CN110084407A - 基于循环神经网络和元学习策略的负荷预测方法及装置 - Google Patents
基于循环神经网络和元学习策略的负荷预测方法及装置 Download PDFInfo
- Publication number
- CN110084407A CN110084407A CN201910268046.4A CN201910268046A CN110084407A CN 110084407 A CN110084407 A CN 110084407A CN 201910268046 A CN201910268046 A CN 201910268046A CN 110084407 A CN110084407 A CN 110084407A
- Authority
- CN
- China
- Prior art keywords
- time series
- algorithm
- load
- neural network
- model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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"
Abstract
本发明提供了一种基于循环神经网络和元学习策略的负荷预测方法及装置,其中,该方法包括:接收目标能源系统待预测的目标时间;获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络提取所述历史数据的时间序列特征;根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。通过本发明,解决了现有技术中采用负荷预测算法预测能源负荷时尝试各种预测算法耗时多和准确率低的技术问题。
Description
技术领域
本发明涉及能源技术领域,具体而言,涉及一种基于循环神经网络(RNN)和元学习策略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,不管是线性模型还是非线性模型,由于基础数据的不规律性,都不可能完全适配,而且,由于各种神经网络的权值、阈值不一定训练到了最优值,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循环神经网络和元学习策略的负荷预测方法及装置。
根据本发明的一个实施例,提供了一种基于循环神经网络和元学习策略的负荷预测方法,包括:接收目标能源系统待预测的目标时间;获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络提取所述历史数据的时间序列特征;根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。
可选地,在根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法之前,所述方法还包括:确定包括多个负荷预测算法模型的算法池,以及包括多个时间序列集合的元学习训练集;采用RNN提取所述元学习训练集中每个时间序列的时间序列特征;遍历所述算法池中的多个算法模型,得到所述元学习训练集中的每个时间序列的最优算法,并将每个时间序列的最优算法作为标签信息;以每个时间序列特征为输入,对应的标签信息为输出,训练得到所述分类模型。
可选地,采用RNN提取所述元学习训练集中每个时间序列的时间序列特征包括:针对每个时间序列,获取距离样本日期最近的S天的历史数据的编码向量,其中,所述样本日期为所述时间序列的待预测日期,所述S为预设值;采用RNN将所述S个编码向量构建成一个特征向量,并将所述特征向量确定为所述序列特征。
可选地,采用RNN将所述S个编码向量构建成一个特征向量包括:将所述S个编码向量按照样本日期的时序依次输入RNN,将所述循环神经网络最后一次的输出向量确定为所述特征向量。
可选地,采用循环神经网络提取所述历史数据的时间序列特征包括:将所述历史数据分成S组,将S组历史数据按照时序输入循环神经网络,计算所述循环神经网络最后一次的输出向量,并将所述输出向量确定为所述时间序列特征,其中,所述S为所述时间序列特征的预设维度。
可选地,根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法包括:根据分类模型计算多个算法模型分别与所述时间序列特征的匹配度;选择匹配度最高的一个或多个算法模型作为负荷预测算法,并按照匹配度分配各个负荷预测算法的权重。
根据本发明的另一个实施例,提供了一种基于循环神经网络和元学习策略的负荷预测装置,包括:接收模块,用于接收目标能源系统待预测的目标时间;获取模块,用于获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络提取所述历史数据的时间序列特征;选择模块,用于根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;输出模块,用于使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。
可选地,所述装置还包括:确定模块,用于在所述选择模块根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法之前,确定包括多个算法模型的算法池,以及包括多个时间序列集合的元学习训练集;提取模块,用于采用RNN提取所述元学习训练集中每个时间序列的时间序列特征;处理模块,用于遍历所述算法池中的多个算法模型,得到所述元学习训练集中的每个时间序列的最优算法,并将每个时间序列的最优算法作为标签信息;训练模块,用于以每个时间序列特征为输入,对应的标签信息为输出,训练得到所述分类模型。
可选地,所述提取模块包括:获取单元,用于针对每个时间序列,获取距离样本日期最近的S天的历史数据的编码向量,其中,所述样本日期为所述时间序列的待预测日期,所述S为预设值;构建单元,用于采用RNN将所述S个编码向量构建成一个特征向量,并将所述特征向量确定为所述序列特征。
可选地,所述构建单元包括:构建子单元,用于将所述S个编码向量按照样本日期的时序依次输入RNN,将所述循环神经网络最后一次的输出向量确定为所述特征向量。
可选地,所述获取模块包括:计算单元,用于将所述历史数据分成S组,将S组历史数据按照时序输入循环神经网络,计算所述循环神经网络最后一次的输出向量,并将所述输出向量确定为所述时间序列特征,其中,所述S为所述时间序列特征的预设维度。
可选地,所述选择模块包括:计算单元,用于根据分类模型计算多个算法模型分别与所述时间序列特征的匹配度;选择单元,用于选择匹配度最高的一个或多个算法模型作为负荷预测算法,并按照匹配度分配各个负荷预测算法的权重。
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,采用循环神经网络提取所述历史数据的时间序列特征,并根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法,进而预测目标时间的负荷值,通过结合循环神经网络的元学习策略,可以选择与历史数据最匹配的预测模型,解决了现有技术中采用负荷预测算法预测能源负荷时尝试各种预测算法耗时多和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循环神经网络和元学习策略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循环神经网络和元学习策略的负荷预测方法的流程图;
图3是本发明实施例的循环神经网络的网络结构图;
图4是根据本发明实施例的基于循环神经网络和元学习策略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循环神经网络和元学习策略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循环神经网络和元学习策略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循环神经网络和元学习策略的负荷预测方法,图2是根据本发明实施例的基于循环神经网络和元学习策略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,接收目标能源系统待预测的目标时间;
步骤S204,获取目标能源系统在目标时间之前的历史数据,并采用循环神经网络(Recurrent Neural Network,RNN)提取历史数据的时间序列特征;
本实施例的该目标时间可以是个时间点,也可以是个时间段,假如以天为单位,目标时间为3-25,当前时间是3-21,则历史数据为3-21之前的一段数据;
步骤S206,根据分类模型从多个算法模型中选择与时间序列特征匹配的负荷预测算法;
步骤S208,使用负荷预测算法输出目标能源系统在目标时间的负荷值。
通过上述步骤,采用循环神经网络提取历史数据的时间序列特征,并根据分类模型从多个算法模型中选择与时间序列特征匹配的负荷预测算法,进而预测目标时间的负荷值,通过结合循环神经网络的元学习策略,可以选择与历史数据最匹配的预测模型,解决了现有技术中采用负荷预测算法预测能源负荷时尝试各种预测算法耗时多和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,也可以是冷、水、电、气等消耗性能源。
在本实施例中,多个算法模型包括ARIMA(Autoregressive Integrated MovingAverage model,差分整合移动平均自回归模型),ARMA(自回归滑动平均模型,Autoregressive moving average model),神经网络,回归树等,在根据分类模型从多个算法模型中选择与时间序列特征匹配的负荷预测算法之前,还需要设置该负荷预测算法,包括:从第三方获取负荷预测算法,如从供应商购买;使用样本数据训练得到负荷预测算法。
本实施例的负荷预测本质上是时间序列预测问题。假设有N个负荷预测算法(比如ARIMA,ARMA,神经网络,回归树等等){f1,f2,...,fN}可供选择,同时有M个时间序列(如每个时间序列包含数据量超过10个时间周期){t1,t2,...,tM}。那么对于每一个时间序列t,如果遍历N个算法,可以找到一个算法f,通过验证,它在这个时间序列上的误差是最小的。因此对于每个时间序列,都可以找到在这个时间序列上效果最好的算法,可以把算法名称作为与这个时间序列匹配的标签。
此外,本实施例引入循环神经网络,对于每一个时间序列,可以提取出这个时间序列的一些特征。假设每一个时间序列提取相同数目的特征,那么M个长度不等的时间序列,就转化为M个长度相等的元特征。综上,每一个时间序列对应着一组元特征(所有的时间序列的元特征数目是相同的)和一个标签,这样之后可以用机器学习方法,建立元特征和标签(某一个预测算法名称)之间的关系(记为F),即分类模型。这样再有新的时间序列预测问题时,可以提取其时间序列特征作为元特征,然后用F对这组元特征进行预测,得到该时间序列最合适的算法,然后用该算法对该时间序列进行预测。
在根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法之前,利用元学习策略在一个时间序列训练集和负荷预测算法池的基础上训练得到一个分类模型。在本实施例的一个可选实施方式,使用时间序列训练集作为样本数据训练得到分类模型,包括:
S11,确定包括多个算法模型的算法池,以及包括多个时间序列集合的元学习训练集;
本实施例以预测整天的负荷为例进行描述,例如,如果负荷数据颗粒度是小时,那么本模型的每一组数据为24个,要预测的是未来一天的24个数据。假设共有M个时间序列作为分析样本(或称训练集),记为t1,t2,...,tM}。每个时间序列都足够长,比如每个时间序列都有超过10天的数据。本实施例的样本数据的负荷数据是完整的,经过清洗的数据,不含空缺值。已经预设一个负荷预测算法集合供选择,记为{f1,f2,...,fN}。模型考虑的所有负荷数据的最小时间单位是相同的,比如都是小时级数据。
S12,采用RNN提取所述元学习训练集中每个时间序列的时间序列特征;
可选的,采用RNN提取所述元学习训练集中每个时间序列的时间序列特征包括:针对每个时间序列,获取距离样本日期最近的S天的历史数据的编码向量,其中,所述样本日期为所述时间序列的待预测日期,所述S为预设值;采用RNN将所述S个编码向量构建成一个特征向量,并将所述特征向量确定为所述序列特征。
在一个具体实施方式中,采用RNN将所述S个编码向量构建成一个特征向量包括:将所述S个编码向量按照样本日期的时序依次输入RNN,将所述循环神经网络最后一次的输出向量确定为所述特征向量。
S13,遍历所述算法池中的多个算法模型,得到所述元学习训练集中的每个时间序列的最优算法,并将每个时间序列的最优算法作为标签信息。将多个时间序列分别输入至多个算法模型,并根据模型输出数据计算时间序列针对每个算法模型的误差值,将误差值最小的算法模型确定为与第一样本数据匹配的负荷预测算法;
S14,以每个时间序列特征为输入,对应的标签信息为输出,训练得到所述分类模型。例如有10组样本数据,A,B,C三个算法模型,其中,第1~5组数据匹配的负荷预测算法为A算法模型,6~8组数据匹配的负荷预测算法为B算法模型,9~10组数据匹配的负荷预测算法为C算法模型,则将1~5组数据的时间序列特征为输入标签数据,A算法模型(标识,名称)为对应的输出标签数据,其他(6~10组)样本数据类似,训练得到分类模型。
可选的,采用循环神经网络提取历史数据的时间序列特征包括:将所述历史数据分成S组,将S组历史数据按照时序输入循环神经网络,计算所述循环神经网络最后一次的输出向量,并将所述输出向量确定为所述时间序列特征,其中,所述S为所述时间序列特征的预设维度。
本实施例的循环神经网络是一种比较经典的神经网络模型,它在各种序列分析中应用广泛。图3是本发明实施例的循环神经网络的网络结构图,左侧为一个循环神经元,右侧是根据时间展开的图,st緰1为该神经元的函数,U,V为对应函数的参数。当第t时刻(第t步)的时候,神经元的输入是特征xt以及上一个时刻(t-1时刻)的输出Ot緰1,可以看到上一个时刻的输出从神经元的出口循环到神经元的入口,再一次由神经元进行计算,因此称为循环神经网络。如果输入是t个向量,在输出中,只保留最后一个Ot+1,那么此时的循环神经网络把一个向量序列转化为一个向量,称为sequence-to-vector结构的,这正是本模型用到的结构。
可选的,根据分类模型从多个算法模型中选择与时间序列特征匹配的负荷预测算法包括:根据分类模型计算多个算法模型分别与述时间序列特征的匹配度;选择匹配度最高的一个或多个算法模型作为负荷预测算法,并按照匹配度分配各个负荷预测算法的权重。例如选择三个匹配度最高的负荷预测算法,权重分别为0.5,0.3,0.2,在使用三个负荷预测算法得到负荷值后,然后乘以各自的权重,得到最终的负荷值。
下面结合具体的实例对本实施例的方案进行详细说明,包括:
模型训练步骤:
(1)负荷数据按天切割:
原始的样本负荷数据是一维的,按长度为一天作为标准,将其切分为多组数据,其中的每一组为长度为一天的数据。如果每个数据是小时级数据,则切割为24个点一个向量;如果是15分钟一个数据点,则切割为96个点一个向量,其他时间颗粒度类似。
(2)对每一个时间序列打标签:
对每一个时间序列,遍历算法集合{f1,f2,...,fN}中的算法,选择误差最小的那个算法名称,作为该时间序列的标签。标签集合记为{l1,l2,...,lM}。因此所有的时间序列分为N类。
(3)对每一个负荷数据序列,用sequence-to-vector结构的循环神经网络提取其特征,具体操作如下:
(3.1)循环神经网络的输入层神经元数目和输出层神经元数目必须与输入向量和输出向量的维度是相同的。其他层的数目以及它们包含的神经元个数可以作为超参数,通过交叉验证来选取最优的层数和神经元个数;神经元的层数不宜过高,比如总层数不超过5层;
(3.2)所有的负荷数据序列对应的循环神经网络的层数和每层的神经元数据设置为相同的;
(3.3)对于每个循环神经网络的展开的步数,亦即输入向量的个数,对于所有的负荷数据序列可以选取一个相同的值S,例如这个值不超过切割完之后最少的那一组包含的向量数。(这就要求所有的负荷数据序列不能太短);
(3.4)对于每一个负荷数据序列(已经按组分好),训练好一个循环神经网络,将距离当前时间最近的S个向量依次输入神经网络,保留神经网络最后一次输出向量。该向量即为元特征,记为{feature1,feature2,...,featureM};
(4)用上述得到的{feature1,feature2,...,featureM}作为特征,{l1,l2,...,lM}作为标签,用某种机器学习算法(比如决策树或者支撑向量机)学习到一个分类模型F;
(5)存储分类模型F;存储所有循环神经网络的层数和每层的神经元数目;存储整数S。
模型应用步骤:
(1)当有一个新的负荷数据序列需要预测的时候(比如超过10天的数据),先将其切割成长度为天的若干组数据。
(2)用上述步骤(5)中保存的循环神经网络的结构,训练一个循环神经网络,也可以使用已经训练好的循环神经网络,然后将距离当前时间最近的S个向量输入网络;计算网络最后时刻的输出向量。然后把网络的输出向量输入分类模型F,得到适合该数据的最优预测算法f;
(3)用f预测该负荷的未来值。
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循环神经网络和元学习策略的负荷预测装置,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4是根据本发明实施例的基于循环神经网络和元学习策略的负荷预测装置的结构框图,如图4所示,该装置包括:
接收模块40,用于接收目标能源系统待预测的目标时间;
获取模块42,用于获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络提取所述历史数据的时间序列特征;
选择模块44,用于根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;
输出模块46,用于使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。
可选的,所述装置还包括:确定模块,用于在所述选择模块根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法之前,确定包括多个算法模型的算法池,以及包括多个时间序列集合的元学习训练集;提取模块,用于采用RNN提取所述元学习训练集中每个时间序列的时间序列特征;处理模块,用于遍历所述算法池中的多个算法模型,得到所述元学习训练集中的每个时间序列的最优算法,并将每个时间序列的最优算法作为标签信息;训练模块,用于以每个时间序列特征为输入,对应的标签信息为输出,训练得到所述分类模型。
可选地,所述提取模块包括:获取单元,用于针对每个时间序列,获取距离样本日期最近的S天的历史数据的编码向量,其中,所述样本日期为所述时间序列的待预测日期,所述S为预设值;构建单元,用于采用RNN将所述S个编码向量构建成一个特征向量,并将所述特征向量确定为所述序列特征。
可选地,所述构建单元包括:构建子单元,用于将所述S个编码向量按照样本日期的时序依次输入RNN,将所述循环神经网络最后一次的输出向量确定为所述特征向量。
可选地,所述获取模块包括:计算单元,用于将所述历史数据分成S组,将S组历史数据按照时序输入循环神经网络,计算所述循环神经网络最后一次的输出向量,并将所述输出向量确定为所述时间序列特征,其中,所述S为所述时间序列特征的预设维度。
可选地,所述选择模块包括:计算单元,用于根据分类模型计算多个算法模型分别与所述时间序列特征的匹配度;选择单元,用于选择匹配度最高的一个或多个算法模型作为负荷预测算法,并按照匹配度分配各个负荷预测算法的权重。
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,接收目标能源系统待预测的目标时间;
S2,获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络提取所述历史数据的时间序列特征;
S3,根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;
S4,使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。
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(RandomAccess 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,接收目标能源系统待预测的目标时间;
S2,获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络提取所述历史数据的时间序列特征;
S3,根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;
S4,使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。
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RNN和元学习策略的负荷预测方法,其特征在于,包括:
接收目标能源系统待预测的目标时间;
获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络RNN提取所述历史数据的时间序列特征;
根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;
使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。
2.根据权利要求1所述的方法,其特征在于,在根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法之前,所述方法还包括:
确定包括多个算法模型的算法池,以及包括多个时间序列集合的元学习训练集;
采用RNN提取所述元学习训练集中每个时间序列的时间序列特征;
遍历所述算法池中的多个算法模型,得到所述元学习训练集中的每个时间序列的最优算法,并将每个时间序列的最优算法作为标签信息;
以每个时间序列特征为输入,对应的标签信息为输出,训练得到所述分类模型。
3.根据权利要求2所述的方法,其特征在于,采用RNN提取所述元学习训练集中每个时间序列的时间序列特征包括:
针对每个时间序列,获取距离样本日期最近的S天的历史数据的编码向量,其中,所述样本日期为所述时间序列的待预测日期,所述S为预设值;
采用RNN将所述S个编码向量构建成一个特征向量,并将所述特征向量确定为所述序列特征。
4.根据权利要求3所述的方法,其特征在于,采用RNN将所述S个编码向量构建成一个特征向量包括:
将所述S个编码向量按照样本日期的时序依次输入RNN,将所述循环神经网络最后一次的输出向量确定为所述特征向量。
5.根据权利要求1所述的方法,其特征在于,采用循环神经网络提取所述历史数据的时间序列特征包括:
将所述历史数据分成S组,将S组历史数据按照时序输入循环神经网络,计算所述循环神经网络最后一次的输出向量,并将所述输出向量确定为所述时间序列特征,其中,所述S为所述时间序列特征的预设维度。
6.根据权利要求1所述的方法,其特征在于,根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法包括:
根据分类模型计算多个算法模型分别与所述时间序列特征的匹配度;
选择匹配度最高的一个或多个算法模型作为负荷预测算法,并按照匹配度分配各个负荷预测算法的权重。
7.一种基于循环神经网络和元学习策略的负荷预测装置,其特征在于,包括:
接收模块,用于接收目标能源系统待预测的目标时间;
获取模块,用于获取所述目标能源系统在所述目标时间之前的历史数据,并采用循环神经网络提取所述历史数据的时间序列特征;
选择模块,用于根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法;
输出模块,用于使用所述负荷预测算法输出所述目标能源系统在所述目标时间的负荷值。
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,用于在所述选择模块根据分类模型从多个算法模型中选择与所述时间序列特征匹配的负荷预测算法之前,确定包括多个算法模型的算法池,以及包括多个时间序列集合的元学习训练集;
提取模块,用于采用RNN提取所述元学习训练集中每个时间序列的时间序列特征;
处理模块,用于遍历所述算法池中的多个算法模型,得到所述元学习训练集中的每个时间序列的最优算法,并将每个时间序列的最优算法作为标签信息;
训练模块,用于以每个时间序列特征为输入,对应的标签信息为输出,训练得到所述分类模型。
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 |
---|---|---|---|
CN201910268046.4A CN110084407A (zh) | 2019-04-03 | 2019-04-03 | 基于循环神经网络和元学习策略的负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268046.4A CN110084407A (zh) | 2019-04-03 | 2019-04-03 | 基于循环神经网络和元学习策略的负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084407A true CN110084407A (zh) | 2019-08-02 |
Family
ID=67414242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910268046.4A Pending CN110084407A (zh) | 2019-04-03 | 2019-04-03 | 基于循环神经网络和元学习策略的负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084407A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909826A (zh) * | 2019-12-10 | 2020-03-24 | 新奥数能科技有限公司 | 一种能源设备的诊断监测方法、装置及电子设备 |
CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
CN112700057A (zh) * | 2021-01-07 | 2021-04-23 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
CN112882822A (zh) * | 2019-11-29 | 2021-06-01 | 阿里巴巴集团控股有限公司 | 生成负载预测模型的方法、装置、设备和存储介质 |
CN113408837A (zh) * | 2020-03-16 | 2021-09-17 | 图灵人工智能研究院(南京)有限公司 | 用能控制策略生成方法、系统、装置、发配能系统及介质 |
CN115391160A (zh) * | 2022-10-26 | 2022-11-25 | 北京必示科技有限公司 | 一种异常变更检测方法、装置、设备及存储介质 |
-
2019
- 2019-04-03 CN CN201910268046.4A patent/CN110084407A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
CN110909928B (zh) * | 2019-11-19 | 2021-04-20 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
CN112882822A (zh) * | 2019-11-29 | 2021-06-01 | 阿里巴巴集团控股有限公司 | 生成负载预测模型的方法、装置、设备和存储介质 |
CN112882822B (zh) * | 2019-11-29 | 2024-03-01 | 阿里巴巴集团控股有限公司 | 生成负载预测模型的方法、装置、设备和存储介质 |
CN110909826A (zh) * | 2019-12-10 | 2020-03-24 | 新奥数能科技有限公司 | 一种能源设备的诊断监测方法、装置及电子设备 |
CN113408837A (zh) * | 2020-03-16 | 2021-09-17 | 图灵人工智能研究院(南京)有限公司 | 用能控制策略生成方法、系统、装置、发配能系统及介质 |
CN113408837B (zh) * | 2020-03-16 | 2023-09-26 | 图灵人工智能研究院(南京)有限公司 | 用能控制策略生成方法、系统、装置、发配能系统及介质 |
CN112700057A (zh) * | 2021-01-07 | 2021-04-23 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
CN112700057B (zh) * | 2021-01-07 | 2022-07-08 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
CN115391160A (zh) * | 2022-10-26 | 2022-11-25 | 北京必示科技有限公司 | 一种异常变更检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Jiang et al. | A hybrid forecasting model based on date-framework strategy and improved feature selection technology for short-term load forecasting | |
CN109255498A (zh) | 基于神经网络的负荷预测方法及装置 | |
CN110910659B (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
Wang et al. | A new ARMAX model based on evolutionary algorithm and particle swarm optimization for short-term load forecasting | |
CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
Hambali et al. | Electric power load forecast using decision tree algorithms | |
CN109188924A (zh) | 智能家居系统的用电控制方法及装置 | |
CN111754336A (zh) | 一种网点排班方法和装置 | |
Wang et al. | Robust granular optimization: a structured approach for optimization under integrated uncertainty | |
CN115438873A (zh) | 一种基于区块链和深度强化学习的电力调度方法 | |
CN112052027A (zh) | 一种处理ai任务的方法及装置 | |
CN110084406A (zh) | 基于自编码器和元学习策略的负荷预测方法及装置 | |
Muccini et al. | Leveraging machine learning techniques for architecting self-adaptive iot systems | |
ZulfiqAr et al. | A short-term load forecasting model based on self-adaptive momentum factor and wavelet neural network in smart grid | |
Lizondo et al. | Multiagent model for distributed peak shaving system with demand-side management approach | |
Yang et al. | Adaptive data decomposition based quantile-long-short-term memory probabilistic forecasting framework for power demand side management of energy system | |
Dridi et al. | An artificial intelligence approach for time series next generation applications | |
Guo et al. | Short-Term Water Demand Forecast Based on Deep Neural Network:(029) | |
Yahaya et al. | An enhanced very short-term load forecasting scheme based on activation function | |
JP4735973B2 (ja) | 電力価格ゾーン予測方法、及び電力価格ゾーン予測プログラム | |
CN110837889A (zh) | 神经网络的训练方法及装置、存储介质、电子装置 | |
Wai et al. | Short-term load forecasting via fuzzy neural network with varied learning rates | |
Cao et al. | Lstm network based traffic flow prediction for cellular networks | |
Ghasemishabankareh et al. | A hybrid imperialist competitive algorithm for the flexible job shop problem |
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: 20190802 |
|
RJ01 | Rejection of invention patent application after publication |