[发明专利]一种基于深度学习的相同模式能耗大数据预测方法

权利要求书

1.一种基于深度学习的相同模式能耗大数据预测方法，其特征在于，所述预测方法包括下述步骤：

步骤S1、获取待分析的能耗大数据集，通过预处理操作进行数据清洗并去掉异常数据，得到一次样本数据集；

步骤S2、对所述一次样本数据集进行属性关联分析，找出影响能耗靠前的若干影响因素，删除其中对能耗因素变化不敏感的样本，得到二次样本数据集；

步骤S3、建立小样本集并找到能耗模式，按照能耗模式将二次样本数据集中的样本抽取出来分类，得到若干能耗模式样本集，并删除其中的异常样本；

步骤S4、针对每个能耗模式样本集，按照时间戳，将部分样本作为训练集进行深度学习时间序列预测，剩余样本作为验证集并设计能耗减少决策，精度达到条件后进行能耗预测，根据预测结果产生相应能耗政策减少能耗。

2.如权利要求1所述基于深度学习的相同模式能耗大数据预测方法，其特征在于，所述步骤S1具体包括下述步骤：

S101、获取目标场合待分析的能耗大数据集，通过sql规则剔除异常数据；

S102、将能耗大数据集按照时间戳形成时间序列数据集，所述能耗大数据集分为训练数据集、验证数据集以及测试数据集共三种类型数据集，每种类型的数据集均包括样本编号、能耗属性、时间戳信息；

S103、利用基础统计方法去掉数据集中的异常数据，得到一次样本数据集。

3.如权利要求2所述基于深度学习的相同模式能耗大数据预测方法，其特征在于，所述步骤S2具体包括下述步骤：

S201、对重点能耗设备类型进行分类，确定能耗影响因素，能耗影响因素分为区域变化的影响因素和时间变化的影响因素；

S202、能耗目标以电表功率计算，结合所述影响因素，建立区域时间影响能耗分析表；

S203、对所述影响能耗分析表无量纲化处理，求影响因素与能耗间关联因子，然后计算得出影响因素与能耗的关联度，最后对关联度进行排序，取排序靠前的若干的影响因素为敏感影响因素；

S204、统计一次样本数据集中能耗属性为敏感影响因素的样本，删除不敏感样本，得到二次样本数据集。

4.如权利要求3所述基于深度学习的相同模式能耗大数据预测方法，其特征在于，所述步骤S3具体包括下述步骤：

S301、对二次样本数据集中每个设备的能耗数值进行抽样并进行聚类划分，得到小样本集；

S302、按照忙闲事时段、工作日节假日、平时时段和政策限制时段对小样本集打上标签，通过机器学习分类方法推理出能耗模式；

S303、从二次样本数据集将每个能耗模式的样本抽取出来分类，得到若干能耗模式样本集，并删除其中的异常样本。