技术特征：
1.一种电力负荷的预测方法，其特征在于，包括：获取用户的用电数据；对所述用电数据进行数据预处理，剔除错误数据；将经过预处理的数据输入cnn深度学习神经网络中提取特征信息，得到具有时间依赖性的数据序列；将已经提取过特征的数据，输入到lstm深度学习神经网络中进行训练，得到训练模型；利用训练好的模型进行用电负荷预测。2.根据权利要求1所述的预测方法，其特征在于，获取用户的用电数据，进一步包括：通过用电负荷传感器，收集每日预设时段的用户用电数据，归总至数据总表中，且在采集数据的时候，保证每15分钟采集一次。3.根据权利要求2所述的测方法，其特征在于，对所述用电数据进行数据预处理，剔除错误数据，进一步包括：根据先验经验，将数据中明显的错误信息剔除；整合计算其中数据是否存在较大差异，若存在，则剔除，否则，将其保留；将已经基本预处理好的数据，根据时间、采集条件以及其他属性要求，分别整理并保存至不同的类别；通过时间属性，进行数理统计，并在数据集中至少保存90天的数据量。4.根据权利要求3所述的预测方法，其特征在于，将已经基本预处理好的数据，根据时间、采集条件以及其他属性要求，分别整理并保存至不同的类别，进一步包括：根据采集时间、采集特性，生成包含时间、采集特性的数据集；将数据集按照8：1：1的比例进行数据划分训练集、测试集、验证集。5.根据权利要求4所述的预测方法，其特征在于，将已经提取过特征的数据，输入到lstm深度学习神经网络中进行训练，得到训练模型，进一步包括：将所述训练集输入到cnn神经网络中；经过relu函数进行激活，并通过max-pooling进行池化处理；加入概率为0.3的dropout来防止过拟合；输出为带有时间特征依赖的数据，并作为lstm神经网络的输入。6.根据权利要求5所述的预测方法，其特征在于，利用训练好的模型进行用电负荷预测，进一步包括：根据cnn提取的具有时间依赖性的序列，将其按照时间顺序输入到lstm中，作为每一个timestep的输入；为了使得模型具有更好的可扩展性和准确性，引入attention机制；利用已经划分好的数据集，将lstm神经网络按照seq2seq的方式进行训练；通过最后全连接层将attentionvalue进行映射到输出值，也即是模型的预测值，得到预测结果。7.一种电力负荷的预测装置，其特征在于，包括：获取单元，用于获取用户的用电数据；预处理单元，用于对所述用电数据进行数据预处理，剔除错误数据；特征提取单元，用于将经过预处理的数据输入cnn深度学习神经网络中提取特征信息，
得到具有时间依赖性的数据序列；训练单元，用于将已经提取过特征的数据，输入到lstm深度学习神经网络中进行训练，得到训练模型；预测单元，用于利用训练好的模型进行用电负荷预测。8.根据权利要求7所述的预测装置，其特征在于，其特征在于，将已经提取过特征的数据，输入到lstm深度学习神经网络中进行训练，得到训练模型，进一步包括：将所述训练集输入到cnn神经网络中；经过relu函数进行激活，并通过max-pooling进行池化处理；加入概率为0.3的dropout来防止过拟合；输出为带有时间特征依赖的数据，并作为lstm神经网络的输入。9.根据权利要求8所述的预测装置，其特征在于，利用训练好的模型进行用电负荷预测，进一步包括：根据cnn提取的具有时间依赖性的序列，将其按照时间顺序输入到lstm中，作为每一个timestep的输入；为了使得模型具有更好的可扩展性和准确性，引入attention机制；利用已经划分好的数据集，将lstm神经网络按照seq2seq的方式进行训练；通过最后全连接层将attentionvalue进行映射到输出值，也即是模型的预测值，得到预测结果。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的一种电力负荷的预测方法的步骤。
技术总结
本发明公开了一种电力负荷的预测方法及装置，其中预测方法包括：通过电力控制装置，获取用户电力负荷数据；对所述的电力负荷数据进行预处理，剔除错误数据；根据预设的数学统计策略，对已经获取的数据进行统计学计算，得到N多维的统计特征参数；根据处理好的特征数据之后，将数据输入到CNN深度学习神经网络中；通过CNN得到的具有时间依赖性的序列，将其按照时间顺序输入到LSTM深度学习神经网络中，并对其进行数据训练；利用上述深度学习神经网络模型进行电力负荷预测；本发明提供的负荷预测方法基于CNN-LSTM模型的预测方法，减少了参数数量，降低了训练难度，避免了训练梯度爆炸等问题，输出的预测结果比单纯的使用CNN神经网络更加精准。更加精准。更加精准。
技术研发人员：刘磊
受保护的技术使用者：南京无象云智能科技有限公司
技术研发日：2022.06.09
技术公布日：2022/10/24