1、 ，基金项目微型电脑应用 年第 卷第期基金项目：国家自然科学基金面上项目（）作者简介：郑琦（），男，本科，高级工程师，研究方向为电力统计分析、电力大数据分析应用、电网规划；朱晶亮（），男，本科，高级工程师，研究方向为电力统计分析、电力大数据分析应用；周刚（），男，本科，高级工程师，高级技师，研究方向为电网检修、电气试验。文章编号：（）基于深度学习的家庭电力短期负荷预测郑琦，朱晶亮，周刚（国网嘉兴供电公司，浙江，嘉兴 ）摘要：为了更好地实现电力利用率最大化，短期电力负荷预测受到了广泛研究，这些研究为智能电网系统和家庭能源成本的降低提供了可能性。但目前的研究大多集中在预测整个家庭的负荷水平上。文章
2、作者提出了一种新的方法来预测单个电子设备的负载。提出的方法使用了一个具有长短期记忆的递归深层神经网络。实验结果表明，提出的方法具有较好性能，能够满足家庭日常需求。关键词：机器学习；人工智能；电力负荷；智能电网；负荷预测；深度学习中图分类号：文献标志码：，（，）：，：；引言了解和预测一个家庭的能源消耗模式可以为所有利益相关者提供好处。对于可能使用智能电网的公用事业公司来说，负荷预测可以更好地管理发电和配电资源，并可以通过动态定价以减少峰值需求。对于单个用户，负荷预测可以识别转移到非高峰时间的能源负荷，从而减少能源费用。目前的工作大多集中在预测整个家庭的负荷水平上，但如果用户采取的个别节能或负荷转
3、移行动，通常会在短期内影响其他电器。为了解决这个问题，本文提出了一个家用电器的短期负荷预测模型。这个模型利用深度学习技术的最新发展来创建递归神经网络，特别是基于长短期记忆（，）的 预 测。根 据 家用电器的能源使用历史数据训练网络，并在短期内估计给定家电的能源使用。这个问题比简单地为每个家用电器训练多个基于 的模型要复杂得多，同时为所有家用电器训练一个单一的模型更具鲁棒和可扩展性。基于深度学习的设备级负荷预测本文提出了一种基于 递归神经网络的家电能耗预测模型。在对智能电表采集的数据进行预处理后，将其输入到一个深度神经网络，以产生预测的家电负荷消耗。图显示了所提出模型的框架。本节介绍了数据的预处
4、理步骤和基于 的负荷预测模型。图基于深度学习的设备级负荷预测模型的框架 数据预处理不同家庭会使用不同的家用电器，使用家用电器的行为高度依赖于消费者的生活方式。有些电器一天可以使用多次，而有些电器可能会关闭一整周。因此，为了预测家用电器未来的能源消耗，有必要提取某些特征来指示在给定时间使用某一电器的可能性。，基金项目微型电脑应用 年第 卷第期有学者使用深度学习模型或统计方法预测一个家庭一天的总能耗；然而，更准确的细节将提供对居民的进一步了解，对于改进节能计划更有价值。提出的目标是预测一天中不同时间间隔的设备级负载消耗。这个时间间隔可以变化，比如每分钟、每十分钟、每十五分钟、每半小时。然而，随着周
5、期间隔时间的增加，测量工作时间小于周期的设备的能量消耗就变得越来越困难。为此，以下信息将非常有用：（）小时；（）分钟；（）星期几；（）最后一次看到打开：上次运行的时间；（）最后一次看到关闭：上次关闭的时间。考虑到数据包含日期和时间的细节，将日期信息拆分为“小时”、“分钟”和“星期几”等特征非常简单。可以将它们保存为分类向量，以使模型的训练更加简单。将同一家电从最大使用量到最小使用量的频谱范围内的每个家电的能源利用数据标准化，以防止大量或异常影响网络的学习过程。每个电器设备的最小和最大能耗是其所独有的，与其他电器不同。因此，如果将其扩展到所有设备的相同范围，网络的输出范围就可以确定，并最终产生更
6、可靠的结果。通过对数据的预处理，引入了两个新的特征：最后一次看见的打开和最后一次看见的关闭，使得模型更容易学习重复能耗模式较少的家电的消费模式。在能源消耗处于最低水平时随着住户决定使用除冰箱、空调和取暖器等连续运行的电器之外的其他电器时，能源消耗也会上升。这两个特征是根据每个时间步的历史数据来衡量的，有助于模型构建消费趋势的视图。有了每分钟每台设备的能源使用信息，可以预测不同时间间隔下的未来能源消耗。一种解决方案是考虑输入数据在时间间隔内使用的平均能量，但它可能会缩小数据集的大小；另一种解决方案是拥有的数据越多，模型就能更好地了解使用设备的行为模式。没有估计时间间隔内的平均消耗，而是生成输入序
7、列，如图 所示，一整天的数据频率为 ，但生成的输入序列频率为 （，分钟的时间间隔）。图按时间显示了一天中的每个数据点，并且还证明了可以用两个时间间隔内的数据点构造不同的输入序列，并且可以为训练过程提供更多的输入数据，而不是增加或复制。图生成时间间隔为 分钟、序列长度为 的训练输入序列 基于 的负荷预测递归神经网络是前馈神经网络的一种形式，它依靠前一阶段的输出产生新的输出。换言之，循环神经网络（）在每个阶段执行相同的输入，考虑到从前一阶段结果获得的反馈，从而生成与输入特征及其内部存储器的关联。在这里的问题是要估计每个家用电器的未来负荷消耗模式，这些家电具有历史数据，并有影响输出的多个变量。假设输
8、出是一个连续值，取决于先前的值和其他因素。认为，递归神经网络比标准的前馈神经网络更合适，因为 可以学习由于其结构设计中内置的记忆单元而导致的输入特征的长期依赖性。表显示了用于训练 模型的超参数，该模型以 分钟为间隔预测未来设备的负载。在训练 模型时，它可以预测给定设备、小时、分钟、星期几和其他输入的负载消耗。一般来说，该模型可以预测接下来的几天或超过一周每一个家电在不同时间间隔的能源使用情况。基于 的模型架构如图所示。表 模型超参数参数价值层数，赚取率 ，隐藏神经元个数 ，序列长度，批量大小 ，优化器 ，时间间隔，基金项目微型电脑应用 年第 卷第期图用于预测设备级负载的基于 和基于 的体系结构
9、实验与评估 实验设置在实验中，使用了 年月 月在一个家庭中收集的公开数据集 。此数据集具有设备级别和聚合能耗，种不同家用电器的采样频率为 。在实验中使用了六大最耗能的电器：电视、冰箱、笔记本电脑、电加热器、微波炉、炊具和整个家庭的能源消耗。经过数据预处理后，每个设备大约有 行 数 据（天）。在、和 的比例下，将数据分为训练集、验证集和测试集三部分。实验已经在 上实现了提出的模型，硬件具有 内存和 核心时钟的配置，并使用 库和 进行软件实现。使用了另外两种负荷预测方法作为评估拟议模型性能的基线。随机森林（）：以前的大多数研究都使用 模型进行负荷预测；然而，本质上意味着输入变量之间的线性关系可能是
10、依赖的或独立的，这对于多变量问题并不总是正确的。另一方面，随机森林 算法在多变量负荷预测问题中有着更为理想的结果。前馈神经网络（）：实现了一个具有三个完全连接层的基本前馈网络，将其结果与 模型进行比较（见图）。有三个完全连接的层，最后一层是 激活函数。完全连接的层有 个隐藏的神经元，与 层相同。长短期记忆神经网络（）：如第 节所述。使用均方根误差（）（方程）和归一化均方根误差（）（方程）来比较三个模型的性能，其中是样本总数，是目标值，?是预测值，（）和 （）是指为设备记录的最大和最小用电量。（）（?）（）（）（?）（）（）（）是一个很好的度量，可以证明预测离目标值有多远。由于有不同的设备，并且
11、每个设备都有其能源使用谱，以便相互比较结果，因此计算了 度量，该度 量将 值与相对负载谱标准化。结果评估在实验的第一阶段，探索了使用两个新引入的特性的效果，即“最后一次看见打开”和“最后一次看见关闭”。为此，及时培训了基于 的模型，考虑了这两个特性，其他方法没有考虑这两个特性。利用 度量对两种模型的预测结果进行了比较。图表明，与没有在设备级负荷预测中特别使用这些特性的模型相比，基于 的模型（考虑最后一次看见打开和最后一次看见关闭）的 分数要低得多。图基于 的模型的 结果，考虑和不考虑最后一次看见的关闭和最后一次看见的打开表和表给出了 分钟和 分钟间隔的三种负荷预测算法的 和 结果。使用的电器包
12、括电视、冰箱、笔记本电脑、电加热器、微波炉和炊具。还显示了总负载。表 分钟间隔的评估结果模式电视冰箱笔记本电加热器微波炉炊具总计 从这些数据中可以得出的第一个结论是，网络是一个适合这种多变量负荷预测问题的结构。结构中 ，基金项目微型电脑应用 年第 卷第期的存储单元有助于网络正确地学习输入变量之间的长期依赖关系，而常规前馈网络无法做到这一点。表 分钟间隔的评估结果模式电视冰箱笔记本电加热器微波炉炊具总计 另一个值得注意的结果是，对于笔记本电脑等一些设备，基于 和基于 的模型的 和 的结果非常接近。如图（）所示，基于 的模型在每个步骤中都达到最接近的目标值，而 和随机森林模型在一天中产生一个平均序
13、列值，以减少目标值和预测值之间的差异以及 度量。三个预测模型都可以捕捉到一天中的总负荷消耗模式（图（）；然而，基于 的模型更善于学习突变。图（）（）比较了电视、冰箱、笔记本电脑、微波炉、炊具和家庭总负荷消耗三种负荷预测模型的预测性能。从图中可以看到，提出的方法性能优于其他算法，并且较接近真实数值。细节上，可以发现，在对冰箱、炊具、微波炉预测时，提出时方法预测值约等于真实值。但在对于电视，热水器预测时，某些时段的预测值与真实值之间存在较大误差。（）电视（）冰箱（）笔记本电脑（）加热器（）炊具（）微波炉（）总计图以 分钟为间隔的 小时能耗预测总结本文提出了一种适用于住宅的设备级负荷预测模型。该模型
14、利用 递归神经网络学习智能家居中单个电器的能耗模式，并预测给定电器在不同时间间隔内的潜在负荷消耗。在一个公共数据集上评估了提出的模型，并与随机森林和 网络模型进行了比较。和 结果表明，与其他两种模型相比，本文模型具有更好的性能和最低的错误率。但该方法仍有一些不足，如在遇到用电量突然增大的情况，其预测值与真实值之间相差较大，无法准确预测真实情况。因此，这是未来优化的方向。参考文献吴杰基于博弈论的微电网能源优化调度算法的研究成都：电子科技大学，陈娟能源互联网背景下的区域分布式能源系统规划研究 北京：华北电力大学（北京），基金项目微型电脑应用 年第 卷第期 ，（）：，（）：，（）：，（）：王鑫，吴际
15、，刘超，等 基于 循环神经网络的故障时间序列预测 北京航空航天大学学报，（）：陈卓，孙龙祥 基于深度学习 网络的短期电力负荷预测方法 电子技术，（）：张宇航，邱才明，贺兴，等 一种基于 神经网络的短期用电负荷预测方法电力信息与通信技术，（）：，：（）（）：（收稿日期：）（上接第 页）能保持平稳，当恶意攻击达到 项时，仍能保持 的效能，而其他两种方法的容错效能严重下降，不足。可见本文设计系统的安全性最高。总结本文确定了电力客服系统的适配方案，使得智能系统服务器群集负载均衡速率保持平稳，提高了电力客服系统容错服务的稳定性。未来，在拓展电力行业多元业务的同时，也要继续研究人工智能技术在电力领域的应用
16、，从服务渠道入手，以提高用户体验为目标，设计出更适合电力客服系统容错服务的模型。参考文献钱奇，张晓慧，闫海峰 人工智能在电力服务领域中的应用前景能源与环保，（）：叶柏峰，张鹏 关于 电 力 智能客 服 实 现 的 技 术 研 究科技创新与应用，（）：张晓慧，孙德艳，马永波，等情绪识别技术在电力智能客服系统中的 应 用 研 究 电 子 器 件，（）：吕诗宁，张毅，胡若云，等 融合神经网络与电力领域知识的智能客服对话系统研究 浙江电力，（）：王楚，王忠锋，徐志远，等电力营业厅智能服务机器人个性化 情 感 分 析技术研究 供 用 电，（）：温化峰浅论电力智能营销服务的发展趋势中国新通信，（）：刘丽，陈东方人工智能语音分析技术在电力客服领域的应用研究中国计算机用户协会网络应用分会 年第二十三届网络新技术与应用年会论文集合肥，：陈海燕，乔麟，苏立伟基于语音分析的电力行业智能客服评分方法设计微型电脑应用，（）：苏立伟，刘振华，陈海燕 电力客服智能质检系统问题语音检出方法研究微型电脑应用，（）：曹建梅，郝庆水，李卓越，等电力企业网络大学智能云客服 体 系 研 究 与 实 践 国 网 技 术 学 院
