申请/专利权人：湖南工商大学

申请日：2022-10-25

公开（公告）日：2024-04-30

公开（公告）号：CN115640896B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06F18/23213;G06N3/0442;G06N3/047;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2023.02.14#实质审查的生效;2023.01.24#公开

摘要：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。

主权项：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；其中，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；其中，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；其中，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；对所述第一训练数据进行卷积编码，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，得到第二编码序列；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；其中，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，g1，并且，∑kui＝1。

全文数据：

权利要求：

百度查询： 湖南工商大学 多用户场景下的家庭用户电力负荷预测方法及相关设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD