CN112598188A - 神经网络的生成方法、功率预测方法、装置和存储介质 - Google Patents
神经网络的生成方法、功率预测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112598188A CN112598188A CN202011591682.XA CN202011591682A CN112598188A CN 112598188 A CN112598188 A CN 112598188A CN 202011591682 A CN202011591682 A CN 202011591682A CN 112598188 A CN112598188 A CN 112598188A
- Authority
- CN
- China
- Prior art keywords
- discriminator
- neural network
- generator
- layer
- time series
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06N3/045—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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Neurology (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种神经网络的生成方法、功率预测方法、装置和存储介质,该生成方法包括:获取用于表征耗电功率的时间序列{X0,X1,...,Xt‑1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt‑1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt‑1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt‑1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。从而能够生成用于超短期负荷预测的神经网络。
Description
技术领域
本发明涉及计算机领域,尤其涉及神经网络的生成方法、功率预测方法、装置和存储介质。
背景技术
超短期负荷预测是指未来1至2小时以内的负荷预测,预测结果的分辨率一般为分钟级,主要用于安全监视、预防性控制和紧急状态处理,主要用于电力系统实时调度提供决策依据。超短期预测在储能行业有较大的应用,储能系统的用户分为工商业用户和户用用户,工商业用户每月支付的基础费用由负荷峰值功率决定,利用储能设备在负荷高峰时放电,可以降低从电网用电的峰值功率,从而降低企业基础电费,为企业带来经济收益。根据企业历史负荷时间序列数据,在给定系统设备基本属性的前提下,对企业未来分钟级的负荷情况进行超短期负荷预测,并得到相应最优需量值。
超短期负荷预测通常采用的思路是利用负荷数据的周期性,基于最近数日负荷数据在相同时段内变化的相近特性,分析预测时刻负荷和前面若干时刻负荷的内在规律,构成相关特性。其中最近数日可以扩展为相似日。预测时刻负荷和前面若干时刻负荷的内在规律可通过线性、非线性回归、模型辨识、神经网络逼近等方法获得。这样就形成了各种不同的预测算法,如线性外推法、时间序列法、卡尔曼滤波法、人工神经网络法等。近年来国内外学者在以上传统超短期负荷预测方法的基础上,又提出了许多改进的超短期负荷预测方法取得了良好的效果。
因此,设计一种用于超短期负荷预测的方法,就成为一个亟待解决的问题。
发明内容
有鉴于此,本发明的主要目的在于提供神经网络的生成方法、功率预测方法、装置和存储介质。
为达到上述目的,本发明的技术方案是这样实现的:一种用于超短期负荷预测的神经网络的生成方法,包括以下步骤:获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt-1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt-1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt-1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。
作为本发明实施例的一种改进,所述“获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt}”具体包括:获取训练数据,剔除训练数据中的异常数据并进行归一化处理,之后将剩余的训练数据以时间顺序排列、得到时间序列{X0,X1,...,Xt-1,Xt}。
作为本发明实施例的一种改进,在所述生成器中,以RNN层作为输入层,中间层接受RNN层所生成的特征,然后再作为输入给输出层,输出层为稠密层,所述生成器以{X0,X1,...,Xt-1,Xt}作为条件窗口。
作为本发明实施例的一种改进,所述鉴别器包括经过RNN层和稠密层,且将{X0,X1,...,Xt-1,Xt}和Xt+1作为输入,分别经过RNN层和稠密层,输出Xt+1和Yt+1之间的差值,然后基于所述差值得到以{X0,X1,...,Xt-1,Xt}作为条件时,得到Yt+1的概率P。
作为本发明实施例的一种改进,所述对抗生成神经网络的损失函数为:其中,P=Yt+1|{X0,X1,...,Xt},Min表示最小值,max表示最大值,表示基于Xt+1的依赖所得的概率对应的整体损失函数值。
本发明实施例还提供了一种用于超短期负荷预测的神经网络的生成装置,包括以下模块:数据模块,用于获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;训练模块,用于创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt-1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt-1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt-1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。
本发明实施例还提供了一种用于超短期负荷预测的神经网络的生成装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例还提供了一种耗电功率的预测方法,包括以下步骤:获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xn},其中,n为自然数;将时间序列{X0,X1,...,Xt-1,Xn}输入到上述生成器中,得到耗电功率Xn+1。
本发明实施例还提供了一种耗电功率的预测装置,包括以下模块:数据获取模块,用于获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xn},其中,n为自然数;预测模块,用于将时间序列{X0,X1,...,Xt-1,Xn}输入到上述的生成器中,得到耗电功率Xn+1。
本发明实施例所提供的神经网络的生成方法、功率预测方法、装置和存储介质具有以下优点:本发明实施例公开了一种神经网络的生成方法、功率预测方法、装置和存储介质,该生成方法包括:获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt-1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt-1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt-1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。从而能够生成用于超短期负荷预测的神经网络。
附图说明
图1为本发明实施例提供的一种神经网络的原理图;
图2为本发明实施例提供的一种生成器的原理图;
图3为本发明实施例提供的一种鉴别器的原理图;
图4为本发明实施例提供的一种神经网络的生成方法的流程示意图;
图5为本发明实施例提供的一种神经网络的生成装置的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明实施例提供了一种神经网络的生成方法,如图4所示,包括以下步骤:
步骤401:获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;这里,该时间序列{X0,X1,...,Xt-1,Xt,Xt+1}是指将同一统计指标的数值(即某个工商业用户和户用用户的耗电功率)按其发生的时间先后顺序排列而成的数列。例如,在过去某个时间段内,每隔一个预设时间(例如,一分钟等)就统计一下,在上次统计之后到现在的耗电量,然后在按照时间顺序进行排列,就会得到该时间序列{X0,X1,...,Xt-1,Xt,Xt+1}。
步骤402:创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt-1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt-1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt-1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。
对抗生成神经网络(Generative Adversarial Net,GAN)是一种深度学习神经网络,其核心思想源于博弈论的纳什均衡,由一个生成器G和一个鉴别器D组成。在本实施例中,生成器G接收一个真实的时间序列{X0,...,Xi}和随机的噪声Z,并输出一张假的耗电功率Yi+1;鉴别器接收一个真实的时间序列{X0,...,Xi}、真实的耗电功率Xi+1和假的耗电功率Yi+1,并且判断出Yi+1为真实的概率。在训练的过程中,生成器G的目标就是尽量生成真实的耗电功率Yi+1去欺骗鉴别器D,让鉴别器无法判断Yi+1的真假。因此,在经过多次的训练之后,生成器G所生成的Yt+1越来越接近于Xt+1。
本实施例中,所述“获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt}”具体包括:获取训练数据,剔除训练数据中的异常数据并进行归一化处理,之后将剩余的训练数据以时间顺序排列、得到时间序列{X0,X1,...,Xt-1,Xt}。这里,在对在过去某个时间段内的用电量进行统计时,有可能会统计到异常的用电量数据(例如,数值过大等),则需要将这些异常的用电量数据给剔除掉,然后,有可能不同时间段的用电量所用的量纲等是不一样的,此时,就需要进行归一化处理。
本实施例中,在所述生成器中,以循环神经网络(Recurrent Neural Network,RNN)层作为输入层,中间层接受RNN层所生成的特征,然后再作为输入给输出层,输出层为稠密层,所述生成器以{X0,X1,...,Xt-1,Xt}作为条件窗口。这里,RNN层是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。稠密层为通过卷积和池化,然后得到了众多特征,稠密层的每一个节点都与这些特征节点相连构成稠密层。稠密层的作用就是分类。简单的说就是每一个特征节点手里握着一定的权重来决定输入是属于那个分类,最终全部特征的权重共同决定了输入所属分类的权重或概率。
本实施例中,所述鉴别器包括经过RNN层和稠密层,且将{X0,X1,...,Xt-1,Xt}和Xt+1作为输入,分别经过RNN层和稠密层,输出Xt+1和Yt+1之间的差值,然后基于所述差值得到以{X0,X1,...,Xt-1,Xt}作为条件时,得到Yt+1的概率P。。
本实施例中,所述对抗生成神经网络的损失函数为:
这里,举一个具体的例子,存在一时间序列数据{1,1.2,2.2,1.6,2.4},由初步概率依赖计算,假设下一时刻Yt+1可能为2.5,1.2,1.7等的概率分别为1/4,1/5,1/3,则V(D,G)的值分别为-0.15,-0.1398,-0.159,maxV(D,G)的值为-0.1398,对时间序列坐进一步的计算,下一时刻Yt+1可能为2.3,1.5,1.8等的概率分别为1/2,1/5,1/6,则V(D,G)的值分别为-0.1505,-0.1398,-0.1297,maxV(D,G)的值为-0.1297,则maxV(D,G)的值为-0.1297,多次不同概率依赖求得,minmaxV(D,G)为-0.1398,则保留此种情况下的概率分布并确定Yt+1为1.2。
本发明实施例二提供了一种用于超短期负荷预测的神经网络的生成装置,包括以下模块:
数据模块,用于获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;
训练模块,用于创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt-1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt-1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt-1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。
本发明实施例三提供了一种用于超短期负荷预测的神经网络的生成装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的方法的步骤。
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现实施例一中的方法的步骤。
本发明实施例五提供了一种耗电功率的预测方法,包括以下步骤:
获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xn},其中,n为自然数;
将时间序列{X0,X1,...,Xt-1,Xn}输入到实施例一中的生成器中,得到耗电功率Xn+1。
本发明实施例六提供了一种耗电功率的预测装置,包括以下模块:
数据获取模块,用于获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xn},其中,n为自然数;
预测模块,用于将时间序列{X0,X1,...,Xt-1,Xn}输入到实施例一中的生成器中,得到耗电功率Xn+1。
图5为本发明实施例提供的再一种用于超短期负荷预测的神经网络的生成装置的示意图。应用于某一电子设备的结构示意图,图5所示的电子设备700包括:至少一个处理器701、存储器702、至少一个网络接口704和其他用户接口703。电子设备700中的各个组件通过总线系统705耦合在一起。可理解,总线系统705用于实现这些组件之间的连接通信。总线系统705除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图5中将各种总线都标为总线系统705。
其中,用户接口703可以包括显示器、键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
可以理解,本发明实施例中的存储器702可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的存储器702旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器702存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统7021和应用程序7022。
其中,操作系统7021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序7022,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序7022中。
在本发明实施例中,通过调用存储器702存储的程序或指令,具体的,可以是应用程序7022中存储的程序或指令,
应用于上位机时,处理器701用于执行各方法实施例所提供的方法步骤,例如包括:
接收传感器和/或PLC发送的目标数据集;
将所述目标数据集发送给服务器;由所述服务器根据所述目标数据集进行相应操作;
所述目标数据集,包括以下至少之一:探测数据、探测数据对应的类型符号、描述采集探测数据的设备的标志符。
应用于服务器时,处理器701用于执行各方法实施例所提供的方法步骤,例如包括:
接收上位机发送的数据集;
对所述数据集进行分析,根据分析结果针对所述数据集中的数据执行不同的操作;
所述数据集,包括以下至少之一:探测数据、探测数据对应的类型符号、描述采集探测数据的设备的标志符。
上述本发明实施例揭示的方法可以应用于处理器701中,或者由处理器701实现。处理器701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701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701可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieldProgrammable 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。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单元组合执行完成。软件单元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702,处理器701读取存储器702中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本实施例提供的电子设备可以是上述的电子设备,可执行上述优化方法的所有步骤,进而实现上述优化方法的技术效果,具体请参照上述相关描述,为简洁描述,在此不作赘述。
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中,存储介质可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
当存储介质中一个或者多个程序可被一个或者多个处理器执行,以实现上述在运维监控装置执行的优化方法。
应用于上位机时,所述处理器用于执行存储器中存储的运维监控程序,以实现以下在上位机侧执行的优化方法的步骤:
接收传感器和/或可编程逻辑控制器PLC发送的目标数据集;
将所述目标数据集发送给服务器;由所述服务器根据所述目标数据集进行相应操作;
所述目标数据集,包括以下至少之一:探测数据、探测数据对应的类型符号、描述采集探测数据的设备的标志符。
应用于服务器时,所述处理器用于执行存储器中存储的运维监控程序,以实现以下在服务器侧执行的优化方法的步骤:
接收上位机发送的数据集;
对所述数据集进行分析,根据分析结果针对所述数据集中的数据执行不同的操作;
所述数据集,包括以下至少之一:探测数据、探测数据对应的类型符号、描述采集探测数据的设备的标志符。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于超短期负荷预测的神经网络的生成方法,其特征在于,包括以下步骤:
获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;
创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt-1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt-1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt-1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。
2.根据权利要求1所述的生成方法,其特征在于,所述“获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt}”具体包括:
获取训练数据,剔除训练数据中的异常数据并进行归一化处理,之后将剩余的训练数据以时间顺序排列、得到时间序列{X0,X1,...,Xt-1,Xt}。
3.根据权利要求1所述的生成方法,其特征在于:
在所述生成器中,以RNN层作为输入层,中间层接受RNN层所生成的特征,然后再作为输入给输出层,输出层为稠密层,所述生成器以{X0,X1,...,Xt-1,Xt}作为条件窗口。
4.根据权利要求1所述的生成方法,其特征在于:
所述鉴别器包括经过RNN层和稠密层,且将{X0,X1,...,Xt-1,Xt}和Xt+1作为输入,分别经过RNN层和稠密层,输出Xt+1和Yt+1之间的差值,然后基于所述差值得到以{X0,X1,...,Xt-1,Xt}作为条件时,得到Yt+1的概率P。
6.一种用于超短期负荷预测的神经网络的生成装置,其特征在于,包括以下模块:
数据模块,用于获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xt,Xt+1},其中,Xi和Xi+1之间的时间间隔小于等于一分钟,i和t为自然数,0≤i≤t;
训练模块,用于创建对抗生成神经网络,所述对抗生成神经网络包含有生成器和鉴别器,所述生成器用于接收{X0,X1,...,Xt-1,Xt}并生成Yt+1,所述鉴别器用于接收{X0,X1,...,Xt-1,Xt}、Xt+1和Yt+1,且能够输出以{X0,X1,...,Xt-1,Xt}作为条件时、得到Yt+1的概率P,基于所述概率P得到损失值,基于所述损失值对所述生成器和鉴别器进行改进。
7.一种用于超短期负荷预测的神经网络的生成装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
9.一种耗电功率的预测方法,其特征在于,包括以下步骤:
获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xn},其中,n为自然数;
将时间序列{X0,X1,...,Xt-1,Xn}输入到权利要求1-5任一项所述的生成器中,得到耗电功率Xn+1。
10.一种耗电功率的预测装置,其特征在于,包括以下模块:
数据获取模块,用于获取用于表征耗电功率的时间序列{X0,X1,...,Xt-1,Xn},其中,n为自然数;
预测模块,用于将时间序列{X0,X1,...,Xt-1,Xn}输入到权利要求1-5任一项所述的生成器中,得到耗电功率Xn+1。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011591682.XA CN112598188A (zh) | 2020-12-29 | 2020-12-29 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
PCT/CN2021/135801 WO2022143021A1 (zh) | 2020-12-29 | 2021-12-06 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011591682.XA CN112598188A (zh) | 2020-12-29 | 2020-12-29 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598188A true CN112598188A (zh) | 2021-04-02 |
Family
ID=75203830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011591682.XA Pending CN112598188A (zh) | 2020-12-29 | 2020-12-29 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112598188A (zh) |
WO (1) | WO2022143021A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869501A (zh) * | 2021-10-19 | 2021-12-31 | 京东科技信息技术有限公司 | 神经网络的生成方法、装置、电子设备及存储介质 |
WO2022143021A1 (zh) * | 2020-12-29 | 2022-07-07 | 沃太能源股份有限公司 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
CN111445007A (zh) * | 2020-03-03 | 2020-07-24 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
CN111930728A (zh) * | 2020-06-30 | 2020-11-13 | 广州洪森科技有限公司 | 一种设备的特征参数和故障率的预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428355B (zh) * | 2020-03-18 | 2024-04-02 | 东南大学溧阳研究院 | 一种电力负荷数字统计智能综合的建模方法 |
CN111738521B (zh) * | 2020-06-24 | 2024-04-05 | 山东大学 | 非侵入式电力负荷监测序列生成方法、系统、设备及介质 |
CN111950868B (zh) * | 2020-07-28 | 2022-11-15 | 国网电力科学研究院有限公司 | 一种基于生成对抗网络的综合能源系统负荷场景生成方法 |
CN112598188A (zh) * | 2020-12-29 | 2021-04-02 | 沃太能源南通有限公司 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
-
2020
- 2020-12-29 CN CN202011591682.XA patent/CN112598188A/zh active Pending
-
2021
- 2021-12-06 WO PCT/CN2021/135801 patent/WO2022143021A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
CN111445007A (zh) * | 2020-03-03 | 2020-07-24 | 平安科技(深圳)有限公司 | 对抗生成神经网络的训练方法及系统 |
CN111930728A (zh) * | 2020-06-30 | 2020-11-13 | 广州洪森科技有限公司 | 一种设备的特征参数和故障率的预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
KOOCHALI A等: "Probabilistic Forecasting of Sensory Data with Generative Adversarial Networks – ForGAN", 《IEEE ACCESS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022143021A1 (zh) * | 2020-12-29 | 2022-07-07 | 沃太能源股份有限公司 | 神经网络的生成方法、功率预测方法、装置和存储介质 |
CN113869501A (zh) * | 2021-10-19 | 2021-12-31 | 京东科技信息技术有限公司 | 神经网络的生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022143021A1 (zh) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
Hou et al. | Sparse oblique decision tree for power system security rules extraction and embedding | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN112598188A (zh) | 神经网络的生成方法、功率预测方法、装置和存储介质 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN110321430B (zh) | 域名识别和域名识别模型生成方法、装置及存储介质 | |
Yu et al. | Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast | |
Habib et al. | Retracted: Forecasting model for wind power integrating least squares support vector machine, singular spectrum analysis, deep belief network, and locality‐sensitive hashing | |
CN113837480B (zh) | 基于改进gru和差分误差补偿的冲击性负荷预测方法 | |
CN112926269B (zh) | 电厂边缘节点数据分组与清洗的方法及系统 | |
Guang et al. | Benchmark datasets for stochastic Petri net learning | |
Wang et al. | High and low frequency wind power prediction based on Transformer and BiGRU-Attention | |
Naik et al. | Indian monsoon rainfall classification and prediction using robust back propagation artificial neural network | |
Guo et al. | Wind speed forecasting of genetic neural model based on rough set theory | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
Naoui et al. | Integrating iot devices and deep learning for renewable energy in big data system | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
Raphel | Artificial intelligence‐based wind forecasting using variational mode decomposition. | |
Zhang et al. | The expressivity and training of deep neural networks: Toward the edge of chaos? | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
Prashanthi et al. | A comparative study of the performance of machine learning based load forecasting methods | |
Zafari et al. | Evolving recurrent neural network using cartesian genetic programming to predict the trend in foreign currency exchange rates | |
Li et al. | A comprehensive learning-based model for power load forecasting in smart grid | |
Khetarpal et al. | Power quality disturbance signal segmentation and classification based on modified BI‐LSTM with double attention mechanism |
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 | ||
CB02 | Change of applicant information |
Address after: 226100 No.888, Jiuhua Road, high tech Zone, Nantong City, Jiangsu Province Applicant after: Wotai Energy Co.,Ltd. Address before: 226100 No.888, Jiuhua Road, high tech Zone, Nantong City, Jiangsu Province Applicant before: NEOVOLTAIC ENERGY NANTONG Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |
|
RJ01 | Rejection of invention patent application after publication |