The invention discloses a forecasting method, a household electrical equipment load includes environmental data collected at various environmental state characterization of household electrical equipments; collection of household electrical equipments in various environmental conditions of the electricity load data; to collect the electricity load data cleaning; after data cleaning after electricity load data attribute value encoding processing; build a more self encoder model are initialized from the encoder sequentially from each training model parameters; encoder model; all the auto encoder model is established from the encoder model depth stack initialization parameter settings after training; training of depth depth stacked auto encoder model; power load forecast since the implementation of household electrical equipments encoding model using stack depth trained; solve the existing technique. Due to the complexity and variability of power load, it is difficult to establish accurate model to predict the load forecasting.
【技术实现步骤摘要】
一种家庭用电设备负荷预测方法
本专利技术属于家庭用电设备负荷预测技术,尤其涉及一种家庭用电设备负荷预测方法。
技术介绍
电力负荷的精准预测对电力生产以及电力系统的安全运行具有重大的意义。但是由于电力负荷的复杂性和多变性,很难建立精准的模型对其进行预测,传统的负荷预测方法均存在一定的缺陷,这导致负荷预测的难题一直悬而未决。同时目前,随着“互联网+”口号的提出,随着能源互联网的迅猛发展,越来越多的用电设备接入互联网中,在这过程中势必产生大量的用电数据,如何利用这些海量的数据,从大量的数据中深度挖掘出各种用电设备的负荷变化特点,从而实现用电设备的负荷精准,不但于提高用户侧的用电经济性,更有助于电网调度机构制定发电计划以实现供需平衡,有利于大大提高电力系统运行的安全性和经济性。
技术实现思路
:本专利技术要解决的技术问题:提供一种家庭用电设备负荷预测方法,以解决现有技术对电力负荷预测由于电力负荷的复杂性和多变性,传统的负荷预测方法均存在一定的缺陷,很难建立精准的模型对其进行预测等技术问题。本专利技术技术方案:一种家庭用电设备负荷预测方法,它包括:步骤1、收集表征家庭用电设备所处各种环境状态的环境数据;步骤2、收集家庭用电设备在各种环境状态下的用电负荷数据;步骤3、对收集的用电负荷数据进行数据清洗;步骤4、对经过数据清洗后的用电负荷数据进行属性值编码处理,形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据;步骤5、构建一个以上自编码器模型,依次初始化自编码器模型参数;步骤6、利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据,依次训练每个自编码器模 ...
【技术保护点】
一种家庭用电设备负荷预测方法,它包括:步骤1、收集表征家庭用电设备所处各种环境状态的环境数据;步骤2、收集家庭用电设备在各种环境状态下的用电负荷数据;步骤3、对收集的用电负荷数据进行数据清洗;步骤4、对经过数据清洗后的用电负荷数据进行属性值编码处理,形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据;步骤5、构建一个以上自编码器模型,依次初始化自编码器模型参数;步骤6、利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据,依次训练每个自编码器模型;步骤7、将经过训练后的所有自编码器模型依次首尾级联堆叠,并采用多元分类器作为输出层,搭建出深度堆叠自编码器模型;步骤8、对深度堆叠自编码器模型进行初始化参数设置;步骤9、利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据,对深度堆叠自编码器模型进行深度训练;步骤10、利用训练好的深度堆叠自编码模型,输入家庭用电设备所处环境状态的环境数据,通过深度堆叠自编码器模型实现家庭用电设备的用电负荷预测。
【技术特征摘要】
1.一种家庭用电设备负荷预测方法,它包括:步骤1、收集表征家庭用电设备所处各种环境状态的环境数据;步骤2、收集家庭用电设备在各种环境状态下的用电负荷数据;步骤3、对收集的用电负荷数据进行数据清洗;步骤4、对经过数据清洗后的用电负荷数据进行属性值编码处理,形成带属性值编码的用电负荷数据和不带属性值编码的用电负荷数据;步骤5、构建一个以上自编码器模型,依次初始化自编码器模型参数;步骤6、利用不带属性值编码的用电负荷数据作为各个自编码器模型的训练数据,依次训练每个自编码器模型;步骤7、将经过训练后的所有自编码器模型依次首尾级联堆叠,并采用多元分类器作为输出层,搭建出深度堆叠自编码器模型;步骤8、对深度堆叠自编码器模型进行初始化参数设置;步骤9、利用带属性值编码的用电负荷数据作为深度堆叠自编码器模型的训练数据,对深度堆叠自编码器模型进行深度训练;步骤10、利用训练好的深度堆叠自编码模型,输入家庭用电设备所处环境状态的环境数据,通过深度堆叠自编码器模型实现家庭用电设备的用电负荷预测。2.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤1所述收集表征家庭用电设备所处各种环境状态的环境数据它包括光照强度、温度、湿度以及PM2.5颗粒物数据;用公式:S={S1,S2,S3,S4}表示;式中:S表示环境数据集,一个数据集中四种数据的组合表示一种环境状态;S1表示光照强度数据;S2表示温度数据;S3表示湿度数据;S4表示PM2.5颗粒物数据。3.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤2所述的用电负荷数据包括有功负荷数据和无功负荷数据;表述如下:L={L1,L2,L3,L4,L5,L6,L7,L8,L9,L10}={冰箱,空调,洗衣机,电视机,电脑、日光灯,电风扇,热水器,饮水机,电饭锅}用电负荷数据:D={D1,D2,D3,D4,D5,D6,D7,D8,D9,D10}Di=[Pi,Qi]′,(i=1,2,...10)式中:L表示由10台典型家庭用电设备组成的设备集合;Li表示L中第i台家庭用电设备,i=1,2,...,10;D表示10台典型家庭用电设备在各种环境状态下的用电负荷数据集合;Di表示L中第i个家庭用电设备Li在各种环境状态下的用电负荷数据,包括有功用电负荷数据Pi和无功用电负荷数据Qi,i=1,2,...,10;Di由用电设备连续一年365天的日用电负荷数据组成。4.根据权利要求1所述的一种家庭用电设备负荷预测方法,其特征在于:步骤3所述对收集的用电负荷数据进行数据清洗,包括填写空缺数据、替换噪声数据和去除重复数据;对每个家庭用电设备的用电负荷数据Di,根据拉格朗日三次多项式插值法,填写空缺数据和替换噪声数据;具体如下:d'=li*di+lj*dj+lk*dkli=((x'-xj)*(x'-xk))/((xi-xj)*(xi-xk))lj=((x'-xi)*(x'-xk))/((xj-xi)*(xj-xk))lk=((x'-xi)*(x'-xj))/((xk-xi)*(xk-xj))式中:di、dj、dk表示某个用电负荷数据Di中的第i...
【专利技术属性】
技术研发人员:谈竹奎,徐长宝,刘斌,王冕,
申请(专利权)人:贵州电网有限责任公司电力科学研究院,
类型:发明
国别省市:贵州,52
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。