[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

说明书

本发明涉及一种基于深度学习的智慧小区用电量实时预测方法及装置，方法包括以下步骤：（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；（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，本发明的有益效果是通过人工神经网络提取小区用电量数据库的最优权重，有效地提高了检测的准确率；并在Storm的基础上，实行并行小区用电量预测，达到实时预测的目的。

技术领域

本发明涉及人工智能技术，具体涉及一种基于深度学习的智慧小区用电量实时预测方法及装置。

背景技术

深度学习是目前机器学习发展的最高度，人工神经网络作为深度学习中的一种方法，在物体识别、图像处理等领域有着较高的效果。对于时间序列预测，人工神经网络有着可以自动学习时间序列特征的优势，减少人工干预，提取出高质量的特征，由于深度学习的方法可能消耗大量的GPU资源，计算量过大可能达不到实际应用场景中实时的效果，为了解决大数据实时处理问题，分布式实时处理框架Storm应运而生，Storm有许多应用领域，包括实时分析、在线机器学习、信息流处理、连续性的计算、分布式RPC和ETL等。

准确的用电量预测对智慧小区用电规划和用电决策有着重要的意义，在研究不同小区用电特性的基础上开展用电量预测，可以帮助电力企业更好的了解小区个性化服务需求，为未来电网发展及电力需求侧相应政策的制定提供数据支撑。随着我国社会经济的持续发展以及产业结构的不断调整，电力用户的用电特征正呈现多样化发展趋势，小区用户的用电特性多样化对传统的用电量预测方法提出了新的挑战，有鉴于此，急需解决小区用电量预测准确率较低和速率较低的问题。

发明内容

本发明为了解决上述问题，提出了一种基于深度学习的智慧小区用电量实时预测方法，应用于用小区电量预测过程，可实现实时用电量预测的目的。

为了实现上述目的，本发明采用如下方案：

一种基于深度学习的智慧小区用电量实时预测方法，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；

（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。

本技术方案的有益效果是通过人工神经网络提取小区用电量数据库的最优权重，有效地提高了检测的准确率；利用Storm并行小区用电量预测，达到实时预测的目的，有效的提高了小区用电量预测的效率。

进一步的，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；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。

进一步的，所数据源输入组件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，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。

进一步的，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。

进一步的，所述隐含层包括依次相连的两个LSTM层和一个全连接层。

进一步的，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。