Household electricity consumption has been rising gradually with the improvement of living standards. Making short-term load forecasting at the small-scale users plays an increasingly important role in the future power network planning and operation. To meet the efficiency of the dispatching system and the demand of human daily power consumption, an optimal forecasting model Attention-CNN-GRU of small-scale users load at various periods of the day based on family behavior pattern recognition is proposed in this study. The low-level data information (smart meter data) is used to build the high-level model (small-scale users load). Attention mechanism and convolutional neural networks (CNN) can further enhance the prediction accuracy of gated recurrent unit (GRU) and notably shorten its prediction time. The recognition of family behavior patterns can be achieved through the users’ smart meter data, and users are aggregated into K categories. The results of optimal K category prediction under the family behavior model are summarized as the final prediction outcome. This idea framework is tested on real users’ smart meter data, and its performance is comprehensively compared with different benchmarks. The results present strong compatibility in the small-scale users load forecasting model at various periods of the day and swift short-term prediction of users load compared to other prediction models. The time is shortened by 1/4 compared with the GRU/LSTM model. Furthermore, the accuracy is improved to 92.06% (MAPE is 7.94%).

随着生活水平的提高，家庭用电量逐渐上升。对小规模用户进行短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。为了满足调度系统的效率和人类日常用电量的需求，本研究提出了一种基于家庭行为模式识别的小规模用户一天中不同时段负载的最优预测模型Attention-CNN-GRU。低层数据信息（智能电表数据）用于构建高层模型（小规模用户负载）。注意机制和卷积神经网络（CNN）可以进一步提高门控循环单元（GRU）的预测精度，并显着缩短其预测时间。通过用户的智能电表数据，可以实现对家庭行为模式的识别，将用户聚合为K个类别。将家庭行为模型下最优K类预测的结果总结为最终的预测结果。该思想框架在真实用户的智能电表数据上进行了测试，其性能与不同的基准进行了综合比较。结果表明，与其他预测模型相比，小规模用户负载预测模型在一天中的各个时段具有很强的兼容性，并且可以快速地对用户负载进行短期预测。时间比GRU/LSTM模型缩短1/4。此外，准确度提高到 92.06%（MAPE 为 7.94%）。将家庭行为模型下最优K类预测的结果总结为最终的预测结果。该思想框架在真实用户的智能电表数据上进行了测试，其性能与不同的基准进行了综合比较。结果表明，与其他预测模型相比，小规模用户负载预测模型在一天中的各个时段具有很强的兼容性，并且可以快速地对用户负载进行短期预测。时间比GRU/LSTM模型缩短1/4。此外，准确度提高到 92.06%（MAPE 为 7.94%）。将家庭行为模型下最优K类预测的结果总结为最终的预测结果。该思想框架在真实用户的智能电表数据上进行了测试，其性能与不同的基准进行了综合比较。结果表明，与其他预测模型相比，小规模用户负载预测模型在一天中的各个时段具有很强的兼容性，并且可以快速地对用户负载进行短期预测。时间比GRU/LSTM模型缩短1/4。此外，准确度提高到 92.06%（MAPE 为 7.94%）。结果表明，与其他预测模型相比，小规模用户负载预测模型在一天中的各个时段具有很强的兼容性，并且可以快速地对用户负载进行短期预测。时间比GRU/LSTM模型缩短1/4。此外，准确度提高到 92.06%（MAPE 为 7.94%）。结果表明，与其他预测模型相比，小规模用户负载预测模型在一天中的各个时段具有很强的兼容性，并且可以快速地对用户负载进行短期预测。时间比GRU/LSTM模型缩短1/4。此外，准确度提高到 92.06%（MAPE 为 7.94%）。