CN111563829A - 电力价格预测方法、电力价格预测模型训练方法及装置 - Google Patents
电力价格预测方法、电力价格预测模型训练方法及装置 Download PDFInfo
- Publication number
- CN111563829A CN111563829A CN202010367261.2A CN202010367261A CN111563829A CN 111563829 A CN111563829 A CN 111563829A CN 202010367261 A CN202010367261 A CN 202010367261A CN 111563829 A CN111563829 A CN 111563829A
- Authority
- CN
- China
- Prior art keywords
- data
- encoder
- self
- predicted
- power
- 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 95
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000005611 electricity Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力价格预测方法、电力价格预测模型训练方法、装置、可读介质及电子设备,该方法包括获取待预测电力数据;将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,其中,所述已训练的自编码器使用的训练数据包括历史电力价格数据和历史影响因素数据;将所述第一隐含特征输入已训练的极限学习机中,得到预测电力价格。本发明提供的技术方案通过已训练的自编码器可以获取到多维的待预测电力数据的有效表达即第一隐含特征,并通过将该第一隐含特征输入到已训练的极限学习机中,即将更多对电力价格产生影响的信息输入到极限学习机中,从而使得利用极限学习机得到的预测电力价格的准确性较高。
Description
技术领域
本发明涉及能源领域,尤其涉及电力价格预测方法、电力价格预测模型训练方法及装置。
背景技术
随着电力交易市场的逐渐形成,电力交易价格成为了影响电力交易购售决策的重要一环,使得对电力价格进行准确预测变得越来越重要。
目前,常常采用时间序列或相似日等算法对电力价格进行预测,上述预测方法只考虑了时间因素对电力价格的影响,忽略了其他因素对电力价格的影响,致使上述预测方法得到的预测电力价格准确性较低。
发明内容
本发明提供了一种电力价格预测方法、电力价格预测模型训练方法、装置、可读介质及电子设备,通过自编码器和极限学习机的结合对电力价格进行预测,获取到的预测电力价格的准确性较高。
第一方面,本发明提供了一种电力价格预测方法,包括:
获取待预测电力数据;
将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,其中,所述已训练的自编码器使用的训练数据包括历史电力价格数据和历史影响因素数据;
将所述第一隐含特征输入已训练的极限学习机中,得到预测电力价格。
优选地,
所述已训练的自编码器包括第一去噪编码器和第二去噪编码器,则所述将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,包括:
将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,获取第二隐含特征;
将所述第二隐含特征输入已训练的自编码器中的第二去噪自编码器,获取第一隐含特征。
优选地,
所述将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,获取第二隐含特征,包括:
将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,以使得所述第一去噪自编码器对所述待预测电力数据加入高斯噪音,得到扰动电力数据;
利用所述第一去噪自编码器对应的特征映射函数对所述扰动电力数据进行特征提取,获取第二隐含特征。
优选地,
所述待预测电力数据包括温度数据、湿度数据和时间数据。
第二方面,本发明提供了一种电力价格预测模型训练方法,包括:
获取训练数据,所述训练数据包括历史电力价格数据和历史影响因素数据;
根据所述训练数据训练得到优化自编码器,所述优化自编码器用于对训练数据进行特征提取,获取训练数据对应的隐含特征;
根据所述训练数据和所述隐含特征训练得到极限学习机,所述极限学习机用于根据所述隐含特征预测电力价格。
优选地,
所述根据所述训练数据训练得到优化自编码器,包括:
将所述训练数据中的历史影响因素数据输入至初始化自编码器中,所述历史影响因素数据在所述初始化自编码器中经过至少一次扰动、至少一次特征提取和一次重构,得到输出数据;
根据所述历史影响因素数据和所述输出数据构建损失函数;
根据所述训练数据和所述损失函数训练所述初始化自编码器,得到优化自编码器。
第二方面,本发明提供了一种电力价格的预测装置,包括:
获取处理模块,用于获取待预测电力数据;
提取处理模块,用于将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,其中,所述已训练的自编码器使用的训练数据包括历史电力价格数据和历史影响因素数据;
预测处理模块,用于将所述第一隐含特征输入已训练的极限学习机中,得到预测电力价格。
第四方面,本发明提供了一种电力价格预测模型的训练装置,包括:
数据获取模块,用于获取训练数据,所述训练数据包括历史电力价格数据和历史影响因素数据;
特征提取模型,用于根据所述训练数据训练得到优化自编码器,所述优化自编码器用于对训练数据进行特征提取,获取训练数据对应的隐含特征;
价格预测模块,用于根据所述训练数据和所述隐含特征训练得到极限学习机,所述极限学习机用于根据所述隐含特征预测电力价格。
第五方面,本发明提供了一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如第一方面或第二方面中任一所述的方法。
第六方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面或第二方面中任一所述的方法。
本发明提供了一种电力价格预测方法、电力价格预测模型训练方法、装置、可读介质及电子设备,通过获取待预测电力数据,然后将待预测电力数据输入已训练的自编码器中,因自编码器存在有效处理高维数据的特点,使得输入至自编码器的待预测电力数据可以包括各种电力价格影响因素数据,则经自编码器获取到的第一隐含特征为对各种影响因素数据的有效表达,当进一步将第一隐含特征输入到已训练的极限学习机中时,即将更多对电力价格产生影响的信息输入至极限学习机中,利用极限学习机得到的预测电力价格综合考虑了各种电力价格影响因素数据,则该预测电力价格的准确性较高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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为本发明实施例中提供的一种电力价格预测方法的流程示意图;
图2为本发明实施例中提供的另一种电力价格预测方法的流程示意图;
图3为本发明实施例中提供的又一种电力价格预测方法的流程示意图;
图4为本发明实施例中提供的一种电力价格预测模型训练方法的流程示意图;
图5为本发明实施例中提供的另一种电力价格预测模型训练方法的流程示意图;
图6本发明实施例中提供的一种电力价格预测模型训练方法中自编码器的网络结构示意图;
图7为本发明实施例中提供的一种电力价格的预测装置的结构示意图;
图8为本发明实施例中提供的一种电力价格预测模型的训练装置的结构示意图;
图9为本发明实施例中提供的一种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。
第一方面,如图1所示,本发明实施例提供一种电力价格预测方法,该方法包括:
步骤101,获取待预测电力数据;
步骤102,将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,其中,所述已训练的自编码器使用的训练数据包括历史电力价格数据和历史影响因素数据;
步骤103,将所述第一隐含特征输入已训练的极限学习机中,得到预测电力价格。
如图1所示的实施例通过获取待预测电力数据,然后将待预测电力数据输入已训练的自编码器中,因自编码器存在有效处理高维数据的特点,使得输入至自编码器的待预测电力数据可以包括各种电力价格影响因素数据,则经自编码器获取到的第一隐含特征为对各种影响因素数据的有效表达,当进一步将第一隐含特征输入到已训练的极限学习机中时,即将更多对电力价格产生影响的信息输入至极限学习机中,利用极限学习机得到的预测电力价格综合考虑了各种电力价格影响因素数据,则该预测电力价格的准确性较高。
具体的,所述待预测电力数据包括温度数据、湿度数据和时间数据。在电力交易时温度、湿度、时刻和星期均会对电力价格有所影响,因此温度数据、湿度数据和时间数据均为待预测电力数据包括的内容,当然待预测电力数据中还可以包括其他电力价格影响因素数据,用户可以根据实际业务场景进行选取。
如图2所示,本发明一个实施例中,所述已训练的自编码器包括第一去噪编码器和第二去噪编码器,则步骤102,包括:
步骤1021,将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,获取第二隐含特征;
步骤1022,将所述第二隐含特征输入已训练的自编码器中的第二去噪自编码器,获取第一隐含特征。
在上述实施例中,已训练的自编码器为堆叠去噪自编码器,堆叠层数为两层,即本实施例中提及的第一去噪编码器和第二去噪编码器,第一去噪编码器和第二去噪编码器均起到特征提取的作用,其中第一去噪编码器的输入为待预测电力数据,而第二去噪编码器的输入为第一去噪编码器提取出的第二隐含特征,如此通过多层的自编码器可以有效降低待预测电力数据的维度,且提取到的特征可以有效表达待预测电力数据,即更多的影响因素信息将被带入至极限学习机中,进而提高了预测电力价格的准确性。
需要说明的是,本实施例中仅提及了两层堆叠的自编码器,当然也可以使用多层堆叠的自编码器,如三层堆叠的自编码器和四层堆叠的自编码器,用户可以根据实际业务场景进行网络架构的搭建。并且在本实施例中使用的为去噪自编码器,为防止自编码器仅仅简单的拷贝输入数据,使用去噪自编码器对待预测电力数据进行扰动,使得经去噪自编码器提取到的特征可以有效表达输入数据。
如图3所示,在本发明一个实施例中,步骤1021包括:
步骤10211,将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,以使得所述第一去噪自编码器对所述待预测电力数据加入高斯噪音,得到扰动电力数据;
步骤10212,利用所述第一去噪自编码器对应的特征映射函数对所述扰动电力数据进行特征提取,获取第二隐含特征。
在上述实施例中,为了避免获取到的第二隐含特征只是简单地复制了输入数据即待预测电力数据,因此在利用特征映射函数进行特征提取前,先对输入的待预测电力数据进行扰动,即本实施例中提及的对待预测电力数据加入高斯噪声,如此可以使得第二隐含特征中能够对待预测电力数据进行有效表达。
具体的,在步骤1022中,利用第二隐含特征获取第一隐含特征时,也可以对第二隐含特征进行扰动,即第二去噪自编码器会对第二隐含特征加入高斯噪声,得到扰动后的第二隐含特征,然后利用第二去噪自编码器对应的特征映射函数对扰动后的第二隐含特征进行特征提取,获取第二隐含特征。
第二方面,如图4所示,本发明实施例提供了一种电力价格预测模型训练方法,包括:
步骤401,获取训练数据,所述训练数据包括历史电力价格数据和历史影响因素数据;
步骤402,根据所述训练数据训练得到优化自编码器,所述优化自编码器用于对训练数据进行特征提取,获取训练数据对应的隐含特征;
步骤403,根据所述训练数据和所述隐含特征训练得到极限学习机,所述极限学习机用于根据所述隐含特征预测电力价格。
在上述实施例中,先获取训练数据,其中训练数据中的历史影响因素数据为输入数据,历史电力价格数据为利用输入数据预测出的预测电力价格的真值,本实施例中电力价格预测模型包括两部分,一部分为自编码器对应的数学模型,一部分为极限学习机对应的数学模型。先对自编码器对应的数学模型进行训练,得到优化自编码器,该优化自编码器可以有效表达输入数据。然后利用优化自编码器获取到的隐含特征和训练数据训练得到极限学习机,具体的以优化自编码器获取到的隐含特征为输入,利用随机初始化的极限学习机进行预测,并根据训练数据中的历史电力价格数据和随机初始化的极限学习机预测的预测电力价格对随机初始化的极限学习机进行训练,得到极限学习机(优化的极限机)。本实施例提供的训练方法通过将自编码器和极限学习机进行结合,获取到可以较对电力价格进行准确预测的数学模型。
具体的,在获取到数据集后,将数据集分为训练数据和测试数据,利用训练数据训练出符合预设精度的电力价格预测模型后,利用测试数据对电力价格预测模型进行测试,确定该电力价格预测模型是否可以被进一步应用。
如图5所示,本发明一个实施例中,步骤402,包括:
步骤4021,将所述训练数据中的历史影响因素数据输入至初始化自编码器中,所述历史影响因素数据在所述初始化自编码器中经过至少一次扰动、至少一次特征提取和一次重构,得到输出数据;
步骤4022,根据所述历史影响因素数据和所述输出数据构建损失函数;
步骤4023,根据所述训练数据和所述损失函数训练所述初始化自编码器,得到优化自编码器。
在上述实施例中,自编码器为堆叠编码器,在训练自编码器时,先获取随机初始化自编码器,然后将历史影响因素数据输入至初始化自编码器,初始化自编码器会对输入数据进行扰动、特征提取和重构,其中扰动和特征提取的次数是根据初始化自编码器对应的框架层数决定的。
具体的,图6为框架层数为两层的自编码器的网络结构示意图,将预测电力数据作为输入数据x输入,神经网络会对x进行扰动p,得到扰动电力数据通过特征映射函数f对进行特征变换,得到隐含特征y,进一步对y进行扰动p(2),得到扰动电力数据通过特征映射函数f(2)对进行特征变换,得到隐含特征q,并通过解码映射函数g对q进行重构,确定出输出数据z。自编码器的输入数据与输出数据应尽可能相同,因此根据输入数据和输出数据构建损失函数,如L(x,z)=(x-z)2,通过最小化该损失函数对初始化自编码器进行训练,以获取到优化自编码器。
第三方面,如图7所示,本发明提供了一种电力价格的预测装置,包括:
获取处理模块701,用于获取待预测电力数据;
提取处理模块702,用于将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,其中,所述已训练的自编码器使用的训练数据包括历史电力价格数据和历史影响因素数据;
预测处理模块703,用于将所述第一隐含特征输入已训练的极限学习机中,得到预测电力价格。
第四方面,如图8所示,本发明提供了一种电力价格预测模型的训练装置,包括:
数据获取模块801,用于获取训练数据,所述训练数据包括历史电力价格数据和历史影响因素数据;
特征提取模型802,用于根据所述训练数据训练得到优化自编码器,所述优化自编码器用于对训练数据进行特征提取,获取训练数据对应的隐含特征;
价格预测模块803,用于根据所述训练数据和所述隐含特征训练得到极限学习机,所述极限学习机用于根据所述隐含特征预测电力价格。
为了描述的方便,描述以上装置实施例时以功能分为各种单元或模块分别描述,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图9是本发明实施例提供的一种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901以及存储有执行指令的存储器902,可选地还包括内部总线903及网络接口904。其中,存储器902可能包含内存9021,例如高速随机存取存储器(Random-AccessMemory,RAM),也可能还包括非易失性存储器9022(non-volatile memory),例如至少1个磁盘存储器等;处理器901、网络接口904和存储器902可以通过内部总线903相互连接,该内部总线903可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等;内部总线903可以分为地址总线、数据总线、控制总线等,为便于表示,图9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。当然,该电子设备还可能包括其他业务所需要的硬件。当处理器901执行存储器902存储的执行指令时,处理器901执行本发明任意一个实施例中的方法,并至少用于执行如图1、图2、图3、图4、图5所示的方法。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成一种电力价格的预测装置或一种电力价格预测模型的训练装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的一种电力价格的预测方法或一种电力价格预测模型的训练方法。
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 Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
本发明实施例还提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行执行指令时,所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图9所示的电子设备;执行指令是一种电力价格的预测装置或一种电力价格预测模型的训练装置所对应计算机程序。
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,或软件和硬件相结合的形式。
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,对于装置实施例而言,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。
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、商品或者锅炉不仅包括那些要素,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、商品或者锅炉所固有的要素。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、商品或者锅炉中还存在另外的相同要素。
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)
1.一种电力价格预测方法,其特征在于,包括:
获取待预测电力数据;
将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,其中,所述已训练的自编码器使用的训练数据包括历史电力价格数据和历史影响因素数据;
将所述第一隐含特征输入已训练的极限学习机中,得到预测电力价格。
2.根据权利要求1所述的电力价格的预测方法,其特征在于,所述已训练的自编码器包括第一去噪编码器和第二去噪编码器,则所述将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,包括:
将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,获取第二隐含特征;
将所述第二隐含特征输入已训练的自编码器中的第二去噪自编码器,获取第一隐含特征。
3.根据权利要求1所述的电力价格的预测方法,其特征在于,所述将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,获取第二隐含特征,包括:
将所述待预测电力数据输入已训练的自编码器中的第一去噪自编码器,以使得所述第一去噪自编码器对所述待预测电力数据加入高斯噪音,得到扰动电力数据;
利用所述第一去噪自编码器对应的特征映射函数对所述扰动电力数据进行特征提取,获取第二隐含特征。
4.根据权利要求1所述的电力价格的预测方法,其特征在于,
所述待预测电力数据包括温度数据、湿度数据和时间数据。
5.一种电力价格预测模型训练方法,其特征在于,包括:
获取训练数据,所述训练数据包括历史电力价格数据和历史影响因素数据;
根据所述训练数据训练得到优化自编码器,所述优化自编码器用于对训练数据进行特征提取,获取训练数据对应的隐含特征;
根据所述训练数据和所述隐含特征训练得到极限学习机,所述极限学习机用于根据所述隐含特征预测电力价格。
6.根据权利要求5所述的电力价格预测模型的训练方法,其特征在于,所述根据所述训练数据训练得到优化自编码器,包括:
将所述训练数据中的历史影响因素数据输入至初始化自编码器中,所述历史影响因素数据在所述初始化自编码器中经过至少一次扰动、至少一次特征提取和一次重构,得到输出数据;
根据所述历史影响因素数据和所述输出数据构建损失函数;
根据所述训练数据和所述损失函数训练所述初始化自编码器,得到优化自编码器。
7.一种电力价格预测装置,其特征在于,包括:
获取处理模块,用于获取待预测电力数据;
提取处理模块,用于将所述待预测电力数据输入已训练的自编码器中,得到所述待预测电力数据对应的第一隐含特征,其中,所述已训练的自编码器使用的训练数据包括历史电力价格数据和历史影响因素数据;
预测处理模块,用于将所述第一隐含特征输入已训练的极限学习机中,得到预测电力价格。
8.一种电力价格预测模型的训练装置,其特征在于,包括:
数据获取模块,用于获取训练数据,所述训练数据包括历史电力价格数据和历史影响因素数据;
特征提取模型,用于根据所述训练数据训练得到优化自编码器,所述优化自编码器用于对训练数据进行特征提取,获取训练数据对应的隐含特征;
价格预测模块,用于根据所述训练数据和所述隐含特征训练得到极限学习机,所述极限学习机用于根据所述隐含特征预测电力价格。
9.一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如权利要求1至6中任一所述的方法。
10.一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367261.2A CN111563829A (zh) | 2020-04-30 | 2020-04-30 | 电力价格预测方法、电力价格预测模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010367261.2A CN111563829A (zh) | 2020-04-30 | 2020-04-30 | 电力价格预测方法、电力价格预测模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563829A true CN111563829A (zh) | 2020-08-21 |
Family
ID=72070755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010367261.2A Pending CN111563829A (zh) | 2020-04-30 | 2020-04-30 | 电力价格预测方法、电力价格预测模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563829A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
CN109670648A (zh) * | 2018-12-24 | 2019-04-23 | 新奥数能科技有限公司 | 能源数据预测模型的训练、能源数据的预测方法及装置 |
US20190205751A1 (en) * | 2017-12-29 | 2019-07-04 | University Of Southern California | Method for prioritizing candidate objects |
CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和系统 |
US20190340467A1 (en) * | 2018-05-06 | 2019-11-07 | Strong Force TX Portfolio 2018, LLC | Facility level transaction-enabling systems and methods for provisioning and resource allocation |
US20200134653A1 (en) * | 2018-10-29 | 2020-04-30 | Fronteo, Inc. | Assessment method, reward setting method, computer, and program |
-
2020
- 2020-04-30 CN CN202010367261.2A patent/CN111563829A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
US20190205751A1 (en) * | 2017-12-29 | 2019-07-04 | University Of Southern California | Method for prioritizing candidate objects |
US20190340467A1 (en) * | 2018-05-06 | 2019-11-07 | Strong Force TX Portfolio 2018, LLC | Facility level transaction-enabling systems and methods for provisioning and resource allocation |
US20200134653A1 (en) * | 2018-10-29 | 2020-04-30 | Fronteo, Inc. | Assessment method, reward setting method, computer, and program |
CN109670648A (zh) * | 2018-12-24 | 2019-04-23 | 新奥数能科技有限公司 | 能源数据预测模型的训练、能源数据的预测方法及装置 |
CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
CN117077871B (zh) * | 2023-10-17 | 2024-02-02 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI777010B (zh) | 資訊轉化率的預測、資訊推薦方法和裝置 | |
CN111080360B (zh) | 行为预测方法、模型训练方法、装置、服务器及存储介质 | |
CN108920665B (zh) | 基于网络结构和评论文本的推荐评分方法及装置 | |
CN111563829A (zh) | 电力价格预测方法、电力价格预测模型训练方法及装置 | |
CN112215230B (zh) | 一种信息审核方法、装置及电子设备 | |
CN112017777B (zh) | 相似对问题预测的方法、装置及电子设备 | |
CN103309885A (zh) | 一种在电子交易平台中识别特征用户的方法及装置和搜索方法及装置 | |
CN112650583B (zh) | 一种资源分配方法、装置、可读介质及电子设备 | |
CN113362139A (zh) | 基于双塔结构模型的数据处理方法和装置 | |
CN112199500A (zh) | 针对评论的情感倾向识别方法、装置及电子设备 | |
CN109598478B (zh) | 一种风测结果描述文案的生成方法、装置及电子设备 | |
CN116739653A (zh) | 销售数据采集分析系统及其方法 | |
CN109063967B (zh) | 一种风控场景特征张量的处理方法、装置及电子设备 | |
CN116012066A (zh) | 广告转化率的预测方法、装置、可读存储介质 | |
CN111598638A (zh) | 点击率确定方法、装置及设备 | |
CN113434436B (zh) | 测试用例的生成方法、装置、电子设备及存储介质 | |
CN113269259B (zh) | 一种目标信息的预测方法及装置 | |
CN110807118B (zh) | 图像评论的生成方法、装置及电子设备 | |
CN112785095A (zh) | 贷款预测方法、装置、电子设备和计算机可读存储介质 | |
CN110264306B (zh) | 基于大数据的产品推荐方法、装置、服务器及介质 | |
CN112348284A (zh) | 一种电力负荷预测方法、装置、可读介质及电子设备 | |
CN111753598A (zh) | 人脸检测方法及设备 | |
CN113344613B (zh) | 一种数据匹配的方法、装置、电子设备及存储介质 | |
Motte | Mathematical models for large populations, behavioral economics, and targeted advertising | |
CN110990522B (zh) | 一种法律文书的确定方法和系统 |
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: 20200821 |
|
RJ01 | Rejection of invention patent application after publication |