[发明专利]一种基于深度学习的智能楼宇微网负荷预测的方法

说明书

技术领域

本发明涉及智能楼宇微网负荷预测，特别涉及一种基于深度学习的智能楼宇微网负荷预测的方法。

背景技术

目前，楼宇是世界上最大的能源用户之一，对智能楼宇微网负荷预测具有重要的学术意义和工程意义；对智能楼宇微网进行预测能够减少资源浪费，保护环境，它是在电力行业中重要的关键部分，同时指导发电企业进行生产，使电力市场正常稳定运行；因此，负荷预测对于研究电力系统的运行发展状况起着十分重要的作用，是正确决策的根本保证，并能够对电力系统中的规划、用电以及调度等起到关键性的作用。

负荷预测精度关系到国家电网指导发电公司如何履行发电生产，从而影响电网企业的经济效益；迄今为止，研究负荷预测的方法有经典预测方法和人工智能预测方法：传统的经典预测方法包括趋势外推预测技术、时间序列预测技术、回归分析技术、频域分量预测技术等，它们模型简单，运行速度快，但这些方法无法处理复杂多变的负荷情况，预测精度普遍偏低；人工智能预测方法包括极限学习机预测技术、支持向量机预测技术、神经网络预测技术，这些方法属于浅层的机器学习方法，虽然预测精度有一定程度的提高，但还是无法处理越来越多的智能楼宇微网居民用电大数据的涌现。

为了能够解决智能楼宇微网居民用电大数据负荷的高准确度和精度预测，将深度学习中的卷积神经网络(CNN)应用在智能楼宇微网负荷预测是一个新的尝试；卷积神经网络(CNN)有着非常优秀的深度学习能力，其容错能力和并行处理能力都较好，且具有运行速度快、高正确率等优势；网络(CNN)面对大量的数据时有着很强的描述能力，能够提取出大量数据样本潜藏的本质特征，利用其多层的结构特点，经过每层都进行特征数据的提取，这一特性提高了特征提取的鲁棒性同时降低了网络使用的复杂性。

发明内容

针对智能楼宇微网居民用电大数据的涌现，提高智能楼宇微网负荷预测的高精度，本发明公开了一种基于深度学习的智能楼宇微网负荷预测的方法；将深度学习中的卷积神经网络应用在大数据的负荷预测中，提高智能楼宇微网的负荷预测精度，并方便居民用户做出合理的用电决策。

为实现上述目的，本发明采用如下技术方案：

一种基于深度学习的智能楼宇微网负荷预测的方法，步骤如下：

步骤1：智能楼宇微网居民用电负荷数据的采集

由智能楼宇微网设备用电采集平台进行负荷采集，将采集到的负荷大数据分为训练样本和预测样本，并将两个样本的数据进行预处理；

步骤2：对预测模型进行训练

将预处理好的训练样本输入到卷积神经网络模型中进行监督学习的训练，训练达到最优的训练参数后停止，并保存最优训练参数；

步骤3：负荷预测

经训练后得到最优的训练参数后，将预测样本输入到卷积神经网络预测模型中，进行智能楼宇微网居民用电的负荷预测；

步骤4：优化调度

将预测后的负荷信息经过整理后反馈给居民用户，居民用户可以使用设定好的手机APP或网页查看相关的参数以及建议，方便居民用户对用电决策做出合理的优化调度；

附图说明

下面结合附图对本发明进行进一步的说明

图1为本发明的整个系统模型结构图

图2为本发明的卷积神经网络监督学习训练过程流程图

图3为本发明的卷积神经网络预测模型流程图

图4为本发明的Sigmoid非线性激活映射图

具体实施方式:

如图1所述，整个系统分为四层模型，感知层作为系统的采集控制节点，采集智能楼宇微网居民用电设备的电压、电流、负荷等数据，以及天气、温度和地理坐标等信息；通过传输层即系统的网关将这些信息传输到数据层；感知层和数据层构成了智能楼宇微网居民用电设备采集平台，包括电源模块、电压电流采样模块、电能质量计算模块以及CC3200—WiFi通信模块；智能楼宇微网居民用电采集平台通过采集各类家电用电的各项数据，利用家庭局域网上传至数据层；数据层作为系统的数据库服务器，通过建立数据库可以实时分析负荷特征以及对数据进行预处理；应用层是系统的应用终端，智能楼宇微网居民用电负荷通过卷积神经网络进行预测，将预测的信息进行处理后反馈给用户，居民用户可以使用设定好的手机APP或网页查看相关的参数以及建议，以帮助用户做出合理的用电决策，可有效减少电力能源的浪费，提高用电效率。