一种工业区的用电负荷预测方法以及系统与流程

本发明涉及云边协同，尤其涉及一种工业区的用电负荷预测方法以及系统。

背景技术：

1、工业区的用电负荷过大或者过小等对电网用电的供需平衡和用电安全等都会产生很多不利的因素。因此，如何精确地预测出未来一段时间工业区的用电负荷，以便根据预测结果及时调整工业区的用电负荷，避免出现用电负荷过大或者过小成为当前亟待解决的技术问题，目前传统的方式主要是采用人工或人机结合的方式进行预测，其预测效率和准确性都比较差，且通常只能实现总体区域预测，无法对单个用电工厂进行预测。

2、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明的主要目的在于提供一种工业区的用电负荷预测方法、装置、设备及存储介质，旨在解决现有技术中难以精确地预测出未来一段时间工业区的用电负荷，以便根据预测结果及时调整工业区的用电负荷，避免出现用电负荷过大或者过小。

2、为实现上述目的，本发明提供一种工业区的用电负荷预测方法，所述工业区的用电负荷预测方法应用于n个边缘计算终端，其中n为大于1的整数；

3、所述工业区的用电负荷预测方法包括以下步骤：

4、获取用电工厂的休假安排信息、用电工厂的历史用电负荷以及气象预报数据；

5、建立用电工厂的用电负荷预测模型，并根据所述用电工厂的休假安排信息、用电工厂的历史用电负荷以及气象预报数据，对所述用电负荷预测模型进行参数更新；

6、重复上述操作，直到所述用电工厂的用电负荷预测模型到达预设用电工厂的用电负荷预测精度要求，并通过满足预设用电工厂的用电负荷预测精度要求的用电工厂的用电负荷预测模型，预测出所述用电工厂的未来用电负荷。

7、可选地，所述根据所述用电工厂的休假安排信息、用电工厂的历史用电负荷以及气象预报数据，对所述用电负荷预测模型进行参数更新，包括：

8、将用电工厂的休假安排信息、用电工厂的历史用电负荷以及气象预报数据输入至所述用电工厂的用电负荷预测模型得到期望用电工厂的用电负荷预测结果，并根据所述期望用电工厂的用电负荷预测结果和实际用电工厂的用电负荷预测结果，得到权值和阈值的估计值；

9、对所述权值的估计值进行泰勒展开，并保留泰勒展开的线性项；

10、根据所述泰勒展开的线性项，得到系统的误差函数，并对所述系统的误差函数进行非线性递归最小二乘跟踪，得到最小二乘跟踪后的权值和阈值。

11、可选地，所述重复上述操作，直到所述用电工厂的用电负荷预测模型到达预设用电工厂的用电负荷预测精度要求，并通过所述满足预设用电工厂的用电负荷预测精度要求的用电工厂的用电负荷预测模型，预测出所述用电工厂的未来用电负荷之后，还包括：

12、根据非均匀连续时间隐半马尔可夫模型，随机生成口令对所述预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值进行加密，得到初步加密的用电工厂的用电负荷预测向量；

13、根据所述初步加密的用电工厂的用电负荷预测向量、随机生成口令以及所述口令随机对应的非均匀连续时间隐半马尔可夫模型的状态转移矩阵和初始状态转移概率向量，反向构造出对应的非均匀连续时间隐半马尔可夫模型；

14、将所述反向构造出对应的非均匀连续时间隐半马尔可夫模型发送至云端服务器。

15、为实现上述目的，本发明还提供一种工业区的用电负荷预测方法，所述工业区的用电负荷预测方法应用于云端服务器；

16、所述工业区的用电负荷预测方法包括以下步骤：

17、接收所述n个边缘计算终端发送的所述非均匀连续时间隐半马尔可夫模型，并进行解密得到初步加密的用电工厂的用电负荷预测向量；

18、根据所述初步加密的用电工厂的用电负荷预测向量和随机生成口令还原得到所述预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值；

19、根据所述预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值，训练工业区用电负荷预测模型；

20、重复上述操作，直到所述工业区用电负荷预测模型到达预设精度要求，并通过所述工业区用电负荷模型预测出工业区的用电负荷。

21、可选地，所述根据所述预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值，训练工业区用电负荷预测模型，包括：

22、对所述预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值通过卷积神经网络进行特征提取，得到工业区用电负荷特征向量，并根据所述工业区用电负荷特征向量建立工业区用电负荷特征向量库；

23、对所述工业区用电负荷特征向量库中的工业区用电负荷特征向量通过分类器进行分类，并对分类后的工业区用电负荷特征向量进行聚类迭代，更新分类器和聚类中心；

24、根据所述更新后的分类器和聚类中心，更新工业区用电负荷预测模型。

25、可选地，所述对所述工业区用电负荷特征向量库中的工业区用电负荷特征向量通过分类器进行分类，并更新分类器，包括：

26、对所述工业区用电负荷特征向量进行分类，得到分类结果和损失函数；

27、对所述损失函数通过交叉熵损失、分类标签以及分类结果进行处理，得到分类损失；

28、将所述分类损失通过反向传播关系进行梯度回传，并对所述分类器参数进行更新。

29、可选地，所述对分类后的工业区用电负荷特征向量进行聚类迭代，并更新聚类中心，包括：

30、随机抽取工业区用电负荷特征向量库中的k个工业区用电负荷特征向量作为初始聚类中心，其中k为大于1的整数；

31、计算所述工业区用电负荷特征向量库中剩下的所述工业区用电负荷特征向量与所述初始聚类中心的距离；

32、根据每个工业区用电负荷特征向量与所述初始聚类中心的距离，将所述工业区用电负荷特征向量划分为k个簇；

33、计算所述k个簇的所有特征向量的均值，并将所述均值作为并将此均值作为更新后的聚类中心。

34、此外，为实现上述目的，本发明还提出一种边缘计算终端，所述边缘计算终端包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的工业区的用电负荷预测程序，所述工业区的用电负荷预测程序配置为实现如上文所述的工业区的用电负荷预测方法。

35、此外，为实现上述目的，本发明还提出一种云端服务器，所述云端服务器包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的工业区的用电负荷预测程序，所述工业区的用电负荷预测程序配置为实现如上文所述的工业区的用电负荷预测方法。

36、此外，为实现上述目的，本发明还提出一种工业区的用电负荷预测系统，所述工业区的用电负荷预测系统包括上述的n个边缘计算终端和云端服务器。

37、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有工业区的用电负荷预测程序，所述工业区的用电负荷预测程序被处理器执行时实现如上文所述的工业区的用电负荷预测方法。

38、本发明其公开了一种工业区的用电负荷预测方法应用于n个边缘计算终端，其中n为大于1的整数；所述工业区的用电负荷预测方法包括以下步骤：获取用电工厂的休假安排信息、用电工厂的历史用电负荷以及气象预报数据；建立用电工厂的用电负荷预测模型，并根据所述用电工厂的休假安排信息、用电工厂的历史用电负荷以及气象预报数据，对所述用电负荷预测模型进行参数更新；重复上述操作，直到所述用电工厂的用电负荷预测模型到达预设用电工厂的用电负荷预测精度要求，并通过满足预设用电工厂的用电负荷预测精度要求的用电工厂的用电负荷预测模型，预测出所述用电工厂的未来用电负荷。一种工业区的用电负荷预测方法应用于云端服务器；包括以下步骤：接收所述n个边缘计算终端发送的所述非均匀连续时间隐半马尔可夫模型，并进行解密得到初步加密的用电工厂的用电负荷预测向量；根据所述初步加密的用电工厂的用电负荷预测向量和随机生成口令还原得到所述预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值；根据所述预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值，训练工业区用电负荷预测模型；重复上述操作，直到所述工业区用电负荷预测模型到达预设精度要求，并通过所述工业区用电负荷模型预测出工业区的用电负荷，从而通过建立用电工厂的用电负荷预测模型和工业区用电负荷预测模型，利用云边协同方法，精确地预测出未来一段时间工业区的用电负荷，以便根据预测结果及时调整工业区的用电负荷，避免出现用电负荷过大或者过小的情况。