用电能耗预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118070134A true CN118070134A (zh) | 2024-05-24 |
| CN118070134B CN118070134B (zh) | 2024-06-28 |
Family
ID=91102387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410495011.5A Active CN118070134B (zh) | 2024-04-24 | 2024-04-24 | 一种园区内用户用电能耗预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118070134B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
| CN114638425A (zh) * | 2022-03-24 | 2022-06-17 | 国网江苏省电力有限公司南通供电分公司 | 一种基于历史数据的大用户月度用电量预测方法及系统 |
| WO2023050534A1 (zh) * | 2021-09-29 | 2023-04-06 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
| US20230136352A1 (en) * | 2021-10-29 | 2023-05-04 | Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. | Method and system for predicting a day-ahead wind power of wind farms |
| CN116780536A (zh) * | 2023-08-23 | 2023-09-19 | 山东未来互联科技有限公司 | 基于机器学习的能耗预测方法及系统 |
-
2024
- 2024-04-24 CN CN202410495011.5A patent/CN118070134B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
| WO2023050534A1 (zh) * | 2021-09-29 | 2023-04-06 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
| US20230136352A1 (en) * | 2021-10-29 | 2023-05-04 | Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. | Method and system for predicting a day-ahead wind power of wind farms |
| CN114638425A (zh) * | 2022-03-24 | 2022-06-17 | 国网江苏省电力有限公司南通供电分公司 | 一种基于历史数据的大用户月度用电量预测方法及系统 |
| CN116780536A (zh) * | 2023-08-23 | 2023-09-19 | 山东未来互联科技有限公司 | 基于机器学习的能耗预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| C. LI 等: "LMedS-Based Power Regression: An Optimal and Automatic Method of Radiometric Intercalibration for DMSP-OLS NTL Imagery", IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, 31 December 2021 (2021-12-31) * |
| 史佳琪;谭涛;郭经;刘阳;张建华;: "基于深度结构多任务学习的园区型综合能源系统多元负荷预测", 电网技术, no. 03, 7 February 2018 (2018-02-07) * |
| 马云波;李英娜;李川;: "基于GRU-Bagging模型的异常用电行为检测", 数据通信, no. 04, 28 August 2020 (2020-08-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118070134B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| Xuan et al. | Multi-model fusion short-term load forecasting based on random forest feature selection and hybrid neural network | |
| Shang et al. | Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model | |
| Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
| CN116402203A (zh) | 计及天气情况的短时光伏发电量预测方法、系统及介质 | |
| CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
| CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
| CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN116979503A (zh) | 一种基于Informer网络的商业建筑负荷预测方法及系统 | |
| CN114239945B (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Cao et al. | Short-term forecasting and uncertainty analysis of photovoltaic power based on the FCM-WOA-BILSTM model | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN116245259B (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
| CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
| CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN117200204A (zh) | 一种多元负荷预测方法、装置及存储介质 | |
| CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 |
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 |