本文提供了一种基于深度学习算法的电力负载瞬时功率数据期间序列预筹谋法。现在该算法已用于执行神情并落地已毕开云体育。神情代码仓库：

https://github.com/duyu09/Powerload-Classification-and-Prediction-System

如有针对电力负荷场景下更好的时序预筹谋法及贬责决策，宽饶驳倒、商议。

算法假想配景

以数字经济助力节能减排，以高新时刻助力降本增效，是百行万企千门万户的势在必行。关联词，我国现在的电力资源的分歧理欺诈的气候仍然相配严重，有待咱们去贬责。因此，以电力监测的要道发掘、松手电力资源浪费的必要性日益突显，而非侵入式时刻，则又是前者的重中之重。基于非侵入式时刻的电力负载分类宗旨与功率预见系统即是欺诈东说念主工智能时刻为家庭和袖珍企业减少用电支出、鼓励省俭电力资源的信得过写真。

假想能够念念路

收受级联模子结构，将任务分为分类宗旨与预见两个级联的模块。分类收受深度全邻接神经相聚模子去向理，凭证期间窗的特征，已毕分类；分衔命务通过分类任务去已毕，通过分类宗旨模块得到正在初始的电器种类标签；预见模子受生成式说话模子的启发而假想，收受了以Transformer结构为中枢的深度神经相聚，两个模子通过电器类型标签关连联，概括电器类别与昔日期间的功率波动两类信息进行畴昔期间的功耗预见。

【模子宏不雅架构】

模子详备假想

分类宗旨模子：特征工程方面，先将输入的数据加窗处理，再将功率数值进行分组。接着，统计每个期间窗内落入各组的样本数目，得到频数分散。为突出到特征向量，咱们对每个期间窗的频数进行归一化处理，即除以窗长。临了，使用PCA算法进行特征矩阵压缩。模子假想方面，选用全邻接神经相聚FNN，输入该期间窗对应的特征向量，输出对应电器类别的独热编码。使用3层全邻接神经相聚模子(28, 14, 7) 进行数据分类任务（7种单电器）；使用3层全邻接神经相聚模子(84, 42, 21)进行功率标签分衔命务（21种电器两两组合）。 选用模子时，咱们对比了全邻接相聚与GRU（轮回门控单位）的性能。经由超参数的调治，两者分散可达到91%和90%的最高准确率，也就是说，两者的效能皆相比好况且出入无几。然则经由实验与上线测试讲明，GRU由于要温雅其他期间窗，其推理功耗澄清大于全邻接相聚。另一方面，假设每个期间窗之间是彼此时序不关连的，这么模子不错专注的处理每一个期间窗中的特征而作念出判断，并将标签数据传给预见模子的镶嵌层进一步处理，预见模子再欺诈时序特点进行预见，各司其职。综上两种原因而聘请收受全邻接相聚。

【分类宗旨模块】

负载功率预见模子：关于电力功率期间序列预见的任务，咱们假想了如下模子结构。在处理数据时，当先对数据进行分帧处理，然后在每个数据帧内进行分窗。每个期间窗皆司帐算出一个特征向量，多个期间窗的特征向量组成一个特征矩阵。这些特征向量由波动大的暂态特征和不易变的稳态特征两部分拼接而成。暂态特征的组成是通过快速傅里叶变换得到的各频率序数对应的振幅和相位（由于直流重量(DC)不包含任何有用信息，而DC所能反应的功率波形信号的采样均值可通过稳态特征体现，故土们将其去除）。 而凭证电学关连表面，稳态特征则由最大值、最小值、算术平均值、能量有用值和波峰总计等组成。此外，模子通过Embedding层将龙套的电器种类映射为连气儿的镶嵌向量，当作稳态特征的紧要组成部分。受生成式说话模子的启发，特征矩阵被视为一句话的“词镶嵌矩阵”，通过5~6层Transformer Block（最终采取了6层）和后续的防护力平均化处理，生成预见向量（类比，荒谬于LM中生成的token对应的词镶嵌向量）。临了，通过逆FFT将预见向量中的暂态特征（频域向量）调度为期间序列，从而完到手率时序预见。数学抒发式与其它细节等参见神情确立文档（位于GitHub仓库）。

【负载功率预见模块】

要害代码

由于篇幅原因，代码不在此展示，要害代码可赶赴CSDN查察：

https://blog.csdn.net/QLU_Duyu/article/details/142067178

查察神情全部代码，请赶赴GitHub仓库：

https://github.com/duyu09/Powerload-Classification-and-Prediction-System

模子效能实验

现在市面上的负载预筹谋法主要有纪念分析算法、ARIMA算法和基于深度学习的LSTM算法等。以上算法不具有电力负载场景的针对性——它们仅仅贬责了世俗的期间序列预见或分类问题，而莫得接洽电功率数据独到的一些性质和处理要道。关于统统沟通磨练集和测试集下基于ARIMA算法、LSTM算法以及咱们相干的算法，咱们绘图了以下预见功率弧线图：

【与基线模子的对比】

以下是对模子的概括测试摈弃：

【对模子的概括测试摈弃】

神情开源地址

神情称呼：Power Load Classification and Prediction System Based on Deep Learning Algorithms神情开源地址：https://github.com/duyu09/Powerload-Classification-and-Prediction-System (提供汉语、英语、越南语 3种说话的readme神情简介)神情确立文档及演示PPT：https://github.com/duyu09/Powerload-Classification-and-Prediction-System/tree/main/docs神情演示视频：https://github.com/duyu09/Powerload-Classification-and-Prediction-System/assets/92843163/0684486d-e391-4301-834f-0c5af6e6ce90

感谢您的有瞻念看，如有针对电力负荷场景下更好的期间序列预筹谋法及贬责决策，宽饶寰宇总计交流商议。

Copyright © 2023~2024 DuYu (@Duyu09), Faculty of Computer Science & Technology开云体育, Qilu University of Technology (Shandong Academy of Sciences).