[发明专利]一种面向智慧物联平台的人工智能负荷预测方法与系统

说明书

本发明属于人工智能负荷预测技术领域，特别涉及一种面向智慧物联平台的人工智能负荷预测方法与系统，所述方法包括：对采集到的数据进行处理得到序列数据；构建模型并对序列数据进行模型训练；对训练后的数据进行特征筛选；根据特征筛选后的数据进行电力负荷预测。所述系统包括数据采集单元、模型构建单元、特征筛选单元和预测单元。本发明通过对负荷数据的采集，使用CNN进行特征提取、筛选及数据增强，并通过BiLSTM对当前数据和过去及未来的负荷数据的内在关联，实现对未来电力负荷的准确预测，而且，本发明对复杂的非线性系统的处理能力更强，适用于随机性、波动性更强的短期负荷预测。

技术领域

本发明属于人工智能负荷预测技术领域，特别涉及一种面向智慧物联平台的人工智能负荷预测方法与系统。

背景技术

当前电网公司要实现生产、经营和管理的数字化转型，需要支撑各个专业条线的数字化，其中物物互联、物物互控、数据共享、全业务上线四个方面是公司数字化转型的基本需求，智慧物联网平台由此孕生。智慧物联平台具备通信灵活多样、接口灵活柔性、寻址智能高效、实时采集融合共享、数据存储海量吞吐、实时采集融合共享和接口灵活柔性特点。

由于目前在用电高峰期经常会出现供电不足的问题，并且用电数据采集繁琐、处理起来耗费大量人力物力，导致传统的电力负荷预测算法难以适应新形势下的用电负荷。电力负荷预测作为电力系统规划的重要组成部分，是电网经济运行的基础。按不同的预测对象划分，电力负荷预测主要包括未来电力需求量的预测、未来用电量的预测和负荷曲线的预测。通过预测未来电力负荷的时间分布和空间分布，为电力规划运行提供有效的决策依据。

已有的电网负荷预测方法主要有基于数学统计的方法，如多元线性回归、卡尔曼滤波和指数平滑法等，这些方法虽然计算简单，计算效率高，但是对于复杂非线性系统的处理能力差、并且不适用于随机性、波动性较强的短期负荷预测。另一种方法是基于机器学习的电网负荷预测方法，其中的基于TCA-CNN-LSTM的短期负荷预测方法通过结合CA-CNN模块和TA-LSTM模块构建模型，实现了对特征表达的强化和对负荷时序数据的精细刻画。

为了解决上述问题，需要设计一种面向智慧物联平台的人工智能负荷预测方法与系统。

发明内容

针对上述问题，本发明提供一种面向智慧物联平台的人工智能负荷预测方法，所述方法包括：

对采集到的数据进行处理得到序列数据；

构建模型并对序列数据进行模型训练；

对训练后的数据进行特征筛选；

根据特征筛选后的数据进行电力负荷预测。

优选地，所述采集到的数据包括当前时间、负荷、电价、温度和湿度；

其中，所述温度包括露点温度、干球温度和湿球温度。

优选地，所述对采集到的数据进行处理包括以下步骤：

将采集到的数据按时间点的先后顺序进行排序，形成数据队列；

在所述数据队列中提取长度为m的多个数据作为特征数据；

将所述特征数据输入BiLSTM模块，得到下一时刻的负荷预测值；

特征数据前移，形成相同长度的新的特征数据，再次预测下一时刻的负荷预测值，直至遍历所有数据；

将所有负荷预测值进行整理，形成连续子时间内的序列数据。

优选地，所述特征数据前移具体为：以当前的特征数据中第二个时间点的数据为起点，取长度为m的多个数据，形成新的特征数据。

优选地，所述对序列数据进行模型训练包括以下步骤：

将序列数据输入模型，经过两层一维卷积层进行特征提取；

特征提取后的序列数据经过池化层和Flatten层进行降维与过滤；

序列数据输入BiLSTM层，通过BiLSTM层对序列数据进行关联处理；