[发明专利]一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法

说明书

本发明涉及一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，包括以下步骤：采集历史用能数据；收集楼宇中每一用户每日的历史用能数据，获得每一用户的历史日负荷曲线；用能行为分类；采用K‑Means聚类算法对所有用户的历史日负荷曲线进行聚类，通过计算轮廓系数和DBI指数确定聚类的最佳簇个数K，得到K个聚类结果，并分别对每个聚类结果中的数据添加用户用能行为标签；训练预测模型；根据聚类结果，构建K个LSTM神经网络，以各聚类结果中用户的历史日负荷曲线作为训练样本分别对各LSTM神经网络进行训练，得到K个用能行为预测模型；利用训练好的K个用能行为预测模型对未来楼宇中任一用户的用能行为进行预测。

技术领域

本发明涉及一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，属于用电行为预测技术领域。

背景技术

精确的楼宇负荷预测是实现楼宇电力负荷系统安全经济运行和智能化科学管理的基础，以“互联网+”为核心的智慧楼宇将成为能源服务商开展用户侧服务管理的重要方向之一，因而对用户用能行为的分析和预测是能源供应商适应用户用能需求增长和用能方式多元化趋势的重要途径，同时也为用户制定个性化用能方案提供了必要手段。因此，对用户侧用能行为进行深人分析显得十分迫切。

随着我国能源供给侧结构性改革的不断推进，用户负荷的类型和影响因素日益增多。在电力市场化环境下，用户用能行为、用户对激励政策的响应程度以及城市发展状况等都增加了用电模式的复杂性。然而，现阶段基于人工智能的负荷预测方法多为传统的BP神经网络，难以很好地处理这种复杂环境下输入和输出之间的关系。同时，电力系统信息化水平的提高，通过多种测量系统获取海量配用电信息，给负荷预测准确性的进一步提高带来了机遇，对这些数据的的有效分析成为提高电力负荷预测精度的关键。此外，随着智能监测设备和信息技术的不断发展，大规模、结构复杂以及高度实时性的能耗系统数据将不断涌现，以机器学习算法和大数据运算平台为主的实时数据快速分析决策将会成为最有效的手段。因此，基于多源异构大数据分析的用户用能行为预测分析，可实现综合能源系统用户侧用能信息的有效挖掘利用。随着国家节能减排进程的不断深入，分析用户用能行为规律将成为在满足用户个性化需求的同时实现能源利用率最大化的必要前提。

电力负荷数据具有时序性和非线性的特点，围绕其特点，国内外对短期电力负荷预测模型的研究一般分为两类，一类是时间序列分析方法，如回归分析法、指数平滑模型法、卡尔曼滤波法、多元线性回归法、傅里叶展开法模型和自回归积分滑动平均模型等，基本思想都是从随机时间序列的过去负荷值及现在负荷值来预测未来负荷值，第二类是机器学习分析方法，如反向传播(BP)神经网络预测、灰色投影和随机森林算法、深度信念网络预测、多核支持向量机算法来回归预测等。

时间序列分析法本质上是统计学方法，它的优点在于考虑了数据的时序性关系，对一些随时间线性变化的数据可以有效预测发展规律，但对于非线性关系数据的预测能力有限。BP神经网络本质上是对线性权函数的逼近，指的是利用函数中的一些线性参数的变动来对要识别的模式或者函数进行某种逼近。这种方法在识别输入和输出前后的数据不相关时才有效，但是在识别前后有关联的数据时，如果不把前一个数据作为后一个数据的输入变量的话，本质上该算法无法挖掘到数据产生的模式。其存在的问题在于缺少对时序数据时间相关性的考虑，需要人为添加时间特征来保证预测的结果。

基于挖掘时间序列数据内部模式的需求，出现了循环神经网络(RNN)，使得输入之间相互关联。长短期记忆(LSTM)网络是一种有效的非线性循环神经网络，由于兼顾考虑了数据的时序性和非线性关系，被逐渐运用在负荷预测领域。

发明内容

为了解决上述现有技术中存在的问题，本发明提出了一种基于LSTM神经网络的智慧楼宇用户用能行为预测方法，采集楼宇每个用户的历史日负荷曲线并进行聚类，得到K类典型的历史日负荷曲线，并通过K类历史日负荷曲线分别对K个LSTM神经网络进行训练，得到K个用能行为预测模型，实现对楼宇特定用户的短期负荷预测。

本发明的技术方案如下：