[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

说明书

本发明公开了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。其系统主要包括数据采集存储和基于在线学习的负荷预测两部分：数据采集存储部分包括数据采集、数据预处理、影响特征获取模块和数据存储模块；基于在线学习的负荷预测部分主要包括在线训练模块、在线学习预测模块和混合神经网络模型。其中所述数据采集存储模块，用于定时采集电力负荷数据，并传输至边缘设备端进行预处理，最后将负荷数据存储到本地数据库；在线预测模块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的输入，对未来24小时的负荷进行预测；混合神经网络模型将数据通过全连接神经网络进行融合，再连接到LSTM网络经过Dropout层，最后在输出层输出预测值。

一、技术领域

本发明属于负荷预测领域，具体涉及一种基于在线学习的神经网络方法，用于实现电表级的短时负荷预测系统。

二、背景技术

随着社会经济的增长，人们的生活水平在不断提高，电器更新换代、层出不穷，家庭及企业内部等用电环境也日益严峻。高校作为一个培育人才的摇篮、科研工作的创新基地，其实验室用电安全事件也经常发生。通过多方调研发现，传统的电气保护方法不能有效解决电器过载过温等问题，用电制度管理改革也没有根本上规范用户的用电行为，室内用电安全成为当今社会的痛点问题。因此急需设计一种能够实时监测设备用电负荷并能预测未来短期内负荷的系统，从而更好地预防室内中用电安全事故的发生。

现有研究中的负荷预测算法发展已较为成熟，但大多用于电力调度系统，对用电安全问题鲜有关注。如今最新研究的负荷预测算法是利用神经网络方法来实现，传统的神经网络模型训练通常需要很大的数据集才能满足准确性要求，然而由于数据采集的漫长过程使其在满足及时性上受到阻碍，也就难应用到对响应时间敏感的用电安全解决方案中。

综上所述，设计一种能实现解决对时间敏感的用电安全应用场景中的负荷预测解决方案尤为重要。

三、发明内容

针对上述问题，本发明提供一个基于在线学习的电表级短期负荷预测系统，实现实验室电表级负荷预测，做到实验室用电安全预警。

本发明的目的是这样达到的：

本发明解决上述问题所采用的基于在线学习的电表级短时负荷预测系统，由数据采集存储和基于在线学习的负荷预测两部分组成；其中数据采集存储部分包括数据采集模块、数据预处理模块、影响特征获取模块和数据存储模块，基于在线学习的负荷预测部分主要包括在线训练模块、在线学习预测模块和混合神经网络模型；其中所述数据采集存储模块，用于智能电表定时采集电力负荷数据，并传输至边缘设备端，最后在所述边缘设备端对数据流进行预处理；所述影响特征获取模块，用于获取温度和节假日特征数据；所述数据存储模块，用于将电力数据和温度数据存储到本地数据库；所述在线训练模块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的输入，对未来24小时的负荷进行预测；所述混合神经网络模型，将负荷数据、温度和节假日特征通过全连接神经网络进行融合，再连接到LSTM网络，中间再经过Dropout层，最后在全连接的输出层输出预测值。

进一步的是，所述数据采集模块为通过智能电表定时采集负荷数据并传输到边缘设备端；

进一步的是，所述边缘设备端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；

进一步的是，所述数据预处理模块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；

进一步的是，所述数据库采用键值对存储的NoSQL数据库，这样可以方便数据的存储和读取；

进一步的是，所述影响特征获取模块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。其中所述温度特征通过传感器获取，节假日特征通过热编码处理；