一种基于人工智能的电力负荷识别与预测方法与流程

1.本发明涉及电力负荷检测领域，尤其涉及一种基于人工智能的电力负荷识别与预测方法。


背景技术：

2.电力负荷，又称用电负荷，是电能用户的用电设备在某一时刻向电力系统取用的电功率的总和。电力负荷的预测对于电网的正常运行有着重要意义。
3.对于每一个电能用户，在不考虑线损的情况下，其电力负荷即为其使用的电器功率的总和，因此用户的电力负荷识别结果对于电力负荷预测有着积极作用。但现有的电力负荷预测方案并没有考虑到对电力负荷进行识别，仅仅是以历史电力负荷数据、气象数据等对预测模型进行训练，导致预测结果误差较大。


技术实现要素：

4.本发明主要解决了现有电力预测结果误差较大问题，提供了一种对用户电力负荷进行识别，并以识别结果进行电力负荷预测的基于人工智能的电力负荷识别与预测方法。
5.本发明解决其技术问题所采用的技术方案是，一种基于人工智能的电力负荷识别与预测方法，包括以下步骤：s1：建立负荷识别模型并训练；s2：根据用户历史用电负荷曲线将用户划分为多个用户组；s3：给每个用户组建立组负荷预测模型；s4：给每个用户组的组负荷预测模型建立训练集，训练集包括用户组的历史总用电负荷、对应的时间、温度参数及负荷识别模型识别到的电器类型；s5：利用训练集对组负荷预测模型进行训练；s6：建立总负荷预测模型并进行训练；s7：利用负荷识别模型进行负荷识别；s8：利用组负荷预测模型预测各个用户组的电力负荷并根据实际电力负荷进行参数调整；s9：利用总负荷预测模型预测所有用户的总电力负荷并根据实际总电力负荷进行参数调整。
6.通过电力负荷识别获取用户使用的电器类型及电器数量，再结合时间、温度等因素以用户组为单位进行电力负荷预测，最终获得的所有用户的总电力负荷预测，以用户电力负荷识别结果为预测基础，以用户组单位进行预测，提高了预测结果的准确性，降低了偶然事件为预测结果的影响。
7.作为上述方案的一种优选方案，所述步骤s1中，获取不同类型电器接入前后一段时间用户总线处电压、电流及功率信息的波形图并提取时域特征和频域特征组合成某一类电器的稳态特征，利用获得的电器的稳态特征对负荷识别模型进行训练。
8.作为上述方案的一种优选方案，所述步骤s8中对用户组的电力负荷进行预测时，每个用户组设置两个训练好的组负荷预测模型，分别记为模型a和模型b，模型a和模型b的初始参数相同，用户组的电力负荷预测结果p1=ax by，x，y为权重，a为模型a的预测值，b为模型b的预测值。
9.作为上述方案的一种优选方案，所述模型b在多次预测后，以预测时的输入和实际电力负荷结果进行参数调整。令模型b具备自学习功能，正常情况下，随着使用时间的延长，模型b预测的准确度会越来越高；当出现异常情况时，模型b的准确度持续降低，因模型a的存在，能够保证最终的预测结果与实际值不会有过大的偏差。
10.作为上述方案的一种优选方案，所述x=|b
‑
p|/(|a
‑
p| |b
‑
p|)，y=|a
‑
p|/(|a
‑
p| |b
‑
p|)，p为用户组实际的电力负荷。
11.作为上述方案的一种优选方案，当x的值持续多次小于第一设定值时，将模型b的参数赋予模型a。在模型b的准确度持续高于模型a时，对模型a进行优化，使得用户组的电力负荷预测结果能够越来越准确。
12.作为上述方案的一种优选方案，所述步骤s9中，总负荷预测模型进行多次预测后，以预测时的输入和实际总电力负荷结果进行参数调整。
13.作为上述方案的一种优选方案，当n与m的比值大于第二设定值时，总负荷预测模型停止参数调整，直至n与m的比值小于第二设定值，n为y<x的用户组组数，m为总用户组数。正常情况下，随着模型b的自学习，对于各个用户组，x应越来越小，而y越来越大；当x，y的变化趋势与预期相反时，说明这几次电力负荷预测中存在异常，需要丢弃这几次的参数，避免降低偶然因素对模型准确度的影响。
14.本发明的优点是：以电力识别结果为电力预测基础，提高了电力负荷预测的准确性；用户组设有两个组负荷预测模型，并以权重的形式获得用户组的预测结果，能够通过权重直观的表现组负荷预测模型的自学习趋势，提高了组负荷预测模型自学习的容错能力。
附图说明
15.图1为实施例中电力负荷识别与预测方法的一种流程示意图。
具体实施方式
16.下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
17.实施例：本实施例一种基于人工智能的电力负荷识别与预测方法，如图1所示，包括以下步骤：s1：建立负荷识别模型并训练；获取不同类型电器接入前后一段时间用户总线处电压、电流及功率信息的波形图并提取时域特征和频域特征组合成某一类电器的稳态特征，利用获得的电器的稳态特征对负荷识别模型进行训练。
18.s2：根据用户历史用电负荷曲线将用户划分为多个用户组，将用电负荷曲线相似的分为同一组，如用电负荷高峰在早上的分为一组，用电负荷高峰在中午的分为一组，用电负荷高峰在晚上的分为一组，无明显用电负荷高峰或存在多个用电负荷高峰的分为一组。
19.s3：给每个用户组建立组负荷预测模型；
s4：给每个用户组的组负荷预测模型建立训练集，训练集包括用户组的历史总用电负荷、对应的时间、温度参数及负荷识别模型识别到的电器类型；s5：利用训练集对组负荷预测模型进行训练；s6：建立总负荷预测模型并进行训练；总负荷预测模型的训练集包括各个组负荷预测模型的预测结果和实际的总用电负荷。
20.s7：利用负荷识别模型进行负荷识别；s8：利用组负荷预测模型预测各个用户组的电力负荷并根据实际电力负荷进行参数调整；进行预测时，以各个用户的电力负荷识别结果、当前时间和当前温度为输入进行预测。每个用户组设置两个训练好的组负荷预测模型，分别记为模型a和模型b，模型a和模型b的初始参数相同，模型b在多次预测后，以预测时的输入和实际电力负荷结果进行参数调整，用户组的电力负荷预测结果p1=ax by，x，y为权重，初始值为0.5，a为模型a的预测值，b为模型b的预测值。x=|b
‑
p|/(|a
‑
p| |b
‑
p|)，y=|a
‑
p|/(|a
‑
p| |b
‑
p|)，p为用户组实际的电力负荷。在持续一段时间的使用后，模型b经过多次参数调整后，正常情况下模型b的预测的准确度应高于模型a，即x越来越小，y越来越大，当x的值持续多次小于第一设定值时，说明模型b的准确度已明显高于模型a，此时将模型b的参数赋予模型a，提高对用户组的电力负荷预测的准确度。反之，若出现x越来越大，y越来越小，且y的值持续多次小于第一设定值，说明模型b的自学习出现异常，没有达到预期的目的，反而增大了误差，此时将模型a的参数赋予模型b，消除模型b该阶段自学习对预测结果的影响。
21.s9：利用总负荷预测模型预测所有用户的总电力负荷并根据实际总电力负荷进行参数调整。总负荷预测模型进行多次预测后，以预测时的输入和实际总电力负荷结果进行参数调整。在参数调试过程中，当出现n与m的比值大于第二设定值时，总负荷预测模型停止参数调整，直至n与m的比值小于第二设定值，n为y<x的用户组组数，m为总用户组数。
22.本实施例以用户电力负荷识别结果作为电力负荷预测的输入，以用户组为单元进行电力负荷预测，并设置模型a和模型b两个组电力负荷预测模型，其中，模型a保持参数不变，模型b根据预测结果和实际结果进行自学习，调整自身参数；通过设置权重，来反映模型a与模型b的准确度变化，同时弱化模型b参数变化对用户组电力负荷预测的影响，避免模型b参数往不利方向变化时导致用户组的预测结果误差过大。此外，还设置第一设定值对模型a和模型b的准确度进行判断，当模型a的准确度过低时，将模型b的参数赋予模型a，提高对用户组电力负荷预测的准确度；当模型b的准确度过低时，将模型a的参数赋予模型b，消除错误自学习对模型b的影响，使得对用户组的预测结果越来越准确。
23.本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。