本申请涉及用电负荷预测技术领域，公开一种用于预测用电负荷的方法方法，包括：获取预设时期内多个家用电器的用电负荷数据，以及与用电负荷数据所对应的环境变量数据，并对用电负荷数据和环境变量数据进行预处理；将预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据；将预处理后的用电负荷数据、时间属性数据以及目标气象数据整合形成最终数据集，然后输入到神经网络，建立预测模型；将实际环境变量数据输入到预测模型得到用电负荷的预测值。该预测模型结合了时间属性以及关联度较大的气象因素，能够对非线性的用电负荷序列进行较为准确的预测。本申请还公开一种用于预测用电负荷的装置。还公开一种用于预测用电负荷的装置。还公开一种用于预测用电负荷的装置。
【技术实现步骤摘要】
用于预测用电负荷的方法及装置
[0001]本申请涉及用电负荷预测
，例如涉及一种用于预测用电负荷的方法及装置。
技术介绍
[0002]目前，随着电力系统的现代化发展，信息时代的电力系统的目标转向为每一个用户提供高质量、高可靠、高效率、低成本的电力服务。为了实现这一目标，智能的电力系统应该能够掌握和了解每个用户的用电行为习惯，提前掌握用户的用电需求，从而在不同的用电时段针对每个用户的需求进行科学高效地配供电。这就要求系统发电应该随时都和系统负荷的变化保持动态平衡，而系统未来负荷变化的获取是通过负荷来实现的，因此，用电负荷的准确预测就显得十分重要。
[0003]实践中，家庭用电预测能够帮助我们了解到某一区域内潜在的用电规律，例如用电高峰期和用电低峰期。在用电高峰时间段到来之前，电力系统能够提前进行电力储备和调度来满足用电高峰期的用电需求，提高用电效率，削峰填谷，平滑电网负荷曲线，减轻电网负荷压力。事实上，这种负荷预测对于电力系统的现代化和智能化来说都很重要，其对于配用电的调度计划，成本收益分析，电价指定等都有指导性作用，能有效地提升用电效益，有助于经济发展。
[0004]电力负荷预测的目的就是提供负荷的发展状况和水平，电力负荷的预测不仅能使用户节省能源，而且有益于提高电网本身的效率，减少尖峰时刻的用电量，达到合理调配电能的目的。确定各供电地区的供电电量，生产规划等。
[0005]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：现有的用电预测算法通常基于线性分析，无法准确预测非线性负荷序列。
技术实现思路
[0006]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0007]本公开实施例提供了一种用于预测用电负荷的方法及装置，以解决现有的用电预测方法无法准确预测非线性负荷序列的技术问题。
[0008]用于预测用电负荷的方法，包括：
[0009]获取预设时期内多个家用电器的用电负荷数据，以及与用电负荷数据所对应的环境变量数据，环境变量数据包括时间属性数据以及气象数据，并对用电负荷数据和环境变量数据进行预处理；
[0010]将预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据；
[0011]将预处理后的用电负荷数据、预处理后的时间属性数据以及目标气象数据整合形
成最终数据集，并将最终数据集输入到神经网络，建立基于组合神经网络的预测模型；
[0012]将实际环境变量数据输入到预测模型得到用电负荷的预测值。
[0013]用于预测用电负荷的装置，包括处理器和存储有程序指令的存储器，其特征在于，处理器被配置为在执行程序指令时，执行如前述实施例提供的用于预测用电负荷的方法。
[0014]用于预测用电负荷的装置，包括：
[0015]获取单元，被配置为获取预设时期内多个家用电器的用电负荷数据，以及与用电负荷数据所对应的环境变量数据，环境变量数据包括时间属性数据以及气象数据，并对用电负荷数据和环境变量数据进行预处理；
[0016]处理单元，被配置为对预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据；
[0017]建模单元，被配置为将预处理后的用电负荷数据、预处理后的时间属性数据以及目标气象数据整合形成最终数据集，并将最终数据集输入到神经网络，建立基于组合神经网络的预测模型；
[0018]操作单元，被配置为将实际环境变量数据输入到预测模型得到用电负荷的预测值。
[0019]本公开实施例提供的用于预测用电负荷的方法及装置，可以实现以下技术效果：通过获取用电负荷数据、环境变量数据，并对其进行预处理，然后对环境变量数据中的气象数据与用电负荷数据进行关联性分析，从中确定出与用电负荷数据关联较大的气象数据作为目标气象数据，再将目标气象数据与时间属性数据以及用电负荷数据构建成基于组合神经网络的预测模型，最终能够通过预测模型对用电负荷进行预测。该预测方法所建立的预测模型结合了时间属性以及关联度较大的气象因素，能够对非线性的用电负荷序列进行较为准确的预测。
[0020]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0021]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0022]图1是本公开实施例提供的一个用于预测用电负荷的方法的示意图；
[0023]图2是本公开实施例提供的另一个用于预测用电负荷的方法的示意图；
[0024]图3是本公开实施例提供的另一个用于预测用电负荷的方法的示意图；
[0025]图4是分别采用Conv1D
‑
LSTM神经网络、LSTM神经网络预测的用电负荷数据和真实用电负荷数据的对比图；
[0026]图5是本公开实施例提供的另一个用于预测用电负荷的装置的示意图；
[0027]图6是本公开实施例提供的另一个用于预测用电负荷的装置的示意图。
具体实施方式
[0028]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。
在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0029]本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
[0030]除非另有说明，术语“多个”表示两个或两个以上。
[0031]本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
[0032]术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
[0033]结合图1所示，本公开实施例提供一种用于预测用电负荷的方法，包括：
[0034]S10、获取预设时期内多个家用电器的用电负荷数据，以及与用电负荷数据所对应的环境变量数据，环境变量数据包括时间属性数据以及气象数据，并对用电负荷数据和环境变量数据进行预处理；
[0035]S20、将预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据；
[0036]S30、将预处理后的用电负荷数据、预处理本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于预测用电负荷的方法，其特征在于，包括：获取预设时期内多个家用电器的用电负荷数据，以及与所述用电负荷数据所对应的环境变量数据，所述环境变量数据包括时间属性数据以及气象数据，并对所述用电负荷数据和所述环境变量数据进行预处理；将预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据；将所述预处理后的用电负荷数据、预处理后的时间属性数据以及所述目标气象数据整合形成最终数据集，并将所述最终数据集输入到神经网络，建立基于组合神经网络的预测模型；将实际环境变量数据输入到所述预测模型得到用电负荷的预测值。2.根据权利要求1所述的方法，其特征在于，将预处理后的气象数据与预处理后的用电负荷数据进行关联性分析，确定目标气象数据，包括：确定预处理后的气象数据与预处理后的用电负荷数据的实际关联度；将实际关联度大于预设关联度的气象因素的气象数据作为目标气象数据。3.根据权利要求2所述的方法，其特征在于，所述实际关联度采用以下公式进行计算：其中，ε
oi
(k)为预处理后的各环境变量数据列X
i
(k)对预处理后的用电负荷数据列X0(k)在k时刻的关联度，n为数据列长度。4.根据权利要求3所述的方法，其特征在于，所述ε
oi
(k)采用以下公式进行计算：ε
oi
(k)＝(Δ
min
+ρΔ
max
)/Δ
i
(k)+ρΔ
max
其中，Δ
max
和Δ
min
分别为各时刻的预处理后的各环境变量数据列X
i
(k)和预处理后的用电负荷数据列X0(k)的绝对差的最大值和最小值；ρ为分辨系数，Δ
i
(k)为在k时刻预处理后的各环境变量数据列X
i
(k)和预处理后的用电负荷数据列X0(k)的绝对差。5.根...
【专利技术属性】
技术研发人员：孙雁，倪金，孙鲁宁，王俏俏，吴剑，
申请(专利权)人：青岛海尔创新科技有限公司海尔智家股份有限公司，
类型：发明
国别省市：
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。