CN112734106A - 用于预测能源负荷的方法及装置 - Google Patents
用于预测能源负荷的方法及装置 Download PDFInfo
- Publication number
- CN112734106A CN112734106A CN202110023502.6A CN202110023502A CN112734106A CN 112734106 A CN112734106 A CN 112734106A CN 202110023502 A CN202110023502 A CN 202110023502A CN 112734106 A CN112734106 A CN 112734106A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data set
- recurrent neural
- training
- 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 52
- 238000012549 training Methods 0.000 claims abstract description 125
- 238000013528 artificial neural network Methods 0.000 claims abstract description 123
- 230000000306 recurrent effect Effects 0.000 claims abstract description 112
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000006403 short-term memory Effects 0.000 claims description 44
- 230000007787 long-term memory Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 14
- 125000004122 cyclic group Chemical group 0.000 description 26
- 238000003062 neural network model Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual 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
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
Abstract
本发明实施例提公开了一种用于预测能源负荷的方法及装置。该方法包括:获取能源负荷的时间序列历史数据;对时间序列历史数据进行预处理,以得到训练数据集和测试数据集;根据训练数据集和测试数据集,训练循环神经网络;利用训练好的循环神经网络对能源负荷进行预测,从而使得预测能源负荷的误差较小。
Description
技术领域
本发明涉及计算机技术领域,具体地涉及一种用于预测能源负荷的方法及装置。
背景技术
能源负荷预测规模上多分为电网层级和用户层级。电网层级的负荷曲线较平缓,在相同条件下负荷差距不大,较易预测,但针对性不强,对局部区域无法管理。用户层级精确到户,但其负荷曲线波动剧烈,具有较大随机性,不易预测。目前短期能源负荷预测使用的算法多使用传统的数据分析,如时间序列法、回归分析法、支持向量机法、模糊预测法等。时间序列法是目前发展较为成熟的算法,但只适用于较平缓的负荷变化,模型对不确定因素辨识不足,预测误差较大。
发明内容
本发明实施例的目的是提供一种用于预测能源负荷的方法及装置。用以解决现有的用于预测能源负荷的方法误差较大的问题。
为了实现上述目的,本发明实施例第一方面提供一种用于预测能源负荷的方法,包括:
获取能源负荷的时间序列历史数据;
对时间序列历史数据进行预处理,以得到训练数据集和测试数据集;
根据训练数据集和测试数据集,训练循环神经网络;
利用训练好的循环神经网络对能源负荷进行预测。
在本发明的实施例中,对时间序列历史数据进行预处理,以得到训练数据集和测试数据集,包括:
将多元的时间序列历史数据重构为单步或多步的监督学习数据集;
使用差分方法以平稳时间序列历史数据;
将时间序列历史数据标准化,以得到标准化时间序列历史数据;
将时间序列历史数据按时间划分为训练数据集和测试数据集。
在本发明的实施例中,根据训练数据集和测试数据集,训练循环神经网络,包括:
构建基于长短期记忆的循环神经网络的模型;
根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数;
根据测试数据集,得到基于长短期记忆的循环神经网络的模型的泛化误差。
在本发明的实施例中,基于长短期记忆的循环神经网络的模型包括输入层、至少一隐藏层和输出层;隐藏层包括以下至少一种:
卷积单元、池化单元、循环单元、长短期记忆单元。
在本发明的实施例中,根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数,包括:
将训练数据集输入超参数不同的多组基于长短期记忆的循环神经网络的模型;
根据每个基于长短期记忆的循环神经网络的模型输出的损失函数图像,确定最优超参数。
本发明的实施例第二方面提供一种用于预测能源负荷的装置,包括:
数据采集模块,被配置成获取能源负荷的时间序列历史数据;
预处理模块,被配置成对时间序列历史数据进行预处理,以得到训练数据集和测试数据集;
训练模块,被配置成根据训练数据集和测试数据集,训练循环神经网络;
预测模块,被配置成利用训练好的循环神经网络进行预测。
在本发明的实施例中,预处理模块被配置成:
将多元的时间序列历史数据重构为单步或多步的监督学习数据集;
使用差分方法以平稳时间序列历史数据;
将时间序列历史数据标准化,以得到标准化时间序列历史数据;
将时间序列历史数据按时间划分为训练数据集和测试数据集。
在本发明的实施例中,训练模块被配置成:
构建基于长短期记忆的循环神经网络的模型;
根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数;
根据测试数据集,得到基于长短期记忆的循环神经网络的模型的泛化误差。
在本发明的实施例中,基于长短期记忆的循环神经网络的模型包括输入层、至少一隐藏层和输出层;隐藏层包括以下至少一种:
卷积单元、池化单元、循环单元、长短期记忆单元。
在本发明的实施例中,训练模块还被配置成:
将训练数据集输入超参数不同的多组基于长短期记忆的循环神经网络的模型;
根据每个基于长短期记忆的循环神经网络的模型输出的损失函数图像,确定最优超参数。
通过上述技术方案,根据能源负荷的时间序列历史数据训练循环神经网络,再利用训练好的循环神经网络对能源负荷进行预测,相比于传统的预测算法,神经网络的学习及自适应能力强,对大量非结构规律具有较强的计算能力、智能处理能力,使得预测能源负荷的误差较小。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的用于预测能源负荷的方法的流程示意图;
图2是本发明实施例提供的对时间序列历史数据进行预处理的方法的流程示意图;
图3是本发明实施例提供的训练循环神经网络的方法的流程示意图;
图4是本发明实施例提供的用于预测能源负荷的装置的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
图1是本发明实施例提供的用于预测能源负荷的方法的流程示意图。如图1所示,本发明的实施例提供一种用于预测能源负荷的方法,可以包括以下步骤。
在步骤S11中,获取能源负荷的时间序列历史数据。在本发明的实施例中,能源负荷的时间序列历史数据,即台区能源负荷的时间序列数据,指的是按照时间序列产生的关于能源负荷的数据信息。历史数据的可靠性及处理方法是影响短期负荷预测精度的关键因素。历史数据可以包括但不限于数据时间、天气、用户编号、台区编号、电流有效值、能源负荷量等等。基于台区的局部区域收集能源负荷数据更加灵活,对于一些模糊现象,如天气的描述也更加具体。
在步骤S12中,对时间序列历史数据进行预处理,以得到训练数据集和测试数据集。在本发明的实施例中,可以使用循环神经网络对能源负荷进行预测。循环神经网络(Recurrent Neural Network,RNN)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。其中,双向循环神经网络(Bidirectional RNN,Bi-RNN)和基于长短期记忆的循环神经网络(Long Short-TermMemory network,LSTM)是常见的循环神经网络。传统的对采集的数据集进行预处理方式是利用归一化处理得到的数据集。而本发明的实施例通过将多元时间序列重构为单步或多步的监督学习数据集,平稳时间序列,标准化数据之后,将采集的时间序列历史数据分为训练数据集和测试数据集。构建单步或多步监督学习数据集可以是通过使用从最后一个时刻的观测值作为输入的特征和当前时刻的观测值作为输出来实现转换。平稳时间序列可以是使用差分来处理非平稳的时间序列历史数据。再将时间序列历史数据归一化,采用持续性预测,根据前一时间序列的结果预测当前时间的取值。通过滚轮预测的原理从训练集的历史数据中获取最后一次观察值并使用该观察值来预测当前时间的可能取值。滚动预测又称前向模型验证,在一个示例中,当预测期为一年时,预测会将已过去的月份排除,而将预测期末的月份补上。例如,1月份过去后,将其从预测中移除,同时次年的1月份就会作为收尾被添加到预测中,以便预测总能保持12月的完整性。
在步骤S13中,根据训练数据集和测试数据集,训练循环神经网络。在本发明的实施例中,可以利用预处理后的训练数据集和测试数据集对构建好的循环神经网络进行调参。在一个示例中,可以构建LSTM网络,先初始化为预设层数,例如2层,后续再根据训练效果等增加合适地隐藏层。隐藏层的类型可以包括但不限于:卷积单元、池化单元、Dropout层、循环单元、长短期记忆单元等。在实际训练过程中,为对抗网络过拟合,可以增加一些池化单元和Dropout层。同时,层与层之间的连接方式可以包括全连接、随机连接和延时连接中至少一种。构建好循环神经网络后,需要对循环神经网络进行调参。传统的调参方式是将原始数据分为多个训练集,对应喂给多个模型进行训练,每个模型快照得出一组最优超参数。而在本发明的实施例中,可以通过将训练数据集输入超参数不同的多组循环神经网络模型,再根据每个循环神经网络模型输出的损失函数的图像,确定最优参数。这样,每组输入的训练数据集相同,可以使得损失函数最小,模型调参更加精准。
在一个示例中,训练以便神经网络会先确定以下参数:
Epoch:当一个完整的数据集通过循环神经网络一次并且返回一次,这个过程称为Epoch;
Batch:在训练集中选择一组样本用来更新权值,一个batch包含的样本的数目,通常设置为2的n次幂。
下面通过一个实例进行说明,假设数据集有1000组数据,设定epoch=10,batchsize=256,batch=1000/250=4。这意味着每个epoch要训练的数据数量是1000。每个epoch需要完成的batch个数是4,每个batch是一个迭代过程,会更新一次模型内部的权重。也就是说一个epoch会更新4次权重。损失函数不同,判断模型性能的指标,损失loss不同,每个epoch后会得出模型的损失,多次epoch后模型损失是逐渐下降的,但epoch次数过多也会导致loss上升,模型过拟合。
也就是说,不同代epoch的训练,用的是同一个训练数据集的数据。第1代和第10代用的都是训练街1000组数据,但是对模型的权重更新值却是完全不同的。因为不同代的模型处于损失函数空间上的不同位置模型的训练代越靠后,越接近谷底,其损失越小。
在步骤S14中,利用训练好的循环神经网络对能源负荷进行预测。在本发明的实施例中,由于循环神经网络模型需要大量的计算、内耗和功耗,在实时推理或计算资源有限的嵌入式设备上运行模型带来了问题。因此,可以对模型进行优化,使得模型更小。在一个示例中,利用剪枝的方法来优化循环神经网络。例如,确定一个需要剪枝的层,一般为全连接层,设定一个裁剪阈值或者比例。可以通过修改代码加入一个与参数矩阵尺寸一致的mask矩阵,mask矩阵中只有0和1,实际上是用于重新训练的网络。重新训练微调,参数在计算的时候先乘以该mask,则mask位为0的部分因为输出始终是0则不对后续部分产生影响。输出循环神经网络的参数储存的时候,因为有大量的稀疏,所以需要重新定义储存的数据结构,仅储存非零值以及其矩阵位置。重新读取参数的时候就可以还原矩阵。
在本发明的实施例中,循环神经网络的设计和训练一般是在图形处理器(Graphics Processing Unit,GPU)服务器上实现的。GPU又称显示核心、视觉处理器、显示芯片、是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上做图像和图形相关运算工作的微处理器,在GPU服务器上训练可以完成一些技术难度更高或者综合推理的工作。如果没有AI芯片,一般将嵌入式设备作为前端采集和预处理,把数据发送给GPU服务器,由服务器计算完成再把结果返回来。随着边缘计算的兴起,可以将循环神经网络的推理和部署放在前端的嵌入式AI芯片,完成比较耗算力的工作。推理的时候只需要做一个前向计算,将输入通过循环神经网络得出预测结果。同时为了适应不同厂商嵌入式AI芯片,循环神经网络模型需要针对芯片进行对应的压缩。
通过上述技术方案,根据能源负荷的时间序列历史数据训练循环神经网络,再利用训练好的循环神经网络对能源负荷进行预测,相比于传统的预测算法,神经网络的学习及自适应能力强,对大量非结构规律具有较强的计算能力、智能处理能力,使得预测能源负荷的误差较小。
图2是本发明实施例提供的对时间序列历史数据进行预处理的方法的流程示意图。如图2所示,在本发明的实施例中,对时间序列历史数据进行预处理,以得到训练数据集和测试数据集,包括以下步骤。
步骤S21、将多元的时间序列历史数据重构为单步或多步的监督学习数据集;
步骤S22、使用差分方法以平稳时间序列历史数据;
步骤S23、将时间序列历史数据标准化,以得到标准化时间序列历史数据;
步骤S24、将时间序列历史数据按时间划分为训练数据集和测试数据集。
在本发明的实施例中,通过将多元时间序列重构为单步或多步的监督学习数据集,平稳时间序列,标准化数据之后,将采集的时间序列历史数据分为训练数据集和测试数据集。
具体地,在步骤S21中,构建单步或多步监督学习数据集可以是通过使用从最后一个时刻(t-1)的观测值作为输入值X和当前时刻(t)的观测值作为输出值Y来实现转换。在一个示例中,输入观察值序列,数据类型可以是list或者NumPy array及输入值X的滞后组的数量和输出值Y的观察组的数量。构建输入序列和预测序列,将所有列拼合,将包含NaN的行移除。输出经过转换的用于监督学习的Pandas DataFrame序列。
在步骤S22中,负荷在时间上可能呈上升或下降的趋势,此时可以使用差分来处理这种非平稳的时间序列历史数据。
在步骤S23中,可以将时间序列历史数据归一化,能提高模型的收敛速度和效果。在一个示例中,循环神经网络为LSTM,LSTM的激活函数一般为tanh函数,它的输出范围在-1到1之间,同时这是时间序列历史数据的首选范围,因此可以使用MinMaxScaler类将数据集转换到范围[-1,1]。
在步骤S24中,可以将时间序列历史数据按时间划分为训练数据集和测试数据集。这里采用持续性预测,从先前的(t-1)时间序列的结果预测当前时间(t)的取值。通过滚轮预测的原理从训练集的历史数据中获取最后一次观察值并使用该观察值来预测当前时间的可能取值。滚动预测又称前向模型验证,在一个示例中,当预测期为一年时,预测会将已过去的月份排除,而将预测期末的月份补上。例如,1月份过去后,将其从预测中移除,同时次年的1月份就会作为收尾被添加到预测中,以便预测总能保持12月的完整性。
需要说明的是,上述步骤的顺序可以交换。在另一个实施例中,先使用差分方法以平稳时间序列历史数据,将时间序列历史数据标准化,以得到标准化时间序列历史数据,再将多元的时间序列历史数据重构为单步或多步的监督学习数据集。
图3是本发明实施例提供的训练循环神经网络的方法的流程示意图。如图3所示,根据训练数据集和测试数据集,训练循环神经网络,包括以下步骤。
步骤S31、构建基于长短期记忆的循环神经网络的模型;
步骤S32、根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数;
步骤S33、根据测试数据集,得到基于长短期记忆的循环神经网络的模型的泛化误差。
在本发明的实施例中,可以利用预处理后的训练数据集和测试数据集对构建好的循环神经网络进行调参。在一个示例中,可以构建LSTM网络。LSTM是一种时间循环神经网络,是为了解决一般的RNN存在长期依赖问题而设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式,在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。LSTM相比于普通RNN在长序列中有更好的表现,适合处理和预测时间序列中间隔和延迟较长的事件。构建LSTM可以先初始化为预设层数,例如2层,后续再根据训练效果等增加合适地隐藏层。
在本发明的实施例中,基于长短期记忆的循环神经网络LSTM的模型包括输入层、至少一隐藏层和输出层;隐藏层包括以下至少一种:
卷积单元、池化单元、循环单元、长短期记忆单元。
具体地,隐藏层的类型可以包括但不限于:卷积单元、池化单元、Dropout层、循环单元、长短期记忆单元等。在实际训练过程中,为对抗网络过拟合,可以增加一些池化单元和Dropout层。同时,层与层之间的连接方式可以包括全连接、随机连接和延时连接中至少一种。
在本发明的实施例中,构建好循环神经网络后,需要对循环神经网络进行调参。传统的调参方式是将原始数据分为多个训练集,对应喂给多个模型进行训练,每个模型快照得出一组最优超参数。而在本发明的实施例中,可以通过将训练数据集输入超参数不同的多组循环神经网络模型,再根据每个循环神经网络模型输出的损失函数的图像,确定最优参数。这样,每组输入的训练数据集相同,可以使得损失函数最小,模型调参更加精准。在一个示例中,首先要初始化的是损失函数,针对训练数据集选定合适的损失函数,并使用小的神经网络和小的训练样本来检查损失的合理性。循环神经网络训练到最后的损失loss降为0,对于这一小部分数据可以得到100%的准确度,并且说明反向传播、学习速率和损失函数对应的参数w值的更新都很正常,因此,对于这一小部分的数据达到过饱和,效果较好。之后就是扩大数据集,找到合适的学习速率。经常优化选择的超参数是学习速率、正则化参数等。超参数的优化一般是从粗糙到细化,为循环神经网络找到最好的超参数,即需要有个大概的参数区间,对学习速率的区间做一个粗略的研究,然后在原有的区间内选出表现较好的一个小区间,一遍遍重复该步骤,使得选择的区间越来越窄,最后选出一个表现最好的超参数。确定超参数之后,再根据测试数据集,得到基于长短期记忆的循环神经网络的模型的泛化误差。通过上述方法进行调参,可以使得循环神经网络的精度更准。
在本发明的实施例中,步骤S32、根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数,包括:
将训练数据集输入超参数不同的多组基于长短期记忆的循环神经网络的模型;
根据每个基于长短期记忆的循环神经网络的模型输出的损失函数图像,确定最优超参数。
传统的调参方式是将原始数据分为多个训练集,对应喂给多个模型进行训练,每个模型快照得出一组最优超参数。而在本发明的实施例中,可以通过将训练数据集输入超参数不同的多组循环神经网络模型,再根据每个循环神经网络模型输出的损失函数的图像,确定最优参数。这样,每组输入的训练数据集相同,可以使得损失函数最小,模型调参更加精准。
图4是本发明实施例提供的用于预测能源负荷的装置的结构示意图。如图4所示,本发明的实施例还提供一种用于预测能源负荷的装置,包括:
数据采集模块41,被配置成获取能源负荷的时间序列历史数据;
预处理模块42,被配置成对时间序列历史数据进行预处理,以得到训练数据集和测试数据集;
训练模块43,被配置成根据训练数据集和测试数据集,训练循环神经网络;
预测模块44,被配置成利用训练好的循环神经网络进行预测。
在本发明的实施例中,能源负荷的时间序列历史数据,即台区能源负荷的时间序列数据,指的是按照时间序列产生的关于能源负荷的数据信息。历史数据的可靠性及处理方法是影响短期负荷预测精度的关键因素。历史数据可以包括但不限于数据时间、天气、用户编号、台区编号、电流有效值、能源负荷量等等。基于台区的局部区域收集能源负荷数据更加灵活,对于一些模糊现象,如天气的描述也更加具体。
在本发明的实施例中,预处理模块42可以使用循环神经网络对能源负荷进行预测。循环神经网络(Recurrent Neural Network,RNN)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。其中,双向循环神经网络(Bidirectional RNN,Bi-RNN)和基于长短期记忆的循环神经网络(Long Short-Term Memory network,LSTM)是常见的循环神经网络。传统的对采集的数据集进行预处理方式是利用归一化处理得到的数据集。而本发明的实施例通过将多元时间序列重构为单步或多步的监督学习数据集,平稳时间序列,标准化数据之后,将采集的时间序列历史数据分为训练数据集和测试数据集。构建单步或多步监督学习数据集可以是通过使用从最后一个时刻的观测值作为输入的特征和当前时刻的观测值作为输出来实现转换。平稳时间序列可以是使用差分来处理非平稳的时间序列历史数据。再将时间序列历史数据归一化,采用持续性预测,根据前一时间序列的结果预测当前时间的取值。通过滚轮预测的原理从训练集的历史数据中获取最后一次观察值并使用该观察值来预测当前时间的可能取值。滚动预测又称前向模型验证,在一个示例中,当预测期为一年时,预测会将已过去的月份排除,而将预测期末的月份补上。例如,1月份过去后,将其从预测中移除,同时次年的1月份就会作为收尾被添加到预测中,以便预测总能保持12月的完整性。
在本发明的实施例中,可以利用预处理后的训练数据集和测试数据集对构建好的循环神经网络进行调参。在一个示例中,可以构建LSTM网络,先初始化为预设层数,例如2层,后续再根据训练效果等增加合适地隐藏层。隐藏层的类型可以包括但不限于:卷积单元、池化单元、Dropout层、循环单元、长短期记忆单元等。在实际训练过程中,为对抗网络过拟合,可以增加一些池化单元和Dropout层。同时,层与层之间的连接方式可以包括全连接、随机连接和延时连接中至少一种。构建好循环神经网络后,需要对循环神经网络进行调参。传统的调参方式是将原始数据分为多个训练集,对应喂给多个模型进行训练,每个模型快照得出一组最优超参数。而在本发明的实施例中,可以通过将训练数据集输入超参数不同的多组循环神经网络模型,再根据每个循环神经网络模型输出的损失函数的图像,确定最优参数。这样,每组输入的训练数据集相同,可以使得损失函数最小,模型调参更加精准。
在本发明的实施例中,由于循环神经网络模型需要大量的计算、内耗和功耗,在实时推理或计算资源有限的嵌入式设备上运行模型带来了问题。因此,可以对模型进行优化,使得模型更小。在一个示例中,利用剪枝的方法来优化循环神经网络。例如,确定一个需要剪枝的层,一般为全连接层,设定一个裁剪阈值或者比例。可以通过修改代码加入一个与参数矩阵尺寸一致的mask矩阵,mask矩阵中只有0和1,实际上是用于重新训练的网络。重新训练微调,参数在计算的时候先乘以该mask,则mask位为0的部分因为输出始终是0则不对后续部分产生影响。输出循环神经网络的参数储存的时候,因为有大量的稀疏,所以需要重新定义储存的数据结构,仅储存非零值以及其矩阵位置。重新读取参数的时候就可以还原矩阵。
通过上述技术方案,根据能源负荷的时间序列历史数据训练循环神经网络,再利用训练好的循环神经网络对能源负荷进行预测,相比于传统的预测算法,神经网络的学习及自适应能力强,对大量非结构规律具有较强的计算能力、智能处理能力,使得预测能源负荷的误差较小。
在本发明的实施例中,预处理模块42被配置成:
将多元的时间序列历史数据重构为单步或多步的监督学习数据集;
使用差分方法以平稳时间序列历史数据;
将时间序列历史数据标准化,以得到标准化时间序列历史数据;
将时间序列历史数据按时间划分为训练数据集和测试数据集。
在本发明的实施例中,通过将多元时间序列重构为单步或多步的监督学习数据集,平稳时间序列,标准化数据之后,将采集的时间序列历史数据分为训练数据集和测试数据集。
具体地,构建单步或多步监督学习数据集可以是通过使用从最后一个时刻(t-1)的观测值作为输入值X和当前时刻(t)的观测值作为输出值Y来实现转换。在一个示例中,使用python语言,输入观察值序列,数据类型可以是列表list或者数组NumPy array及输入值X的滞后组的数量和输出值Y的观察组的数量。构建输入序列和预测序列,将所有列拼合,将包含NaN的行移除。输出经过转换的用于监督学习的一种数据组织方式,例如PandasDataFrame序列。在本发明的实施例中,负荷在时间上可能呈上升或下降的趋势,此时可以使用差分来处理这种非平稳的时间序列历史数据。在本发明的实施例中,可以将时间序列历史数据归一化,能提高模型的收敛速度和效果。在一个示例中,循环神经网络为LSTM,LSTM的激活函数一般为tanh函数,它的输出范围在-1到1之间,同时这是时间序列历史数据的首选范围,因此可以使用用于数据归一化的函数,例如MinMaxScaler类将数据集转换到范围[-1,1]。在本发明的实施例中,可以将时间序列历史数据按时间划分为训练数据集和测试数据集。这里采用持续性预测,从先前的(t-1)时间序列的结果预测当前时间(t)的取值。通过滚轮预测的原理从训练集的历史数据中获取最后一次观察值并使用该观察值来预测当前时间的可能取值。滚动预测又称前向模型验证,在一个示例中,当预测期为一年时,预测会将已过去的月份排除,而将预测期末的月份补上。例如,1月份过去后,将其从预测中移除,同时次年的1月份就会作为收尾被添加到预测中,以便预测总能保持12月的完整性。
在本发明的实施例中,训练模块43被配置成:
构建基于长短期记忆的循环神经网络的模型;
根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数;
根据测试数据集,得到基于长短期记忆的循环神经网络的模型的泛化误差。
在本发明的实施例中,可以利用预处理后的训练数据集和测试数据集对构建好的循环神经网络进行调参。在一个示例中,可以构建LSTM网络。LSTM是一种时间循环神经网络,是为了解决一般的RNN存在长期依赖问题而设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式,在标准RNN中,这个重复的结构模块只有一个非常简单的结构,例如一个tanh层。LSTM相比于普通RNN在长序列中有更好的表现,适合处理和预测时间序列中间隔和延迟较长的事件。构建LSTM可以先初始化为预设层数,例如2层,后续再根据训练效果等增加合适地隐藏层。
在本发明的实施例中,基于长短期记忆的循环神经网络的模型包括输入层、至少一隐藏层和输出层;隐藏层包括以下至少一种:
卷积单元、池化单元、循环单元、长短期记忆单元。
具体地,隐藏层的类型可以包括但不限于:卷积单元、池化单元、Dropout层、循环单元、长短期记忆单元等。在实际训练过程中,为对抗网络过拟合,可以增加一些池化单元和Dropout层。同时,层与层之间的连接方式可以包括全连接、随机连接和延时连接中至少一种。
在本发明的实施例中,构建好循环神经网络后,需要对循环神经网络进行调参。传统的调参方式是将原始数据分为多个训练集,对应喂给多个模型进行训练,每个模型快照得出一组最优超参数。而在本发明的实施例中,可以通过将训练数据集输入超参数不同的多组循环神经网络模型,再根据每个循环神经网络模型输出的损失函数的图像,确定最优参数。这样,每组输入的训练数据集相同,可以使得损失函数最小,模型调参更加精准。在一个示例中,首先要初始化的是损失函数,针对训练数据集选定合适的损失函数,并使用小的神经网络和小的训练样本来检查损失的合理性。循环神经网络训练到最后的损失loss降为0,对于这一小部分数据可以得到100%的准确度,并且说明反向传播、学习速率和损失函数对应的参数w值的更新都很正常,因此,对于这一小部分的数据达到过饱和,效果较好。之后就是扩大数据集,找到合适的学习速率。经常优化选择的超参数是学习速率、正则化参数等。超参数的优化一般是从粗糙到细化,为循环神经网络找到最好的超参数,即需要有个大概的参数区间,对学习速率的区间做一个粗略的研究,然后在原有的区间内选出表现较好的一个小区间,一遍遍重复该步骤,使得选择的区间越来越窄,最后选出一个表现最好的超参数。确定超参数之后,再根据测试数据集,得到基于长短期记忆的循环神经网络的模型的泛化误差。通过上述方法进行调参,可以使得循环神经网络的精度更准。
在本发明的实施例中,训练模块43还被配置成:
将训练数据集输入超参数不同的多组基于长短期记忆的循环神经网络的模型;
根据每个基于长短期记忆的循环神经网络的模型输出的损失函数图像,确定最优超参数。
传统的调参方式是将原始数据分为多个训练集,对应喂给多个模型进行训练,每个模型快照得出一组最优超参数。而在本发明的实施例中,可以通过将训练数据集输入超参数不同的多组循环神经网络模型,再根据每个循环神经网络模型输出的损失函数的图像,确定最优参数。这样,每组输入的训练数据集相同,可以使得损失函数最小,模型调参更加精准。
本发明的实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述任一项用于预测能源负荷的方法。
本发明还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
一种用于预测能源负荷的方法,包括:
获取能源负荷的时间序列历史数据;
对时间序列历史数据进行预处理,以得到训练数据集和测试数据集;
根据训练数据集和测试数据集,训练循环神经网络;
利用训练好的循环神经网络对能源负荷进行预测。
在本发明的实施例中,对时间序列历史数据进行预处理,以得到训练数据集和测试数据集,包括:
将多元的时间序列历史数据重构为单步或多步的监督学习数据集;
使用差分方法以平稳时间序列历史数据;
将时间序列历史数据标准化,以得到标准化时间序列历史数据;
将时间序列历史数据按时间划分为训练数据集和测试数据集。
在本发明的实施例中,根据训练数据集和测试数据集,训练循环神经网络,包括:
构建基于长短期记忆的循环神经网络的模型;
根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数;
根据测试数据集,得到基于长短期记忆的循环神经网络的模型的泛化误差。
在本发明的实施例中,根据训练数据集,确定基于长短期记忆的循环神经网络的模型的最优超参数,包括:
将训练数据集输入超参数不同的多组基于长短期记忆的循环神经网络的模型;
根据每个基于长短期记忆的循环神经网络的模型输出的损失函数图像,确定最优超参数。
通过上述技术方案,根据能源负荷的时间序列历史数据训练循环神经网络,再利用训练好的循环神经网络对能源负荷进行预测,相比于传统的预测算法,神经网络的学习及自适应能力强,对大量非结构规律具有较强的计算能力、智能处理能力,使得预测能源负荷的误差较小。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
存储器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)。存储器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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于预测能源负荷的方法,其特征在于,包括:
获取能源负荷的时间序列历史数据;
对所述时间序列历史数据进行预处理,以得到训练数据集和测试数据集;
根据所述训练数据集和所述测试数据集,训练循环神经网络;
利用训练好的循环神经网络对所述能源负荷进行预测。
2.根据权利要求1所述的方法,其特征在于,所述对所述时间序列历史数据进行预处理,以得到训练数据集和测试数据集,包括:
将多元的所述时间序列历史数据重构为单步或多步的监督学习数据集;
使用差分方法以平稳所述时间序列历史数据;
将所述时间序列历史数据标准化,以得到标准化时间序列历史数据;
将所述时间序列历史数据按时间划分为训练数据集和测试数据集。
3.根据权利要求1所述的方法,其特征在于,所述根据所述训练数据集和所述测试数据集,训练循环神经网络,包括:
构建基于长短期记忆的循环神经网络的模型;
根据所述训练数据集,确定所述基于长短期记忆的循环神经网络的模型的最优超参数;
根据所述测试数据集,得到所述基于长短期记忆的循环神经网络的模型的泛化误差。
4.根据权利要求3所述的方法,其特征在于,所述基于长短期记忆的循环神经网络的模型包括输入层、至少一隐藏层和输出层;所述隐藏层包括以下至少一种:
卷积单元、池化单元、循环单元、长短期记忆单元。
5.根据权利要求3所述的方法,其特征在于,所述根据所述训练数据集,确定所述基于长短期记忆的循环神经网络的模型的最优超参数,包括:
将所述训练数据集输入超参数不同的多组基于长短期记忆的循环神经网络的模型;
根据每个基于长短期记忆的循环神经网络的模型输出的损失函数图像,确定最优超参数。
6.一种用于预测能源负荷的装置,其特征在于,包括:
数据采集模块,被配置成获取能源负荷的时间序列历史数据;
预处理模块,被配置成对所述时间序列历史数据进行预处理,以得到训练数据集和测试数据集;
训练模块,被配置成根据所述训练数据集和所述测试数据集,训练循环神经网络;
预测模块,被配置成利用训练好的循环神经网络进行预测。
7.根据权利要求6所述的装置,其特征在于,所述预处理模块被配置成:
将多元的所述时间序列历史数据重构为单步或多步的监督学习数据集;
使用差分方法以平稳所述时间序列历史数据;
将所述时间序列历史数据标准化,以得到标准化时间序列历史数据;
将所述时间序列历史数据按时间划分为训练数据集和测试数据集。
8.根据权利要求6所述的装置,其特征在于,所述训练模块被配置成:
构建基于长短期记忆的循环神经网络的模型;
根据所述训练数据集,确定所述基于长短期记忆的循环神经网络的模型的最优超参数;
根据所述测试数据集,得到所述基于长短期记忆的循环神经网络的模型的泛化误差。
9.根据权利要求8所述的装置,其特征在于,所述基于长短期记忆的循环神经网络的模型包括输入层、至少一隐藏层和输出层;所述隐藏层包括以下至少一种:
卷积单元、池化单元、循环单元、长短期记忆单元。
10.根据权利要求8所述的装置,其特征在于,所述训练模块还被配置成:
将所述训练数据集输入超参数不同的多组基于长短期记忆的循环神经网络的模型;
根据每个基于长短期记忆的循环神经网络的模型输出的损失函数图像,确定最优超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023502.6A CN112734106A (zh) | 2021-01-08 | 2021-01-08 | 用于预测能源负荷的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023502.6A CN112734106A (zh) | 2021-01-08 | 2021-01-08 | 用于预测能源负荷的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734106A true CN112734106A (zh) | 2021-04-30 |
Family
ID=75589712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110023502.6A Pending CN112734106A (zh) | 2021-01-08 | 2021-01-08 | 用于预测能源负荷的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734106A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866391A (zh) * | 2021-09-29 | 2021-12-31 | 天津师范大学 | 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用 |
CN114862177A (zh) * | 2022-04-29 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种能源互联能源存储分配方法及系统 |
CN114970373A (zh) * | 2022-07-22 | 2022-08-30 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242001A (zh) * | 2018-08-09 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 图像数据处理方法、装置及可读存储介质 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
CN111814965A (zh) * | 2020-08-14 | 2020-10-23 | Oppo广东移动通信有限公司 | 超参数调整方法、装置、设备及存储介质 |
CN111861013A (zh) * | 2020-07-23 | 2020-10-30 | 长沙理工大学 | 一种电力负荷预测方法及装置 |
CN111932024A (zh) * | 2020-08-21 | 2020-11-13 | 润联软件系统(深圳)有限公司 | 一种能源负荷预测方法、装置、计算机设备及存储介质 |
-
2021
- 2021-01-08 CN CN202110023502.6A patent/CN112734106A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242001A (zh) * | 2018-08-09 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 图像数据处理方法、装置及可读存储介质 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
CN111798051A (zh) * | 2020-07-02 | 2020-10-20 | 杭州电子科技大学 | 基于长短期记忆神经网络的空气质量时空预测方法 |
CN111861013A (zh) * | 2020-07-23 | 2020-10-30 | 长沙理工大学 | 一种电力负荷预测方法及装置 |
CN111814965A (zh) * | 2020-08-14 | 2020-10-23 | Oppo广东移动通信有限公司 | 超参数调整方法、装置、设备及存储介质 |
CN111932024A (zh) * | 2020-08-21 | 2020-11-13 | 润联软件系统(深圳)有限公司 | 一种能源负荷预测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
康琦,吴启迪 著: "《煤矿开采沉陷自动化监测系统》", 同济大学出版社, pages: 35 - 36 * |
彭喜元 等: "《数据驱动的故障预测》", 31 March 2016, 哈尔滨工业大学出版社, pages: 142 - 146 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866391A (zh) * | 2021-09-29 | 2021-12-31 | 天津师范大学 | 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用 |
CN113866391B (zh) * | 2021-09-29 | 2024-03-08 | 天津师范大学 | 深度学习模型预测因素解释方法及其在土壤含水量预测中的应用 |
CN114862177A (zh) * | 2022-04-29 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种能源互联能源存储分配方法及系统 |
CN114970373A (zh) * | 2022-07-22 | 2022-08-30 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
CN114970373B (zh) * | 2022-07-22 | 2022-10-25 | 北京智芯微电子科技有限公司 | 电压畸变率的预测方法、装置、电子设备及可读存储介质 |
CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
CN110717535B (zh) | 一种基于数据分析处理系统的自动建模方法及系统 | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
Bemš et al. | Innovative default prediction approach | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
Tyass et al. | Wind speed prediction based on statistical and deep learning models | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN110717601A (zh) | 一种基于有监督学习和无监督学习的反欺诈方法 | |
Sharma et al. | Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN115565115A (zh) | 一种舾装件智能识别方法、计算机设备 | |
Mateus et al. | Comparing LSTM and GRU Models to Predict the Condition of a Pulp Paper Press. Energies 2021, 14, 6958 | |
KR102496501B1 (ko) | 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 방법 및 시뮬레이션 데이터를 이용한 자산 배분 정보 산출 장치 | |
Xiang et al. | Predicting Intraday Trading Direction of CSI 300 Based on TCN Model | |
US20230334283A1 (en) | Prediction method and related system | |
Hardin et al. | BNPL Probability of Default Modeling Including Macroeconomic Factors: A Supervised Learning Approach | |
Lønnum | Deep Learning Metocean Simulation and its Applications in Marine Simulation-based Design | |
CN117688491A (zh) | 交易数据异常信息的检测方法、装置及电子设备 | |
Kniess et al. | Data Prediction in Datasets of Internet of Things with Recurrent Neural Networks | |
CN111402042A (zh) | 一种用于股市大盘形态分析的数据分析与显示方法 | |
CN114881283A (zh) | 日长变化预报模型的训练方法、日长变化预报方法及装置 | |
Trotskii | Heating energy consumption forecasting based on machine learning |
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 |