[发明专利]面向能源管理的在家人数预测方法、系统、设备和介质

说明书

本发明公开了一种面向能源管理的在家人数预测方法、系统、设备和介质，包括：首先获取数据并对数据进行处理，数据主要包括家庭成员信息、家庭用电数据、成员离家距离数据和气象数据等；然后，构建并用获取的数据训练由3层LSTM组成的基于用电数据的在家人数预测模型、由4层LSTM组成的基于成员离家距离的在家人数预测模型；接着，构建并训练由4层DNN组成的在家人数集成预测模型，最终实现在家人数逐小时预测。本发明采用了集成学习方法，利用不同模型、不同侧面的在家人数预测结果，合成最终的预测结果，与用单一的方法进行预测相比，提高了预测方法的精度。

技术领域

本发明涉及能源管理技术领域，特别是涉及一种面向能源管理的 在家人数预测方法、系统、设备和介质。

背景技术

家庭能耗占社会总能耗的30％左右，传统的家庭能源系统采用粗放 的控制方式，无论在家人数的多少，甚至是没人在家时，热水器、暖 气、开水器等设备都按跟踪设定值的方式运行，这种方法的本质是用 冗余来实现对用户需求的满足，造成了很大的能源浪费，也存在一些 安全隐患。随着智能家电、智能插座、智能开关等设备不断进入家庭， 为家庭进行能源管理，提升节能和安全水平提供了契机。

家庭能源系统控制的一个重要目的是用户满意，也就是满足用户 舒适性，显然用户是否在家、有多少人在家对家庭能源系统的控制与 运行有重要影响，以热水器为例，有较多的人在家时，热水的温度需 维持在较高的温度，以满足多人的热水需求，而在家人数少时，热水 的温度可以较低，以避免热耗，而无人在家时，热水器可以维持更低 的水温，甚至不烧制热水，因而基于在家人数确定系统的控制方案， 能促进节约大量能量。另一方面，家庭能耗的相当大部分因人的行为 而产生，预测家庭各时段在家人数，有助于预测居民能耗，为家庭侧 智能配用电提供更完善的信息支撑。

目前，家庭在家人数的预测研究尚不多见，而景区、机场、医院、 路口、车站等公众场合的人数预测研究者较多。总体上，这些人数预 测的方法分为自回归模型、传统机器学习方法、深度学习方法。这些 方法目前主要聚焦于人数时间序列特性、社会环境因素的特征和趋势， 进而预测未来时段上的人数。公共场合的人数是大量个体活动的结果， 背后隐含社会动力学规律，其自身有相对稳定的统计特征，但家庭成 员少，其随机性更强，需要计及多种与家庭成员相关的影响因素，难 以沿用已有的针对公众场合的人数预测方法。

发明内容

本发明的目的是：提供面向能源管理的在家人数预测方法、系统、 设备和介质，能够充分利用深度学习能从大量数据中提取复杂规律、 具有很好的泛化能力的特点，对多个侧面的预测信息进行融合，形成 相互校验和监督，有助于提升预测精度。

为了实现上述目的，本发明提供了一种面向能源管理的在家人数 预测方法，包括：

获取目标家庭的历史家庭数据和历史气象数据，其中，所述历史 家庭数据包括：家庭成员数据、家庭用电数据和家庭成员离家距离数 据；

根据所述目标家庭的历史家庭数据和历史气象数据，构建所述目 标家庭的第一在家人数集成预测模型；

获取目标家庭的历史在家人数数据，并将所述目标家庭的历史家 庭数据、历史气象数据和历史在家人数数据输入到所述第一在家人数 集成预测模型进行训练，获得所述目标家庭的第二在家人数集成预测 模型；

获取待预测时间段内的目标家庭的实时家庭数据和实时气象数据， 并将所述实时家庭数据和实时气象数据输入到第二在家人数集成预测 模型，获得目标家庭的在家人数预测结果。

进一步地，所述根据所述目标家庭的历史家庭数据，构建所述目 标家庭的第一在家人数集成预测模型，具体为：

根据所述家庭用电数据和历史气象数据，构建基于用电数据的在 家人数预测模型；

根据所述家庭成员离家距离数据和历史气象数据，构建基于成员 离家距离的在家人数预测模型；