[发明专利]一种建筑负荷日前预测方法及系统

权利要求书

1.一种建筑负荷日前预测方法，其特征在于：包括以下过程：

获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；

根据获取的数据和预设卷积神经网络，得到负荷空间特征；

根据预设熵权K均值模型，得到用户用能行为特征；

将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。

2.如权利要求1所述的建筑负荷日前预测方法，其特征在于：

对获取的数据进行预处理，包括以下过程：

将每天分为上午模式、下午模式和夜间模式，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，结合气象数据、温度最大值、最小值和平均值、风速平均值和降雨平均值形成第一数据阵列；

将每日的用户的分类能耗数据以一小时为采样步长组合用能行为数据集，形成第二数据阵列。

3.如权利要求2所述的建筑负荷日前预测方法，其特征在于：

分类能耗数据，至少包括：照明能耗、电器能耗和插座能耗。

4.如权利要求2所述的建筑负荷日前预测方法，其特征在于：

利用模糊C均值聚类对第一数据阵列进行聚类，通过肘部规则确定聚类中心个数，获得建筑能耗运行模式，以及每日的运行情况隶属度，根据建筑能耗运行模式和隶属度。

5.如权利要求4所述的建筑负荷日前预测方法，其特征在于：

根据建筑能耗运行模式与时间数据的关系，以能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，建立不同能耗运行模式下的卷积神经网络，得到负荷空间特征。

6.如权利要求2所述的建筑负荷日前预测方法，其特征在于：

利用每日的用户的分类能耗数据形成的第二数据阵列，通过预设熵权K均值模型提取用户用能行为特征。

7.如权利要求1所述的建筑负荷日前预测方法，其特征在于：

以用户用能行为特征、负荷空间特征和历史负荷数据作为输入，以能耗运行模式作为标签，进行预设深度学习模型的训练，最终获得用于建筑负荷日前预测的预设深度学习模型。

8.一种建筑负荷日前预测方法，其特征在于：包括：

数据获取模块，被配置为：获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；

空间特征获取模块，被配置为：根据获取的数据和预设卷积神经网络，得到负荷空间特征；

用能行为特征获取模块，被配置为：根据预设熵权K均值模型，得到用户用能行为特征；

负荷预测模块，被配置为：将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的建筑负荷日前预测方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的建筑负荷日前预测方法中的步骤。