一种智能电网用电端短期能耗预测系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114118592A(43)申请公布日2022.03.01(21)申请号202111442983.0G06Q50/06(2012.01)(22)申请日2021.11.30(71)申请人南京信息工程大学地址224002江苏省盐城市盐南高新区新河街道文港南路105号(72)发明人甘季翔刘琦张静杨志云(74)专利代理机构北京同辉知识产权代理事务所(普通合伙)11357代理人赵丹(51)Int.Cl.G06Q10/04(2012.01)G06N3/04(2006.01)G06N3/08(2006.01)G06Q10/06(2012.01)G06Q30/02(2012.01)权利要求书2页说明书5页附图2页(54)发明名称一种智能电网用电端短期能耗预测系统(57)摘要本发明公开一种智能电网用电端短期能耗预测系统，属于智能电网用电端耗能测试领域；一种智能电网用电端短期能耗预测系统由数据清洗模块、特征提取模块以及数据预测模块组成；所述数据清洗模块先将特征向量进行划分，再将划分好的数据集输入卡尔曼滤波模块中进行数据清洗，筛除错误的数据，填补遗漏的数据，平滑数据曲线，从而达到提高预测精度的目的。之后用残差LSTM网络组对输入的数据进行特征提取，同时使用加权损失函数，对数据中的极值进行判别，达到提高极值预测的精度，之后将得到数据的特征信息放入定义好的预测模型进行预测；最后，采用重定义好的判别指标进行判断，分析出极值预测结果。CN114118592ACN114118592A权利要求书1/2页1.一种智能电网用电端短期能耗预测系统，其特征在于，由数据清洗模块、特征提取模块以及数据预测模块组成；所述数据清洗模块先将特征向量进行划分，再讲划分好的数据通过卡尔曼滤波方法进行数据清洗，之后将清洗后的数据传递至特征提取模块；所述特征提取模块由ResNet残差网络和LSTM特征提取模块组成，数据先进入ResNet残差网络内进行卷积运算，再进入LSTM特殊提取模块内进行卷积运算；所述数据预测模块主要由一个Batchnormalization标准化函数、一个Dropout函数、一个Dense函数和一个输出接口构成，数据经过Batchnormalization标准化函数实现标准化，再经过Dropout函数，减少函数过拟合，最后通过Dense全连接层，将数据输出。2.根据权利要求1所述的一种智能电网用电端短期能耗预测系统，其特征在于，所述特征向量包括k个时间步长的电力负荷量、楼房号以及房间号。3.根据权利要求2所述的一种智能电网用电端短期能耗预测系统，其特征在于，所述特征向量按照时间节点划分为1/2的训练集、1/4的测试集和1/4的验证集。4.根据权利要求1所述的一种智能电网用电端短期能耗预测系统，其特征在于，所述ResNet残差网络由两层BiLSTM和一层一维卷积(Conv1D)构成，所述数据先进入由双层BiLSTM的卷积模块(Layer1)，得到特征数据X1，接着将特征数据X1放入一维卷积层(Conv1D)，得到特征数据X2，之后将所述特征向量和特征数据X1，特征数据X2同时放入Concatenate函数组成新的特征数据X3；而后，将组合好的特征数据X3放入一维卷积层(Conv1D)进行卷积运算，得到结合后的特征数据X4；最后，将经过ResNet处理后的特征数据X4放入LSTM网络中进行卷积运算，提取出最终的特征X4′。5.根据权利要求4所述的一种智能电网用电端短期能耗预测系统，其特征在于，所述特征提取模块中结合加权损失函数来调整每个运算阶段的损失值。6.根据权利要求5所述的一种智能电网用电端短期能耗预测系统，其特征在于，所述加权损失为：对输入的原始负荷电力数据P按照时间顺序和值的大小赋予响应的权值。首先找到负荷电力数据的最大值和最小值根据最大值和最小值得到每个区间范围Region_num，Region_num：根据负荷电力数据的大小来划分对应的权重，具体计算公式如下：将不同阶段的权重参数依次带入到loss损失函数中调整每个阶段的损失值，具体计算如下所示：7.根据权利要求1所述的一种智能电网用电端短期能耗预测系统，其特征在于，所述数2CN114118592A权利要求书2/2页据预测模块中输出的数据通过R2_Peak来评估峰值预测的结果；R2_Peak由r2score和TS指标共同构成，r2score和TS的计算公式如下所示：TS＝hits/(hits+falsealarms+misses)其中，hits表示预测结果和真实结果中共有的部分，falsealarms表示预测结果除去hits中的成分，misses表示真实结果除去hits中的成分。但是倘若预测结果高于真实结果TS依旧会将其归为“命中