[发明专利]一种基于在线学习的电表级短时负荷预测系统及实现方法

权利要求书

1.基于在线学习的电表级短时负荷预测系统，其特征在于：

由数据采集存储(1)和基于在线学习的负荷预测(2)两部分组成；其中数据采集存储(1)部分包括数据采集模块(3)、数据预处理模块(4)、影响特征获取模块(5)和数据存储模块(6)，基于在线学习的负荷预测(2)部分主要包括在线训练模块(7)、在线学习预测模块(9)和混合神经网络模型(8)；其中所述数据采集存储模块(1)，用于智能电表(11)定时采集电力负荷数据，并传输至边缘设备端(12)，最后在所述边缘设备端(12)对数据流进行预处理；所述影响特征获取模块(5)，用于获取温度和节假日数据；所述数据存储模块(6)，用于将电力数据和温度数据存储到本地数据库(13)；所述在线训练模块(7)用于在第一次训练模型时选择初始数据集进行训练并保留模型参数，之后数据流在每达到数据窗口输入阈值时，对原模型进行更新；所述在线预测模块(9)将历史负荷数据及对应的影响特征数据作为最新的混合神经网络模型(8)的输入，对未来24小时的负荷进行预测。

2.根据权利要求1所述的一种基于在线学习的电表级短时负荷预测系统，其特征在于：

所述数据采集模块(3)为通过智能电表(11)定时采集负荷数据并传输到边缘设备端(12)。

3.根据权利要求1所述的一种基于在线学习的电表级短时负荷预测系统，其特征在于：

所述边缘设备端(12)为有足够的计算能力、存储能力和通信能力的单独的设备或协同的边缘设备。

4.根据权利要求1所述的一种基于在线学习的电表级短时负荷预测系统，其特征在于：

所述数据预处理模块(4)主要对负荷原始值中的缺失值填补和异常值检测，其结合数据纵向填补法和回归预测法，利用数据的周期性和近期数据的同分布性检测异常值和补全缺失值，最后进行数据归一化。

5.根据权利要求1所述的一种基于在线学习的电表级短时负荷预测系统，其特征在于：

所述数据库(13)采用键值对存储的NoSQL数据库，这样可以方便数据的存储和读取。

6.根据权利要求1所述的一种基于在线学习的电表级短时负荷预测系统，其特征在于：

所述影响特征获取模块(5)主要包括对温度和节假日数据进行获取，用于更好地调整模型参数进行预测。

7.其中所述温度(18)特征通过温度传感器(14)获取，节假日(19)特征通过热编码处理。

8.根据权利要求1所述的一种基于在线学习的电表级短时负荷预测系统，其特征在于：

所述在线训练模块(7)和在线预测模块(9)都在边缘设备端持续运行，训练部分的初始数据集的大小为3个月，数据窗口阈值取一个星期，预测部分的输出为未来24小时中每半小时的负荷值。

9.根据权利要求1所述的一种基于在线学习的电表级短时负荷预测系统，其特征在于：

所述混合神经网络模型(8)通过激活函数为SELU的全连接神经网络(20)进行融合，再结合适合处理时间序列的LSTM网络(21)，最后为了防止过拟合添加了Dropout层(22)。

10.基于在线学习的电表级短时负荷预测系统的实现方法，包括以下步骤：

A.智能电表(11)获取原始负荷数据并传输到边缘设备端(12)，边缘设备端(12)结合数据纵向填补法和回归预测法检测异常值和补全缺失值，并存储到键值对类型的本地NoSQL数据库(13)；

B.每半小时将温度传感器(14)获取的温度数据存入对应的NoSQL数据库(13)；

C.预测模型的初始训练数据集大小为3个月的时间间隔为30分钟的负荷数据(17)、温度(18)和节假日(19)特征数据，其中节假日(19)特征利用时间戳进行热编码获取；当数据流达到窗口大小为1个星期的数据大小时，在原模型基础上继续训练更新参数；基于在线学习的预测模块(9)使用当前最新的模型和未来温度等影响特征的数据实现未来间隔为半小时的24小时的负荷值预测，最终实现一种基于在线学习的电表级短时负荷预测系统和实现方法，在达到一定预测精度的前提下缩短响应时间，更好地预防实验室安全事故。