CN109670648A - 能源数据预测模型的训练、能源数据的预测方法及装置 - Google Patents
能源数据预测模型的训练、能源数据的预测方法及装置 Download PDFInfo
- Publication number
- CN109670648A CN109670648A CN201811579734.4A CN201811579734A CN109670648A CN 109670648 A CN109670648 A CN 109670648A CN 201811579734 A CN201811579734 A CN 201811579734A CN 109670648 A CN109670648 A CN 109670648A
- Authority
- CN
- China
- Prior art keywords
- energy
- data
- training
- various dimensions
- self
- 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
- 238000012549 training Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 230000009467 reduction Effects 0.000 claims description 26
- 239000000284 extract Substances 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims 1
- 238000004064 recycling Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000005855 radiation Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种能源数据预测模型的训练、以及能源数据的预测方法及装置，可以较为准确地对能源数据进行预测，使数据预测结果更精准。先利用多维度物理数据对自编码器进行训练，使自编码器能够根据多维度物理数据输出隐含特征，据此可以利用训练后的自编码器，对多维度物理数据进行特征提取而得到隐含特征，从而可以利用该隐含特征，以及对应的能源数据结果，对极限学习机进行训练，使极限学习机可以根据隐含特征输出能源数据预测结果。在得到需要进行能源数据预测的多维度物理数据后，可以利用训练后的自编码器进行特征提取，而得到隐含特征，再利用训练后的极限学习机，对该隐含特征进行能源数据预测。
Description
技术领域
本发明涉及数字能源技术领域，尤其涉及一种能源数据预测模型的训练方法及装置、以及一种能源数据的预测方法及装置。
背景技术
随着信息化的发展，各行各业为满足业务处理的需求，对数据处理的能力提出越来越高的要求，且通常情况下，提高数据处理能力成为提高业务质量的重要手段。
比如在能源行业，针对能源数据预测业务而言，其预测结果的精准度往往直接影响业务能力或业务质量。具体比如对于用电量的精准度，将直接影响用户的日常生活；又如，发电量预测的精准度，也直接影响供电服务的能力，等。
可见，能源数据预测的准确性将会成为该行业内关注的重点，所以需要提出一种方案，能够较为准确地进行能源数据预测。
发明内容
本发明实施例提供一种能源数据预测模型的训练方法及装置，用于较为准确地对能源数据进行预测，使数据预测结果更精准。
本发明实施例提供一种能源数据的预测方法，用于较为准确地对能源数据进行预测，使数据预测结果更精准。
为解决上述技术问题，本发明实施例是这样实现的：
本发明实施例采用下述技术方案：
一种能源数据预测模型的训练方法，包括：
利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练，使训练后的自编码器具有输出多维度物理数据中各维度之间的隐含特征的能力；
利用所述训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征；
利用所述第二隐含特征以及第二能源数据结果，对极限学习机进行训练，使训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件。
一种能源数据的预测方法，应用于移动终端，包括：
利用训练后的自编码器，对多维度物理数据进行隐含特征提取，得到隐含特征；
利用训练后的极限学习机，对所述隐含特征进行能源数据预测。
一种能源数据预测模型的训练装置，包括：第一训练单元、特征提取单元、以及第二训练单元，其中，
所述第一训练单元，用于利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练，使训练后的自编码器具有输出多维度物理数据中各维度之间的隐含特征的能力；
所述特征提取单元，用于利用所述训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征；
所述第二训练单元，用于利用所述第二隐含特征以及第二能源数据结果，对极限学习机进行训练，使训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件。
一种能源数据的预测装置，包括：特征提取单元以及数据预测单元，其中，所述特征提取单元，用于利用训练后的自编码器，对多维度物理数据进行隐含特征提取，得到隐含特征；
所述数据预测单元，用于利用训练后的极限学习机，对所述隐含特征进行能源数据预测。
一种终端设备，该终端设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
由以上实施例提供的技术方案可见，先利用多维度物理数据对自编码器进行训练，使自编码器能够根据多维度物理数据输出隐含特征，据此可以利用训练后的自编码器，对多维度物理数据进行特征提取而得到隐含特征，从而可以利用该隐含特征，以及对应的能源数据结果，对极限学习机进行训练，使极限学习机可以根据隐含特征输出能源数据预测结果。在得到需要进行能源数据预测的多维度物理数据后，可以利用训练后的自编码器进行特征提取，而得到隐含特征，再利用训练后的极限学习机，对该隐含特征进行能源数据预测。本发明利用自编码器具有对数据的隐含特征表达能力强、以及极限学习机具有训练时间快、学习能力强、精度高的特点，使两者结合后的能源数据预测模型能够利用多维度物理数据中各维度之间的隐含特征，较为准确地对能源数据进行预测，从而使数据预测结果更精准。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的能源数据预测模型的训练方法的流程示意图；
图2为本发明实施例提供的能源数据预测模型的训练方法的示意图；
图3为本发明实施例提供的能源数据的预测方法的流程示意图；
图4为本发明实施例提供的能源数据的预测方法的示意图；
图5为本发明实施例提供的能源数据预测模型的训练装置的结构示意图；
图6为本发明实施例提供的能源数据的预测装置的结构示意图；
图7为本发明实施例提供的电子设备的结构示意图；
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。
以下结合附图，详细说明本发明中各实施例提供的技术方案。
实施例1
如前所述，针对能源数据预测业务而言，其预测结果的精准度往往直接影响业务能力或业务质量，故预测的准确性成为该行业内关注的重点。目前对于数据预测的方式，通常是将历史数据结果，以及与历史数据结果对应的历史多维度数据输入到数据预测模型中，使该模型进行学习，从而得到多维度数据与数据结果之间的联系，以便再利用多维度数据进行预测。但这种方式直接学习多维度数据与数据结果之间的联系，而忽略了多维度数据之间的联系，作为一种较为粗犷的模型训练方法，其训练的结果会影响数据预测的准确性。所以需要提出一种方案，使能源数据预测的结果更准确。
基于这一需求，本发明实施例提供一种能源数据预测模型的训练方法和一种能源数据的预测方法，可以较为准确地对能源数据进行预测，使数据预测结果更精准。该方法可以分别两个阶段，分别为模型训练阶段和数据预测阶段，在本实施例中首先介绍模型训练阶段，即能源数据预测模型的训练方法，具体流程示意图如图1所示，包括：
步骤102：利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练。
在实际的应用中，能源数据结果可能是多个维度物理数据共同作用的结果。比如对于用电量结果，可能是温度、湿度、气候、时间等各种维度物理数据共同作用的结果；又如对于太阳能光伏发电量的结果，可能是太阳辐射强度、风速、风向、湿度、温度等多维度物理数据共同作用的结果。
由上述举例可见，多维度物理数据可以是能源数据结果的基础，而本步骤可以先通过特定的方式挖掘出多维度物理数据中的隐含特征，从而可以准确地利用隐含特征进行能源数据预测。具体地，该特定的方式就可以是指自编码器(Autoencoder，AE)或称自编码，自编码器是神经网络的一种，经过训练后可以将输入复制到输出。自编码器内部存在隐藏层，可以表达数据之间的隐含特征，其具有对数据特征表达能力强的特点。所以在本步骤中，可以将多维度物理数据作为输入，对自编码器进行训练，使训练后的自编码器具有根据多维度物理数据输出各维度物理数据之间的隐含特征的能力。比如，可以将太阳辐射强度、风速、风向、湿度、温度这五个维度的物理数据作为输入，对自编码器进行训练，从而使自编码器可以提取出这五个维度中各维度之间的隐含特征。
这里的能源样本集(或称能源样本数据集)中，可以包含多组历史多维度物理数据、以及每组分别对应的多个历史能源数据结果。比如对于太阳能光伏发电量的样本数据集，可以包含真实发生过的太阳辐射强度、风速、风向、湿度、温度为组合的多组历史多维度物理数据，且每组历史多维度物理数据均可以对应一个太阳能光伏发电量的历史能源数据结果。而本步骤在对自编码器进行训练时，可以先从已有的能源样本集中的部分或全部选取出第一样本集，将第一样本集中的第一多维度物理数据(或称第一样本多维度物理数据)作为输入，对自编码器进行训练。而具体的训练过程，就可以利用自编码器中的特征提取表达函数，对数据进行隐含特征表达的过程。比如，可以提取出太阳辐射强度、风速、风向、湿度、温度这五维度物理数据之间的隐含特征。
在实际应用中，自编码器可以有多种形式，比如正则自编码器、稀疏自编码器、降噪自编码器等。降噪自编码器(DenoisingAutoEncoders，DAE)或称去噪自编码器，可以使损坏数据作为输入，并训练来预测原始未被损坏数据作为输出的自编码器。还可以在训练数据中加入噪声数据，从而可以使自编码器学习输入数据的更加鲁棒的表达，这也是比一般编码器泛化能力强的原因。比如可以在已有的多个维度物理数据的基础上，加入多组噪声多维度物理数据，以及对应多个噪声能源数据结果。从而使得训练后的降噪自编码器具有更强的提取多维度物理数据中隐含特征的能力。
为了使提取出的隐含特征能够更好的对多维度物理数据的特征进行表达，可以通过多层自编码器的方式进行训练，也就是可以预置多个隐藏层，每个隐藏层均可以对隐含特征进行表示，将多维度物理数据输入至多层自编码器中，可以得到多组隐含特征表达。所以在一种实施方式中，为了使自编码器的训练结果能够更准确地表达多维度物理数据中各维度之间的隐含特征，该自编码器可以包括多层降噪自编码器。该多层降噪自编码器(MDAE)，可以有由多个降噪自编码器(DAE)组成，结合降噪和多层，从而可以使隐含特征的结果具有较高的鲁棒性。而当使用能源样本对多层降噪自编码器进行训练时，能源样本集中除了包含有多组历史多维度物理数据、以及分别对应的多个历史能源数据结果外，还可以包含有噪声多维度物理数据、以及分别对应的噪声能源数据结果。
步骤104：利用训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征。
在前述步骤中已经对自编码器进行训练，使其具有根据多维度物理数据输出隐含特征的能力，也即输出多维度物理数据中各维度之间的隐含特征的能力，则根据本申请的发明构思就可以利用训练好的自编码器，对多维度物理数据进行特征提取，从而得到隐含特征。所以在本步骤中，可以从已有的能源样本集中的部分或全部选取出第二能源样本集，将该第二能源样本集中的第二多维度物理数据(或称第二样本多维度物理数据)输入到训练后的自编码器中，从而可以得到针对该第二多维度物理数据对应的第二隐含特征，而该第二隐含特征，就可以表征第二多维度物理数据中各维度之间的隐含特征。
在前文已经介绍，自编码器可以包括多层降噪自编码器，则本步骤中可以利用训练后的多层自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征。具体地，在利用多层降噪自编码器进行特征提取时，可能得到多层级隐含特征，在本步骤中，可以指定某一层级作为多维度物理数据的隐含特征，比如可以是最后一个隐含层对应的隐含特征。
根据前文的介绍可知，第一样本集可以从已有的样本集中的部分全部选取出，而本步骤中的第二样本集亦可如此选取，第一样本集的作用可以是利用第一多维度物理数据来训练自编码器，而第二样本集的作用可以是利用训练后的自编码器对每组第二多维物理数据进行特征提取，从而得到多组第二隐含特征。可见，第一样本集与第二样本集在作用上较为独立，故在数据组成上没有互斥的必要，所以在一种实施方式中，第一样本集可以与第二样本集相同。也即可以从已有的样本集中选出部分或全部，既作为第一样本集又作为第二样本集。而在实际应用中，第一样本集也可以与第二样本集不同，比如可以从已有的样本集中选取出一部分作为第一样本集，而将另一部分作为第二样本集。还可以第一样本集与第二样本集存在重合的数据，比如最近一段时间的样本数据，等。
步骤106：利用第二隐含特征以及第二能源数据结果，对极限学习机进行训练，使训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力。
极限学习机(Extreme Learning Machines，ELM)或称超限学习机，是人工智能机器学习领域中的一种人工神经网络模型，可以是一种求解单隐层前馈神经网络的学习算法，具有较快的学习速度，且具有较好的泛化性能。在步骤104中得到了第二多维度物理数据对应的第二隐含特征，则在本步骤中就可以将多组第二隐含特征，以及每组第二隐含特征对应的第二能源数据结果作为输入，对极限学习机进行训练，以使训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力。
如图2所示，为数据预测模型的训练方法的示意图，其中，已有的样本集中，可以包含多组历史多维度物理数据，以及分别对应的历史能源数据结果，图中3组可以示意性的表征多组，第一样本集和第二样本集均从已有的样本集中选取出，可以相同也可以不同。第一样本集中的多组多维物理数据可以作为输入训练自编码器，使训练后的自编码器具有提取隐含特征的能力，第二样本集中的多组物理数据可以作为输入，利用训练后的自编码器提取出每组多维物理数据对应的隐含特征(双下划线表示)，且可以对应多个能源数据结果，再将隐含特征和能源数据结果输入至极限学习机，使训练后的机选学习机具有了根据隐含特征，进行能源数据预测的能力。
由以上实施例提供的方法可见，先利用多维度物理数据对自编码器进行训练，使自编码器能够根据多维度物理数据输出隐含特征，据此可以利用训练后的自编码器，对多维度物理数据进行特征提取而得到隐含特征，从而可以利用该隐含特征，以及对应的能源数据结果，对极限学习机进行训练，使极限学习机可以根据隐含特征输出能源数据预测结果。本发明利用自编码器具有对数据的隐含特征表达能力强、以及极限学习机具有训练时间快、学习能力强、精度高的特点，使两者结合后的能源数据预测模型能够利用多维度物理数据中各维度之间的隐含特征，较为准确地对能源数据进行预测，从而使数据预测结果更精准。
实施例2
基于相同的发明思路，在实施例1介绍的能源数据预测模型的训练方法的前提下，本实施例可以介绍数据预测阶段，即本实施例提供一种能源数据的预测方法，可以较为准确地对能源数据进行预测，使数据预测结果更精准。该方法的具体流程示意图可以如图3所示，包括：
步骤202：利用训练后的自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征。
步骤204：利用训练后的极限学习机，对得到的隐含特征进行能源数据预测。
根据前述实施例的介绍，训练后的自编码器具有根据多维度物理数据输出隐含特征的能力，且训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力，所以当需要对多维度物理数据进行数据预测时，就可以将需要进行能源数据预测的多维度物理数据作为输入，发送至训练后的自编码器中，利用自编码器对多维度物理数据进行特征提取，从而得到该多维度物理数据对应的隐含特征，再将该隐含特征作为输入发送至训练后的极限学习机中，以便极限学习机根据该隐含特征进行能源数据预测。
在前述实施例中已经介绍，自编码器可以包括多层降噪自编码器，所以在一种实施方式中，利用训练后的自编码器，对多维度物理数据进行隐含特征提取，得到隐含特征，可以包括：利用训练后的多层降噪自编码器，对多维度物理数据进行隐含特征提取，得到隐含特征。具体地，在前述实施例的步骤104中介绍，在利用多层降噪自编码器进行特征提取时，可能得到多组隐含特征，所以可以指定某一组作为多维度物理数据的隐含特征，比如可以是最后一个隐含层对应的隐含特征。而在步骤202中，可以与步骤104相似地，在利用多层降噪自编码器进行隐含特征提取时，可以指定多组隐含特征中的某一组，作为最终的隐含特征。也即若利用多层降噪自编码器，进行模型训练和数据预测，隐含特征的提取方式应对应一致。
如图4所示，为本实施例能源数据的预测方法的示意图，其中多维物理数据可以是需要进行能源数据预测的数据，隐含特征可以是利用训练后的自编码器对该多维度物理数据进行特征提取得到的，而能源数据预测结果可以是训练后的极限学习机根据隐含特征进行预测的。比如针对太阳能光伏发电量的预测结果，多维度物理数据可以包括与太阳能光伏发电量相关的比如太阳辐射强度、风速、风向、湿度、温度这五个维度的物理数据，从而可以对太阳能光伏发电量结果进行预测。也即，实施例1和2可以应用于对太阳能光伏发电量进行预测。
由以上实施例提供的方法可见，在得到需要进行能源数据预测的多维度物理数据后，可以利用训练后的自编码器进行特征提取，而得到隐含特征，再利用训练后的极限学习机，对该隐含特征进行能源数据预测。本发明利用自编码器具有对数据的隐含特征表达能力强、以及极限学习机具有训练时间快、学习能力强、精度高的特点，使两者结合后的能源数据预测模型能够利用多维度物理数据中各维度之间的隐含特征，较为准确地对能源数据进行预测，从而使数据预测结果更精准。。
实施例3
基于相同的构思，本发明实施例3提供了一种能源数据预测模型的训练装置，可以较为准确地对数据进行预测，使数据预测结果更精准。该装置的结构示意图如图5所示，包括：第一训练单元302、特征提取单元304、以及第二训练单元306，其中，
第一训练单元302，可以用于利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练，使训练后的自编码器具有输出多维度物理数据中各维度之间的隐含特征的能力；
特征提取单元304，可以用于利用所述训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征；
第二训练单元306，可以用于利用所述第二隐含特征以及第二能源数据结果，对极限学习机进行训练，使训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件。
在一种实施方式中，自编码器包括多层降噪自编码器；则
能源样本集中还包含噪声多维度物理数据、以及对应的噪声能源数据结果；则
第一训练单元302，可以用于：
第一能源样本集中的第一多维度物理数据，对多层降噪自编码器进行训练，使训练后的自编码器具有输出多维度物理数据中各维度之间的隐含特征的能力；
特征提取单元304，可以用于：
利用所述训练后的多层降噪自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征。
在一种实施方式中，第一样本集与第二样本集相同。
在一种实施方式中，该装置可以应用于对太阳能光伏发电量进行预测；则多维度物理数据为实现太阳能光伏发电的物理条件，所述能源数据结果包括太阳能光伏发电量结果。
实施例4
基于相同的构思，本发明实施例4提供了一种数据的预测装置，可以较为准确地对数据进行预测，使数据预测结果更精准。该装置的结构示意图如图6所示，包括：特征提取单元402以及数据预测单元404，其中，
特征提取单元402，可以用于利用训练后的自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征；
数据预测单元404，可以用于利用训练后的极限学习机，对所述隐含特征进行能源数据预测。
在一种实施方式中，自编码器包括多层降噪自编码器；则
特征提取单元402，可以用于：
利用训练后的多层降噪自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征。
由以上两个实施例提供的装置可见，先利用多维度物理数据对自编码器进行训练，使自编码器能够根据多维度物理数据输出隐含特征，据此可以利用训练后的自编码器，对多维度物理数据进行特征提取而得到隐含特征，从而可以利用该隐含特征，以及对应的能源数据结果，对极限学习机进行训练，使极限学习机可以根据隐含特征输出能源数据预测结果。在得到需要进行能源数据预测的多维度物理数据后，可以利用训练后的自编码器进行特征提取，而得到隐含特征，再利用训练后的极限学习机，对该隐含特征进行能源数据预测。本发明利用自编码器具有对数据的隐含特征表达能力强、以及极限学习机具有训练时间快、学习能力强、精度高的特点，使两者结合后的能源数据预测模型能够利用多维度物理数据中各维度之间的隐含特征，较为准确地对能源数据进行预测，从而使数据预测结果更精准。
图7和图8是本发明的一个实施例电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry StandardArchitecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7和图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成数据预测模型的训练装置和数据的预测装置。处理器，执行存储器所存放的程序，并具体执行以下操作：
利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练；
利用所述训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征；
利用所述第二隐含特征以及第二能源数据结果，对极限学习机进行训练；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件。
以及具体用于执行以下操作：
利用训练后的自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征；
利用训练后的极限学习机，对所述隐含特征进行能源数据预测。
上述如本发明图5和图6所示实施例提供的数据预测模型的训练装置和数据的预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图5和图6所示实施例提供的数据预测模型的训练装置和数据的预测装置分别在图7和图8所示实施例的功能，本发明实施例在此不再赘述。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图5和图6所示实施例中数据预测模型的训练装置和数据的预测装置执行的方法，并具体用于执行以下操作：
利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练；
利用所述训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征；
利用所述第二隐含特征以及第二能源数据结果，对极限学习机进行训练；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件。
以及具体用于执行以下操作：
利用训练后的自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征；
利用训练后的极限学习机，对所述隐含特征进行能源数据预测。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种能源数据预测模型的训练方法，其特征在于，包括：
利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练，使训练后的自编码器具有输出多维度物理数据中各维度之间的隐含特征的能力；
利用所述训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征；
利用所述第二隐含特征以及第二能源数据结果，对极限学习机进行训练，使训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件。
2.如权利要求1所述的方法，其特征在于，所述自编码器包括多层降噪自编码器；则
所述能源样本集中还包含噪声多维度物理数据、以及对应的噪声能源数据结果。
3.如权利要求1所述的方法，其特征在于，所述第一样本集与所述第二样本集相同。
4.如权利要求1所述的方法，其特征在于，所述方法应用于对太阳能光伏发电量进行预测；则
所述多维度物理数据为实现太阳能光伏发电的物理条件，所述能源数据结果包括太阳能光伏发电量结果。
5.一种能源数据的预测方法，其特征在于，包括：
利用训练后的自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征；
利用训练后的极限学习机，对所述隐含特征进行能源数据预测。
6.如权利要求5所述的方法，其特征在于，利用训练后的自编码器，对多维度物理数据进行隐含特征提取，得到隐含特征，包括：
利用训练后的多层降噪自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征。
7.一种能源数据预测模型的训练装置，其特征在于，包括：第一训练单元、特征提取单元、以及第二训练单元，其中，
所述第一训练单元，用于利用第一能源样本集中的第一多维度物理数据，对自编码器进行训练，使训练后的自编码器具有输出多维度物理数据中各维度之间的隐含特征的能力；
所述特征提取单元，用于利用所述训练后的自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征；
所述第二训练单元，用于利用所述第二隐含特征以及第二能源数据结果，对极限学习机进行训练，使训练后的极限学习机具有根据隐含特征输出能源数据预测结果的能力；
其中，能源样本集中包含多组历史多维度物理数据、以及分别对应的多个历史能源数据结果，所述多维度物理数据为产生能源数据的物理条件。
8.如权利要求7所述的装置，其特征在于，所述自编码器包括多层降噪自编码器；则
所述能源样本集中还包含噪声多维度物理数据、以及对应的噪声能源数据结果；则
所述第一训练单元，具体用于：
第一能源样本集中的第一多维度物理数据，对多层降噪自编码器进行训练，使训练后的自编码器具有输出多维度物理数据中各维度之间的隐含特征的能力；
所述特征提取单元，具体用于：
利用所述训练后的多层降噪自编码器，对第二能源样本集中的第二多维度物理数据进行隐含特征提取，得到第二隐含特征。
9.一种能源数据预测的装置，其特征在于，包括：特征提取单元以及数据预测单元，其中，
所述特征提取单元，用于利用训练后的自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征；
所述数据预测单元，用于利用训练后的极限学习机，对所述隐含特征进行能源数据预测。
10.如权利要求9所述的装置，其特征在于，所述自编码器包括多层降噪自编码器；则
所述特征提取单元，具体用于：
利用训练后的多层降噪自编码器，对需要进行能源数据预测的多维度物理数据进行隐含特征提取，得到隐含特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811579734.4A CN109670648A (zh) | 2018-12-24 | 2018-12-24 | 能源数据预测模型的训练、能源数据的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811579734.4A CN109670648A (zh) | 2018-12-24 | 2018-12-24 | 能源数据预测模型的训练、能源数据的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670648A true CN109670648A (zh) | 2019-04-23 |
Family
ID=66146859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811579734.4A Pending CN109670648A (zh) | 2018-12-24 | 2018-12-24 | 能源数据预测模型的训练、能源数据的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670648A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991774A (zh) * | 2019-12-31 | 2020-04-10 | 新奥数能科技有限公司 | 一种电量负荷预测方法及装置 |
| CN111027716A (zh) * | 2019-12-03 | 2020-04-17 | 新奥数能科技有限公司 | 一种负荷预测的方法及装置 |
| CN111563829A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 电力价格预测方法、电力价格预测模型训练方法及装置 |
| CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
| CN113342474A (zh) * | 2021-06-29 | 2021-09-03 | 中国农业银行股份有限公司 | 客户流量的预测、模型训练的方法、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182475A (zh) * | 2017-12-29 | 2018-06-19 | 中南大学 | 一种基于自动编码机-超限学习机的多维度数据特征识别方法 |
-
2018
- 2018-12-24 CN CN201811579734.4A patent/CN109670648A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108182475A (zh) * | 2017-12-29 | 2018-06-19 | 中南大学 | 一种基于自动编码机-超限学习机的多维度数据特征识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李昭蓉: "面向智能调度的电网安全态势评估与预测研究", 《中国硕士学位论文全文数据库（电子期刊）工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027716A (zh) * | 2019-12-03 | 2020-04-17 | 新奥数能科技有限公司 | 一种负荷预测的方法及装置 |
| CN110991774A (zh) * | 2019-12-31 | 2020-04-10 | 新奥数能科技有限公司 | 一种电量负荷预测方法及装置 |
| CN111563829A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 电力价格预测方法、电力价格预测模型训练方法及装置 |
| CN112215409A (zh) * | 2020-09-24 | 2021-01-12 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
| CN112215409B (zh) * | 2020-09-24 | 2024-01-30 | 交控科技股份有限公司 | 一种轨道交通站点客流预测方法及系统 |
| CN113342474A (zh) * | 2021-06-29 | 2021-09-03 | 中国农业银行股份有限公司 | 客户流量的预测、模型训练的方法、设备及存储介质 |
| CN113342474B (zh) * | 2021-06-29 | 2024-04-30 | 中国农业银行股份有限公司 | 客户流量的预测、模型训练的方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670648A (zh) | 能源数据预测模型的训练、能源数据的预测方法及装置 | |
| CN110348462B (zh) | 一种图像特征确定、视觉问答方法、装置、设备及介质 | |
| CN112329680B (zh) | 基于类激活图的半监督遥感影像目标检测和分割方法 | |
| CN110363449A (zh) | 一种风险识别方法、装置及系统 | |
| CN111967512B (zh) | 一种异常用电检测方法、系统和存储介质 | |
| CN111882426B (zh) | 业务风险分类器训练方法、装置、设备及存储介质 | |
| CN111860138A (zh) | 基于全融合网络的三维点云语义分割方法及系统 | |
| CN109214193B (zh) | 数据加密、机器学习模型训练方法、装置以及电子设备 | |
| CN105869016A (zh) | 一种基于卷积神经网络的点击通过率预估方法 | |
| CN113011979B (zh) | 交易检测方法、模型的训练方法、装置及计算机可读存储介质 | |
| CN114239859B (zh) | 基于迁移学习的用电量数据预测方法、装置及存储介质 | |
| CN113705603A (zh) | 不完整多视角数据的聚类方法、电子设备 | |
| CN110245980A (zh) | 基于神经网络模型确定目标用户激励形式的方法和设备 | |
| CN110008470A (zh) | 报表的敏感性分级方法和装置 | |
| Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
| CN109033365A (zh) | 一种数据处理方法及相关设备 | |
| CN113837802B (zh) | 一种时序过程与手机缺陷特征深度融合的二手手机价格预测方法 | |
| CN111507726A (zh) | 一种报文生成方法、装置及设备 | |
| CN109218211A (zh) | 数据流的控制策略中阈值的调整方法、装置和设备 | |
| Dai et al. | Multimodal deep learning water level forecasting model for multiscale drought alert in Feiyun River basin | |
| CN108932525A (zh) | 一种行为预测方法及装置 | |
| CN108694472A (zh) | 预测误差极值分析方法、装置、计算机设备和可读存储介质 | |
| CN111061870B (zh) | 文章的质量评价方法及装置 | |
| CN107392220A (zh) | 数据流的聚类方法和装置 | |
| CN110020780A (zh) | 信息输出的方法、装置和电子设备 |
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: 20190423 |
|
| RJ01 | Rejection of invention patent application after publication |