智能家居的用电分析与负荷预测

作     者：FAREED NIRAMAN 

作者单位：华北电力大学(北京) 

学位级别：硕士

导师姓名：李彬

授予年度：2022年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 0813[工学-建筑学] 0814[工学-土木工程] 

主      题：智能住宅 用电量 负荷预测 时间序列分析 电力需求 需求响应 

摘      要：随着能源价格和消费的变化,许多家庭电费将增加每月账单的负担。许多国家希望智能电力监控和智能电力控制器能够在智能城市和普通家庭中使用。在炎热的沙漠气候等气象条件下,使用双重或三重夏季空调时,耗电量会对家庭生活有一定影响,比如大量电费的产生。建筑中的能源管理系统(EMS)一直是自动需求侧管理(DSM)的主要方法之一。这些能源管理系统将提高负载灵活性。对于EMS来说,要有效地工作,首先必须了解可用的供需情况,使供需相匹配,最大限度地减少从电网的进口和运营成本。能量预测技术对电力系统的调度和管理具有重要意义。能源预测是电力系统规划的重要组成部分,在调峰和市场评估中发挥着重要作用。因此,需求响应(DR)已迅速发展成为智能电网的一项重要功能。因此,根据时间范围进行预测非常重要。本研究的目的是通过探索性数据分析(EDA)方法分析天气对智能家庭电表调查数据的影响,并设计一个有效的用电预测模型。在本研究中,我们提出了一种基于机器学习(ML)的时间序列算法,该算法使用智能家居负荷数据来预测电力消耗。此外,探索和分析家用电器的能源消耗曲线。为了建立这个模型,我们使用了与网站(Kaggle)上提供的智能仪表(intelligent instrument)数据相关的数据集。该数据集包含超过350天的家用电器天气信息。Python(Jupiter Notebook)被用作数据清理、数据预处理、预测模型实现和输出结果可视化的工具。在预测模型中,我们使用不同的机器学习算法来预测能源消耗,包括随机森林(RF)回归、长期短期记忆(LSTM)和Catboost回归。数据分为80%的训练组和20%的测试组。使用确定系数R2、平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)对模型进行评估。最后,与LSTM和Catboost相比,RF回归器的预测结果得到了最好的结果,相关系数为0.97。研究结果为建立智能化城市智能电耗监测仪的最终目标提供了良好的基础,并最终帮助家庭根据气候条件调整和使用大部分耗电设备,减少普通家庭的电费。