[发明专利]一种基于深度学习的厂区能耗预测方法及系统

权利要求书

1.一种基于深度学习的厂区能耗预测方法，其特征在于：所述方法包括如下步骤：

步骤S1：将厂区按功能划分为若干个厂区单元；

步骤S2：对各厂区单元的若干个目标对象的电能参数数据进行采集；

步骤S3：对每个厂区单元采集的数据进行预处理；

步骤S4：依据预处理的数据，运用深度学习算法进行厂区能耗预测。

2.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法，其特征在于：步骤S4中所述深度学习算法为基于长短时记忆神经网络的电力负荷预测算法。

3.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法，其特征在于：步骤S2中所述电能参数包括电流、电压、功率及功率因数。

4.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法，其特征在于：步骤S2中所述电能参数数据采集的频率为3秒/次，所述数据为时序数据。

5.根据权利要求1所述的一种基于深度学习的厂区能耗预测方法，其特征在于：步骤S3所述预处理具体指对所述采集数据进行累加积分，采用如下公式计算：

式中P为实时功率，i为离散数据序号，W为总功率，T为单位时长1s，n为当天的序号总量，长度为24×3600＝86400。

6.一种实现权利要求1-5任一项所述基于深度学习的厂区能耗预测方法的系统，其特征在于：包括若干台采集设备终端、若干个边缘计算设备和云端服务器，所述若干个边缘计算设备中的每一个边缘计算设备都与至少一台采集设备终端通信连接，所述云端服务器与每一台边缘计算设备通信连接，所述采集设备终端用于对目标对象进行数据采集并将所述采集的数据传输至边缘计算设备，所述边缘计算设备用于接收和预处理所述采集设备终端传输的数据，并将预处理的数据传输至所述云端服务器，通过在所述云端服务器上建立基于长短时记忆神经网络深度神经网络的能耗模型，预测厂区的未来能耗数值。

7.根据根据权利要求6所述的系统，其特征在于：所述采集设备终端包括测量模块、数据处理模块、数据传输模块，所述测量模块包括述电流测量模块、电压测量模块、功率测量模块和功率因数测量模块，用于分别测量和采集目标对象电流、电压、功率和和功率因数的时序数据，采集数据频率为3秒/次；所述数据处理模块用于将所述测量模块采集到的模拟信号数据转换为数字信号数据；所述数据传输模块具有通过无线或有线网络方式收发数据的功能。

8.根据根据权利要求6所述的系统，其特征在于：所述边缘计算设备包括数据传输模块，数据计算模块；所述数据计算模块对来自所述采集设备终端的时序数据进行预处理，并将处理后的数据传输至云端服务器；所述数据传输模块具有通过无线或有线网络方式收发数据的功能。