[发明专利]一种家庭电力负荷预测方法及系统

说明书

本发明公开了一种家庭电力负荷预测方法及系统，通过获取家庭电力负荷基础数据，并进行预处理，构成数据集，构造自适应卷积神经网络模型，将所述数据集划分为训练集、验证集和测试集，通过训练集反复训练以及验证集和测试集的微调，得到最终确立的自适应卷积神经网络模型，通过在最终确立的自适应卷积神经网络模型中输入家庭负荷基础数据，预测任意时刻未来单位时间内的家庭电力负荷，可以有效提升家庭负荷预测的精度。

技术领域

本发明涉及领域，特别是指一种家庭电力负荷预测方法及系统。

背景技术

随着智能电表的普及，大量细粒度的用电数据被收集起来，这使得家庭用户级的负荷预测变成可能。与国家、区域等总负荷相比，家庭用户负荷预测具有不平稳性和随机性。针对这一问题，在过去一些年中已经提出了各种新的电力负荷预测技术。由于用户行为的不确定性以及外部影响因素的非线性，家庭级负荷预测已经成为电力市场实体面临的最具挑战的任务之一；

研究人员提出了不同的短期负荷预测方法，使用历史负荷数据和天气数据作为输入对整体系统负荷进行预测，通常采用时间序列分析方法进行预测，具体为获取时间序列动态数据，应用数理统计方法加以处理，以预测未来家庭电力负荷的发展；

然而由于家庭级负荷波动较大，时间序列分析方法的未来家庭电力负荷往往会产生较大的偏差，准确度较低。

发明内容

有鉴于此，本发明的目的在于提出一种家庭电力负荷预测方法及系统。

基于上述目的本发明提供的一种家庭电力负荷预测方法，包括以下步骤：

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。

优选地，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。

优选地，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。

优选地，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。

优选地，增加核偏移参数后的卷积神经网络模型为：