随着普通个体户生活水平的提高，个体建筑的负荷水平也在不断提高，其负荷因居住者的行为而波动较大。在用电高峰期，当个别建筑物同时使用多个大功率电器时，电网馈线会增加供电压力，从而增加整个配电网的供电压力。因此，通过客户侧需求响应，供应商可以调整电价，实现电网调峰，居民也可以降低电费。短期建筑负荷预测是客户侧需求响应的关键技术，可以实现配电部门和用户的双赢。

楼宇客户用电行为的可变性与预测效果有显着相关性，且数据量巨大，给时序模型的学习带来很大挑战。传统的预测方法使用长期和短期记忆循环神经网络。考虑家电消费，根据家电使用数据了解居民使用家电的习惯，获得比很多基准更好的预测性能。但是长短时记忆等循环神经网络不能并行处理输入序列，所以模型训练的成本会随着输入序列长度的增加而增加，长期的历史信息会被遗忘，

问题拆分

该方法包括以下步骤： 1)数据输入：以表计总负荷数据和内部负荷数据为输入数据，内部负荷数据包括各分表负荷数据和未测负荷数据。2)数据处理：根据预先相关性分析的结果，填补缺失数据，修正异常值，保留相关系数大于设定值的内部负荷数据；3)负载预测：改变步长2) 将得到的由内部负载数据和总表负载数据组成的时间序列输入到预先训练好的稳定时间卷积网络中，对建筑物进行短期预测未来目标时间的电力负荷。与传统方法相比，

问题解决了

1. 一种基于智能电表数据的短期建筑电力负荷预测方法，包括以下步骤： 1)数据输入：以电表总负荷数据和内部负荷数据作为输入数据，其中，内部负荷数据包括负荷数据每个子表和未测量的负荷数据；2)数据处理：对表总负载数据和内部负载数据进行缺失数据和异常数据的查找，然后对缺失数据进行补齐并修正异常值。，并根据预先基于历史负荷数据的内部负荷数据与总表负荷数据的相关性分析结果，保留相关系数大于设定值的内部负荷数据，并删除其他内部负荷数据; 3)负荷预测：

2. 2.根据权利要求1所述的建筑短期电力负荷预测方法，其特征在于：所述步骤1)还包括数据采集步骤，即采集建筑主表和各子表的数据，时间为：预测时间之前的时间。时序用电量数据，然后根据主电表测得的负荷数据与各子电表测得的负荷数据之和的差值，得到每组用电数据的未测负荷数据，从而获得输入数据。

3. 3.根据权利要求2所述的短期建筑电力负荷预测方法，其特征在于： 步骤1)中，采集的时间序列长度等于训练时每个输入时间卷积网络的时间序列长度。4. .

4. 2.根据权利要求1所述的短期建筑电力负荷预测方法，其特征在于，所述步骤3)中，时间卷积网络的基本结构为2～4个残差层组成的残差网络。5. ，每个残差层包括1到2个基础层、1到2个卷积层和1个直接连接层。

5. 5.根据权利要求4所述的短期建筑电力负荷预测方法，其特征在于： 步骤3)中，时间卷积网络包括因果卷积和空洞卷积，每层神经元个数为250个。 6．〜350。

6. 2.根据权利要求1所述的短期建筑电力负荷预测方法，其特征在于，在步骤3)中，时间卷积网络的预训练包括以下步骤： 根据训练需要输入总表负荷数据和内部加载过去一段时间的数据；使用步骤2)中的方法填写并修正负荷数据，然后对每个内部负荷数据和总表负荷数据进行相关性分析，选择相关系数大于设定值的内部负荷数据为用作辅助输入数据，并与总表负载数据相结合，训练时态卷积网络。

7. 7.根据权利要求6所述的短期建筑电力负荷预测方法楼宇自控点表，其特征在于，所述相关系数的设定值为0.1。8.

8. 7.根据权利要求6所述的短期建筑电力负荷预测方法，其特征在于，所述时间卷积网络的训练参数设置为：batch设置为60，学习率设置为0.00001，模型设置为10轮. 9. 对于训练，训练轮数设置为 20 个 epoch，每个 epoch 训练一次训练整个数据集。10轮训练一共得到10个分数，取平均分作为预测准确度指标。

9. 一种用于实现根据权利要求1所述的方法的短期建筑电力负荷预测系统，包括： 数据采集模块（1)，用于实现数据采集步骤9。； 数据处理模块（2)@）。 >，用于实现数据处理步骤；负载预测模块（3)，用于实现负载预测步骤。

10.根据权利要求9所述的短期建筑电力负荷预测系统，其特征在于，所述负荷预测模块(3)采用时间卷积网络，时间卷积网络包括2个残差层，每个残差层包括1-2基础层、1-2 个卷积层和 1 个直接连接层。