CN111126700A - 用能预测方法、装置、设备及存储介质 - Google Patents
用能预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111126700A CN111126700A CN201911358181.4A CN201911358181A CN111126700A CN 111126700 A CN111126700 A CN 111126700A CN 201911358181 A CN201911358181 A CN 201911358181A CN 111126700 A CN111126700 A CN 111126700A
- Authority
- CN
- China
- Prior art keywords
- energy
- sample
- network
- energy consumption
- simulation
- 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.)
- Granted
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 87
- 230000006870 function Effects 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种用能预测方法、装置、设备及存储介质,属于能源互联网技术领域,所述方法包括:获取第一历史数据;根据第一历史数据,获取第一对象的真实用能样本;根据真实用能样本,获取第一对象的模拟用能样本;调用用能预测模型,根据真实用能样本和模拟用能样本,计算第一对象的预测用能。本申请实施例提供的技术方案中,通过真实用能样本扩充得到模拟用能样本,解决了相关技术中新建企业的历史用能数据较少,导致该新建企业的用能预测结果不准确的技术问题,增加了用能预测模型可使用的样本数量,提高了用能预测结果的准确性。
Description
技术领域
本申请实施例涉及能源互联网技术领域,特别涉及一种用能预测方法、装置、设备及存储介质。
背景技术
目前,用能预测是能源互联网的重要组成部分。
在对特定地区进行用能预测之前,可以根据该地区的大量历史用能数据,如历史用电量,预测该地区在未来一段时间的能源使用情况进行预测,得到对应的预测用能。
然而,新建企业的历史用能数据量较少,导致该新建企业的用能预测结果不准确。
发明内容
本申请实施例提供了一种用能预测方法、装置、设备及存储介质,可用于解决相关技术对于新建企业的用能预测结果不准确的技术问题。所述技术方案如下:
一方面,本申请实施例提供了一种用能预测方法,应用于计算机设备,所述方法包括:
获取第一历史数据,所述第一历史数据是指第一对象的历史用能数据;
根据所述第一历史数据,获取所述第一对象的真实用能样本;
根据所述真实用能样本,获取所述第一对象的模拟用能样本,所述模拟用能样本是指在所述真实用能样本的基础上扩充得到的虚拟用能数据;
调用用能预测模型,根据所述真实用能样本和所述模拟用能样本,计算所述第一对象的预测用能。
另一方面,本申请实施例提供了一种用能预测装置,应用于计算机设备,所述装置包括:
第一数据获取模块,用于获取第一历史数据,所述第一历史数据是指第一对象的历史用能数据;
真实样本获取模块,用于根据所述第一历史数据,获取所述第一对象的真实用能样本;
模拟样本获取模块,用于根据所述真实用能样本,获取所述第一对象的模拟用能样本,所述模拟用能样本是指在所述真实用能样本的基础上通过生成对抗网络扩充得到的虚拟用能数据;
第一用能预测模块,用于调用用能预测模型,根据所述真实用能样本和所述模拟用能样本,计算所述第一对象的预测用能。
再一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储计算机程序,所述计算机程序由所述处理器加载并执行以实现上述方法。
又一方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述方法。
还一方面,本申请实施例提供了一种计算机程序产品,当所述计算机程序产品在计算机设备上运行时,使得计算机设备执行上述方法。
本申请实施例提供的技术方案可以带来如下有益效果:
通过对真实用能样本扩充得到模拟用能样本,解决了相关技术中新建企业的历史用能数据较少,导致该新建企业的用能预测结果不准确的技术问题,增加了用能预测模型可使用的样本数量,提高了用能预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的用能预测方法的流程图;
图2示例性示出了一种第一历史数据的存储方法的示意图;
图3示例性示出了一种生成模拟用能样本的方法的示意图;
图4示例性示出了一种用能预测模型的示意图;
图5示例性示出了一种神经网络的训练示意图;
图6示例性示出了一种生成对抗网络的训练方法的示意图;
图7是本申请一个实施例提供的用能预测装置的框图;
图8是本申请另一个实施例提供的用能预测装置的框图;
图9是本申请一个实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供的技术方案中,生成对抗网络用于对第一对象进行数据扩充。可选地,生成对抗网络根据该第一对象的真实用能样本获取该第一对象对应的模拟用能样本,进而达到数据扩充的目的。可选地,生成对抗网络中包括生成网络和判别网络。其中,生成网络用于生成候选的模拟用能样本,判别网络用于根据真实用能样本判断上述候选模拟用能样本的真实度是否满足作为模拟用能样本的条件。
本申请实施例中涉及的用能预测模型,是指通过机器学习训练得到的、用于对第一对象进行用能预测的机器学习模型。该用能预测模型可以是深度学习用能预测模型,即基于深度神经网络构建的用能预测模型,如基于深度卷积神经网络构建的用能预测模型。该分类任务模型可用于对任一对象进行用能预测,本申请实施例对此不作限定。
本申请实施例提供的方法,各步骤的执行主体可以是计算机设备,该计算机设备是指具备数据计算、处理和存储能力的电子设备,如PC(Personal Computer,个人计算机)或服务器。需要说明的一点是,上述生成对抗网络和上述用能预测模型可以设置在同一计算机设备,也可以设置在不同的计算机设备,本申请实施例对此不作限定。
请参考图1,其示出了本申请一个实施例提供的用能预测方法的流程图。该方法可以包括以下几个步骤(101~104):
步骤101,获取第一历史数据。
第一历史数据是指第一对象的历史用能数据,该历史用能数据是指该第一对象的历史的能源消耗量,该能源可以是电能、水能或燃气,等等,本申请实施例对此不做限定。其中,上述第一对象是指使用上述能源的地区,该地区可以是企业、工厂或居民区等。在本申请实施例中,计算机设备根据进行用能预测的地区,确定该第一对象。示例性地,在对A地区进行用能预测时,若A地区存在企业a,则上述第一对象为该企业a,计算机设备对该企业a进行用能预测,进而得到该地区A的预测用能。若A地区存在企业a和工厂b,则上述第一对象为该企业a或工厂b,计算机设备可以分别对该企业a和该工厂b进行用能预测,进而该企业a和该工厂b的预测用能之和即为该地区A的预测用能;或者,上述第一对象为该企业a和该工厂b,计算机设备可以将该企业a和该工厂b作为一个整体进行用户预测,进而得到地区A的预测用能。
可选地,上述第一历史数据通过负荷计量表获取。例如,通过负荷电表获取上述第一对象的历史用电数据;再例如,通过负荷水表获取上述第一对象的历史用水数据。可选地,当上述负荷计量表获取上述第一历史数据之后,通过网络按照一定的时间间隔向计算机设备发送该第一历史数据。可选地,该时间间隔根据实际情况由计算机设备确定,可以是10ms、1h、1天、7天或14天,等等,本申请实施例对此不作限定。当然,为了保证预测用能的准确性,上述第一历史数据还可以包括但不限于以下至少一项:气象、节假日信息和温度等。
需要说明的一点是,计算机设备在获取上述第一历史数据的同时,记录该第一历史数据对应的时段。示例性地,结合参考图2,以第一历史数据为历史用电数据为例,第一历史数据可以存储在计算机设备构建的坐标系20中,其中,坐标系20的横轴为时间,坐标系20的竖轴为第一对象的真实历史用电量。
步骤102,根据第一历史数据,获取第一对象的真实用能样本。
真实用能样本是指第一对象真实历史用能数据。可选地,在本申请实施例中,计算机设备在获取上述第一历史数据之后,通过对第一历史数据进行标准化处理和时段分割,得到对应的真实用能样本。
下面,对计算机设备通过第一历史数据获取真实用能样本的方法进行介绍。可选地,上述步骤102包括以下几个子步骤:
1、对第一历史数据进行标准化处理。
标准化处理用于将第一对象的历史用能映射到预设数值范围之内,其中,该预设数值范围由计算机设备根据实际情况确定,可以为(0,1)、(0,2)或(1,2),等等,本申请实施例对此不作限定。需要说明的一点是,标准化处理只针对第一历史数据对应的历史用能数据。
示例性地,以预设数值范围为(0,1)为例,x表示第一历史数据对应的任一历史用能,如图2中的点21对应的历史用能,标准化后的该任一历史用能xscaled为:
其中,xmax代表上述第一历史数据中的最大历史用能,xmin代表上述第一历史数据中的最小历史用能。
2、获取预测用能对应的预测时段。
预测用能是指对第一对象进行用能预测得到的未来用能数据。预测时段是指第一对象使用上述预测用能的时间段。其中,预测时段的时长可以是1h、1天、7天或14天,等等,本申请实施例对此不作限定。可选地,计算机设备在对第一历史数据进行标准化处理之后,根据第一对象的预测用能获取对应的预测时段。
3、根据预测时段,对标准化处理后的第一历史数据进行分割得到真实用能样本。
真实用能样本是指上述第一对象对应的历史用能数据进行标准化和分割处理后的历史用能样本。需要说明的一点是,真实用能样本中包括至少一个真实用能数据,其中,该真实用能数据对应的时长与上述预测时段的时长相同。可选地,计算机设备通过上述预测时段获得该预设时段的时长,对上述标准化处理后的第一历史数据进行分割。
在一种可能的实施方式中,计算机设备根据上述预测时段的时长,对标准化处理后的第一历史数据进行静态分割,即按照时间顺序对上述第一历史数据进行分割。例如,若预测时段的时长为7天,第一历史数据对应的时长为14天,则将该第一历史数据分割后得到的真实用能样本中包括两个真实用能数据,其中,第一真实用能数据为第1~7天的用能数据,第二真实用能数据为第8~14天的用能数据。在另一种可能的实施方式中,计算机设备根据上述预测时段的时长,对标准化处理后的第一历史数据进行动态分割,即按照预设时段的时长随机对上述第一历史数据进行分割。例如,若预测时段的时长为7天,第一历史数据对应的时长为14天,则将该第一历史数据进行分割后得到的真实用能样本中包括八个真实用能数据,其中,第一真实用能数据为第1~7天的用能数据、第二真实用能数据为第2~8天的用能数据,第三真实用能数据为第3~9天的用能数据,以此类推,第八真实数据为第8~14天的用能数据。
步骤103,根据真实用能样本,获取第一对象的模拟用能样本。
模拟用能样本是指在真实用能样本的基础上扩充得到的虚拟用能数据,其中,模拟用能样本中包括至少一个模拟用能数据。可选地,上述模拟用能样本中的模拟用能数据的数量,与上述真实用能样本中的真实用能数据的数量可以相同,也可以不同。可选地,在本身申请实施例中,计算机设备调用生成对抗网络,根据真实用能样本计算模拟用能样本。
下面,对获取模拟用能样本的方法进行介绍,可选地,上述步骤103包括以下几个子步骤:
1、获取随机生成的第一噪声向量;
第一噪声向量是指用于生成模拟用能样本的随机向量。可选地,第一噪声向量可以是通过分布函数生成的16维或32维的向量。当然,第一噪声向量也可以是随机生成的16维或32维的向量。
2、通过生成对抗网络中的生成网络,根据第一噪声向量生成模拟用能样本。
可选地,生成对抗网络包括生成网络和判别网络。在本申请实施例中,计算机设备在获取第一噪声向量之后,通过生成网络根据该第一噪声向量生成候选的模拟用能样本,其中,候选的模拟用能样本中包括至少一个候选的模拟用能数据,该候选的模拟用能数据的数量与上述真实用能样本中的真实用能数据的数量可以相同,也可以不同。
需要说明的一点是,上述生成对抗网络在生成模拟用能样本之前,需要进行训练,该生成对抗网络的训练方法在下文进行详细介绍,在此不作赘述。
步骤104,调用用能预测模型,根据真实用能样本和模拟用能样本,计算第一对象的预测用能。
可选地,计算机设备在获得模拟用能样本之后,调用用能预测模型,根据上述真实用能样本和上述模拟用能样本,计算上述第一对象的预测用能。其中,该用能预测模型根据其他对象的历史用能数据训练得到。
下面,对上述用能预测模型的训练方法进行介绍。可选地,上述步骤104之前还包括以下几个步骤:
1、获取第二历史数据。
第二历史数据是指与第一对象相关联的其他对象的历史用能数据。其中,其他对象是指与上述第一对象具有相同特征的对象,该特征可以是实际功能、人流密度或地理位置,等等,本申请实施例对此不作限定。例如,第一对象为企业A,则其他对象可以是与企业A具有相同实际功能的其他企业,也可以是与企业A具有相近工作人员的其他企业。可选地,计算机设备通过负荷计量表获取上述第二历史数据。
2、根据第二历史数据,训练获得初始的用能预测模型。
在本申请实施例中,计算机设备通过对上述第二历史数据进行训练得到初始的用能预测模型。可选地,计算机设备构建循环神经网络,通过对上述第二历史数据的训练得到初始的用能预测模型。
3、固定初始的用能预测模型的底层参数,根据模拟用能样本,微调初始的用能预测模型的高层参数,得到用能预测模型。
在本申请实施例中,计算机设备在获得初始的用能预测模型之后,固定该初始的用能预测模型的底层参数;进一步地,计算机设备根据上述模拟用能样本,微调该初始的用能预测模型的高层参数,得到上述第一对象的用能预测模型。需要说明的一点是,对于不同的第一对象,最终得到的用能预测模型的参数不同。
示例性地,结合参考图3,用能预测模型中包括编码网络31和解码网络32。计算机设备通过其他对象的第二历史数据得到编码网络31的参数,进一步地,固定该编码网络31的参数,通过第一对象的模拟用能样本微调解码网络32的参数,得到第一对象的用能预测模型。可选地,上述编码网络31的参数为编码网络的权重。其中,上述编码网络31和上述解码网络32通过编码器状态图33连接。可选地,在编码网络31输入参数1、2和3,在解码网络32输出参数1、2和3。
需要说明的一点是,上述神经网络的训练是先向前计算每一层的网络权重,在反向计算。示例性地,结合参考图4,固定第一层编码网络的Z1和Z3,在反向计算时,不再更新Z1和Z3的权重,只需要由Z5计算至Z3。
综上所述,本申请实施例提供的技术方案中,通过真实用能样本扩充得到模拟用能样本,解决了相关技术中新建企业的历史用能数据较少,导致该新建企业的用能预测结果不准确的技术问题,增加了用能预测模型可使用的样本数量,提高了用能预测结果的准确性。通过用能预测模型获取预测用能,方便快捷,减少了计算机设备进行用能预测的处理开销。
另外,对第一历史数据的标准化处理和分割得到真实用能样本,保证了真实用能样本的能源使用量处于同一标准,便于对抗生成网络使用该第一历史数据进行训练,提高了对抗生成网络的可靠性。
另外,通过对抗生成网络的生成网络生成候选的模拟用能样本后,提高了模拟用能样本与真实用能样本的相似度,保证了模拟用能样本的可靠性。
在示例性实施例中,如图5所示,本申请实施例提供的方法还可以包括如下步骤:
步骤501,获取随机生成的第二噪声向量。
第二噪声向量是指用于训练生成对抗网络的随机向量。可选地,第二噪声向量可以是通过分布函数生成的16维或32维的向量。当然,第二噪声向量也可以是随机生成的16维或32维的向量。
步骤502,构建生成对抗网络。
在本申请实施例中,计算机设备构建生成对抗网络,其中,生成对抗网络包括生成网络和判别网络。
步骤503,采用第二噪声向量和真实用能样本,对生成对抗网络进行训练,得到完成训练的生成对抗网络。
可选地,计算机设备通过上述第二噪声向量和上述真实用能样本,对上述生成对抗网络进行训练。
可选地,关于上述生成对抗网络的训练包括以下几个步骤:
1、获取第一损失函数和第二损失函数。
第一损失函数是指上述判别网络的损失函数,第二损失函数是指上述生成网络的损失函数。示例性地,假设判别网络为D(x),则
第一损失函数L1为:
第二损失函数L2为:
其中,pr代表真实用能样本,pg代表模拟用能样本。需要说明的一点是,上述判别网络的区别能力越大,上述第一损失函数的左右两边的值越大。
2、固定生成网络的参数,对判别网络进行训练。
可选地,计算机设备在构建上述生成对抗网络之后,固定上述生成网络的参数,对上述判别网络进行训练。
3、当第一损失函数满足第一预设条件时,固定判别网络的参数,对生成网络进行训练。
可选地,当判别网络对应的第一损失函数满足第一预设条件时,该判别网络完成训练,计算机设备固定该完成训练的判别网络的参数,对生成网络进行训练。其中,第一预设条件是指判别网络根据第一损失函数得到的损失值最大化。
4、若第二损失函数满足第二预设条件,则确定生成网络完成训练。
可选地,计算机设备得到训练完成的判别网络后,固定该判别网络的参数,对生成网络进行训练。若该生成网络对应的第二损失函数满足第二预设条件,则确定该生成网络完成训练。可选地,上述第二预设条件是指上述第二损失函数的损失值最小化,此时,该第二损失函数为收敛函数。
当然,若上述第二损失函数不满足上述第二预设条件,则计算机设备调整生成网络的参数,并再次从对判别网络进行训练的步骤开始执行。
示例性地,结合参考图6,对生成对抗网络的训练方法进行介绍。生成网络61根据第二噪声向量62生成模拟用能样本63,进一步地,判别网络64根据模拟用能样本63和真实用能样本65,确定该模拟用能样本63的真实程度,例如,将模拟用能样本63标记为“假”,真实用能样本65标记为“真”,若判别网络64确定模拟用能样本63为“假”,则确定判别网络64完成训练;若判别网络64确定模拟用能样本63为“真”,则修改判别网络64的参数继续判别模拟用能样本63的真实程度,直至判别网络64完成训练。当然,在判别网络64完成训练之后,继续对生成网络61进行训练,根据生成网络61继续生成模拟用能样本63,并由训练好的判别网络64进行判别,例如,将模拟用能样本63标记为“假”,真实用能样本65标记为“真”,若判别网络64确定模拟用能样本63为“真”,则确定生成网络61完成训练;若判别网络64确定模拟用能样本63为“假”,则修改生成网络61的参数继续生成模拟用能样本63,并使用判别网络64判别模拟用能样本63的真实程度,直至生成网络61完成训练。另外,在生成判别网络的训练过程中,可以重复上述步骤直至判别网络64对应的第一损失函数的损失值最大化,并且生成网络61对应的第二损失函数为收敛函数。
综上所述,本申请实例提供的技术方案中,通过采用第二噪声向量和真实用能样本对生成对抗网络进行训练,保证了在生成模拟用能样本时使用的生成网络的可靠性,提高了模拟用能样本的准确性。
另外,通过第一损失函数和第二损失函数对生成对抗网络进行交替训练,进一步保证了完成训练后的生成对抗网络得到的模拟用能样本的准确性。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图7,其示出了本申请一个实施例提供的用能预测装置的框图。该装置具有实现上述方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是计算机设备,也可以设置在计算机设备中。该装置700可以包括:第一数据获取模块701、真实样本获取模块702、模拟样本获取模块703和第一用能预测模块704。
第一数据获取模块701,用于获取第一历史数据,所述第一历史数据是指第一对象的历史用能数据。
真实样本获取模块702,用于根据所述第一历史数据,获取所述第一对象的真实用能样本。
模拟样本获取模块703,用于根据所述真实用能样本,获取所述第一对象的模拟用能样本,所述模拟用能样本是指在所述真实用能样本的基础上扩充得到的虚拟用能数据。
第一用能预测模块704,用于调用用能预测模型,根据所述真实用能样本和所述模拟用能样本,计算所述第一对象的预测用能。
在示例性实施例中,所述真实样本获取模块702,用于对所述第一历史数据进行标准化处理,所述标准化处理用于将所述第一对象的历史用能映射到预设数值范围之内;获取所述预测用能对应的预测时段;根据所述预测时段,对标准化处理后的所述第一历史数据进行分割得到所述真实用能样本。
在示例性实施例中,所述模拟样本获取模块703,用于获取随机生成的第一噪声向量;通过生成对抗网络中的生成网络,根据所述第一噪声向量生成所述模拟用能样本。
在示例性实施例中,所述生成对抗网络包括所述生成网络和判别网络;如图8所示,所述装置700还包括:候选样本生成模块705、真实度计算模块706和模拟样本确定模块707。
候选样本生成模块705,用于通过生成网络,根据所述第一噪声向量生成候选的模拟用能样本。
真实度计算模块706,用于通过判别网络,根据所述真实用能样本和所述候选的模拟用能样本,计算所述候选的模拟用能样本的真实度。
模拟样本确定模块707,用于若所述真实度大于预设阈值,则将所述候选的模拟用能样本确定为所述模拟用能样本。
在示例性实施例中,如图8所示,所述装置700还包括:第二向量获取模块708、神经网络构建模块709和神经网络训练模块710。
第二向量获取模块708,用于获取随机生成的第二噪声向量。
神经网络构建模块709,用于构建生成对抗网络。
神经网络训练模块710,用于采用所述第二噪声向量和所述真实用能样本,对所述生成对抗网络进行训练,得到完成训练的所述生成对抗网络。
在示例性实施例中,所述神经网络训练模块710,用于获取第一损失函数和第二损失函数,所述第一损失函数是指所述判别网络的损失函数,所述第二损失函数是指所述生成网络的损失函数;固定所述生成网络的参数,对所述判别网络进行训练;当所述第一损失函数满足第一预设条件时,固定所述判别网络的参数,对所述生成网络进行训练;若所述第二损失函数满足第二预设条件,则确定所述生成网络完成训练;若所述第二损失函数不满足所述第二预设条件,则调整所述生成网络的参数,并再次从所述对所述判别网络进行训练的步骤开始执行。
在示例性实施例中,如图8所示,所述装置700还包括:第二数据获取模块711、预测模型训练模块712和模型参数微调模块713。
第二数据获取模块711,用于获取第二历史数据,所述第二历史数据是指与所述第一对象相关联的其他对象的历史用能数据。
预测模型训练模块712,用于根据所述第二历史数据,训练获得用能预测模型。
模型参数微调模块713,用于固定所述用能预测模型的底层参数,根据所述第一历史数据,微调所述用能预测模型的高层参数,得到所述用能预测模型。
综上所述,本申请实施例提供的技术方案中,通过真实用能样本扩充得到模拟用能样本,解决了相关技术中新建企业的历史用能数据较少,导致该新建企业的用能预测结果不准确的技术问题,增加了用能预测模型可使用的样本数量,提高了用能预测结果的准确性。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图9,其示出了本申请一个实施例提供的计算机设备900的结构框图。该计算机设备用于实施上述实施例中提供的用能预测方法。该计算机设备可以是任何具备数据处理和存储能力的电子设备。具体来讲:
该计算机设备900包括处理单元(如CPU(Central Processing Unit,中央处理器)、GPU(Graphics Processing Unit,图形处理器)和FPGA(Field Programmable GateArray,现场可编程逻辑门阵列)等)901、包括RAM(Random Access Memory,随机存取存储器)902和ROM(Read Only Memory,只读存储器)903的系统存储器904,以及连接系统存储器904和中央处理单元901的系统总线905。该计算机设备900还包括帮助计算计算机设备内的各个器件之间传输信息的基本I/O系统(Input/Output,输入/输出)906,和用于存储操作系统913、应用程序914和其他程序模块912的大容量存储设备907。
该基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中,该显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。该基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。
该大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。该大容量存储设备907及其相关联的计算机可读介质为计算机设备900提供非易失性存储。也就是说,该大容量存储设备707可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,该计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory,电可擦可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知该计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。
根据本申请实施例,该计算机设备900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备900可以通过连接在该系统总线905上的网络接口单元911连接到网络912,或者说,也可以使用网络接口单元711来连接到其他类型的网络或远程计算机系统(未示出)。
该存储器还包括至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、至少一段程序、代码集或指令集存储于存储器中,且经配置以由一个或者一个以上处理器执行,以实现上述方法。
本申请实施例中,还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或该指令集在被处理器执行时以实现上述方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。
在示例性实施例中,还提供一种计算机程序产品,所述计算机程序产品被处理器执行时,用于实现上述方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外,本文中描述的步骤编号,仅示例性示出了步骤间的一种可能的执行先后顺序,在一些其它实施例中,上述步骤也可以不按照编号顺序来执行,如两个不同编号的步骤同时执行,或者两个不同编号的步骤按照与图示相反的顺序执行,本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种用能预测方法,其特征在于,应用于计算机设备,所述方法包括:
获取第一历史数据,所述第一历史数据是指第一对象的历史用能数据;
根据所述第一历史数据,获取所述第一对象的真实用能样本;
根据所述真实用能样本,获取所述第一对象的模拟用能样本,所述模拟用能样本是指在所述真实用能样本的基础上扩充得到的用能样本;
调用用能预测模型,根据所述真实用能样本和所述模拟用能样本,计算所述第一对象的预测用能。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一历史数据,获取所述第一对象的真实用能样本,包括:
对所述第一历史数据进行标准化处理,所述标准化处理用于将所述第一对象的历史用能映射到预设数值范围之内;
获取所述预测用能对应的预测时段;
根据所述预测时段,对标准化处理后的所述第一历史数据进行分割得到所述真实用能样本。
3.根据权利要求1所述的方法,其特征在于,所述根据所述真实用能样本,获取所述第一对象的模拟用能样本,包括:
获取随机生成的第一噪声向量;
通过生成对抗网络中的生成网络,根据所述第一噪声向量生成所述模拟用能样本。
4.根据权利要求3所述的方法,其特征在于,所述生成对抗网络包括所述生成网络和判别网络;
所述通过所述生成对抗网络中的生成网络,根据所述第一噪声向量生成所述模拟用能样本之前,还包括:
通过所述生成网络根据所述第一噪声向量生成候选的模拟用能样本;
通过所述判别网络根据所述真实用能样本和所述候选的模拟用能样本,计算所述候选的模拟用能样本的真实度;
若所述真实度大于预设阈值,则将所述候选的模拟用能样本确定为所述模拟用能样本。
5.根据权利要求3所述的方法,其特征在于,所述通过所述生成对抗网络中的生成网络,根据所述第一噪声向量生成所述模拟用能样本之前,还包括:
获取随机生成的第二噪声向量;
构建所述生成对抗网络;
采用所述第二噪声向量和所述真实用能样本,对所述生成对抗网络进行训练,得到完成训练的所述生成对抗网络。
6.根据权利要求5所述的方法,其特征在于,所述采用所述第二噪声向量和所述真实用能样本,对所述生成对抗网络进行训练,得到完成训练的所述生成对抗网络,包括:
获取第一损失函数和第二损失函数,所述第一损失函数是指所述判别网络的损失函数,所述第二损失函数是指所述生成网络的损失函数;
固定所述生成网络的参数,对所述判别网络进行训练;
当所述第一损失函数满足第一预设条件时,固定所述判别网络的参数,对所述生成网络进行训练;
若所述第二损失函数满足第二预设条件,则确定所述生成网络完成训练;
若所述第二损失函数不满足所述第二预设条件,则调整所述生成网络的参数,并再次从所述对所述判别网络进行训练的步骤开始执行。
7.根据权利要求1所述的方法,其特征在于,所述调用用能预测模型,根据所述真实用能样本和所述模拟用能样本,计算所述第一对象的预测用能之前,还包括:
获取第二历史数据,所述第二历史数据是指与所述第一对象相关联的其他对象的历史用能数据;
根据所述第二历史数据,训练获得初始的用能预测模型;
固定所述初始的用能预测模型的底层参数,根据所述模拟用能样本,微调所述初始的用能预测模型的高层参数,得到所述用能预测模型。
8.一种用能预测装置,其特征在于,应用于计算机设备,所述装置包括:
第一数据获取模块,用于获取第一历史数据,所述第一历史数据是指第一对象的历史用能数据;
真实样本获取模块,用于根据所述第一历史数据,获取所述第一对象的真实用能样本;
模拟样本获取模块,用于根据所述真实用能样本,获取所述第一对象的模拟用能样本,所述模拟用能样本是指在所述真实用能样本的基础上通过生成对抗网络扩充得到的虚拟用能数据;
第一用能预测模块,用于调用用能预测模型,根据所述真实用能样本和所述模拟用能样本,计算所述第一对象的预测用能。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358181.4A CN111126700B (zh) | 2019-12-25 | 2019-12-25 | 用能预测方法、装置、设备及存储介质 |
PCT/SG2020/050775 WO2021133253A1 (en) | 2019-12-25 | 2020-12-23 | Method and apparatus for predicting energy consumption, and device and storage medium thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358181.4A CN111126700B (zh) | 2019-12-25 | 2019-12-25 | 用能预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126700A true CN111126700A (zh) | 2020-05-08 |
CN111126700B CN111126700B (zh) | 2023-09-15 |
Family
ID=70502229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358181.4A Active CN111126700B (zh) | 2019-12-25 | 2019-12-25 | 用能预测方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111126700B (zh) |
WO (1) | WO2021133253A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364999A (zh) * | 2020-10-19 | 2021-02-12 | 深圳市超算科技开发有限公司 | 冷水机调节模型的训练方法、装置及电子设备 |
CN112420142A (zh) * | 2020-11-20 | 2021-02-26 | 上海梅斯医药科技有限公司 | 数据获取方法、装置、计算机设备和存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420510B (zh) * | 2021-07-07 | 2022-06-17 | 广东电网有限责任公司 | 一种基于前端感知和学习的能耗判别方法 |
CN113705908A (zh) * | 2021-08-31 | 2021-11-26 | 江南大学 | 有机硅单体分馏过程能耗辅助预测方法及系统 |
CN113837488B (zh) * | 2021-10-14 | 2023-12-26 | 南京国铁电气有限责任公司 | 能源消耗数据预测方法、系统、设备 |
CN115604131B (zh) * | 2022-12-15 | 2023-04-07 | 广州丰石科技有限公司 | 一种链路流量预测方法、系统、电子设备及介质 |
CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN116780536B (zh) * | 2023-08-23 | 2024-02-02 | 山东未来互联科技有限公司 | 基于机器学习的能耗预测方法及系统 |
CN117436848B (zh) * | 2023-12-21 | 2024-03-08 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150051744A1 (en) * | 2013-08-19 | 2015-02-19 | Board Of Trustees Of Michigan State University | Linear Optimal Power Flow System and Method |
KR101761686B1 (ko) * | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
CN109116100A (zh) * | 2018-07-09 | 2019-01-01 | 清华大学 | 一种基于编码-解码结构的电力负荷用电分解方法 |
CN109117863A (zh) * | 2018-07-04 | 2019-01-01 | 全球能源互联网研究院有限公司 | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 |
CN109446735A (zh) * | 2018-12-18 | 2019-03-08 | 中国石油大学(北京) | 一种模拟测井数据的生成方法、设备以及系统 |
CN109993359A (zh) * | 2019-03-26 | 2019-07-09 | 华南理工大学 | 一种基于先进机器学习的态势预测方法 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN110378358A (zh) * | 2018-04-14 | 2019-10-25 | 中国电力科学研究院有限公司 | 一种配电网异构数据整合方法及系统 |
CN110390441A (zh) * | 2019-07-30 | 2019-10-29 | 北京百度网讯科技有限公司 | 用能预测方法及装置 |
CN110490659A (zh) * | 2019-08-21 | 2019-11-22 | 广东电网有限责任公司 | 一种基于gan的用户负荷曲线生成方法 |
-
2019
- 2019-12-25 CN CN201911358181.4A patent/CN111126700B/zh active Active
-
2020
- 2020-12-23 WO PCT/SG2020/050775 patent/WO2021133253A1/en active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150051744A1 (en) * | 2013-08-19 | 2015-02-19 | Board Of Trustees Of Michigan State University | Linear Optimal Power Flow System and Method |
KR101761686B1 (ko) * | 2017-03-31 | 2017-07-31 | (주)하모니앤유나이티드 | 머신 러닝을 이용한 태양광 발전량 실시간 예측 시스템 |
CN110378358A (zh) * | 2018-04-14 | 2019-10-25 | 中国电力科学研究院有限公司 | 一种配电网异构数据整合方法及系统 |
CN109117863A (zh) * | 2018-07-04 | 2019-01-01 | 全球能源互联网研究院有限公司 | 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置 |
CN109116100A (zh) * | 2018-07-09 | 2019-01-01 | 清华大学 | 一种基于编码-解码结构的电力负荷用电分解方法 |
CN109446735A (zh) * | 2018-12-18 | 2019-03-08 | 中国石油大学(北京) | 一种模拟测井数据的生成方法、设备以及系统 |
CN109993359A (zh) * | 2019-03-26 | 2019-07-09 | 华南理工大学 | 一种基于先进机器学习的态势预测方法 |
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN110390441A (zh) * | 2019-07-30 | 2019-10-29 | 北京百度网讯科技有限公司 | 用能预测方法及装置 |
CN110490659A (zh) * | 2019-08-21 | 2019-11-22 | 广东电网有限责任公司 | 一种基于gan的用户负荷曲线生成方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364999A (zh) * | 2020-10-19 | 2021-02-12 | 深圳市超算科技开发有限公司 | 冷水机调节模型的训练方法、装置及电子设备 |
CN112364999B (zh) * | 2020-10-19 | 2021-11-19 | 深圳市超算科技开发有限公司 | 冷水机调节模型的训练方法、装置及电子设备 |
CN112420142A (zh) * | 2020-11-20 | 2021-02-26 | 上海梅斯医药科技有限公司 | 数据获取方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126700B (zh) | 2023-09-15 |
WO2021133253A1 (en) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126700B (zh) | 用能预测方法、装置、设备及存储介质 | |
CN110070117B (zh) | 一种数据处理方法及装置 | |
CN110363449B (zh) | 一种风险识别方法、装置及系统 | |
CN110515739B (zh) | 深度学习神经网络模型负载计算方法、装置、设备及介质 | |
US11195125B2 (en) | Pollution prediction | |
US20180012403A1 (en) | Method and device for computing a path in a game scene | |
US11429434B2 (en) | Elastic execution of machine learning workloads using application based profiling | |
US20210027197A1 (en) | Dynamic placement of computation sub-graphs | |
US11176508B2 (en) | Minimizing compliance risk using machine learning techniques | |
CN113095474A (zh) | 深度学习模型的资源使用情况预测 | |
US20110161263A1 (en) | Computer-Implemented Systems And Methods For Constructing A Reduced Input Space Utilizing The Rejected Variable Space | |
US20210042291A1 (en) | Annotation Assessment and Ground Truth Construction | |
CN116467061B (zh) | 一种任务执行的方法、装置、存储介质及电子设备 | |
CN111752691A (zh) | Ai计算图的排序方法、装置、设备及存储介质 | |
CN114826947B (zh) | 一种基于自动编码器的流量矩阵恢复预测方法及系统 | |
CN113408070B (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
US11934922B2 (en) | Predictive data and model selection for transfer learning in natural language processing | |
CN114049530A (zh) | 混合精度神经网络量化方法、装置及设备 | |
CN112990530A (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
CN111091138A (zh) | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN109815118A (zh) | 数据库管理方法及装置、电子设备和计算机可读存储介质 | |
US20210357781A1 (en) | Efficient techniques for determining the best data imputation algorithms | |
CN111049988A (zh) | 移动设备的亲密度预测方法、系统、设备及存储介质 | |
CN111523681A (zh) | 全局特征重要性表征方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |