[发明专利]一种家庭电力负荷预测方法及系统

权利要求书

1.一种家庭电力负荷预测方法，其特征在于，所述方法包括：

获取家庭电力负荷基础数据；

将家庭电力负荷基础数据划分为训练集、验证集和测试集；

在预设的自适应卷积神经网络模型中增加核偏移参数；

将训练集输入增加核偏移参数的自适应卷积神经网络模型，对增加核偏移参数的自适应卷积神经网络模型进行反复训练直到收敛；

利用验证集和训练集对训练后的自适应卷积神经网络模型进行微调；

确定目标时刻，在获取的家庭电力负荷基础数据中筛选出所述初始时刻之前的基础数据，作为历史数据；

将所述历史数据输入微调后的自适应卷积神经网络模型，预测目标时刻未来单位时间内的家庭电力负荷。

2.根据权利要求1所述的家庭电力负荷预测方法，其特征在于：所述家庭电力负荷基础数据包括某地区单个家庭负荷数据、该地区每日最高气温和每日最低气温，以及节假日数据。

3.根据权利要求1所述的家庭电力负荷预测方法，其特征在于，所述将家庭电力负荷基础数据划分为训练集、验证集和测试集之前，还包括：

对所述家庭电力负荷基础数据进行预处理；

所述预处理包括但不限于，

对家庭电力负荷基础数据进行归一化处理；

对家庭电力负荷基础数据中的缺失值进行均值插补处理；

清除冗余数据；

将家庭电力负荷基础数据依时间先后顺序形成输入向量序列。

4.根据权利要求1所述的家庭电力负荷预测方法，其特征在于，所述预设的自适应卷积神经网络模型为：

其中，K为卷积核，y为输出序列，d₀为输出序列上的位置，w为权重，x为输入向量序列，d_n为卷积核上的每一个位置。

5.根据权利要求1所述的家庭电力负荷预测方法，其特征在于，增加核偏移参数后的卷积神经网络模型为：

其中为卷积核，Δd为卷积核的核偏移，y为输出序列，d₀为输出序列上的位置，w为权重，x为输入向量序列，d_n为卷积核上的每一个位置。

6.根据权利要求1所述的家庭电力负荷预测方法，其特征在于，将所述历史数据输入微调后的自适应卷积神经网络模型，预测目标时刻未来单位时间内的家庭电力负荷之前，还包括：

采用分位数损失函数对微调后的自适应卷积神经网络模型进行修正。

7.根据权利要求6所述的家庭电力负荷预测方法，其特征在于，所述分位数损失函数为：

其中q为目标的分位数，代表t时刻第q个分位数的预测值，n代表序列的长度，t代表任意时刻，true_t代表t时刻的真实负荷，pred_t代表t时刻的预测值。

8.根据权利要求1所述的家庭电力负荷预测方法，其特征在于，所述将家庭电力负荷基础数据划分为训练集、验证集和测试集，包括：

按照0.8:0.1:0.1的划分比例将家庭电力负荷基础数据划分为训练集、验证集和测试集。

9.一种家庭电力负荷预测系统，其特征在于，包括：

数据源模块，用于获取家庭电力负荷基础数据；

预处理模块，用于对所述家庭电力负荷基础数据进行预处理，构成数据集；

数据划分模块，用于将所述数据集划分为训练集、验证集和测试集；

模型构建模块，用于构造自适应卷积神经网络模型；

模型训练模块，用于将训练集输入所述自适应卷积神经网络模型，对所述自适应卷积神经网络模型进行反复训练直到收敛；

模型修正模块，利用验证集和测试集对训练后的自适应卷积神经网络模型进行微调，得到最终确立的自适应卷积神经网络模型；

预测模块，用于在最终确立的自适应卷积神经网络模型中输入任意时刻之前的家庭负荷基础数据，预测该时刻未来单位时间内的家庭电力负荷。