CN109543879A - 基于神经网络的负荷预测方法及装置 - Google Patents
基于神经网络的负荷预测方法及装置 Download PDFInfo
- Publication number
- CN109543879A CN109543879A CN201811227332.8A CN201811227332A CN109543879A CN 109543879 A CN109543879 A CN 109543879A CN 201811227332 A CN201811227332 A CN 201811227332A CN 109543879 A CN109543879 A CN 109543879A
- Authority
- CN
- China
- Prior art keywords
- time series
- neural network
- model
- linear prediction
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于神经网络的负荷预测方法及装置,其中,该方法包括:接收待预测的时间段;将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;使用所述神经网络模型预测在所述时间段的能源负荷值。通过本发明,解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种基于神经网络的负荷预测方法及装置。
背景技术
现有技术中,提前进行能源预测可以保证用户的实际用户,同时减少能源的浪费。
现有技术中的能源预测使用Arima模型,Arima在平稳时间序列中享有很高的声誉,但是对非平稳序列仍然找不到最佳的p,d,q值,Arima对数据的线性结构拟合的较好,但对非线性结构不好,由此导致单一的负荷预测算法预测准确性欠佳,预测偏差较大,不利于后期调度优化。
针对现有技术中存在的上述问题,目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种基于神经网络的负荷预测方法及装置。
根据本发明的一个实施例,提供了一种基于神经网络的负荷预测方法,包括:
接收待预测的时间段;
将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;
使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地,在将所述时间段输入至用于预测能源负荷的神经网络模型之前,所述方法包括:
从第三方获取所述神经网络模型;
使用样本数据训练得到所述神经网络模型。
可选地,使用样本数据训练得到所述神经网络模型包括:
确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;
对所述原始时间序列进行指定变换,得到平稳时间序列;
使用所述平稳时间序列训练得到所述线性预测模型;
使用所述线性预测模型进行时间序列预测,得到线性预测数据;
使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;
将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。
可选地,对所述原始时间序列进行指定变换,得到平稳时间序列,包括:
对所述原始时间序列进行差分或log变换,得到平稳时间序列。
可选地,使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型包括:
将原始时间序列减去所述线性预测数据得到残差序列;
在所述残差序列中选择第一部分作为训练集,以及在所述残差序列中选择第二部分作为测试集;
使用所述训练集训练得到所述非线性预测模型,并使用所述测试集优化所述非线性预测模型。
可选地,使用所述训练集训练得到所述非线性预测模型包括:
在原始模型中随机分配输入层和隐含层间的连接权值及隐含层神经元的阈值,以及根据经验值设置隐含层神经元的个数,其中,所述非线性预测模型包括:输入层,隐含层,输出层;
使用所述训练集基于所述原始模型训练隐含层的输出矩阵,其中,所述输出矩阵的行数为隐含层节点数,列数为输出层节点数。
根据本发明的另一个实施例,提供了一种基于神经网络的负荷预测装置,包括:
接收模块,用于接收待预测的时间段;
输入模块,用于将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;
预测模块,用于使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地,所述装置包括:
确定模块,用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前,确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;
变换模块,用于对所述原始时间序列进行指定变换,得到平稳时间序列;
训练模块,用于使用所述平稳时间序列训练得到所述线性预测模型;
预测模块,用于使用所述线性预测模型进行时间序列预测,得到线性预测数据;
构建模块,用于使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;
合并模块,用于将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。
可选地,所述装置包括:
获取模块,用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前,从第三方获取所述神经网络模型。
可选地,所述变换模块还包括:
变换单元,用于对所述原始时间序列进行差分或log变换,得到平稳时间序列。
可选地,所述构建模块包括:
算法单元,用于将原始时间序列减去所述线性预测数据得到残差序列;
选择单元,用于在所述残差序列中选择第一部分作为训练集,以及在所述残差序列中选择第二部分作为测试集;
构建单元,用于使用所述训练集训练得到所述非线性预测模型,并使用所述测试集优化所述非线性预测模型。
可选地,所述构建单元还用于:
在原始模型中随机分配输入层和隐含层间的连接权值及隐含层神经元的阈值,以及根据经验值设置隐含层神经元的个数,其中,所述非线性预测模型包括:输入层,隐含层,输出层;
使用所述训练集基于所述原始模型训练隐含层的输出矩阵,其中,所述输出矩阵的行数为隐含层节点数,列数为输出层节点数。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,通过使用由线性预测模型和非线性预测模型组成的神经网络模型预测能源负荷值,实现了线性预测和非线性预测的互补,解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题,缩小了预测偏差,提高了预测能源负荷的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种基于神经网络的负荷预测网络终端的硬件结构框图;
图2是根据本发明实施例的基于神经网络的负荷预测方法的流程图;
图3是根据本发明实施例的基于神经网络的负荷预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本申请实施例一所提供的方法实施例可以在服务器,网络终端、计算机终端或者类似的运算装置中执行。以运行在网络终端上为例,图1是本发明实施例的一种基于神经网络的负荷预测网络终端的硬件结构框图。如图1所示,网络终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述网络终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述网络终端的结构造成限定。例如,网络终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的基于神经网络的负荷预测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至网络终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括网络终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于神经网络的负荷预测方法,图2是根据本发明实施例的基于神经网络的负荷预测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,接收待预测的时间段;
步骤S204,将时间段输入至用于预测能源负荷的神经网络模型,其中,神经网络模型由线性预测模型和非线性预测模型组成;
步骤S206,使用神经网络模型预测在时间段的能源负荷值。
通过上述步骤,通过使用由线性预测模型和非线性预测模型组成的神经网络模型预测能源负荷值,实现了线性预测和非线性预测的互补,解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题,缩小了预测偏差,提高了预测能源负荷的准确率。
可选地,上述步骤的执行主体可以为数据处理设备,服务器,终端等,具体可以是处理器,算法模块等,但不限于此。
本实施例的应用场景,可以应用在能源预测、流量预测等人工智能的场景中,能源具体可以是热能源,也可以是水、电、气等消耗性能源。线性预测模型可以是Arima,非线性预测模型可以是极限学习机。
在本实施例中,在将时间段输入至用于预测能源负荷的神经网络模型之前,还需要设置该神经网络模型,包括:从第三方获取神经网络模型,如从供应商购买;使用样本数据训练得到神经网络模型。
在本实施例的一个可选实施方式,使用样本数据训练得到神经网络模型包括:
S11,确定样本数据的原始时间序列,其中,原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;
S12,对原始时间序列进行指定变换,得到平稳时间序列;
S13,使用平稳时间序列训练得到线性预测模型;
S14,使用线性预测模型进行时间序列预测,得到线性预测数据;
S15,使用原始时间序列和线性预测数据构建非线性预测模型;
S16,将线性预测模型和非线性预测模型合并为神经网络模型。
可选的,对原始时间序列进行指定变换,得到平稳时间序列,包括:对原始时间序列进行差分或log变换,得到平稳时间序列。
下面进行详细说明:
由于本实施例的Arima模型通常对线性平稳的时间数据能够起到不错的效果,对非线性非平稳的数据效果往往不佳。而非线性预测模型的神经网络恰恰能够对非线性的数据起到不错的拟合效果,因此将Arima和神经网络结合起来对热负荷进行预测。即把总时间序列yt看成是线性相关部分Lt和非线性残差部分rt两部分的组合,即
yt=Lt+rt,选取的神经网络模型为极限学习机模型,因为模型相比于BP神经网络模型具有训练速度快,泛化能力强等优点。训练过程包括:
第一步:检验数据平稳性;
通过统计的方法,比如自相关、偏相关和单位根检验法中的增广迪基-富勒法(ADF)来检验时间序列的平稳性,发现现有的样本数据是不平稳的,需要对数据进行差分或log变换。
第二步:时间序列模型的确定;
对平稳时间序列数据标准化后,发现现有数据滞后现象同时伴随有周期性波动,确定模型为ARIMA模型。
第三步:训练得到ARIMA的p,d,q值;
对第二步的数据根据自相关偏相关图、赤池准则(AIC),训练得到ARIMA模型p,d,q值。
第四步:ARIMA参数的确定;
采用最小二乘估计,根据数据确定ARIMA模型的未知参数。
第五步:ARIMA预测时间序列;
根据已知的ARIMA模型对时间序列进行预测,得到线性预测数据
是Lt的预测值。如样本数据是1…n时间段的能源负荷,使用ARIMA模型预测计算1…n时间段的能源负荷值,即
第六步:求原序列与的残差;
由于原序列yt与的残差部分经验证隐含了原序列中的非线性关系,因此可以使用残差部分来构建神经网络。
可选的,使用原始时间序列和线性预测数据构建非线性预测模型包括:
S21,将原始时间序列减去线性预测数据得到残差序列;
S22,在残差序列中选择第一部分作为训练集,以及在残差序列中选择第二部分作为测试集;
S23,使用训练集训练得到非线性预测模型,并使用测试集优化非线性预测模型。
在本实施例的一个可选实施方式中,使用训练集训练得到非线性预测模型包括:在原始模型中随机分配输入层和隐含层间的连接权值及隐含层神经元的阈值,以及根据经验值设置隐含层神经元的个数,其中,非线性预测模型包括:输入层,隐含层,输出层;使用训练集基于原始模型训练隐含层的输出矩阵,其中,输出矩阵的行数为隐含层节点数,列数为输出层节点数。
在ELM中,随机产生输入层和隐含层间的连接权值及隐含层神经元的阈值,且在训练过程中无需调整,只需要根据经验设置隐含层神经元的个数,便可以获取唯一的最优解。神经网络的衡量标准选取均方误差RMSE这一指标进行测试验证,当RMSE值最小时,训练的ELM模型作为最好的神经网络模型,最终得到残差的预测值
在该实施例中,构建极限学习机ELM神经网络,网络分三层,输入层,隐含层,输出层。其学习过程不需要调整隐含层节点参数,输入层至隐含层的特征映射可以是随机的或人为给定的。其学习过程易于在全局极小值收敛。对于给定N组训练数据,使用ELM对包含L个隐含层和M个输出层进行学习有如下步骤:(1)随机分配节点参数:在计算开始时,SLFN的节点参数会随机生成,即节点参数与输入数据独立。这里的随机生成可以服从任意的连续概率分布(continuous probability distribution);(2)计算隐含层的输出矩阵:隐含层输出矩阵的大小为N行M列,即行数为输入的训练数据个数,列数为隐含层节点数。输出矩阵本质上即是将N个输入数据映射至L个节点所得的结果;(3)求解输出权重:隐含层的输出权重矩阵的大小为L行M列,即行数为隐含层节点数,列数为输出层节点数。与其他算法不同,ELM算法中,输出层可以(或建议)没有误差节点,因此当输出变量只有一个时,输出权重矩阵为一向量。ELM算法的核心即是求解输出权重使得误差函数最小。
在实际作业中,为了验证本实施例的能源预测模型,选取了30天的热负荷预测值(一天24小时,每小时对应一个热负荷值,时间段为2018.06.01-2018.06.30)作为实验数据,其中20天的数据作为训练集数据,后10天的数据作为测试数据集。实验效果的衡量指标我们选取了平均相对误差MAPE,均方根误差RMSE和偏差率DR(deviation rate)
平均相对误差MAPE:
均方根误差RMSE:
偏差率DR:
其中,yt代表真实值,yd代表预测值,n代表样本数。
得到的衡量指标数据如表1所示:
表1
从上面数据指标可以看出,本实施例的算法模型的效果明显,优于仅采用Arima算法和仅采用极限学习机的算法的方案。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了一种基于神经网络的负荷预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的基于神经网络的负荷预测装置的结构框图,如图3所示,该装置包括:
接收模块30,用于接收待预测的时间段;
输入模块32,用于将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;
预测模块34,用于使用所述神经网络模型预测在所述时间段的能源负荷值。
可选的,所述装置还包括:确定模块,用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前,确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;变换模块,用于对所述原始时间序列进行指定变换,得到平稳时间序列;训练模块,用于使用所述平稳时间序列训练得到所述线性预测模型;预测模块,用于使用所述线性预测模型进行时间序列预测,得到线性预测数据;构建模块,用于使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;合并模块,用于将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,接收待预测的时间段;
S2,将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;
S3,使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,接收待预测的时间段;
S2,将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;
S3,使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的负荷预测方法,其特征在于,包括:
接收待预测的时间段;
将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;
使用所述神经网络模型预测在所述时间段的能源负荷值。
2.根据权利要求1所述的方法,其特征在于,在将所述时间段输入至用于预测能源负荷的神经网络模型之前,所述方法还包括:
从第三方获取所述神经网络模型;
使用样本数据训练得到所述神经网络模型。
3.根据权利要求2所述的方法,其特征在于,使用样本数据训练得到所述神经网络模型包括:
确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;
对所述原始时间序列进行指定变换,得到平稳时间序列;
使用所述平稳时间序列训练得到所述线性预测模型;
使用所述线性预测模型进行时间序列预测,得到线性预测数据;
使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;
将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。
4.根据权利要求3所述的方法,其特征在于,对所述原始时间序列进行指定变换,得到平稳时间序列,包括:
对所述原始时间序列进行差分或log变换,得到平稳时间序列。
5.根据权利要求3所述的方法,其特征在于,使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型包括:
将原始时间序列减去所述线性预测数据得到残差序列;
在所述残差序列中选择第一部分作为训练集,以及在所述残差序列中选择第二部分作为测试集;
使用所述训练集训练得到所述非线性预测模型,并使用所述测试集优化所述非线性预测模型。
6.根据权利要求5所述的方法,其特征在于,使用所述训练集训练得到所述非线性预测模型包括:
在原始模型中随机分配输入层和隐含层间的连接权值及隐含层神经元的阈值,以及根据经验值设置隐含层神经元的个数,其中,所述非线性预测模型包括:输入层,隐含层,输出层;
使用所述训练集基于所述原始模型训练隐含层的输出矩阵,其中,所述输出矩阵的行数为隐含层节点数,列数为输出层节点数。
7.一种基于神经网络的负荷预测装置,其特征在于,包括:
接收模块,用于接收待预测的时间段;
输入模块,用于将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;
预测模块,用于使用所述神经网络模型预测在所述时间段的能源负荷值。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
确定模块,用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前,确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;
变换模块,用于对所述原始时间序列进行指定变换,得到平稳时间序列;
训练模块,用于使用所述平稳时间序列训练得到所述线性预测模型;
预测模块,用于使用所述线性预测模型进行时间序列预测,得到线性预测数据;
构建模块,用于使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;
合并模块,用于将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811227332.8A CN109543879A (zh) | 2018-10-22 | 2018-10-22 | 基于神经网络的负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811227332.8A CN109543879A (zh) | 2018-10-22 | 2018-10-22 | 基于神经网络的负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543879A true CN109543879A (zh) | 2019-03-29 |
Family
ID=65844720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811227332.8A Pending CN109543879A (zh) | 2018-10-22 | 2018-10-22 | 基于神经网络的负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543879A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533256A (zh) * | 2019-09-05 | 2019-12-03 | 天津华春智慧能源科技发展有限公司 | 一种需求侧供热负荷的预测方法 |
CN111626485A (zh) * | 2020-05-11 | 2020-09-04 | 新智数字科技有限公司 | 一种区域建筑能源系统的负荷预测系统及方法 |
CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956722A (zh) * | 2016-06-22 | 2016-09-21 | 广东工业大学 | 一种短期风电功率的预测方法及装置 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN107169612A (zh) * | 2017-06-21 | 2017-09-15 | 南京信息工程大学 | 基于神经网络的风电机有功功率预测及误差订正方法 |
CN107301475A (zh) * | 2017-06-21 | 2017-10-27 | 南京信息工程大学 | 基于连续功率谱分析的电力负荷预测优化方法 |
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
-
2018
- 2018-10-22 CN CN201811227332.8A patent/CN109543879A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN105956722A (zh) * | 2016-06-22 | 2016-09-21 | 广东工业大学 | 一种短期风电功率的预测方法及装置 |
CN107169612A (zh) * | 2017-06-21 | 2017-09-15 | 南京信息工程大学 | 基于神经网络的风电机有功功率预测及误差订正方法 |
CN107301475A (zh) * | 2017-06-21 | 2017-10-27 | 南京信息工程大学 | 基于连续功率谱分析的电力负荷预测优化方法 |
CN107944612A (zh) * | 2017-11-17 | 2018-04-20 | 河海大学 | 一种基于arima和相空间重构svr的母线净负荷预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533256A (zh) * | 2019-09-05 | 2019-12-03 | 天津华春智慧能源科技发展有限公司 | 一种需求侧供热负荷的预测方法 |
CN111626485A (zh) * | 2020-05-11 | 2020-09-04 | 新智数字科技有限公司 | 一种区域建筑能源系统的负荷预测系统及方法 |
CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
US20210398048A1 (en) * | 2020-06-19 | 2021-12-23 | Shandong University | Method and system for predicting building energy consumption based on holt-winters and extreme learning machine |
US11842306B2 (en) * | 2020-06-19 | 2023-12-12 | Shandong University | Method and system for predicting building energy consumption based on holt-winters and extreme learning machine |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7412423B2 (ja) | ニューラルネットワークによる負荷予測方法及び装置 | |
CN109543879A (zh) | 基于神经网络的负荷预测方法及装置 | |
CN108985514A (zh) | 基于eemd和lstm的负荷预测方法、装置及设备 | |
CN105340311B (zh) | 网络设备、网络业务预测装置和方法 | |
CN106610867B (zh) | 一种片上网络任务调度方法及装置 | |
CN106684885B (zh) | 基于多场景分析的风电机组配电网无功优化方法 | |
Karabulut et al. | Long term energy consumption forecasting using genetic programming | |
CN110084407A (zh) | 基于循环神经网络和元学习策略的负荷预测方法及装置 | |
CN109800929A (zh) | 一种电网负荷预测方法、装置和计算设备 | |
CN109993205A (zh) | 时间序列预测方法、装置、可读存储介质及电子设备 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
Li et al. | Preference incorporation to solve multi-objective mission planning of agile earth observation satellites | |
Amjady et al. | A new spinning reserve requirement forecast method for deregulated electricity markets | |
Leśniak | Supporting contractors’ bidding decision: RBF neural networks application | |
Xu et al. | Distributed no-regret learning in multiagent systems: Challenges and recent developments | |
CN110084406A (zh) | 基于自编码器和元学习策略的负荷预测方法及装置 | |
Rao et al. | Multi-objective adaptive clonal selection algorithm for solving optimal power flow problem with load uncertainty | |
Owerko et al. | Unsupervised optimal power flow using graph neural networks | |
CN110009161A (zh) | 供水预测方法及装置 | |
KR20150114028A (ko) | 단위 산업별 기술 가치 예측 시스템 및 그 시스템의 정보 처리 방법 | |
CN115207921B (zh) | 一种光伏接入配电网的位置优化方法及系统 | |
Fan et al. | Scenario-based stochastic resource allocation with uncertain probability parameters | |
Osório et al. | Hybrid evolutionary-adaptive approach to predict electricity prices and wind power in the short-term | |
Pilát et al. | Meta-learning and model selection in multi-objective evolutionary algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190329 |
|
RJ01 | Rejection of invention patent application after publication |