[發明專利]一種基于人工智能的電力負荷識別與預測方法

在審

• 申請號: 202110718458.0
• 申請日: 2021-06-28
• 公開（公告）號: CN113361802A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 易秀成;伍家翀;吳南章;傅天憶;易冉
• 申請（專利權）人: 杭州易龍電安科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 裴金華

本發明為一種基于人工智能的電力負荷識別與預測方法，包括建立負荷識別模型并訓練；根據用戶歷史用電負荷曲線將用戶劃分為多個用戶組；給每個用戶組建立組負荷預測模型；給每個用戶組的組負荷預測模型建立訓練集；利用訓練集對組負荷預測模型進行訓練；建立總負荷預測模型并進行訓練；利用負荷識別模型進行負荷識別；利用組負荷預測模型預測各個用戶組的電力負荷并根據實際電力負荷進行參數調整；利用總負荷預測模型預測所有用戶的總電力負荷并根據實際總電力負荷進行參數調整。本發明的優點是：以電力識別結果為電力預測基礎，提高了電力負荷預測的準確性；設有兩個組負荷預測模型，提高了組負荷預測模型自學習的容錯能力。

技術領域

本發明涉及電力負荷檢測領域，尤其涉及一種基于人工智能的電力負荷識別與預測方法。

背景技術

電力負荷，又稱用電負荷，是電能用戶的用電設備在某一時刻向電力系統取用的電功率的總和。電力負荷的預測對于電網的正常運行有著重要意義。

對于每一個電能用戶，在不考慮線損的情況下，其電力負荷即為其使用的電器功率的總和，因此用戶的電力負荷識別結果對于電力負荷預測有著積極作用。但現有的電力負荷預測方案并沒有考慮到對電力負荷進行識別，僅僅是以歷史電力負荷數據、氣象數據等對預測模型進行訓練，導致預測結果誤差較大。

發明內容

本發明主要解決了現有電力預測結果誤差較大問題，提供了一種對用戶電力負荷進行識別，并以識別結果進行電力負荷預測的基于人工智能的電力負荷識別與預測方法。

本發明解決其技術問題所采用的技術方案是，一種基于人工智能的電力負荷識別與預測方法，包括以下步驟：

S1：建立負荷識別模型并訓練；

S2：根據用戶歷史用電負荷曲線將用戶劃分為多個用戶組；

S3：給每個用戶組建立組負荷預測模型；

S4：給每個用戶組的組負荷預測模型建立訓練集，訓練集包括用戶組的歷史總用電負荷、對應的時間、溫度參數及負荷識別模型識別到的電器類型；

S5：利用訓練集對組負荷預測模型進行訓練；

S6：建立總負荷預測模型并進行訓練；

S7：利用負荷識別模型進行負荷識別；

S8：利用組負荷預測模型預測各個用戶組的電力負荷并根據實際電力負荷進行參數調整；

S9：利用總負荷預測模型預測所有用戶的總電力負荷并根據實際總電力負荷進行參數調整。

通過電力負荷識別獲取用戶使用的電器類型及電器數量，再結合時間、溫度等因素以用戶組為單位進行電力負荷預測，最終獲得的所有用戶的總電力負荷預測，以用戶電力負荷識別結果為預測基礎，以用戶組單位進行預測，提高了預測結果的準確性，降低了偶然事件為預測結果的影響。

作為上述方案的一種優選方案，所述步驟S1中，獲取不同類型電器接入前后一段時間用戶總線處電壓、電流及功率信息的波形圖并提取時域特征和頻域特征組合成某一類電器的穩態特征，利用獲得的電器的穩態特征對負荷識別模型進行訓練。

作為上述方案的一種優選方案，所述步驟S8中對用戶組的電力負荷進行預測時，每個用戶組設置兩個訓練好的組負荷預測模型，分別記為模型A和模型B，模型A和模型B的初始參數相同，用戶組的電力負荷預測結果P1=Ax+By，x，y為權重，A為模型A的預測值，B為模型B的預測值。

作為上述方案的一種優選方案，所述模型B在多次預測后，以預測時的輸入和實際電力負荷結果進行參數調整。令模型B具備自學習功能，正常情況下，隨著使用時間的延長，模型B預測的準確度會越來越高；當出現異常情況時，模型B的準確度持續降低，因模型A的存在，能夠保證最終的預測結果與實際值不會有過大的偏差。

作為上述方案的一種優選方案，所述x=|B-P|/(|A-P|+|B-P|)，y=|A-P|/(|A-P|+|B-P|)，P為用戶組實際的電力負荷。