CN113379153A - 用于预测电力负荷的方法、预测模型训练方法及装置 - Google Patents
用于预测电力负荷的方法、预测模型训练方法及装置 Download PDFInfo
- Publication number
- CN113379153A CN113379153A CN202110721445.9A CN202110721445A CN113379153A CN 113379153 A CN113379153 A CN 113379153A CN 202110721445 A CN202110721445 A CN 202110721445A CN 113379153 A CN113379153 A CN 113379153A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- target
- power load
- model
- 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 100
- 238000012549 training Methods 0.000 title claims abstract description 44
- 230000005611 electricity Effects 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种用于预测电力负荷的方法、预测模型训练方法及装置,涉及计算机领域,尤其涉及工业大数据技术领域。具体实现方案为:获取目标用电数据;确定与目标用电数据对应的各个预测模型;基于目标用电数据和各个预测模型,确定各个预测模型对应的各个电力负荷预测结果;基于各个电力负荷预测结果,确定目标电力负荷预测结果。本实现方式可以提高电力负荷预测精准度。
Description
技术领域
本公开涉及计算机领域,尤其涉及工业大数据技术领域,尤其涉及用于预测电力负荷的方法、预测模型训练方法及装置。
背景技术
目前,在进行发电调度时,往往需要基于用电需求确定发电调度方案,从而实现电力资源的合理调度。
在实践中发现,现在往往是基于有经验的专业人员,凭借人为经验,对电力负荷进行预测,基于预测得到的电力负荷确定发电调度方案。然而,这种依赖于人为经验的电力负荷预测方式存在着预测精准度较差的问题。
发明内容
本公开提供了一种用于预测电力负荷的方法、预测模型训练方法及装置。
根据本公开的一方面,提供了一种用于预测电力负荷的方法,包括:获取目标用电数据;确定与所述目标用电数据对应的各个预测模型;基于所述目标用电数据和所述各个预测模型,确定所述各个预测模型对应的各个电力负荷预测结果;基于所述各个电力负荷预测结果,确定目标电力负荷预测结果。
根据本公开的另一方面,提供了一种预测模型训练方法,包括:获取目标样本数据以及所述目标样本数据对应的电力负荷标注数据;基于所述目标样本数据和预设的各个初始模型,确定每个初始模型输出的样本电力负荷预测结果;基于各个样本电力负荷预测结果和所述电力负荷标注数据,调整所述预设的各个初始模型的模型参数,直至所述预设的各个初始模型收敛,得到训练完成的各个预测模型。
根据本公开的另一方面,提供了一种用于预测电力负荷的装置,包括:数据获取单元,被配置成获取目标用电数据;模型确定单元,被配置成确定与所述目标用电数据对应的各个预测模型;模型输出单元,被配置成基于所述目标用电数据和所述各个预测模型,确定所述各个预测模型对应的各个电力负荷预测结果;结果确定单元,被配置成基于所述各个电力负荷预测结果,确定目标电力负荷预测结果。
根据本公开的另一方面,提供了一种预测模型训练装置,包括:样本获取单元,被配置成获取目标样本数据以及所述目标样本数据对应的电力负荷标注数据;初始模型输出单元,被配置成基于所述目标样本数据和预设的各个初始模型,确定每个初始模型输出的样本电力负荷预测结果;模型训练单元,被配置成基于各个样本电力负荷预测结果和所述电力负荷标注数据,调整所述预设的各个初始模型的模型参数,直至所述预设的各个初始模型收敛,得到训练完成的各个预测模型。
根据本公开的另一方面,提供了一种执行用于预测电力负荷的方法或者预测模型训练方法的电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上任意一项用于预测电力负荷的方法或者预测模型训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上任意一项用于预测电力负荷的方法或者预测模型训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上任意一项用于预测电力负荷的方法或者预测模型训练方法。
根据本公开的技术,提供一种用于预测电力负荷的方法以及预测模型训练方法,能够提高电力负荷预测精准度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于预测电力负荷的方法的一个实施例的流程图;
图3是根据本公开的用于预测电力负荷的方法的一个应用场景的示意图;
图4是根据本公开的用于预测电力负荷的方法的另一个实施例的流程图;
图5是根据本公开的预测模型训练方法的一个实施例的流程图;
图6是根据本公开的用于预测电力负荷的装置的一个实施例的结构示意图;
图7是根据本公开的预测模型训练装置的一个实施例的结构示意图;
图8是用来实现本公开实施例的用于预测电力负荷的方法或者预测模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以为手机、电脑以及平板等电子设备,终端设备101、102、103中可以运行有用于管理电力的控制软件,该控制软件中可以存储各类用电数据,终端设备101、102、103可以通过将用电数据中需要用于预测电力负荷的目标数据基于网络104传输给服务器105,以使服务器105返回相应的目标电力负荷预测结果。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于电视、智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如,在接收到终端设备101、102、103传输的目标用电数据之后,服务器105可以基于目标用电数据的数据特征,确定与之匹配的各个预测模型,并基于各个预测模型分别对目标用电数据进行预测,得到各个预测模型的电力负荷预测结果,再基于各个预测模型的电力负荷预测结果进行整合,得到目标电力负荷预测结果。或者,在预测模型训练阶段,服务器105也可以接收终端设备101、102、103传输的目标样本数据以及目标样本数据对应的电力负荷标注数据,并基于目标样本数据、电力负荷标注数据和预设的各个初始模型,进行模型训练,得到训练完成的各个预测模型。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的用于预测电力负荷的方法或者预测模型训练方法可以由终端设备101、102、103执行,也可以由服务器105执行。相应地,用于预测电力负荷的装置或者预测模型训练装置可以设置于终端设备101、102、103中,也可以设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于预测电力负荷的方法的一个实施例的流程200。本实施例的用于预测电力负荷的方法,包括以下步骤:
步骤201,获取目标用电数据。
在本实施例中,执行主体(如图1中的服务器105或者终端设备101、102、103)可以从本地获取预先存储的用电数据,作为目标用电数据,也可以从建立连接的其他电子设备中获取用电数据,作为目标用电数据,本实施例对此不做限定。其中,目标用电数据为预测电力负荷的依据,可以为与预测需求相符合的用电数据。例如,目标用电数据可以为与预测需求对应的指定时间段的用电数据、指定日期的用电数据、指定区域的用电数据等。可选的,执行主体在获取目标用电数据时,可以先基于预测需求,在原始用电数据中进行初步筛选,得到候选用电数据,再对候选用电数据执行数据清洗以及特征工程,得到目标用电数据。其中,数据清洗指的是对原始用电数据进行审查和校验,过滤掉不需要的数据的过程。特征工程指的是采用工程化的方式进行数据筛选,得到需要的数据特征的过程。数据清洗可以包括异常值的处理、数据一致性检查等,特征工程可以包括以下任意操作项之间的组合:数据对齐、数据归一化预处理、时间特征提取、时间序列特征聚合、滞后特征提取、笛卡尔积特征组合。进一步可选的,执行主体在对候选用电数据执行数据清洗以及特征工程之后,还可以对得到的目标用电数据进行特征过滤,得到进行特征过滤后的目标用电数据,基于特征过滤后的目标用电数据,确定各个预测模型的输入数据。可选的,执行主体可以基于树模型实现特征过滤。
步骤202,确定与目标用电数据对应的各个预测模型。
在本实施例中,执行主体可以基于目标用电数据的数据特征,确定与目标用电数据对应的各个预测模型。目标用电数据中可以包含多种数据特征对应的用电数据,例如,与单个数据特征对应的用电数据、与二阶数据特征对应的用电数据、与深度特征对应的用电数据。对于目标用电数据中不同的数据特征对应的用电数据,可以分别确定相应的预测模型,例如,与单个数据特征对应的单个特征预测模型、与二阶数据特征对应的二阶特征预测模型、与深度特征对应的深度特征预测模型等。其中,不同的预测模型用于基于不同的数据特征维度,得出与用电数据对应的电力负荷预测结果。
步骤203,基于目标用电数据和各个预测模型,确定各个预测模型对应的各个电力负荷预测结果。
在本实施例中,执行主体可以基于目标用电数据中各个用电数据对应的数据特征,确定出与每个预测模型相对应的用电数据,并将确定出的用电数据输入相应的预测模型,得到该预测模型输出的电力负荷预测结果。又或者,执行主体可以直接将目标用电数据输入各个预测模型,以使各个预测模型从目标用电数据中提取不同的数据特征对应的用电数据,基于不同的数据特征维度,确定得到各个预测模型输出的各个电力负荷预测结果。其中,每个电力负荷预测结果用于表示相应的预测模型、基于该预测模型对应的数据特征维度,对当前和/或历史用电数据进行评估,预测得到的未来指定时间对应的电力负荷。其中,电力负荷指的是电能用户的用电设备在指定时间向电力系统取用的电功率的总和。可选的,在执行主体确定各个预测模型对应的各个电力负荷预测结果的过程中,各个预测模型可以并行运行,同步得到不同预测模型对应的电力负荷预测结果。在技术实现上,可以基于kubernetes(一个开源的,用于管理云平台中多个主机上的容器化的应用,k8s)部署预测模型环境,实现多模型的多任务同时建模。
步骤204,基于各个电力负荷预测结果,确定目标电力负荷预测结果。
在本实施例中,执行主体在获取各个电力负荷预测结果之后,可以对这些电力负荷预测结果进行相应的整合处理,得到目标电力负荷预测结果。其中,整合处理可以包括但不限于加权求和、求均值、求中位数等,本实施例对此不做限定。
继续参见图3,其示出了根据本公开的用于预测电力负荷的方法的一个应用场景的示意图。在图3的应用场景中,执行主体可以先获取目标用电数据301,再将目标用电数据301依次输入单个特征预测模型302、二阶特征预测模型303以及深度特征预测模型304。其中,单个特征预测模型302用于基于单个特征维度进行电力负荷预测,单个特征维度可以包括但不限于温度、风速、风向等单个特征。在实际应用中,优选采用长短期记忆人工神经网络(Long Short-Term Memory,LSTM)和/或Fbprophet(一种时间序列预测模型)构建单个特征预测模型302。二阶特征预测模型303用于基于二阶特征维度进行电力负荷预测,例如,温度与风速可以组成一组二阶特征。在实际应用中,优选采用Lasso(回归模型)构建二阶特征预测模型303。深度特征预测模型304用于基于深度特征维度进行电力负荷预测,深度特征可以为预先基于深度学习模型确定的特征。在实际应用中,优选采用Xgboost(一种对梯度提升算法的改进模型)。在执行主体将目标用电数据301依次输入单个特征预测模型302、二阶特征预测模型303以及深度特征预测模型304之后,单个特征预测模型302会基于单个特征维度输出与目标用电数据301对应的第一预测结果305,二阶特征预测模型303会基于二阶特征维度输出与目标用电数据301对应的第二预测结果306,深度特征预测模型304会基于深度特征维度输出与目标用电数据301对应的第三预测结果307。之后,执行主体基于对第一预测结果305、第二预测结果306以及第三预测结果307进行整合处理,得到目标电力负荷预测结果308。
本公开上述实施例提供的用于预测电力负荷的方法,基于目标用电数据和目标用电数据对应的各个预测模型,得到各个预测模型对应的各个电力负荷预测结果,再基于各个电力负荷预测结果,确定目标电力负荷预测结果。这一过程实现了自动化地确定目标电力负荷预测结果,并且采用多个预测模型,基于不同的数据特征维度进行电力负荷预测,整合各个数据特征维度的电力负荷预测结果,得到最终的目标电力负荷预测结果,能够提高电力负荷预测精准度。
继续参见图4,其示出了根据本公开的用于预测电力负荷的方法的另一个实施例的流程400。如图4所示,本实施例的用于预测电力负荷的方法可以包括以下步骤:
步骤401,获取历史用电数据和初始用电数据。
在本实施例中,历史用电数据指的是历史时间的大量用电数据,初始用电数据指的是需要作为电力负荷预测依据的原始数据,可以为当前时间的用电数据,也可以为当前时间的用电数据和当前时间之前的一段时间内的用电数据,本实施例对此不做限定。
在本实施例的一些可选的实现方式中,获取初始用电数据可以包括:获取指定时间区间对应的初始用电数据。
在本实现方式中,指定时间区间可以为指定的时间段,也可以为指定的日期区间,如每天的下午六点到八点、每周末或者每周末的下午六点到八点等,本实施例对于具体的时间区间取值不做限定。
步骤402,确定历史用电数据对应的历史数据特征信息。
在本实施例中,执行主体可以基于对历史用电数据进行数据分析,得到历史用电数据对应的历史数据特征信息。其中,历史数据特征信息用于描述历史用电数据的数据特征变化信息和数据特征相关信息。数据特征变化信息指的是历史用电数据的各个数据特征的数值随着时间变化的改变,具体形式可以为各个数据特征的数值随着时间变化的数值趋势信息、数值周期信息、数值分布信息等。数据特征相关信息指的是历史用电数据的各个数据特征之间的相关性、以及各个数据特征对同一变量影响的相关性等。
步骤403,基于历史数据特征信息,对初始用电数据进行数据处理,得到目标用电数据。
在本实施例中,执行主体能够基于历史数据特征信息中的数据特征变化信息和数据特征相关信息,对初始用电数据中的异常数据、缺失数据进行数据处理,得到目标用电数据。
在本实施例的一些可选的实现方式中,基于历史数据特征信息,对初始用电数据进行数据处理,得到目标用电数据,包括:响应于确定初始用电数据中存在异常数据,基于历史数据特征信息,对异常数据进行替换处理,得到目标用电数据;或者,响应于确定初始用电数据中存在缺失数据,基于历史数据特征信息,对缺失数据进行填充处理,得到目标用电数据。
在本实现方式中,异常数据可以包括数据值明显偏差的数据,执行主体可以基于对历史数据特征信息进行分析,确定能够替换至异常数据的数据,基于该数据替换异常数据,从而实现了数据清洗过程中异常值的处理。执行主体还可以确定初始用电数据存在缺失数据,基于对历史数据特征信息进行分析,确定能够填充缺失数据的填充数据,基于填充数据对缺失数据进行填充处理,得到目标用电数据。
步骤404,获取目标用电数据。
在本实施例中,对于步骤404的描述请参照对于步骤201的详细描述,在此不再赘述。
步骤405,确定与目标用电数据对应的、且与各个预测特征信息对应的各个预测模型。
在本实施例中,预测特征信息指的是用于预测电力负荷的数据特征维度信息,可以包括但不限于单个特征、二阶特征和深度特征。执行主体在确定各个预测模型时,可以确定与目标用电数据和各个预测特征信息对应的各个预测模型。例如,目标用电数据中包含单个特征对应的数据、二阶特征对应的数据以及深度特征对应的数据,则可以将单个特征对应的预测模型、二阶特征对应的预测模型以及深度特征对应的预测模型,确定为上述的各个预测模型。
步骤406,基于目标用电数据和各个预测模型,确定各个预测模型对应的各个电力负荷预测结果。
在本实施例中,对于步骤406的详细描述请参照对于步骤203的详细描述,在此不再赘述。
步骤407,获取各个预测模型对应的权重信息。
在本实施例中,权重信息用于描述各个预测模型的电力负荷预测结果对于最终的目标电力负荷预测结果的影响程度,例如,权重信息指示权重较大的预测模型输出的电力负荷预测结果对于最终的目标电力负荷预测结果的影响程度较大,权重信息指示权重较小的预测模型输出的电力负荷预测结果对于最终的目标电力负荷预测结果的影响程度较小。
步骤408,基于权重信息和各个电力负荷预测结果,确定目标电力负荷预测结果。
在本实施例中,执行主体可以基于权重信息确定每个预测模型对应的权重值,再对每个预测模型的权重值和电力负荷预测结果进行加权求和,得到最终的目标电力负荷预测结果。
步骤409,基于目标电力负荷预测结果,生成电力调度信息。
在本实施例中,执行主体可以预先设置不同的电力负荷预测结果对应的不同电力调度信息,在得到目标电力负荷预测结果之后,确定与该目标电力负荷预测结果相匹配的电力调度信息。其中,电力调度信息可以包括但不限于各个调度区域和各个调度区域进行调度的电量。
本公开的上述实施例提供的用于预测电力负荷的方法,还可以根据历史用电数据的历史数据特征信息,对初始用电数据进行数据处理,得到目标用电数据,提高了目标用电数据的精准度。并且还可以确定与目标用电数据和预测特征信息对应的各个预测模型,使得不同的预测模型能够反映不同的预测特征信息,提高了预测模型的可靠性。以及基于各个预测模型对应的权重信息确定目标电力负荷预测结果,提高了目标电力负荷预测结果的精准度。并且基于目标电力负荷预测结果生成电力调度信息,能够实现灵活的电力调度。
继续参考图5,示出了根据本公开的预测模型训练方法的一个实施例的流程500。本实施例的预测模型训练方法,包括以下步骤:
步骤501,获取目标样本数据以及目标样本数据对应的电力负荷标注数据。
在本实施例中,目标样本数据指的是符合预测需求的历史时间的用电数据,目标样本数据对应的电力负荷标注数据指的是与目标样本数据对应的、在未来时间的电力负荷。例如,目标样本数据为目标区域的指定历史时间的用电数据,目标样本数据对应的电力负荷标注数据为目标区域的未来时间对应的电力负荷。
在本实施例的一些可选的实现方式中,还可以执行以下步骤:获取历史用电数据和样本用电数据;确定历史用电数据对应的历史数据特征信息;基于历史数据特征信息,对样本用电数据进行数据处理,得到目标样本数据。
在本实现方式中,执行主体可以基于历史用电数据对应的历史特征信息,对样本用电数据进行数据处理,得到目标样本数据。对于目标样本数据的确定的详细描述,请参照对于步骤401至步骤403的详细描述,在此不再赘述。步骤401至步骤403中的初始用电数据相当于这里的样本用电数据,目标用电数据相当于这里的目标样本数据。
在本实施例的另一些可选的实现方式中,基于历史数据特征信息,对样本用电数据进行数据处理,得到目标用电数据,包括:响应于确定样本用电数据中存在异常数据,基于历史数据特征信息,对异常数据进行替换处理,得到目标样本数据;或者,响应于确定样本用电数据中存在缺失数据,基于历史数据特征信息,对缺失数据进行填充处理,得到目标样本数据。
在本实施例中,对于样本用电数据进行数据处理的详细描述请参照对于目标样本数据进行数据处理的详细描述,在此不再赘述。
在本实施例的另一些可选的实现方式中,获取样本用电数据,包括:获取指定时间区间对应的样本用电数据。
在本实施例中,对于获取指定时间区间对应的样本用电数据的详细描述请参照对于获取指定时间区间对应的初始用电数据的详细描述,在此不再赘述。
步骤502,基于目标样本数据和预设的各个初始模型,确定每个初始模型输出的样本电力负荷预测结果。
在本实施例中,对于步骤502的详细描述请参照对于步骤203的详细描述,在此不再赘述。其中,初始模型指的是未训练完成的预测模型,通过对初始模型进行训练,可以得到训练完成的训练模型。
在本实施例的一些可选的实现方式中,还可以执行以下步骤:获取各个预测特征信息对应的预设的各个初始模型。
在本实现方式中,执行主体可以基于各个预测特征信息,确定与各个预测特征信息对应的初始模型。其中,不同的预测特征信息可以对应不同种类的初始模型。
在本实施例的另一些可选的实现方式中,还可以执行以下步骤:获取各个预测特征;确定各个预测特征对应的各个预测特征组合;从各个预测特征组合中确定目标预测特征组合;基于目标预测特征组合生成各个预测特征信息。
在本实现方式中,执行主体可以预先设置不同的单个预测特征,如温度、风速、风向等,并从各个预测特征中确定各个预测特征组合。各个预测特征组合可以为全部预测特征进行组合得到的全部可能的组合,也可以为部分预测特征进行组合得到的部分可能的组合,本实施例对此不做限定。优选的,执行主体可以将所有单个预测特征进行组合,得到各个预测特征组合,从各个预测特征组合中筛除特征之间的相关性低于预设的阈值的预测特征组合,将剩余的预测特征组合确定为上述的目标预测特征组合。其中,目标预测特征组合的数量通常为多个。执行主体可以基于目标预测特征组合生成二阶特征的内容,从而得到二阶特征,再基于二阶特征生成各个预测特征信息。
步骤503,基于各个样本电力负荷预测结果和电力负荷标注数据,调整预设的各个初始模型的模型参数,直至预设的各个初始模型收敛,得到训练完成的各个预测模型。
在本实施例中,执行主体在得到训练完成的各个预测模型之后,能够基于极大似然估计技术进行模型调优,得到调优后的各个预测模型,以及还可以基于现有的模型融合技术,将训练完成的各个预测模型进行融合。
在本实施例的一些可选的实现方式中,还可以执行以下步骤:对于训练完成的每个预测模型,确定该预测模型对应的模型权重;基于训练完成的各个预测模型对应的模型权重,生成权重信息。
在本实现方式中,可以采用线性回归模型或者逻辑回归模型等模型来生成模型权重,得到各个预测模型对应的模型权重。具体的,可以向各个预测模型输入样本数据,得到各个预测模型输出的电力负荷预测结果,再将各个预测模型输出的电力负荷预测结果作为待训练的线性回归模型或者逻辑回归模型的输入数据,调整模型中为各个预测模型分配的模型权重,基于待训练的线性回归模型或者逻辑回归模型输出的电力负荷预测结果与电力负荷标注数据之间的差值,训练待训练的线性回归模型或者逻辑回归模型,得到训练好的线性回归模型或者逻辑回归模型。
本公开上述实施例提供的预测模型训练方法,能够提高预测模型的训练效果。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种用于预测电力负荷的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种服务器或者终端设备中。
如图6所示,本实施例的用于预测电力负荷的装置600包括:数据获取单元601、模型确定单元602、模型输出单元603、结果确定单元604。
数据获取单元601,被配置成获取目标用电数据。
模型确定单元602,被配置成确定与目标用电数据对应的各个预测模型。
模型输出单元603,被配置成基于目标用电数据和各个预测模型,确定各个预测模型对应的各个电力负荷预测结果。
结果确定单元604,被配置成基于各个电力负荷预测结果,确定目标电力负荷预测结果。
在本实施例的一些可选的实现方式中,上述装置还包括:用电数据确定单元,被配置成获取历史用电数据和初始用电数据;确定历史用电数据对应的历史数据特征信息;基于历史数据特征信息,对初始用电数据进行数据处理,得到目标用电数据。
在本实施例的一些可选的实现方式中,用电数据确定单元进一步被配置成:响应于确定初始用电数据中存在异常数据,基于历史数据特征信息,对异常数据进行替换处理,得到目标用电数据;或者,响应于确定初始用电数据中存在缺失数据,基于历史数据特征信息,对缺失数据进行填充处理,得到目标用电数据。
在本实施例的一些可选的实现方式中,用电数据确定单元进一步被配置成:获取指定时间区间对应的初始用电数据。
在本实施例的一些可选的实现方式中,上述装置还包括:模型获取单元,被配置成获取各个预测特征信息对应的各个预测模型。
在本实施例的一些可选的实现方式中,结果确定单元604进一步被配置成:获取各个预测模型对应的权重信息;基于权重信息和各个电力负荷预测结果,确定目标电力负荷预测结果。
在本实施例的一些可选的实现方式中,上述装置还包括:信息生成单元,被配置成基于目标电力负荷预测结果,生成电力调度信息。
应当理解,用于预测电力负荷的装置600中记载的单元601至单元604分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对用于预测电力负荷的方法描述的操作和特征同样适用于装置600及其中包含的单元,在此不再赘述。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种预测模型训练装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于各种服务器或者终端设备中。
如图7所示,本实施例的预测模型训练装置700包括:样本获取单元701、初始模型输出单元702、模型训练单元703。
样本获取单元701,被配置成获取目标样本数据以及目标样本数据对应的电力负荷标注数据。
初始模型输出单元702,被配置成基于目标样本数据和预设的各个初始模型,确定每个初始模型输出的样本电力负荷预测结果。
模型训练单元703,被配置成基于各个样本电力负荷预测结果和电力负荷标注数据,调整预设的各个初始模型的模型参数,直至预设的各个初始模型收敛,得到训练完成的各个预测模型。
在本实施例的一些可选的实现方式中,上述装置还包括:样本确定单元,被配置成获取历史用电数据和样本用电数据;确定历史用电数据对应的历史数据特征信息;基于历史数据特征信息,对样本用电数据进行数据处理,得到目标样本数据。
在本实施例的一些可选的实现方式中,样本确定单元进一步被配置成:响应于确定样本用电数据中存在异常数据,基于历史数据特征信息,对异常数据进行替换处理,得到目标样本数据;或者,响应于确定样本用电数据中存在缺失数据,基于历史数据特征信息,对缺失数据进行填充处理,得到目标样本数据。
在本实施例的一些可选的实现方式中,样本确定单元进一步被配置成:获取指定时间区间对应的样本用电数据。
在本实施例的一些可选的实现方式中,上述装置还包括:初始模型获取单元,被配置成获取各个预测特征信息对应的预设的各个初始模型。
在本实施例的一些可选的实现方式中,上述装置还包括:预测特征信息确定单元,被配置成获取各个预测特征;确定各个预测特征对应的各个预测特征组合;从各个预测特征组合中确定目标预测特征组合;基于目标预测特征组合生成各个预测特征信息。
在本实施例的一些可选的实现方式中,上述装置还包括:权重确定单元,被配置成对于训练完成的每个预测模型,确定该预测模型对应的模型权重;基于训练完成的各个预测模型对应的模型权重,生成权重信息。
应当理解,预测模型训练装置700中记载的单元701至单元703分别与参考图5中描述的方法中的各个步骤相对应。由此,上文针对预测模型训练方法描述的操作和特征同样适用于装置700及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用电数据信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了用来实现本公开实施例的用于预测电力负荷的方法或者预测模型训练方法的电子设备800的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用车载通话。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如用于预测电力负荷的方法或者预测模型训练方法。例如,在一些实施例中,用于预测电力负荷的方法或者预测模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时,可以执行上文描述的用于预测电力负荷的方法或者预测模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于预测电力负荷的方法或者预测模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (31)
1.一种用于预测电力负荷的方法,包括:
获取目标用电数据;
确定与所述目标用电数据对应的各个预测模型;
基于所述目标用电数据和所述各个预测模型,确定所述各个预测模型对应的各个电力负荷预测结果;
基于所述各个电力负荷预测结果,确定目标电力负荷预测结果。
2.根据权利要求1所述的方法,其中,所述方法还包括:
获取历史用电数据和初始用电数据;
确定所述历史用电数据对应的历史数据特征信息;
基于所述历史数据特征信息,对所述初始用电数据进行数据处理,得到所述目标用电数据。
3.根据权利要求2所述的方法,其中,所述基于所述历史数据特征信息,对所述初始用电数据进行数据处理,得到所述目标用电数据,包括:
响应于确定所述初始用电数据中存在异常数据,基于所述历史数据特征信息,对所述异常数据进行替换处理,得到所述目标用电数据;或者
响应于确定所述初始用电数据中存在缺失数据,基于所述历史数据特征信息,对所述缺失数据进行填充处理,得到所述目标用电数据。
4.根据权利要求2所述的方法,其中,所述获取初始用电数据,包括:
获取指定时间区间对应的所述初始用电数据。
5.根据权利要求1所述的方法,其中,所述方法还包括:
获取各个预测特征信息对应的所述各个预测模型。
6.根据权利要求1所述的方法,其中,所述基于所述各个电力负荷预测结果,确定目标电力负荷预测结果,包括:
获取所述各个预测模型对应的权重信息;
基于所述权重信息和所述各个电力负荷预测结果,确定所述目标电力负荷预测结果。
7.根据权利要求1所述的方法,其中,所述方法还包括:
基于所述目标电力负荷预测结果,生成电力调度信息。
8.一种预测模型训练方法,包括:
获取目标样本数据以及所述目标样本数据对应的电力负荷标注数据;
基于所述目标样本数据和预设的各个初始模型,确定每个初始模型输出的样本电力负荷预测结果;
基于各个样本电力负荷预测结果和所述电力负荷标注数据,调整所述预设的各个初始模型的模型参数,直至所述预设的各个初始模型收敛,得到训练完成的各个预测模型。
9.根据权利要求8所述的方法,其中,所述方法还包括:
获取历史用电数据和样本用电数据;
确定所述历史用电数据对应的历史数据特征信息;
基于所述历史数据特征信息,对所述样本用电数据进行数据处理,得到目标样本数据。
10.根据权利要求9所述的方法,其中,所述基于所述历史数据特征信息,对所述样本用电数据进行数据处理,得到所述目标用电数据,包括:
响应于确定所述样本用电数据中存在异常数据,基于所述历史数据特征信息,对所述异常数据进行替换处理,得到所述目标样本数据;或者
响应于确定所述样本用电数据中存在缺失数据,基于所述历史数据特征信息,对所述缺失数据进行填充处理,得到所述目标样本数据。
11.根据权利要求9所述的方法,其中,所述获取样本用电数据,包括:
获取指定时间区间对应的所述样本用电数据。
12.根据权利要求8所述的方法,其中,所述方法还包括:
获取各个预测特征信息对应的所述预设的各个初始模型。
13.根据权利要求12所述的方法,其中,所述方法还包括:
获取各个预测特征;
确定所述各个预测特征对应的各个预测特征组合;
从所述各个预测特征组合中确定目标预测特征组合;
基于所述目标预测特征组合生成所述各个预测特征信息。
14.根据权利要求8所述的方法,其中,所述方法还包括:
对于训练完成的每个预测模型,确定该预测模型对应的模型权重;
基于训练完成的各个预测模型对应的模型权重,生成权重信息。
15.一种用于预测电力负荷的装置,包括:
数据获取单元,被配置成获取目标用电数据;
模型确定单元,被配置成确定与所述目标用电数据对应的各个预测模型;
模型输出单元,被配置成基于所述目标用电数据和所述各个预测模型,确定所述各个预测模型对应的各个电力负荷预测结果;
结果确定单元,被配置成基于所述各个电力负荷预测结果,确定目标电力负荷预测结果。
16.根据权利要求15所述的装置,其中,所述装置还包括:
用电数据确定单元,被配置成获取历史用电数据和初始用电数据;确定所述历史用电数据对应的历史数据特征信息;基于所述历史数据特征信息,对所述初始用电数据进行数据处理,得到所述目标用电数据。
17.根据权利要求16所述的装置,其中,所述用电数据确定单元进一步被配置成:
响应于确定所述初始用电数据中存在异常数据,基于所述历史数据特征信息,对所述异常数据进行替换处理,得到所述目标用电数据;或者
响应于确定所述初始用电数据中存在缺失数据,基于所述历史数据特征信息,对所述缺失数据进行填充处理,得到所述目标用电数据。
18.根据权利要求16所述的装置,其中,所述用电数据确定单元进一步被配置成:
获取指定时间区间对应的所述初始用电数据。
19.根据权利要求15所述的装置,其中,所述装置还包括:
模型获取单元,被配置成获取各个预测特征信息对应的所述各个预测模型。
20.根据权利要求15所述的装置,其中,所述结果确定单元进一步被配置成:
获取所述各个预测模型对应的权重信息;
基于所述权重信息和所述各个电力负荷预测结果,确定所述目标电力负荷预测结果。
21.根据权利要求15所述的装置,其中,所述装置还包括:
信息生成单元,被配置成基于所述目标电力负荷预测结果,生成电力调度信息。
22.一种预测模型训练装置,包括:
样本获取单元,被配置成获取目标样本数据以及所述目标样本数据对应的电力负荷标注数据;
初始模型输出单元,被配置成基于所述目标样本数据和预设的各个初始模型,确定每个初始模型输出的样本电力负荷预测结果;
模型训练单元,被配置成基于各个样本电力负荷预测结果和所述电力负荷标注数据,调整所述预设的各个初始模型的模型参数,直至所述预设的各个初始模型收敛,得到训练完成的各个预测模型。
23.根据权利要求22所述的装置,其中,所述装置还包括:
样本确定单元,被配置成获取历史用电数据和样本用电数据;确定所述历史用电数据对应的历史数据特征信息;基于所述历史数据特征信息,对所述样本用电数据进行数据处理,得到目标样本数据。
24.根据权利要求23所述的装置,其中,所述样本确定单元进一步被配置成:
响应于确定所述样本用电数据中存在异常数据,基于所述历史数据特征信息,对所述异常数据进行替换处理,得到所述目标样本数据;或者
响应于确定所述样本用电数据中存在缺失数据,基于所述历史数据特征信息,对所述缺失数据进行填充处理,得到所述目标样本数据。
25.根据权利要求23所述的装置,其中,所述样本确定单元进一步被配置成:
获取指定时间区间对应的所述样本用电数据。
26.根据权利要求22所述的装置,其中,所述装置还包括:
初始模型获取单元,被配置成获取各个预测特征信息对应的所述预设的各个初始模型。
27.根据权利要求26所述的装置,其中,所述装置还包括:
预测特征信息确定单元,被配置成获取各个预测特征;确定所述各个预测特征对应的各个预测特征组合;从所述各个预测特征组合中确定目标预测特征组合;基于所述目标预测特征组合生成所述各个预测特征信息。
28.根据权利要求22所述的装置,其中,所述装置还包括:
权重确定单元,被配置成对于训练完成的每个预测模型,确定该预测模型对应的模型权重;基于训练完成的各个预测模型对应的模型权重,生成权重信息。
29.一种执行用于预测电力负荷的方法或者预测模型训练方法的电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-14中任一项所述的方法。
30.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-14中任一项所述的方法。
31.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721445.9A CN113379153A (zh) | 2021-06-28 | 2021-06-28 | 用于预测电力负荷的方法、预测模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721445.9A CN113379153A (zh) | 2021-06-28 | 2021-06-28 | 用于预测电力负荷的方法、预测模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379153A true CN113379153A (zh) | 2021-09-10 |
Family
ID=77579608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721445.9A Pending CN113379153A (zh) | 2021-06-28 | 2021-06-28 | 用于预测电力负荷的方法、预测模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379153A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660228A (zh) * | 2022-12-14 | 2023-01-31 | 湖南能源大数据中心有限责任公司 | 发电负荷预测模型训练方法、预测方法、设备及存储介质 |
CN117293824A (zh) * | 2023-11-23 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117982A (zh) * | 2018-07-05 | 2019-01-01 | 安徽大学 | 一种基于深度学习与特征组合的房价预测方法 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN112669173A (zh) * | 2021-01-07 | 2021-04-16 | 云南电网有限责任公司电力科学研究院 | 一种基于多粒度特征和XGBoost模型的短期负荷预测方法 |
-
2021
- 2021-06-28 CN CN202110721445.9A patent/CN113379153A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117982A (zh) * | 2018-07-05 | 2019-01-01 | 安徽大学 | 一种基于深度学习与特征组合的房价预测方法 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN112016734A (zh) * | 2020-04-07 | 2020-12-01 | 沈阳工业大学 | 基于lstm栈式自编码多模型荷预测方法及系统 |
CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
CN112669173A (zh) * | 2021-01-07 | 2021-04-16 | 云南电网有限责任公司电力科学研究院 | 一种基于多粒度特征和XGBoost模型的短期负荷预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660228A (zh) * | 2022-12-14 | 2023-01-31 | 湖南能源大数据中心有限责任公司 | 发电负荷预测模型训练方法、预测方法、设备及存储介质 |
CN117293824A (zh) * | 2023-11-23 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
CN117293824B (zh) * | 2023-11-23 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11901045B2 (en) | Machine learning framework for finding materials with desired properties | |
CN112561082A (zh) | 生成模型的方法、装置、设备以及存储介质 | |
CN113379153A (zh) | 用于预测电力负荷的方法、预测模型训练方法及装置 | |
CN114329201A (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN111383100A (zh) | 基于风险模型的全生命周期管控方法和装置 | |
US11182689B2 (en) | Adaptive learning rate schedule in distributed stochastic gradient descent | |
CN114157701A (zh) | 一种任务测试方法、装置、设备以及存储介质 | |
CN113743971A (zh) | 一种数据处理方法和装置 | |
CN114937478B (zh) | 用于训练模型的方法、用于生成分子的方法和装置 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN113516185B (zh) | 模型训练的方法、装置、电子设备及存储介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN114819095A (zh) | 业务数据处理模型的生成方法、装置及电子设备 | |
CN113010571A (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
CN114417822A (zh) | 用于生成模型解释信息的方法、装置、设备、介质和产品 | |
CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
CN114742263B (zh) | 负荷预测方法、装置、电子设备及存储介质 | |
CN115878783B (zh) | 文本处理方法、深度学习模型训练方法以及样本生成方法 | |
US11586705B2 (en) | Deep contour-correlated forecasting | |
US11475296B2 (en) | Linear modeling of quality assurance variables | |
CN116192608A (zh) | 云手机故障预测方法、装置以及设备 | |
CN112819285A (zh) | 航班的匹配处理、训练方法、装置和设备 |
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 |