[发明专利]一种基于深度学习的厂区能耗预测方法及系统

说明书

本发明公开了一种基于深度学习的厂区能耗预测方法及系统，所述方法包括将厂区按功能划分为若干个厂区单元，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，采集频率为3秒/次，对每个厂区单元采集数据进行预处理，依据预处理的数据，运用基于深度学习长短时记忆神经网络的电力负荷预测算法进行厂区能耗预测，该方法能效提高预测的准确度，达到精确预测厂区能耗的目的。

技术领域

本发明涉及能耗预测的方法领域，具体地说是一种基于深度学习的厂区能耗预测方法及 系统

背景技术

自第二次工业革命以来，电能一直是经济社会的命脉。特别是在中国这个快速发展的 发展中国家，在快速扩张的同时，对电能的需求也在迅猛增长。虽然能源带来巨大的生产 力，但它也有巨大的成本，并可能对环境产生负面影响。经过几十年的电力基础设施建设， 满足电力需求已不再是关键问题。相反，如何根据可持续发展的需要产生电能是关键。一 方面，过度的发电会导致巨大的能源浪费。另一方面，发电不足会造成电力短缺，不能保 证设备的稳定运行，造成机器损坏和经济损失。为了平衡供需，有必要监测和预测生产车 间的电力负荷，并按需生产电力。近年来，电力负荷预测已成为未来电力负荷预测的一个 重要方向。

现有的生产车间电力负荷监测方法主要依靠人工抄表来学习和预测工厂的用电量以及 根据经验分布来预测电力负荷。然而，从以往的经验中得到的经验分布受操作员主观判断 的影响很大，在动态生产任务负荷下容易导致预测不准确。此外，在工厂生产车间的粒度 很难准确地分配电能，因为只有通过电能表的手动读数才能获得工厂的全部电力消耗。现 有的预测算法通常集中将工厂的电力负荷作为一个整体进行预测。然而，不同区域和生产 单元的电力负荷可能过于多样化，不能用单一的整体模型实现高预测精度。例如，生产区 和生活区的电力负荷不相同。即使是不同车间的电力负荷也会存在差异。因此，用单一模 型对整个工厂进行建模是不准确的。更重要的是，电力负荷是动态的。除了市场需求和天 气等可预测因素外，还有一些不可预见的因素，如经济政策，会导致电力消费的异常增加 或减少。目前，一些电力负荷预测工作采用前向反馈人工神经网络(FFANN)或支持向量 机(SVM)在短期内预测电力负荷。然而这些方法缺少存储单元导致精度相比传统方法只 有有限提高，忽略了时间序列数据的相关性。如何设计一种智能的电力负荷监测与预测系 统，实时监测车间的能耗，以便准确预测电力负荷和实现发电优化管理势在必行。

发明内容

针对上述技术问题，本发明公开一种厂区能耗预测的方法及系统。本发明为实现上述 目的，采取以下技术方案予以实现：

一种基于深度学习的厂区能耗预测方法，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。

进一步地，所述深度学习算法为长短时记忆神经网络的电力负荷预测算法。

进一步地，所述电能参数包括电流、电压、功率及功率因数。

进一步地，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。

进一步地，所述数据预处理具体指对所述数据累加积分，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。