CN112862138A - 一种热负荷预测方法、装置、可读介质及电子设备 - Google Patents
一种热负荷预测方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN112862138A CN112862138A CN201911180454.0A CN201911180454A CN112862138A CN 112862138 A CN112862138 A CN 112862138A CN 201911180454 A CN201911180454 A CN 201911180454A CN 112862138 A CN112862138 A CN 112862138A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- load prediction
- prediction model
- training
- 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 49
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了热负荷预测方法及装置,方法包括:获取数据集,数据集包括时间序列数据和预设特征数据;对数据集进行预处理,以得到训练数据和测试数据;创建第一预测模型;基于训练数据对第一预测模型进行训练,得到第二负荷预测模型;将待预测时间序列数据输入第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。通过本发明的技术方案,可提高热负荷预测的准确性,方便后期更为高效的调度优化。
Description
技术领域
本发明涉及电气工程技术领域,尤其涉及一种热负荷预测方法、装置、可读介质及电子设备。
背景技术
现有技术中,蒸汽供应用户分为工业、商业、居民、办公等,不同用户的蒸汽负荷、负荷量级、负荷特点都不尽相同,负荷预测的准确性关乎优化调度、关乎运营策略。
目前,实现负荷预测的方法有很多,比如指数平滑、Arima、神经网络等,然而,单一的负荷预测算法预测准确性欠佳,预测偏差较大,不利于后期调度优化,因此,如何提高热负荷预测的准确性则成为亟待解决的问题。
发明内容
本发明提供一种热负荷预测方法、装置、可读介质及电子设备,可提高热负荷预测的准确性,方便后期更为高效的调度优化。
第一方面,本发明提供了一种热负荷预测方法,包括:
获取数据集,所述数据集包括时间序列数据和预设特征数据;
对所述数据集进行预处理,以得到训练数据和测试数据;
创建第一预测模型;
基于所述训练数据对所述第一预测模型进行训练,得到第二负荷预测模型;
将待预测时间序列数据输入所述第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。
优选的,所述测试数据包括任一时间序列数据和每个时间序列对应的负荷真实值,
所述方法还包括:
将所述任一时间序列数据作为所述第二负荷预测模型的输入数据,得到第一预测值;
针对该时间序列数据,将所述负荷真实值和所述第一预测值进行误差计算,得到误差值;
根据所述误差值调节所述第二负荷预测模型。
优选的,所述针对该时间序列数据,将所述负荷真实值和所述第一预测值进行误差计算,得到误差值,包括:
针对任一时间序列数据,计算负荷真实值和所述第一预测值的均方根误差,得到均方根误差值;
优选的,所述对所述数据集进行预处理,以得到训练数据和测试数据,包括:
按照第一预设方式将所述数据集中的时间序列数据进行提取;
根据第二预设方式将所述预设特征数据和提取的时间序列数据进行组合,得到时间序列数据对应的特征数据;
将得到的时间序列数据对应的特征数据按照一定比例拆分,得到训练数和测试数据。
优选的,所述按照第一预设方式将所述数据集中的时间序列数据进行提取,包括:
确定时间序列数据中的当前时刻,获取当前时刻的任一未来时间段,以及在未来时间段中与当前时刻相对应的时刻。
优选的,所述创建第一预测模型,包括:
将注意力机制输入到残差网络,通过注意力模块输出特征;
将得到的注意力模块输出特征输入到lstm模型,得到lstm输出特征;
将lstm输出特征输入到bp神经网络,得到第一预测模型。
优选的,所述注意力模块包括主干分支和掩模分支;
所述通过注意力模块输出特征,包括:
主干分支输出第一特征;
掩模分支输出与第一特征相对应的掩模;
注意力模块将第一特征与第一特征相对应的掩模进行乘积运算,并输出特征。
第二方面,本发明提供了一种热负荷预测装置,包括:
获取模块,用于获取数据集,所述数据集包括时间序列数据和预设特征数据;
处理模块,用于对所述数据集进行预处理,以得到训练数据和测试数据;
创建模块,用于创建第一预测模型;
训练模块,用于基于所述训练数据对所述第一预测模型进行训练,得到第二负荷预测模型;
预测模块,用于将待预测时间序列数据输入所述第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。
第三方面,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中任一所述的方法。
第四方面,本发明提供了一种电子设备,包括:处理器、存储器和总线;所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述电子设备运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种热负荷预测方法、装置、可读介质及电子设备,该方法通过获取数据集,数据集包括时间序列数据和预设特征数据;对数据集进行预处理,以得到训练数据和测试数据;创建第一预测模型;基于训练数据对第一预测模型进行训练,得到第二负荷预测模型;将待预测时间序列数据输入第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。通过本发明的技术方案,可提高热负荷预测的准确性,方便后期更为高效的调度优化。
附图说明
为了更清楚地说明本说明书实施例或现有的技术方案,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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种热负荷预测方法的流程示意图;
图2为本发明一实施例提供的一种热负荷预测装置的结构示意图。
具体实施方式
为使本说明书的目的、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说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
如图1所示,本发明实施例提供了一种热负荷预测方法,包括:
步骤101,获取数据集,所述数据集包括时间序列数据和预设特征数据;
步骤102,对所述数据集进行预处理,以得到训练数据和测试数据;
步骤103,创建第一预测模型;
步骤104,基于所述训练数据对所述第一预测模型进行训练,得到第二负荷预测模型;
步骤105,将待预测时间序列数据输入所述第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。
如图1所示的实施例,该方法通过获取数据集,该数据集包括时间序列数据和预设特征数据,通过对所述数据集进行预处理,以得到训练数据和测试数据,创建第一预测模型,基于对所述数据集处理得到的得到训练数据对创建的第一预测模型进行训练,得到第二负荷预测模型,根据得到的第二负荷预测模型对待预测时间序列数据进行预测,以得到特定时间序列数据对应的负荷预测值,通过本发明的技术方案,可提高热负荷预测的准确性,方便后期更为高效的调度优化。
本发明一个优选实施例中,所述测试数据包括任一时间序列数据和每个时间序列对应的负荷真实值,所述方法还包括:
将所述任一时间序列数据作为所述第二负荷预测模型的输入数据,得到第一预测值;
针对该时间序列数据,将所述负荷真实值和所述第一预测值进行误差计算,得到误差值;
根据所述误差值调节所述第二负荷预测模型。
本发明一个优选实施例中,所述针对该时间序列数据,将所述负荷真实值和所述第一预测值进行误差计算,得到误差值,包括:
针对任一时间序列数据,计算负荷真实值和所述第一预测值的均方根误差,得到均方根误差值;
本发明一个优选实施例中,所述对所述数据集进行预处理,以得到训练数据和测试数据,包括:
按照第一预设方式将所述数据集中的时间序列数据进行提取;
根据第二预设方式将所述预设特征数据和提取的时间序列数据进行组合,得到时间序列数据对应的特征数据;
将得到的时间序列数据对应的特征数据按照一定比例拆分,得到训练数和测试数据。
本发明一个优选实施例中,所述按照第一预设方式将所述数据集中的时间序列数据进行提取,包括:
确定时间序列数据中的当前时刻,获取当前时刻的任一未来时间段,以及在未来时间段中与当前时刻相对应的时刻。
本发明一个优选实施例中,所述创建第一预测模型,包括:
将注意力机制输入到残差网络,通过注意力模块输出特征;
将得到的注意力模块输出特征输入到lstm模型,得到lstm输出特征;
将lstm输出特征输入到bp神经网络,得到第一预测模型。
所述注意力模块包括主干分支和掩模分支;
该实施例中,所述通过注意力模块输出特征,包括:
主干分支输出第一特征;
掩模分支输出与第一特征相对应的掩模;
注意力模块将第一特征与第一特征相对应的掩模进行乘积运算,并输出特征。
举例来说,将注意力机制输入到深度残差网络中,形成了残差注意力网络,其中,残差注意力网络由多层注意力模块堆叠而成,本文选取了三个注意力模块,其中每个注意力模块由两部分组成,掩模分支(soft mask branch,下面分支,两个三角相对的部分)和主干分支(trunk branch,上面的分支)。其中,主干分支用来进行特征处理,它可以由ResNeXt网络组成,主干分支输出的特征记为Ti,c(x),掩模分支使用bottom-up(自下而上)和top-down(自上而下)注意力相结合的方式,学习到一个与主干输出大小相同的掩膜Mi,c(x),掩模Mi,c(x)相当于主干分支输出特征Ti,c(x)的权重,注意力模块最终输出特征为:Hi,c(x)=Mi,c(x)*Ti,c(x),将得到的特征Hi,c(x)输入到lstm模型中去,再将lstm的输出送到两层的bp神经网络中,得到第一预测模型。
基于与本发明方法实施例相同的构思,如图2所示,本发明实施例还提供了一种热负荷预测装置,包括:
获取模块201,用于获取数据集,所述数据集包括时间序列数据和预设特征数据;
处理模块202,用于对所述数据集进行预处理,以得到训练数据和测试数据;
创建模块203,用于创建第一预测模型;
训练模块204,用于基于所述训练数据对所述第一预测模型进行训练,得到第二负荷预测模型;
预测模块205,用于将待预测时间序列数据输入所述第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。
本说明书的一个实施例还提供一种电子设备。在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
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计算机程序到内存中然后运行,也可从其它设备上获取相应的计算机程序,以在逻辑层面上形成热负荷预测装置。处理器,执行存储器所存放的程序,以通过执行的程序实现本发明任一实施例中提供的热负荷预测方法。
上述实施例提供的热负荷预测装置执行的方法可以应用于处理器中,或者由处理器实现。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说明书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。
结合本说明书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模块组合执行完成。软件模块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,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本说明书实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行本发明任一实施例中提供的热负荷预测方法,并具体用于执行如图1所示的方法。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本说明书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。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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。
内存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)。内存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,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书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,对于系统实施例而言,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种热负荷预测方法,其特征在于,包括:
获取数据集,所述数据集包括时间序列数据和预设特征数据;
对所述数据集进行预处理,以得到训练数据和测试数据;
创建第一预测模型;
基于所述训练数据对所述第一预测模型进行训练,得到第二负荷预测模型;
将待预测时间序列数据输入所述第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。
2.根据权利要求1所述的方法,其特征在于,所述测试数据包括任一时间序列数据和每个时间序列对应的负荷真实值,
所述方法还包括:
将所述任一时间序列数据作为所述第二负荷预测模型的输入数据,得到第一预测值;
针对该时间序列数据,将所述负荷真实值和所述第一预测值进行误差计算,得到误差值;
根据所述误差值调节所述第二负荷预测模型。
4.根据权利要求1所述的方法,其特征在于,所述对所述数据集进行预处理,以得到训练数据和测试数据,包括:
按照第一预设方式将所述数据集中的时间序列数据进行提取;
根据第二预设方式将所述预设特征数据和提取的时间序列数据进行组合,得到时间序列数据对应的特征数据;
将得到的时间序列数据对应的特征数据按照一定比例拆分,得到训练数和测试数据。
5.根据权利要求4所述的方法,其特征在于,所述按照第一预设方式将所述数据集中的时间序列数据进行提取,包括:
确定时间序列数据中的当前时刻,获取当前时刻的任一未来时间段,以及在未来时间段中与当前时刻相对应的时刻。
6.根据权利要求1所述的方法,其特征在于,所述创建第一预测模型,包括:
将注意力机制输入到残差网络,通过注意力模块输出特征;
将得到的注意力模块输出特征输入到lstm模型,得到lstm输出特征;
将lstm输出特征输入到bp神经网络,得到第一预测模型。
7.根据权利要求6所述的方法,其特征在于,所述注意力模块包括主干分支和掩模分支;
所述通过注意力模块输出特征,包括:
主干分支输出第一特征;
掩模分支输出与第一特征相对应的掩模;
注意力模块将第一特征与第一特征相对应的掩模进行乘积运算,并输出特征。
8.一种热负荷预测装置,其特征在于,包括:
获取模块,用于获取数据集,所述数据集包括时间序列数据和预设特征数据;
处理模块,用于对所述数据集进行预处理,以得到训练数据和测试数据;
创建模块,用于创建第一预测模型;
训练模块,用于基于所述训练数据对所述第一预测模型进行训练,得到第二负荷预测模型;
预测模块,用于将待预测时间序列数据输入所述第二负荷预测模型,以得到特定时间序列数据对应的负荷预测值。
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8中任一所述的方法。
10.一种电子设备,包括:处理器、存储器和总线;所述存储器用于存储执行指令,所述处理器与所述存储器通过所述总线连接,当所述电子设备运行时,所述处理器执行所述存储器存储的所述执行指令,以使所述处理器执行如权利要求1至8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911180454.0A CN112862138A (zh) | 2019-11-27 | 2019-11-27 | 一种热负荷预测方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911180454.0A CN112862138A (zh) | 2019-11-27 | 2019-11-27 | 一种热负荷预测方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862138A true CN112862138A (zh) | 2021-05-28 |
Family
ID=75985580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911180454.0A Pending CN112862138A (zh) | 2019-11-27 | 2019-11-27 | 一种热负荷预测方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862138A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205666A (zh) * | 2022-12-22 | 2023-06-02 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于RACNet的多变量电力负荷预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954185A (zh) * | 2015-06-09 | 2015-09-30 | 中国石油大学(华东) | 一种基于深度置信网的云计算负载预测方法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
CN110474339A (zh) * | 2019-08-07 | 2019-11-19 | 国网福建省电力有限公司 | 一种基于深度发电负荷预测的电网无功控制方法 |
-
2019
- 2019-11-27 CN CN201911180454.0A patent/CN112862138A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104954185A (zh) * | 2015-06-09 | 2015-09-30 | 中国石油大学(华东) | 一种基于深度置信网的云计算负载预测方法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN108764460A (zh) * | 2018-05-16 | 2018-11-06 | 华中科技大学 | 一种基于时间卷积和lstm的时间序列预测方法 |
CN110474339A (zh) * | 2019-08-07 | 2019-11-19 | 国网福建省电力有限公司 | 一种基于深度发电负荷预测的电网无功控制方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205666A (zh) * | 2022-12-22 | 2023-06-02 | 国网湖北省电力有限公司宜昌供电公司 | 一种基于RACNet的多变量电力负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117595B (zh) | 一种热负荷预测方法、装置、可读介质及电子设备 | |
CN109033772B (zh) | 一种验证信息的输入方法及装置 | |
CN110245475B (zh) | 身份验证方法和装置 | |
US20150370541A1 (en) | Verification of a model of a gui-based application | |
CN113011483B (zh) | 一种模型训练和业务处理的方法及装置 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN109857984B (zh) | 一种锅炉负荷率-效能曲线的回归方法和装置 | |
CN107578055B (zh) | 一种图像预测方法和装置 | |
CN115238826B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN108932525B (zh) | 一种行为预测方法及装置 | |
CN112199416A (zh) | 数据规则生成方法及装置 | |
CN112862138A (zh) | 一种热负荷预测方法、装置、可读介质及电子设备 | |
CN116521350B (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
CN107016028B (zh) | 数据处理方法及其设备 | |
CN112686394A (zh) | 一种模型训练的方法及装置 | |
CN110163470B (zh) | 事件评估方法及装置 | |
CN117093862A (zh) | 一种模型训练的方法、装置、电子设备及存储介质 | |
CN112949882A (zh) | 一种负荷预测的方法、装置及电子设备 | |
CN111027716A (zh) | 一种负荷预测的方法及装置 | |
CN111046909A (zh) | 一种负荷预测的方法及装置 | |
CN113778094A (zh) | 车辆路径规划方法、装置、可读存储介质及电子设备 | |
CN114282586A (zh) | 一种数据标注方法、系统和电子设备 | |
CN109858119B (zh) | 一种动态能效建模方法、装置、可读介质及电子设备 |
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: 20210528 |