[发明专利]基于深度学习的智慧小区用电量实时预测方法及装置

权利要求书

1.一种基于深度学习的智慧小区用电量实时预测方法，其特征在于，包括以下步骤：

(1)获取待预测小区的历史用电量数据；

(2)在分布式实时处理框架Storm上构建包括(1)的用电量数据库；

(3)利用(2)中的用电量数据库对卷积神经网络进行训练，得到卷积神经网络模型及权重矩阵；具体包括以下步骤：

将各个小区用电量数据分别发送到Storm平台下的bolt组件，并构建各个小区的小区用电量数据库；

将小区用电量数据库中的数据输入人工神经网络，使用人工神经网络默认参数进行卷积神经网络训练；

根据训练中间结果，对默认参数初始权值、训练速率、迭代次数进行不断调整，直到得到最优的人工神经网络网络参数，提取最优的权重矩阵，用该权重矩阵对用电量进行计算预测会得到最好的预测效果；将训练好的权重矩阵模型分别布置在Storm的数据处理组件bolt上；

(4)将待预测小区当前一定时间段的用电量数据输入(3)中的卷积神经网络模型，得到预测用电量结果；

所述分布式实时处理框架的多个数据源输入组件spout作为父节点，多个数据处理组件bolt作为子节点；

数据源输入组件spout与所述用电量数据库相连，并将待预测地区当前时间段内的用电量数据分发给各个指定的数据处理组件bolt，具体的，数据源输入组件spout将采集于各个小区的历史用电量数据分发给其下属各个数据处理组件bolt，每个数据处理组件bolt通过(3)中的卷积神经网络模型，对待预测地区当前时间段内的用电量进行预测；

采用GPU调度算法，对所述数据处理组件bolt占用GPU资源的进程进行监控和调度；当某一进程占用GPU资源超过设定值时，将所述进程分配到其他数据处理组件bolt上。

2.根据权利要求1所述的方法，其特征在于：每个父节点均与子节点相连，在数据源输入组件spout上构建所述用电量数据库，在数据处理组件bolt上布置(3)中的卷积神经网络模型。

3.根据权利要求1所述的方法，其特征在于：所述卷积神经网络采用三层结构，分别为输入层、隐含层和输出层。

4.根据权利要求3所述的方法，其特征在于：所述隐含层包括依次相连的两个LSTM层和一个全连接层。

5.根据权利要求1所述的方法，其特征在于：所述卷积神经网络具有初始权值、初始训练速率和初始迭代次数，利用(2)中的用电量数据库对上述参数进行训练，得到目标卷积神经网络模型。

6.根据权利要求5所述的方法，其特征在于：所述目标卷积神经网络模型具有目标权重矩阵，(4)中将待预测小区当前时间段内的用电量数据输入所述目标权重矩阵中，得到预测用电量结果。

7.一种基于深度学习的智慧小区用电量实时预测装置，其特征在于，包括：

获取单元，用于获取待预测小区历史用电量数据；

用电量数据库构建单元，用于对所述用电量数据构建在分布式实时处理框架Storm上；

卷积神经网络模型构建单元，用于根据所述用电量数据对卷积神经网络进行训练，构建卷积神经网络模型，具体包括以下步骤：

将各个小区用电量数据分别发送到Storm平台下的bolt组件，并构建各个小区的小区用电量数据库；

将小区用电量数据库中的数据输入人工神经网络，使用人工神经网络默认参数进行卷积神经网络训练；

根据训练中间结果，对默认参数初始权值、训练速率、迭代次数进行不断调整，直到得到最优的人工神经网络网络参数，提取最优的权重矩阵，用该权重矩阵对用电量进行计算预测会得到最好的预测效果；将训练好的权重矩阵模型分别布置在Storm的数据处理组件bolt上；

预测单元，结合所述卷积神经网络模型构建单元，根据待预测小区当前一定时间段的用电量数据预测该小区未来短期用电量；

所述分布式实时处理框架的多个数据源输入组件spout作为父节点，多个数据处理组件bolt作为子节点；

数据源输入组件spout与所述用电量数据库相连，并将待预测地区当前时间段内的用电量数据分发给各个指定的数据处理组件bolt，具体的，数据源输入组件spout将采集于各个小区的历史用电量数据分发给其下属各个数据处理组件bolt，每个数据处理组件bolt通过卷积神经网络模型，对待预测地区当前时间段内的用电量进行预测；

采用GPU调度算法，对所述数据处理组件bolt占用GPU资源的进程进行监控和调度；当某一进程占用GPU资源超过设定值时，将所述进程分配到其他数据处理组件bolt上。