一种基于负荷分解与深度学习的持续型电器负荷预测方法技术

本发明专利技术涉及一种基于负荷分解与深度学习的持续型电器负荷预测方法，其特征在于：包括以下步骤：S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据，提取持续型电器；S2、将STL用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；S3、构建GRU神经网络模型，并利用负荷分量以及气象因素、日历信息等对其进行训练；S4、将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三种负荷分量进行预测；S5、对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。本发明专利技术能实现更准确、更加精细化的持续型电器负荷预测。的持续型电器负荷预测。的持续型电器负荷预测。

【技术实现步骤摘要】
一种基于负荷分解与深度学习的持续型电器负荷预测方法


[0001]本专利技术属于用户负荷分析预测
，涉及一种持续型电器负荷预测方法，尤其是一种基于负荷分解与深度学习的持续型电器负荷预测方法。

技术介绍

[0002]负荷预测对电力系统的安全、稳定和经济运行有重要意义。按照预测规模，传统的负荷预测可分为系统级、变电站级、母线级、馈线级和建筑物级等。随着智能电表的普及，电力公司可以获得大量的居民用电信息，使居民级、电器级的负荷预测成为可能。准确的居民负荷预测可以应用于家庭能量管理系统，帮助用户了解自己的用电规律，进而实现节能减排；还能辅助电力公司制定合理的需求响应计划，优化发电方案，提升系统的供电能力与可靠性。然而，由于居民负荷与其用电行为密切相关，因此具有较强的随机性与不确定性，难以准确预测。
[0003]与传统负荷预测问题相比，居民的负荷预测具有更大的挑战性。变电站或节点的负荷规模较大，一般较为稳定。工商业用户的用电负荷受生产规律影响，往往可以分为几类典型的用电模式，规律性强。然而，居民负荷与用户的用电行为密切相关。由于家庭电器种类繁多，且负荷规模较小，因此居民负荷充满随机性与不确定性。传统负荷预测方法仅利用家庭总电表的负荷数据，难以挖掘用户的用电习惯，效果不佳。因此，只有先对电器设备级的负荷进行预测，才能掌握用户的用能规律。
[0004]近年来，电力公司大力推动了高级计量体系(AMI)的建设，同时人工智能技术(AI)的应用也显著提升非侵入式负荷监测(NILM)的准确性。在AMI和NILM的支持下，可以获得居民用户的设备级负荷数据，使精细化的居民负荷预测成为可能。由于用户用电习惯和电器设备工作原理的差异性，电器的负荷曲线呈现出多样化的特点。例如，冰箱和空调等电器设备的负荷曲线具有较强的波动性，使其负荷规律不易把握；而微波炉和吹风机等具有明显开关特性的设备，其负荷曲线与用户行为密切相关。例如，女性通常会在洗发后使用吹风机和电夹板，烤箱和面包机的使用也具有某种潜在关联。因此，有必要在电器层面进行负荷特性分析，改善负荷曲线的规律性，同时挖掘设备间的相关性，从而实现更加精细化的居民负荷预测。
[0005]经检索，未发现与本专利技术相同或相似的现有技术的专利文献。

技术实现思路

[0006]本专利技术的目的在于克服现有技术基于经验而理论支撑体系不足，提出一种基于负荷分解与深度学习的持续型电器负荷预测方法，能够充分细化负荷曲线的规律，降低深度学习模型学习负荷特征的难度，从而实现更准确、更加精细化的持续型电器负荷预测。
[0007]本专利技术解决其现实问题是采取以下技术方案实现的：
[0008]一种基于负荷分解与深度学习的持续型电器负荷预测方法，包括以下步骤：
[0009]S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义K指数，并对
该居民用户的电器设备进行分类，提取持续型电器；
[0010]S2、将STL用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；
[0011]S3、构建GRU神经网络模型，并利用负荷分量以及气象因素、日历信息等对其进行训练；
[0012]S4、将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三种负荷分量进行预测；
[0013]S5、对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。
[0014]而且，所述步骤S1的具体方法为：
[0015]定义K＝T
on
/T
all
，T
on
为一定时间周期内电器的累计开启时长，T
all
为该周期的总时长；设置K的阈值设定为0.8，K大于0.8时为持续型电器，K小于0.8时为间歇型电器。
[0016]而且，所述S2的具体方法为：
[0017]采用STL算法将持续型电器的负荷曲线分解为以下三个分量：
[0018](1)趋势分量(T
t
)：表示负荷曲线的长期变化趋势。
[0019](2)周期分量(S
t
)：表示负荷曲线的周期性成分，本专利技术将一天设为一个时间周期。
[0020](3)剩余分量(R
t
)：表示负荷曲线中随机的、不规律的分量。
[0021]对于负荷曲线Y有：
[0022]Y
t
＝T
t
+S
t
+R
t t＝1,...,N
[0023]式中，N表示负荷曲线中数据点的数目。
[0024]而且，所述步骤S3的GRU神经网络模型为三层GRU深度学习网络，模型中GRU神经元数量分别为128、64、64，每层GRU后添加Dropout层使神经元随机失活；最后经过全连接层Dense层将隐藏层特征压缩为1个点，实现对某时刻的负荷预测；
[0025]其中，GRU模型的表达式为：
[0026]z
t
＝σ(ω
z
·
[h
t
‑1,x
t
]+b
z
)
[0027]f
t
＝σ(ω
f
·
[h
t
‑1,x
t
]+b
f
)
[0028][0029][0030]其中，z
t
、f
t
分别为重置门和更新门的输出，h
t
‑1、x
t
分别为上个单元的输出与当前时刻的输入，h
t
为当前时刻的输出，σ(
·
)为Sigmoid激活函数，tanh(
·
)为Tanh激活函数，
⊙
表示矩阵对应位置相乘。
[0031]而且，所述步骤S3中GRU神经网络的训练方法为：
[0032]将步骤S2中经过负荷分解的电器历史负荷分量作为训练所用的样本集，具体的：将步骤S2中经过分解的负荷分量均分割成多个样本，每个样本后一天作为网络的标签和评估模型时的参考值，在各样本集上分别训练步骤S2中电器的三个负荷分量，得到对应的深度神经网络模型。
[0033]本专利技术的优点和有益效果：
[0034]1、本专利技术提出一种基于负荷分解与深度学习的持续型电器负荷预测方法，包括如
下步骤：获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义K指数，并对该居民用户的电器设备进行分类，将电器分为持续型和间歇型两类；将季节性趋势分解(Seasonal and Trend decomposition using Loess，STL)用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；构建门控循环单元(Gate Recurrent Unit，GRU)网络，并利用负荷分量以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷分解与深度学习的持续型电器负荷预测方法，其特征在于：包括以下步骤：S1、获取居民用户的智能电表负荷数据以及设备级的负荷数据，定义K指数，并对该居民用户的电器设备进行分类，提取持续型电器；S2、将STL用于持续型电器的负荷曲线，将其历史负荷曲线分解为趋势分量、周期分量和剩余分量三部分，从而细化负荷曲线的规律；S3、构建GRU神经网络模型，并利用负荷分量以及气象因素、日历信息对其进行训练；S4、将历史持续型电器负荷分量数据输入到训练好的模型中，对持续型电器的三种负荷分量进行预测；S5、对三种负荷分量的预测结果进行叠加，得到持续型电器的负荷预测结果。2.根据权利要求1所述的一种基于负荷分解与深度学习的持续型电器负荷预测方法，其特征在于：所述步骤S1的具体方法为：定义K＝T
on
/T
all
，T
on
为一定时间周期内电器的累计开启时长，T
all
为该周期的总时长；设置K的阈值设定为0.8，K大于0.8时为持续型电器，K小于0.8时为间歇型电器。3.根据权利要求1所述的一种基于负荷分解与深度学习的持续型电器负荷预测方法，其特征在于：所述S2的具体方法为：采用STL算法将持续型电器的负荷曲线分解为以下三个分量：(1)趋势分量(T
t
)：表示负荷曲线的长期变化趋势；(2)周期分量(S
t
)：表示负荷曲线的周期性成分，本发明将一天设为一个时间周期；(3)剩余分量(R
t
)：表示负荷曲线中随机的、不规律的分量；对于负荷曲线Y有：Y
t
＝T
t
+S
t
+R
t t＝1,...,N式中，N表示负荷曲线中数据...

【专利技术属性】
技术研发人员：邓欣宇，王小璇，李艳，韩斌，黄旭，刘延博，李宇，张军，宗烨琛，刘伟，高强伟，杨国朝，徐智，杨得博，赵长伟，骈睿珺，刘志超，刘扬，王治博，张晓航，
申请(专利权)人：国家电网有限公司国网天津市电力公司城东供电分公司，
类型：发明
国别省市：