CN112734137B - 基于智能电表数据的短期楼宇电力负荷预测方法及*** - Google Patents
基于智能电表数据的短期楼宇电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN112734137B CN112734137B CN202110108591.4A CN202110108591A CN112734137B CN 112734137 B CN112734137 B CN 112734137B CN 202110108591 A CN202110108591 A CN 202110108591A CN 112734137 B CN112734137 B CN 112734137B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- load data
- time
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims description 11
- 230000001364 causal effect Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于智能电表数据的短期楼宇电力负荷预测方法及***,该方法包括如下步骤:1)数据输入:以总表负荷数据和内部负荷数据作为输入数据,其中,内部负荷数据包括各分表负荷数据和未测量负荷数据;2)数据处理:对缺失数据进行填补,对异常值进行修正,并根据预先进行的相关性分析结果,保留相关系数大于设定值的内部负荷数据;3)负荷预测:将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列,输入到预先训练稳定的时间卷积网络中,对目标未来时间的楼宇电力负荷进行短期预测。本发明采用时间卷积神经网络对楼宇电力负荷进行短期预测,与传统方法相比,训练达到稳定的时间明显缩短,误差显著减小,预测性能更优。
Description
技术领域
本发明涉及短期楼宇电力负荷预测,特别是指一种基于智能电表数据的短期楼宇电力负荷预测方法及***。
背景技术
随着普通个体住户的生活水平的提高,个体楼宇负荷水平也在提高,其负荷由于居住者的行为而具有极大的波动性。在用电高峰期间,当个体楼宇同时使用多种大功率电器时,电网馈线会增大供电压力,进而使整个配电网的供电压力增大。因此,通过客户侧需求响应,供应商可以通过调整电价实现电网的削峰,居民也可以减少电力账单。短期楼宇负荷预测是客户侧需求响应的一项关键技术,可以实现配电部门与用户之间的双赢。
楼宇内客户的用电行为的多变与预测的效果有显著的相关性,且数据量庞大,给时间序列模型的学习带来巨大挑战。传统预测方法采用长短期时间记忆递归神经网络,在考虑居民家电消费的情况下,基于家电使用数据学习居民使用家电的习惯,得到了比多个基准优秀的预测性能。然而,长短期时间记忆等递归神经网络不能并行处理输入序列,因此模型训练的开销会随着输入序列长度的增加而增加,会忘记较久远的历史信息,使得预测结果失准。
发明内容
本发明的目的在于提供一种预测性能更优的基于智能电表数据的短期楼宇电力负荷预测方法及***。
为实现上述目的,本发明所设计的基于智能电表数据的短期楼宇电力负荷预测方法,包括如下步骤:
1)数据输入:以总表负荷数据和内部负荷数据作为输入数据,其中,内部负荷数据包括各分表负荷数据和未测量负荷数据;
2)数据处理:对总表负荷数据和内部负荷数据进行缺失数据、异常数据的查找,再对缺失数据进行填补,对异常值进行修正,并根据预先基于历史负荷数据进行的内部负荷数据与总表负荷数据的相关性分析结果,保留相关系数大于设定值的内部负荷数据,删除其他内部负荷数据;
3)负荷预测:将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列,输入到预先训练稳定的时间卷积网络(简称TCN)中,对目标未来时间(下一组用电数据产生的时间)的楼宇电力负荷进行短期预测。
优选地,所述步骤1)还包括数据采集步骤,即采集楼宇总表和各分表(如洗衣机、插头等等)在预测时间前一段时间的时间序列用电数据,再根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据,从而得到所述输入数据。
优选地,所述步骤1)中,采集的时间序列长度与训练时每次输入时间卷积网络的时间序列长度相等。
优选地,所述步骤3)中,卷积层包括因果卷积和空洞卷积。
优选地,所述时间卷积网络的基本结构是由2~4个残差层构成的残差网络,每个残差层包括1~2个基本层、1~2个卷积层以及1个直连层。
优选地,所述步骤3)中,卷积层包括因果卷积和空洞卷积。
优选地,所述步骤3)中,时间卷积网络的神经元数目为250~350。
优选地,所述步骤3)中,时间卷积网络的预先训练包括如下步骤:根据训练需要输入过去一段时间的总表负荷数据和内部负荷数据;采用所述步骤2)中方法对负荷数据进行填补与修正,继而对各内部负荷数据与总表负荷数据进行相关性分析,选取相关系数大于设定值(优选为0.1)的内部负荷数据作为辅助输入数据,并将其与总表负荷数据结合,对时间卷积网络进行训练。
优选地,所述时间卷积网络的训练参数设置为:批量设为60,学***均值作为预测准确率指标。
本发明同时提供了一种为实现上述方法而设计的短期楼宇电力负荷预测***,包括:
数据采集模块,被配置为实现所述数据采集步骤;
数据处理模块,被配置为实现所述数据处理步骤;
负荷预测模块,被配置为实现所述负荷预测步骤。
优选地,所述负荷预测模块采用时间卷积网络,所述时间卷积网络包括2个残差层,每个残差层包括1~2个基本层、1~2个卷积层以及1个直连层。
与现有技术相比,本发明的有益效果在于:
本发明采用时间卷积神经网络,结合智能电表的分表与总表,将总表负荷数据、各分表负荷数据和未测量负荷数据作为预测任务的输入数据,并对输入数据进行相关性分析,提取与作为目标任务的总负荷相关的内部负荷数据作为辅助输入数据,与传统方法相比,训练达到稳定的时间明显缩短,误差显著减小,大幅提高了楼宇电力负荷短期预测的准确性。
附图说明
图1为本发明实施例1提供的短期楼宇电力负荷预测***的结构方框图。
图2~4分别为本发明实施例1提供的时间卷积网络的因果卷积、空洞卷积和残差连接的结构示意图。
图5为本发明实施例2进行相关性分析得到的各内部负荷与总表负荷数据的相关系数条形图。
图6为本发明实施例2中不同结构参数的各TCN网络与传统的LSTM网络的性能迭代对比图。
图7为本发明实施例2中不同结构参数的各TCN网络与传统算法的预测结果对比图。
图8为图7中方框内的细节放大图。
其中:数据采集模块1、数据处理模块2、负荷预测模块3
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
实施例1
本实施例对神经网络的构建、训练和应用分别进行说明。
1、构建时间卷积网络,并对参数进行设置
选择历史输入序列的长度(n+1),设置卷积核大小k,步长stride为1,为保证网络的输出序列的长度与输入序列的长度相同,需要进行因果卷积,进行如下参数设置与操作:卷积参数零填充(padding)确定为k-1,则输出序列长度为(n+k-1),执行尾除操作,将末尾未来输出序列去除,即如图2所示,尾除数目等于padding。
基于因果卷积,为自适应调整时间卷积网络深度,采用空洞卷积(dilatedconvolution)。具体来说,给出输入序列Xn+1={x0,x1,...,xn},f(i)是卷积函数,空洞卷积可以定义为:
d是空洞因子,m-i·d为被选中做卷积的元素的输入序列号。当d=1时,空洞卷积退化为一般的一维卷积。随着网络层数的增加,d呈指数增长,层次越高的网络序列覆盖的历史信息越多。如图3所示。
基于因果卷积和空洞卷积,构建残差连接,具体来说第一个分支,如果输出序列的长度不等于输入序列,则输入层通过1x1卷积连接到输出层,否则输入层通过恒等映射连接到输出层;第二分支,输入序列连接到由卷积层、激活层、dropout层依次构成的多个相同结构叠加的网络。如图4所示。
在以上的基础上,根据序列长度、空洞卷积以及残差连接机制确定模型深度设计。具体来说,开始时,假设网络的深度为L,输入层的深度是0,每一层是一个残差层。可以通过以下公式推导出第n层神经元中最后输出序列所能蕴含的最长的历史记忆信息:
IL是第L层残差神经元最后序列值可以依赖的最长输入序列信息。进行负荷预测时,把上一层神经元的输出序列作为本层的输入序列,在最终向上经过所有残差层后仅将输出序列的最后值作为残差网络的输出,如图4所示。
图4所示的残差结构对基本层进行了叠加,也可以根据需要对卷积层进行叠加,或者同时叠加基本层和卷积层。
最终,将各个并行的残差网络的输出作为前馈神经网络的输入,输出为未来时间步的预测结果。
2、时间卷积网络的训练
1)数据采集与输入:根据训练需要采集过去一段时间集楼宇总表和各分表(如洗衣机、插头等等)在预测时间前一段时间的时间序列用电数据(单个序列长度为n+1),并根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据,以总表负荷数据和内部负荷数据作为输入数据;其中,各分表负荷数据和未测量负荷数据统称为内部负荷数据;
2)数据处理:对负荷数据进行缺失数据和异常数据的查找,并对缺失数据进行填补,对异常值进行修正,在此基础上(指填补、修正后)对各分表以及未测量负荷数据与总表负荷数据进行相关性分析,按照从大到小的相关系数排序,选取相关系数大于设定值(本实施例中选为0.1)的内部负荷数据以及总表负荷数据,作为时间卷积网络的辅助输入数据。
3)模型训练
结合总表负荷数据和内部负荷数据对时间卷积网络进行训练。
具体训练参数设置为:批量设为60,学***均值作为预测准确率指标(即表2中各误差指标)。
模型参数设置:隐藏层神经元设置为300,因为残差层数设置为2,所以我们选择的输入序列长度为7。原始残差层基本层(B)为1,基本层中因果空洞卷积层(C)为1,本实施例同时设计了几个改进版本,详见表1。
3、短期楼宇电力负荷预测
采用训练好的时间卷积网络模型进行负荷预测的步骤如下:
1)数据采集与输入:采集楼宇总表和各分表(如洗衣机、插头等等)在预测时间前一段时间的时间序列用电数据(序列长度为n+1,与训练阶段相同),并根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据,以总表负荷数据和内部负荷数据作为输入数据;其中,各分表负荷数据和未测量负荷数据统称为内部负荷数据;
2)数据处理:对总表负荷数据和内部负荷数据进行缺失数据、异常数据的查找,对缺失数据进行填补,对异常值进行修正,并根据预先基于历史负荷数据进行的内部负荷数据与总表负荷数据的相关性分析结果(见时间卷积网络的训练部分),保留相关系数大于设定值0.1的内部负荷数据,删除其他内部负荷数据;
3)负荷预测:将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列,输入到预先训练稳定的时间卷积网络(简称TCN)中,对目标未来时间(下一组用电数据产生的时间)的楼宇电力负荷进行短期预测。
本实施例同时提供了基于上述方法的短期楼宇电力负荷预测***,包括数据采集模块1,被配置为实现所述数据采集步骤;数据处理模块2,被配置为实现所述数据处理步骤;负荷预测模块3,被配置为实现所述负荷预测步骤。
其中,负荷预测模块3采用时间卷积网络,所述时间卷积网络包括1各直连层和2个残差层,每个残差层包括1~2个基本层和1~2个卷积层,具体参数见表1。
实施例2
本实施例基于AMPds2数据集对实施例1中给出的时间时间卷积网络进行训练,并在训练稳定后对其预测性能进行评估和比较。具体步骤如下:
1、实验数据集
本实施例采用AMPds2数据集(Stephen Makonin.AMPds2:The AlmanacofMinutely Power dataset(Version 2),2016)对实施例1中公开的时间卷积网络,以及几个常见的对照算法进行训练和评估。
从2012年4月到2014年3月,AMPds2数据集收集了其作者家中的各种能源消耗,包括每分钟的电力、水和天然气的测量,总共有1051200个读数,涉及仪表包括智能电表21台,水表2台,天然气表2台(另附设备说明)。
本实施例选择每分钟粒度的智能电表数据集作为原始数据集。全屋电表读数由三部分组成,分别是Master-House电表读数(MHE),出租套房(RSE)电力子表读数和车库(GRE)电力子表读数。MHE由其余18个电器(AE)电表读数和未测量能耗(UNE)构成。因此,数据集读数之间的关系可以描述为:
WHE=MHE+RSE+GRE
MHE=AE+UNE
2、实验设置
在实验中,2012年4月1日0:00-2012年4月9日24:00作为训练集,共1440分钟一天的4月10日被选中作为测试集。在相关分析后,如图5所示,选取Master-House读数(MHE),电热泵(HPE)、干衣机(CDE),炉风机和恒温控制器(FRE),未测量能耗(UNE),地下室插头和灯(BME),厨房壁炉(WOE),家庭办公室电(OFE),TV/PVR/AMP(TVE),洗碗机(DWE)作为模型的输入数据。
各模型设置如下:
(1)K近邻:kd树为30,权重均匀一致,neighbors为15。
(2)梯度增强决策树(Gradient Boost Decision Tree,GBDT):estimators为100,决策树的最大深度为6,内部节点重新划分所需的最小样本量为60,其余为默认值。
(3)支持向量回归(Support Vector Regression,SVR):kernel为RBF,gamma是0.03,C是5.66,其他都是默认值。
(4)LSTM:采用设定的最优参数,参考:Weicong Kong,Zhao Yang Dong,David JHill,Fengji Luo,and Yan Xu.Short-term residential load forecasting based onresident behaviour learning.IEEE Transactions on Power Systems,33(1):1087–1088,2017.
除了LSTM之外,其他基准测试是在python的sklearn模块中网格搜索最优参数。
在时间时间卷积网络的训练中,批量设为60,学***均值。同时,我们还测试了几个改进的TCN架构,其结构参数详见表1。
表1 TCN结构参数
方法 | 残差层 | 基本层 | 卷积层 | 隐藏神经元 |
TCN(B1C1) | 2 | 1 | 1 | 300 |
TCN(B1C2) | 2 | 1 | 2 | 300 |
TCN(B2C1) | 2 | 2 | 1 | 300 |
TCN(B2C2) | 2 | 2 | 2 | 300 |
3、实验结果与分析
平均绝对误差百分比(MAPE):
平均绝对误差(MAE):
均方根误差(RMSE):
各模型的预测性能(MAPE、MAE、RMSE)见下表2:
表2 楼宇负荷预测结果
从上表可以看出,与最好的基准LSTM相比,TCN(B1C2)的MAPE最低,MAPE下降11.90%;TCN(B2C2)拥有最低RMSE,RMSE下降0.8%;TCN(B1C2)、TCN(B2C1)、TCN(B2C2)均拥有最低MAE,MAE下降7.5%;最差的TCN(B1C1)MAPE下降9.13%,MAE下降7.5%,RMSE持平。
LSTM和TCN训练时测试集的性能变化如图6所示。两者在训练中都能达到相对稳定的状态,但TCN达到稳定的时间几乎比LSTM少50%。因此,与LSTM相比,TCN体系结构不仅能够以更高的效率实现网络的最优性能,而且最终能够实现更好的网络性能。
四种网络预测结果如图7所示。为了更好地突出TCN与每个基准测试相比的优势,图7中的一些细节显示在图8中。在住宅负荷波动较大的情况下,四种TCN架构比LSTM具有更强的跟踪住宅负荷的能力,这意味着TCN架构在实时预测住宅负荷波动方面具有很大的潜力。
Claims (9)
1.一种基于智能电表数据的短期楼宇电力负荷预测方法,其特征在于:包括如下步骤:
1)数据输入:以总表负荷数据和内部负荷数据作为输入数据,其中,内部负荷数据包括各分表负荷数据和未测量负荷数据;所述未测量负荷数据等于总表测得的负荷数据和各分表测得的负荷数据之和的差值;
2)数据处理:对总表负荷数据和内部负荷数据进行缺失数据、异常数据的查找,再对缺失数据进行填补,对异常值进行修正,并根据预先基于历史负荷数据进行的内部负荷数据与总表负荷数据的相关性分析结果,保留相关系数大于设定值的内部负荷数据,删除其他内部负荷数据;
3)负荷预测:将步骤2)得到的内部负荷数据和总表负荷数据构成的时间序列,输入到预先训练稳定的时间卷积网络中,对目标未来时间的楼宇电力负荷进行短期预测;
所述步骤1)还包括数据采集步骤,即采集楼宇总表和各分表在预测时间前一段时间的时间序列用电数据,再根据总表测得的负荷数据和各分表测得的负荷数据之和的差值得出每组用电数据的未测量负荷数据,从而得到所述输入数据。
2.根据权利要求1所述的短期楼宇电力负荷预测方法,其特征在于:所述步骤1)中,采集的时间序列长度与训练时每次输入时间卷积网络的时间序列长度相等。
3.根据权利要求1所述的短期楼宇电力负荷预测方法,其特征在于:所述步骤3)中,时间卷积网络的基本结构是由2~4残差层构成的残差网络,每个残差层包括1~2个基本层、1~2个卷积层以及1个直连层。
4.根据权利要求3所述的短期楼宇电力负荷预测方法,其特征在于:所述步骤3)中,时间卷积网络包括因果卷积和空洞卷积,每层神经元数目为250~350。
5.根据权利要求1所述的短期楼宇电力负荷预测方法,其特征在于:所述步骤3)中,时间卷积网络的预先训练包括如下步骤:根据训练需要输入过去一段时间的总表负荷数据和内部负荷数据;采用所述步骤2)中方法对负荷数据进行填补与修正,继而对各内部负荷数据与总表负荷数据进行相关性分析,选取相关系数大于设定值的内部负荷数据作为辅助输入数据,并将其与总表负荷数据结合,对时间卷积网络进行训练。
6.根据权利要求5所述的短期楼宇电力负荷预测方法,其特征在于:所述相关系数的设定值为0.1。
7.根据权利要求5所述的短期楼宇电力负荷预测方法,其特征在于:所述时间卷积网络的训练参数设置为:批量设为60,学***均值作为预测准确率指标。
8.一种为实现如权利要求1~7中任一项所述方法而设计的短期楼宇电力负荷预测***,包括:
数据采集模块(1),被配置为实现所述数据采集步骤;
数据处理模块(2),被配置为实现所述数据处理步骤;
负荷预测模块(3),被配置为实现所述负荷预测步骤。
9.根据权利要求8所述的短期楼宇电力负荷预测***,其特征在于:所述负荷预测模块(3)采用时间卷积网络,所述时间卷积网络包括2个残差层,每个残差层包括1~2个基本层、1~2个卷积层及1个直连层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108591.4A CN112734137B (zh) | 2021-01-27 | 2021-01-27 | 基于智能电表数据的短期楼宇电力负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108591.4A CN112734137B (zh) | 2021-01-27 | 2021-01-27 | 基于智能电表数据的短期楼宇电力负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734137A CN112734137A (zh) | 2021-04-30 |
CN112734137B true CN112734137B (zh) | 2022-12-16 |
Family
ID=75594108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110108591.4A Active CN112734137B (zh) | 2021-01-27 | 2021-01-27 | 基于智能电表数据的短期楼宇电力负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734137B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408815A (zh) * | 2021-07-02 | 2021-09-17 | 湘潭大学 | 一种基于深度学习的牵引负荷超短期预测方法 |
CN114118568A (zh) * | 2021-11-19 | 2022-03-01 | 国网河南省电力公司经济技术研究院 | 基于多头注意力的卷积神经网络的电力消耗预测方法 |
CN114399032B (zh) * | 2022-03-23 | 2022-06-21 | 武汉格蓝若智能技术有限公司 | 一种电能表计量误差预测方法及*** |
CN116108320B (zh) * | 2023-04-13 | 2023-06-09 | 佳源科技股份有限公司 | 一种智能电能表运行控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298509A (zh) * | 2019-06-28 | 2019-10-01 | 佰聆数据股份有限公司 | 一种结合短期负荷预测的大工业行业用电优化方法 |
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力***短期负荷预测方法 |
CN111461436A (zh) * | 2020-01-13 | 2020-07-28 | 长沙理工大学 | 一种预测电动汽车充电负荷时空动态分布的方法 |
CN111461463A (zh) * | 2020-04-30 | 2020-07-28 | 南京工程学院 | 一种基于tcn-bp的短期负荷预测方法、***及设备 |
CN111967679A (zh) * | 2020-08-20 | 2020-11-20 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014042147A1 (ja) * | 2012-09-12 | 2014-03-20 | 日本電気株式会社 | データ集中予測装置、データ集中予測方法、及びそのプログラム |
CN110852655B (zh) * | 2019-11-29 | 2023-08-15 | 湖南科技大学 | 带有太阳能供电***的家庭用电负荷分解***与分解方法 |
CN111289942B (zh) * | 2020-01-21 | 2021-01-05 | 北京市腾河电子技术有限公司 | 基于单一负荷跳变进行测量域误差分析的方法及***、存储介质 |
-
2021
- 2021-01-27 CN CN202110108591.4A patent/CN112734137B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298509A (zh) * | 2019-06-28 | 2019-10-01 | 佰聆数据股份有限公司 | 一种结合短期负荷预测的大工业行业用电优化方法 |
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力***短期负荷预测方法 |
CN111461436A (zh) * | 2020-01-13 | 2020-07-28 | 长沙理工大学 | 一种预测电动汽车充电负荷时空动态分布的方法 |
CN111461463A (zh) * | 2020-04-30 | 2020-07-28 | 南京工程学院 | 一种基于tcn-bp的短期负荷预测方法、***及设备 |
CN111967679A (zh) * | 2020-08-20 | 2020-11-20 | 江苏师范大学 | 基于tcn模型的电离层总电子含量预报方法 |
Non-Patent Citations (1)
Title |
---|
基于深度可分离卷积的轻量级时间卷积网络设计;曹渝昆等;《计算机工程》;20200915(第09期);95-100 * |
Also Published As
Publication number | Publication date |
---|---|
CN112734137A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734137B (zh) | 基于智能电表数据的短期楼宇电力负荷预测方法及*** | |
Chen et al. | A novel data-driven approach for residential electricity consumption prediction based on ensemble learning | |
CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制*** | |
Kong et al. | Effect of automatic hyperparameter tuning for residential load forecasting via deep learning | |
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 | |
Razghandi et al. | Short-term load forecasting for smart home appliances with sequence to sequence learning | |
Peng et al. | Short-term residential load forecasting based on smart meter data using temporal convolutional networks | |
Hinterstocker et al. | Evaluation of the effects of time-of-use pricing for private households based on measured load data | |
Ahmed et al. | Data communication and analytics for smart grid systems | |
Ahmadi et al. | Optimal allocation of multi-type distributed generators for minimization of power losses in distribution systems | |
Cai et al. | Forecasting customers' response to incentives during peak periods: A transfer learning approach | |
Kaur et al. | A hybrid energy management approach for home appliances using climatic forecasting | |
US20240144004A1 (en) | Trained Models for Discovering Target Device Presence | |
Tikkiwal et al. | Multi-objective optimisation of a grid-connected hybrid PV-battery system considering battery degradation | |
CN116933216A (zh) | 一种基于柔性负荷资源聚合特征分析的管理***及方法 | |
Ferraz et al. | Analysis of distribution system considering load uncertainties: a k-means clustering approach | |
Parrado-Duque et al. | A comparative analysis of machine learning methods for short-term load forecasting systems | |
Firoozi et al. | Flexibility Forecast at Local Energy Community Level | |
Mobasher-Kashani et al. | Parallel lstm architectures for non-intrusive load monitoring in smart homes | |
Alghamdi et al. | Predicting Energy Consumption Using Stacked LSTM Snapshot Ensemble | |
Ming et al. | Electrical load prediction in energy internet via linear correlation coefficient approach | |
Meyyappan et al. | Wavelet neural network-based wind-power forecasting in economic dispatch: A differential evolution, bacterial foraging technology, and primal dual-interior point approach | |
Chen et al. | Immunological algorithm-based neural network learning for sales forecasting | |
Watts et al. | Selecting Representative Net Load Profiles of Solar Homes With K-Means Clustering | |
US20240054322A1 (en) | Targeted Energy Usage Device Presence Detection Using Multiple Trained Machine Learning Models |
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 |