本发明大致属于节能环保领域，具体涉及一种用电功率预测方法及基于 家庭端用电的电网供配电调控方法。
背景技术：
受技术和成本限制，目前还不具备大规模储存电能的能力。发电、供电、 配电以及用电必须同时完成。随着新能源的不断发展，太阳能、风能等清洁 能源的发电量也在不断提升，在总发电量中所占比重也越来越大，分布式发 电也逐渐演化为一种趋势，这无疑对于环境问题以及能源问题的解决都有极 大助益，但是大规模分布式发电设备并网给现有的供配电网络系统造成很大 冲击，对电网基础设施提出了更高要求，如何确保电网运行的绝对可靠性是 一个必须应对的难题。电网供配电困难的一个主要原因在于用户端用电量的 不确定性，而分布式发电及并网更是雪上加霜，如果提升用户端用电量的预 测精度，对于电网供配电意义重大。
自深度学习理论提出以来，相继在语音识别、人脸识别、自动驾驶等方 向取得了突破性的进展，在原有方法基础上有了极大的提升，达到甚至超过 了专家水准，在各个领域都掀起了利用深度学习进行深入研究的风潮。深度 学习方法本质是在有充足数据的基础上，构建多隐层的非线性模型，在高维 空间中对输入数据进行特征提取、组合，并在多次迭代中提高特征提取、组 合的效率，从而最终完成分类、预测任务。
背景技术部分的内容仅仅是发明人所知晓的技术，并不代表本领域的现 有技术。
技术实现要素：
针对现有技术存在问题中的一个或多个，在本发明的一个方面，本发明 提供一种用电功率预测方法；在本发明的另一方面，提供一种电网供配电调 控方法。
本发明的具体通过以下技术方案实现：
在本发明的一个方面，提供一种用电功率预测方法，包括：
S1：获取智能家电的用电功率实时数据，构建用电功率实时数据库；
S2：构建初始用电功率预测模型；
S3：将所述用电功率实时数据库中数据，输入所述初始用电功率预测模 型进行学习训练，得到用电功率预测模型；和
S4：基于所述用电功率预测模型获取预用电功率。
根据本发明的一个方面，步骤S1中所述用电功率实时数据为家庭端的 智能家电的用电功率实时数据。
根据本发明的一个方面，步骤S2中所述初始用电功率预测模型基于深 度学习模型。
根据本发明的一个方面，所述家庭端的智能家电包括智能冰箱、智能空 调、智能微波炉、智能炒菜机、智能厨卫电器、智能照明电器或智能健身家
根据本发明的一个方面，所述深度学习模型包括深度LSTM神经网络模 型。
根据本发明的一个方面，所述深度LSTM神经网络模型包含N层结构， 每一层结构为一个LSTM单元，所述LSTM单元通过输入模块、输入门、遗 忘门、输出门以及单元状态控制信息流通；其中：
所述输入模块的状态表示为：zt＝g(Wzxt+Rzyt-1+bz)；
所述输入门的状态表示为：it＝σ(Wixt+Riyt-1+pi⊙ct-1+bi)；
所述遗忘门的状态表示为：ft＝σ(Wfxt+Rfyt-1+pf⊙ct-1+bf)；
所述遗忘门的状态表示为：ot＝σ(Woxt+Royt-1+po⊙ct+bo)；
所述单元状态表示为：ct＝zt⊙it+ct-1⊙ft；
所述单元输出表示为：yt＝h(ct)⊙ot；
其中t表示时刻，σ,g,h为非线性激活函数，被 用于门激活函数，hyperbolic tangent(g(x)＝h(x)＝tanh(x))被用于单元的输入和输出 的激活函数；其中W*为输入权重，R*为循环权重，b*为偏置权重，式中*可代 表{z,i,f,o}中任意一个，其中pi,pf,po为窥视孔权重；其中⊙表示乘法操作。
根据本发明的一个方面，步骤S4中获取预用电功率的具体方法为：
S41：将家庭端的智能家电的用电功率实时数据输入所述用电功率预测 模型；
S42：对下一周期的用电功率进行预测；和
S43：获取预用电功率。
根据本发明的一个方面，步骤S42中所述周期是指进行用电功率预测的 时间精度，优选地，所述时间精度包括小时、天、月、季度或年。
根据本发明的一个方面，步骤S3种所述学习训练的具体方法为：
将所述用电功率数据库中数据分为训练数据和测试数据，所述测试数据 占所述用电功率数据库中数据的20％；
将训练数据输入所述初始用电功率预测模型；
通过前向传播和/或误差反向传播方式对初始用电功率预测模型进行训 练；
将测试数据输入经过训练的初始用电功率预测模型进行验证效果；和
反复训练直至达到指定迭代次数或者模型误差小于指定阈值，获得用电 功率预测模型。
在本发明的另一方面，提供一种基于智能家电端的电网供配电调控方法， 包括：
获得预用电功率；
将所述预用电功率作为电网供配电的参考数据，支撑电网调整供配电方 式；和/或
同时将家庭端发电量作为电网供配电的参考数据，支撑电网调整供配电 方式，所述家庭端发电量包括但不仅限于家庭光伏发电系统的发电量。
根据本发明的一个方面，所述电网调整供配电方式为电网综合考虑区域 用电情况，调整发电量并根据需求完成配电。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本 发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是根据本发明的一个实施例的用电功率预测方法流程图；
图2是根据本发明的一个实施例的一个LSTM单元的结构示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可 认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方 式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限 制性的。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结 构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当 然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不 同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的， 其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供 了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述 的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
在本发明的第一实施方式中，提供一种用电功率预测方法，如图1所示， 示出了本发明的一个实施例的用电功率预测方法流程图，包括：
S1：获取智能家电的用电功率实时数据，构建用电功率实时数据库；
S2：构建初始用电功率预测模型；
S3：将所述用电功率实时数据库中数据，输入所述初始用电功率预测模 型进行学习训练，得到用电功率预测模型；和
S4：基于所述用电功率预测模型获取预用电功率。
根据本发明的一个优选实施例，步骤S1中所述用电功率实时数据为家 庭端的智能家电的用电功率实时数据，例如其中所述智能家电可包括智能冰 箱、智能空调、智能微波炉、智能炒菜机、智能厨卫电器、智能照明电器或 智能健身家电等智能用电设备。
根据本发明的一个优选实施例，步骤S2种所述初始用电功率预测模型 基于深度学习模型。
根据本发明的一个优选实施例，所述深度学习模型包括深度LSTM神经 网络模型。
根据本发明的一个优选实施例，如图2所示，示出了一个LSTM单元的 结构示意图，其中所述深度LSTM神经网络模型包含N层结构，每一层结构 为一个LSTM单元，所述LSTM单元通过输入模块、输入门、遗忘门、输出 门以及单元状态控制信息流通；其中：
所述输入模块的状态表示为：zt＝g(Wzxt+Rzyt-1+bz)；
所述输入门的状态表示为：it＝σ(Wixt+Riyt-1+pi⊙ct-1+bi)；
所述遗忘门的状态表示为：ft＝σ(Wfxt+Rfyt-1+pf⊙ct-1+bf)；
所述遗忘门的状态表示为：ot＝σ(Woxt+Royt-1+po⊙ct+bo)；
所述单元状态表示为：ct＝zt⊙it+ct-1⊙ft；
所述单元输出表示为：yt＝h(ct)⊙ot；
其中t表示时刻，σ,g,h为非线性激活函数，被 用于门激活函数，hyperbolic tangent(g(x)＝h(x)＝tanh(x))被用于单元的输入和输出 的激活函数；其中W*为输入权重，R*为循环权重，b*为偏置权重，式中*可代 表{z,i,f,o}中任意一个，其中pi,pf,po为窥视孔权重；其中⊙表示乘法操作。
根据本发明的一个优选实施例，步骤S4种获取预用电功率的具体方法 为：
S41：将家庭端的智能家电的用电功率实时数据输入所述用电功率预测 模型；
S42：对下一周期的用电功率进行预测；和
S43：获取预用电功率。
根据本发明的一个优选实施例，步骤S42中所述周期是指进行用电功率 预测的时间精度，优选地，所述时间精度包括小时、天、月、季度或年。
根据本发明的一个优选实施例，步骤S3种所述学习训练的具体方法为：
将所述用电功率数据库中数据分为训练数据和测试数据，所述测试数据 占所述用电功率数据库中数据的20％；
将训练数据输入所述初始用电功率预测模型；
通过前向传播和/或误差反向传播方式对初始用电功率预测模型进行训 练；
将测试数据输入经过训练的初始用电功率预测模型进行验证效果；和
反复训练直至达到指定迭代次数或者模型误差小于指定阈值，获得用电 功率预测模型。
在本发明的第二实施方式中，提供了一种基于智能家电端的电网供配电 调控方法，包括：
根据上述的用电功率预测方法获得预用电功率；
将所述预用电功率作为电网供配电的参考数据，支撑电网调整供配电方 式；和/或
同时将家庭端发电量作为电网供配电的参考数据，支撑电网调整供配电 方式，所述家庭端发电量包括但不仅限于家庭光伏发电系统的发电量。
根据本发明的一个优选实施例，所述电网调整供配电方式为电网综合考 虑区域用电情况，调整发电量并根据需求完成配电。
与目前现有技术相比，本发明的基于家庭端用电的电网供配电调控方法， 能够通过家庭端的用电情况对接下来特定时间段内的预用电功率进行预测， 其中通过深度学习理论能够很好地实现预用电功率的精准预测，为电网供配 电提供重要数据支撑，能够避免能源的浪费。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限 制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的 技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作 的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。