CN112949882A - 一种负荷预测的方法、装置及电子设备 - Google Patents
一种负荷预测的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112949882A CN112949882A CN201911175611.9A CN201911175611A CN112949882A CN 112949882 A CN112949882 A CN 112949882A CN 201911175611 A CN201911175611 A CN 201911175611A CN 112949882 A CN112949882 A CN 112949882A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- load
- time series
- load prediction
- 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 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 230000015654 memory Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 abstract description 6
- 238000013277 forecasting method Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 239000002184 metal Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect 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
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 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
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method 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
- G06N3/044—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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷预测的方法、装置及电子设备，所述方法包括：获取时间系列数据和能源特征数据；对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；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；将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。将DBN(深度信念网络)和lstm算法，bp神经网络算法串联结合起来进行负荷的预测，DBN具有很强的特征提取能力和降维能力，可以用DBN来提取数据的特征来对数据本身的特性进行更好的表达，从而对数据的预测起到良好的促进作用，提高了热负荷预测的准确性。
Description
技术领域
本发明涉及智慧能源技术领域，尤其涉及一种负荷预测的方法、装置及电子设备。
背景技术
在智慧能源系统中，要实现能源系统的智能化，就需要获取能源系统中的多种负荷数据，进而对这些负荷数据进行数据建模、分析和运用，以能够实现能源系统的负荷预测。实际应用中，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，而负荷预测的准确性关乎优化调度、关乎运营策略。现有技术中，负荷预测的方法很多，比如指数平滑、Arima、神经网络等。但是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。
发明内容
本发明提供一种负荷预测的方法及装置，结合不同算法的特征综合建立预测模型，提高负荷预测的准确性。
第一方面，本发明提供了一种负荷预测的方法，所述方法包括：
获取时间系列数据和能源特征数据；
对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；
构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；
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；
将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。
优选地，
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，得到测试值；
针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值；
根据所述误差值调节所述第二负荷预测模型。
优选地，
所述针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，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测试值的均方根误差，得到均方根误差值；
其中，所述均方根误差通过如下公式计算：
其中，n表示时间序列数据的个数，yi表示第i个所述时间序列数据的负荷真实值，
表示第i个所述时间序列数据对应的测试值。
优选地，
所述对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据，包括：
提取所述时间系列数据的预设时间段的所述能源数据为特征数据；
以所述时间序列数据作为标签数据；
将所述特征数据和所述标签数据按照预设比例划分为所述训练数据和所述测试数据。
优选地，
所述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，包括：
将所述训练数据输入深度信念网络的输入层，以提取数据特征值；
用预设算法回归层对所述数据特征值进行回归运算，以得到回归值；
将所述回归值和所述标签数据对所述深度信念网络进行参数调整，以得到抽象特征值；
将所述抽象特征值输入到长短期记忆模型算法中，以得到算法处理结果；
基于所述算法处理结果和所述标签数据对所述长短期记忆模型算法的参数进行调整，以得到所述第二负荷预测模型。
优选地，
所述将所述抽象特征值输入到长短期记忆模型算法中，以得到算法处理结果，包括：
将所述抽象特征值输入到长短期记忆模型算法的第一预设层进行处理的得到第一处理结果；
将所述第一处理结果输入到长短期记忆模型算法的第二预设层进行处理得到第二处理结果，所述第二处理结果为所述算法处理结果，其中，所述第二预设层为BP神经网络层。
优选地，
所述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，得到测试值，包括：
将所述任一时间序列数据输入所述第二负荷预测模型，得到预测的该时间序列的能源特征数据，该能源特征数据为所述测试值。
第二方面，本发明提供一种负荷预测的装置，所述装置包括：
获取模块，用于获取时间系列数据和能源特征数据；
预处理模块，用于对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；
模型构建模块，用于构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；
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，用于将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。
优选地，
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，
所述装置还包括：
输入模块，用于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，得到测试值；
计算模块，用于针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值；
调节模块，用于根据所述误差值调节所述第二负荷预测模型。
第三方面，本发明提供一种电子设备，包括处理器和存储器，
所述存储器用于存储计算机执行指令；
所述处理器用于执行所述计算机执行指令以实现如权利要求1-7任一所述的一种负荷预测的方法。
本发明提供了一种负荷预测的方法、装置及电子设备，将DBN(深度信念网络)和lstm算法，bp神经网络算法串联结合起来进行负荷的预测。DBN具有很强的特征提取能力和降维能力，因此可以用DBN来提取数据的特征来对数据本身的特性进行更好的表达，从而对数据的预测起到良好的促进作用，提高了热负荷预测的准确性。
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负荷预测的方法的流程示意图；
图2为本发明一实施例提供的模型训练结构图；
图3为本发明一实施例提供的一种负荷预测的装置的结构示意图。
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。
智慧能源系统中，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。现实中的负荷预测的方法很多，比如指数平滑、Arima、神经网络等，但是单一模型的负荷预测方法，其预测准确性相对欠佳，预测偏差较大，不利于后期调度优化。本发明实施例中，将DBN(深度信念网络)和lstm算法，bp神经网络算法串联结合起来进行负荷的预测。DBN具有很强的特征提取能力和降维能力，因此可以用DBN来提取数据的特征来对数据本身的特性进行更好的表达，从而对数据的预测起到良好的促进作用，因此可以把DBN提取的特征输入到下层的lstm中去。Lstm(长短期记忆模型)是在rnn循环神经网络模型的基础上做的改进，增加了输入门，输出门，忘记门三个控制单元(cell)，lstm中的cell会对该信息进行判断，符合规则的信息会被留下，不符合的信息会被遗忘，学习到数据的长期依赖性，对数据的预测起到良好的作用，特征数据经过lstm处理后，输出到bp神经网络中进行拟合回归，最后得到预测数据。
图1为本发明一实施例提供的一种负荷预测的方法的流程示意图。
如图1所示，本发明实施例提供的一种负荷预测的方法，可以包括如下步骤：
步骤110，获取时间系列数据和能源特征数据。
在本步骤中，可以基于智慧能源系统中经由各传感器、数据采集装置等采集的能源数据、能源数据对应的时间数据能作为数据源。从数据源中选取时间序列数据和能源数据，其中，能源数据比如温度值，天气情况、气温值、能源热量值等特征，在此不做限制。
步骤120，对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据。
本步骤，针对步骤110中的数据，对其进行预处理操作，例如，数据降噪、数据筛选等等。在本发明实施例中，将本步骤实现为：步骤A、提取所述时间系列数据的预设时间段的所述能源数据为特征数据；步骤B、以所述时间序列数据作为标签数据；以及步骤C、将所述特征数据和所述标签数据按照预设比例划分为所述训练数据和所述测试数据。其中，测试数据可以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，负荷真实值可以理解为该时间序列对应的能源特征数据值，例如，2019年1月10日14：00，A城市气温值M℃，其中，2019年1月10日14：00可以理解为时间序列数据，而M℃为该时间序列数据对应的能源特征数据值(负荷真实值)。
对这些步骤110中的数据进行处理，例如，提取当前时刻的前几个时刻，前几天对应的相应时刻，和温度，天气等特征数据组成特征数据，而时间序列数据作为标签数据。
步骤130，构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型。
完成数据预处理后，需要搭建模型。本发明实施例中，基于深层信念网络和lstm+bp算法搭建预测模型，其中，BN(深度信念网络)和LSTM算法，BP神经网络算法串联结合起来进行负荷的预测。由于DBN具有很强的特征提取能力和降维能力，因此，可以用DBN来提取数据的特征来对数据本身的特性进行更好的表达，从而对数据的预测起到良好的促进作用。LSTM(长短期记忆模型)是在rnn循环神经网络模型的基础上做的改进，增加了输入门，输出门，忘记门三个控制单元(cell)，LSTM中的cell会对该信息进行判断，符合规则的信息会被留下，不符合的信息会被遗忘，学习到数据的长期依赖性，对数据的预测起到良好的作用，特征数据经过LSTM处理后，输出到BP神经网络中进行拟合回归。基于前述原理，本发明实施例综合DBN、LSTM算法构建第一负荷预测模型，第一负荷预测模型为预测模型的雏形。
步骤140，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。
在本发明实施例中，本步骤可以具体实现为：步骤M、将所述训练数据输入深度信念网络的输入层，以提取数据特征值；步骤N、用预设算法回归层对所述数据特征值进行回归运算，以得到回归值；步骤F、将所述回归值和所述标签数据对所述深度信念网络进行参数调整，以得到抽象特征值；步骤G、将所述抽象特征值输入到长短期记忆模型算法中，以得到算法处理结果；以及步骤H、基于所述算法处理结果和所述标签数据对所述长短期记忆模型算法的参数进行调整，以得到所述第二负荷预测模型。
进一步地，步骤G可以实现为：步骤G1、将所述抽象特征值输入到长短期记忆模型算法的第一预设层进行处理的得到第一处理结果；以及步骤G2、将所述第一处理结果输入到长短期记忆模型算法的第二预设层进行处理得到第二处理结果，所述第二处理结果为所述算法处理结果，其中，所述第二预设层为BP神经网络层。
如图2所示，本步骤训练模型可以参见如图2中的训练过程：DBN由RBM组成，特征数据(如图中的训练标签和训练样本，即标签数据和特征数据)作为DBN的输入层。由于DBN中不含回归层，因此需要借助外面的回归层(即第一预设层)对DBN提取的特征进行回归。回归值与标签值(算法处理结果和所述标签数据)对DBN进行参数调整。将DBN得到的抽象特征输入到LSTM算法中，经过LSTM算法处理，输出到LSTM后面的两层的BP神经网络层，BP神经网络中神经元的激活函数采取relu函数，BP输出结果与标签值对LSTM和BP神经网络中的参数进行调整，最终得到第二预测模型。
在一些实施例中，还可以包括测试过程。示例性地，本发明还可以包括如下步骤：步骤J、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，得到测试值；步骤K、针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值；和步骤L、根据所述误差值调节所述第二负荷预测模型。
如图2所示的测试过程，将测试数据输入到DBN中得到更加抽象的特征数据，然后将特征数据输入到LSTM+BP神经网络中，得到输出的预测结果，这是单步预测的过程，如果是多步预测，将预测结果返回到测试数据中去，更新测试数据，进行滚动的多步预测。
其中，针对任一时间序列数据，计算负荷真实值和所述测试值的均方根误差，得到均方根误差值；
其中，所述均方根误差通过如下公式计算：
其中，n表示时间序列数据的个数，yi表示第i个所述时间序列数据的负荷真实值，
表示第i个所述时间序列数据对应的测试值。
步骤150，将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。
本步骤中，利用训练好的第二预测模型对预测特征数据进行预测，得到的结果为时间序列数据的负荷预测值。预测特征数据可以例如为温度，天气等数据。
根据本发明提高的一种负荷预测的方法，将DBN(深度信念网络)和lstm算法，bp神经网络算法串联结合起来进行负荷的预测。DBN具有很强的特征提取能力和降维能力，因此可以用DBN来提取数据的特征来对数据本身的特性进行更好的表达，从而对数据的预测起到良好的促进作用，提高了热负荷预测的准确性。
图3为本发明一实施例提供的一种负荷预测的装置的结构示意图。
如图3所示，本发明的一种负荷预测的装置，可以包括获取模块31、预处理模块32、模型构建模块33、训练模块34和预测模型35。
获取模块31用于获取时间系列数据和能源特征数据。
预处理模块32用于对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据。
模型构建模块33用于构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型。
训练模块34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35用于将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。
进一步地，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，所述装置还可以包括：
输入模块(图中未示出)用于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，得到测试值。
计算模块(图中未示出)用于针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值。
调节模块(图中未示出)用于根据所述误差值调节所述第二负荷预测模型。
根据本发明提高的一种负荷预测的装置，将DBN(深度信念网络)和lstm算法，bp神经网络算法串联结合起来进行负荷的预测。DBN具有很强的特征提取能力和降维能力，因此可以用DBN来提取数据的特征来对数据本身的特性进行更好的表达，从而对数据的预测起到良好的促进作用，提高了热负荷预测的准确性。
本发明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一种基于差异演进算法的区域智慧能源网络的设备配置装置。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一种负荷预测的方法。
上述如本说明书图1所示实施例提供的一种负荷预测的方法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 ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal 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一种负荷预测的方法，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)
1.一种负荷预测的方法，其特征在于，所述方法包括：
获取时间系列数据和能源特征数据；
对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；
构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；
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；
将待预测特征数据输入所述第二预测模型，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，得到测试值；
针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值；
根据所述误差值调节所述第二负荷预测模型。
3.根据权利要求2所述的方法，其特征在于，所述针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，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测试值的均方根误差，得到均方根误差值；
其中，所述均方根误差通过如下公式计算：
其中，n表示时间序列数据的个数，yi表示第i个所述时间序列数据的负荷真实值，
表示第i个所述时间序列数据对应的测试值。
4.根据权利要求1所述的方法，其特征在于，所述对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据，包括：
提取所述时间系列数据的预设时间段的所述能源数据为特征数据；
以所述时间序列数据作为标签数据；
将所述特征数据和所述标签数据按照预设比例划分为所述训练数据和所述测试数据。
5.根据权利要求1所述的方法，其特征在于，所述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，包括：
将所述训练数据输入深度信念网络的输入层，以提取数据特征值；
用预设算法回归层对所述数据特征值进行回归运算，以得到回归值；
将所述回归值和所述标签数据对所述深度信念网络进行参数调整，以得到抽象特征值；
将所述抽象特征值输入到长短期记忆模型算法中，以得到算法处理结果；
基于所述算法处理结果和所述标签数据对所述长短期记忆模型算法的参数进行调整，以得到所述第二负荷预测模型。
6.根据权利要求5所述的方法，其特征在于，所述将所述抽象特征值输入到长短期记忆模型算法中，以得到算法处理结果，包括：
将所述抽象特征值输入到长短期记忆模型算法的第一预设层进行处理的得到第一处理结果；
将所述第一处理结果输入到长短期记忆模型算法的第二预设层进行处理得到第二处理结果，所述第二处理结果为所述算法处理结果，其中，所述第二预设层为BP神经网络层。
7.根据权利要求2所述的方法，其特征在于，所述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，得到测试值，包括：
将所述任一时间序列数据输入所述第二负荷预测模型，得到预测的该时间序列的能源特征数据，该能源特征数据为所述测试值。
8.一种负荷预测的装置，其特征在于，所述装置包括：
获取模块，用于获取时间系列数据和能源特征数据；
预处理模块，用于对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；
模型构建模块，用于构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；
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，用于将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。
9.根据权利要求8所述的装置，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，
所述装置还包括：
输入模块，用于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，得到测试值；
计算模块，用于针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值；
调节模块，用于根据所述误差值调节所述第二负荷预测模型。
10.一种电子设备，其特征在于，包括处理器和存储器，
所述存储器用于存储计算机执行指令；
所述处理器用于执行所述计算机执行指令以实现如权利要求1-7任一所述的一种负荷预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911175611.9A CN112949882A (zh) | 2019-11-26 | 2019-11-26 | 一种负荷预测的方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911175611.9A CN112949882A (zh) | 2019-11-26 | 2019-11-26 | 一种负荷预测的方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949882A true CN112949882A (zh) | 2021-06-11 |
Family
ID=76225087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911175611.9A Pending CN112949882A (zh) | 2019-11-26 | 2019-11-26 | 一种负荷预测的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949882A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516317A (zh) * | 2021-07-30 | 2021-10-19 | 广东电网有限责任公司 | 一种基于神经网络的能源规划预测方法及装置 |
Citations (3)
| 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 |
| 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
- 2019-11-26 CN CN201911175611.9A patent/CN112949882A/zh active Pending
Patent Citations (3)
| 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 |
| 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 |
|---|---|---|---|---|
| CN113516317A (zh) * | 2021-07-30 | 2021-10-19 | 广东电网有限责任公司 | 一种基于神经网络的能源规划预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109936525B (zh) | 一种基于图结构模型的异常账号防控方法、装置以及设备 | |
| CN109711440B (zh) | 一种数据异常检测方法和装置 | |
| CN107957989B9 (zh) | 基于集群的词向量处理方法、装置以及设备 | |
| WO2019114423A1 (zh) | 对模型预测值进行融合的方法、装置和设备 | |
| CN110659770A (zh) | 基于lstm模型的温度预测方法及装置 | |
| CN110634030A (zh) | 应用的业务指标挖掘方法、装置及设备 | |
| CN112182214A (zh) | 一种数据分类方法、装置、设备及介质 | |
| CN110990523A (zh) | 一种法律文书的确定方法及系统 | |
| CN110990560A (zh) | 一种司法数据处理方法及系统 | |
| CN114077912A (zh) | 数据预测方法以及数据预测装置 | |
| CN103617146A (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
| CN112949882A (zh) | 一种负荷预测的方法、装置及电子设备 | |
| CN113743618A (zh) | 时间序列数据处理方法、装置、可读介质及电子设备 | |
| CN107016028B (zh) | 数据处理方法及其设备 | |
| CN110163470B (zh) | 事件评估方法及装置 | |
| CN111415050A (zh) | 短期负荷预测方法、短期负荷预测模型训练方法及装置 | |
| CN112862138A (zh) | 一种热负荷预测方法、装置、可读介质及电子设备 | |
| CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
| CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
| CN114708110A (zh) | 续保行为预测模型的联合训练方法、装置及电子设备 | |
| CN111046909A (zh) | 一种负荷预测的方法及装置 | |
| CN109858119B (zh) | 一种动态能效建模方法、装置、可读介质及电子设备 | |
| CN110689168B (zh) | 一种用电负荷预测方法及预测装置 | |
| CN117609393B (zh) | 一种元数据一致性测试方法 | |
| CN111950753A (zh) | 一种景区客流预测的方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |