CN113516317A - 一种基于神经网络的能源规划预测方法及装置 - Google Patents
一种基于神经网络的能源规划预测方法及装置 Download PDFInfo
- Publication number
- CN113516317A CN113516317A CN202110872274.XA CN202110872274A CN113516317A CN 113516317 A CN113516317 A CN 113516317A CN 202110872274 A CN202110872274 A CN 202110872274A CN 113516317 A CN113516317 A CN 113516317A
- Authority
- CN
- China
- Prior art keywords
- data
- energy planning
- data set
- prediction
- energy
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 66
- 230000004927 fusion Effects 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000005611 electricity Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011410 subtraction 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明公开了一种基于神经网络的能源规划预测方法及装置,涉及电力数据分析技术领域。本发明利用已有的能源规划样本数据集进行训练得到数据预测算法模型和数据修复算法模型,通过数据预测算法模型和数据修复算法模型进行对待测能源规划数据进行质量检测和修复,能够提高数据的质量,便于后续进行能源规划,并且通过能源规划数据训练形成的能源规划预测模型获取能源规划预测数据的方式降低了数据的处理时间,减少了人力成本,而且能够快速对全部数据进行处理,不容易遗漏数据,提高了能源规划信息的准确性,降低了能源规划错误的可能和能源规划成本。
Description
技术领域
本发明涉及电力数据分析技术领域,尤其涉及一种基于神经网络的能源规划预测方法及装置。
背景技术
为了供电和电力建设能够有效进行,电力公司经常需要根据实际需求开展能源规划工作。现有技术中,能源规划前需通过收集资料对当前现状进行诊断分析,根据分析结果进行确定能源规划的方式和细节。然而,能源规划需要使用的能源规划数据包括省级统调负荷、省级统调负荷、市级总供负荷等供能数据,还包括温度、湿度、天气等能够导致能源消耗变化的外部数据。这些数据共同为能源规划提供参考。根据这些数据可以看出,能源规划数据量庞大,对其进行分析需要消耗大量的时间和人力成本,而且,人工处理的方式难以全部了解,容易在使用过程中遗漏关键数据,从而不能准确获取能源规划信息,使规划人员出现能源规划错误,增加了能源规划成本。
发明内容
本发明目的在于,提供一种基于神经网络的能源规划预测方法及装置,以提高能源规划预测的准确性,降低能源规划错误的可能性。
为实现上述目的,本发明提供一种基于神经网络的能源规划预测方法,其特征在于,包括:
根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型;其中,所述能源规划数据集包括普通样本数据集、缺陷样本数据集和缺陷修复样本数据集;
根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据;
根据所述数据修复算法模型修复所述异常数据,得到修正数据;
将所述待测能源规划数据集中的异常数据替换成修正数据,得到修正能源规划数据集;
根据预设的能源规划需求得到融合条件,通过所述融合条件融合所述修正能源规划数据集中的数据得到基础数据集;其中,所述能源规划需求包括能源规划目标、能源规划时间和能源规划区域,所述融合条件包括融合主题和与融合主题相关联的能源规划数据类型;
将所述基础数据集按照预设比例划分为训练集和验证数据集,并根据所述训练集和所述验证数据集进行能源规划训练,得到能源规划预测模型;根据所述能源规划预测模型,得到所述能源规划需求对应的能源规划预测数据。
优选地,所述根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型,包括:
根据预设的质量校验规则对所述缺陷样本数据集进行质量校验,并对所述缺陷样本数据集中的质量异常部分进行标记,得到标记数据;
将所述标记数据输入质量检测神经网络进行训练得到数据预测算法模型,并根据所述普通样本数据集对所述数据预测算法模型进行优化。
优选地,所述根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型,包括:
对所述缺陷样本数据集和所述缺陷修复样本数据集的缺陷类型进行分类,并根据缺陷类型将所述缺陷样本数据集和缺陷修复样本数据集输入数据修复神经网络进行训练,得到数据修复算法模型。
优选地,所述根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据,包括:
根据所述数据预测算法模型,得到所述待测能源规划数据集相对于预设的质量校验规则的质量误差,判断所述质量误差是否超过预设值;若是,则确定所述能源规划数据存在质量问题;若否,则确定所述能源规划数据不存在质量问题。
本发明还提供一种基于神经网络的能源规划预测装置,包括:
样本数据分析模块,用于根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型;其中,所述能源规划数据集包括普通样本数据集、缺陷样本数据集和缺陷修复样本数据集;
能源规划数据修正模块,用于根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据;
所述能源规划数据修正模块,还用于根据所述数据修复算法模型修复所述异常数据,得到修正数据;
所述能源规划数据修正模块,还用于将所述待测能源规划数据集中的异常数据替换成修正数据,得到修正能源规划数据集;
数据融合模块,用于根据预设的能源规划需求得到融合条件,通过所述融合条件融合所述修正能源规划数据集中的数据得到基础数据集;其中,所述能源规划需求包括能源规划目标、能源规划时间和能源规划区域,所述融合条件包括融合主题和与融合主题相关联的能源规划数据类型;
能源规划预测模块,用于将所述基础数据集按照预设比例划分为训练集和验证数据集,并根据所述训练集和所述验证数据集进行能源规划训练,得到能源规划预测模型;根据所述能源规划预测模型,得到所述能源规划需求对应的能源规划预测数据。
优选地,所述样本数据分析模块,包括:
标记单元,用于根据预设的质量校验规则对所述缺陷样本数据集进行质量校验,并对所述缺陷样本数据集中的质量异常部分进行标记,得到标记数据;
优化单元,用于将所述标记数据输入质量检测神经网络进行训练得到数据预测算法模型,并根据所述普通样本数据集对所述数据预测算法模型进行优化。
优选地,所述样本数据分析模块,包括:
分类单元,用于对所述缺陷样本数据集和所述缺陷修复样本数据集的缺陷类型进行分类,并根据缺陷类型将所述缺陷样本数据集和缺陷修复样本数据集输入数据修复神经网络进行训练,得到数据修复算法模型。
优选地,所述能源规划数据修正模块,还用于根据所述数据预测算法模型,得到所述待测能源规划数据集相对于预设的质量校验规则的质量误差,判断所述质量误差是否超过预设值;若是,则确定所述能源规划数据存在质量问题;若否,则确定所述能源规划数据不存在质量问题。
本发明还提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例所述的基于神经网络的能源规划预测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一实施例所述的基于神经网络的能源规划预测方法。
与现有技术相比,本发明具有以下有益效果:
本发明公开的基于神经网络的能源规划预测方法,包括:根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型;其中,所述能源规划数据集包括普通样本数据集、缺陷样本数据集和缺陷修复样本数据集;根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据;根据所述数据修复算法模型修复所述异常数据,得到修正数据;将所述待测能源规划数据集中的异常数据替换成修正数据,得到修正能源规划数据集;根据预设的能源规划需求得到融合条件,通过所述融合条件融合所述修正能源规划数据集中的数据得到基础数据集;其中,所述能源规划需求包括能源规划目标、能源规划时间和能源规划区域,所述融合条件包括融合主题和与融合主题相关联的能源规划数据类型;将所述基础数据集按照预设比例划分为训练集和验证数据集,并根据所述训练集和所述验证数据集进行能源规划训练,得到能源规划预测模型;根据所述能源规划预测模型,得到所述能源规划需求对应的能源规划预测数据。
本发明利用已有的能源规划样本数据集进行训练得到数据预测算法模型和数据修复算法模型,通过数据预测算法模型和数据修复算法模型进行对待测能源规划数据进行质量检测和修复,能够提高数据的质量,便于后续进行能源规划,并且通过能源规划数据训练形成的能源规划预测模型获取能源规划预测数据的方式降低了数据的处理时间,减少了人力成本,而且能够快速对全部数据进行处理,不容易遗漏数据,提高了能源规划信息的准确性,降低了能源规划错误的可能和能源规划成本。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的基于神经网络的能源规划预测方法的流程示意图;
图2是本发明某一实施例提供的基于神经网络的能源规划预测装置的结构示意图;
图3是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明某一实施例提供的基于神经网络的能源规划预测方法的流程示意图。在本实施例中,基于神经网络的能源规划预测方法,包括以下步骤:
S110,根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型;其中,所述能源规划数据集包括普通样本数据集、缺陷样本数据集和缺陷修复样本数据集;
在某一实施例中,根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型,包括:根据预设的质量校验规则对所述缺陷样本数据集进行质量校验,并对所述缺陷样本数据集中的质量异常部分进行标记,得到标记数据;将所述标记数据输入质量检测神经网络进行训练得到数据预测算法模型,并根据所述普通样本数据集对所述数据预测算法模型进行优化。其中,质量校验规则包括数据在多个数据质量维度的评价规则,其中,数据质量维度包括数据完整性、数据规范性、数据一致性、数据准确性以及数据及时性。
在一个具体的实施例中,评价规则包括1)不存在不必要的空行、空列;2)字段不存在多余的空格;3)所有字段数据类型符合格式要求;4)数据需按特定字段排序等。根据该评价规则对存在数据集中的数据存在质量问题的部分进行标记。
在某一实施例中,所述根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型,包括:对所述缺陷样本数据集和所述缺陷修复样本数据集的缺陷类型进行分类,并根据缺陷类型将所述缺陷样本数据集和缺陷修复样本数据集输入数据修复神经网络进行训练,得到数据修复算法模型。将样本数据集输入数据修复神经网络训练形成数据修复算法模型的步骤具体包括:根据缺陷样本数据集中能源的质量问题对能源规划数据进行分类,通过分类结果将存在相同质量的问题的能源规划数据划分至同一个质量问题数据集;标记质量问题数据集形成训练集,将存在不同质量问题的不同数据集输入不同的数据修复神经网络训练形成数据修复算法模型,训练集存储有能源规划数据的数据修复标记以及修复后的新数据;根据缺陷修复样本数据集中与质量问题数据集对应的能源规划数据优化数据修复算法模型。缺陷修复样本数据集即缺陷样本数据集中能源规划数据修复后形成的数据。
在本实施例中,数据修复标记包括数据修复方式,其中,数据修复方式包括均值/中位数/众数插补、固定值修正、最近临插补、回归方法、插值法、和删除法中的任一种。
S120,根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据;
S130,根据所述数据修复算法模型修复所述异常数据,得到修正数据;
S140,将所述待测能源规划数据集中的异常数据替换成修正数据,得到修正能源规划数据集;
在某一实施例中,能源规划数据包括能源内部数据,即能源部门内部大数据平台存储的数据,如历史负荷数据、电量数据、电源出力数据、高峰时刻数据;能源规划数据还包括能源外部数据,即能源部门外部网址发布的与能源信息相关的数据,如省/市天气历史数据、省及地市人口数据、省及地市经济数据、用地数据、节假日数据、电价、其他地区/省/市/国家类比数据、全国及全省能源电源数据。同时,来源信息包括能源规划数据对应的功能和业务归类。
在本实施例中,通过数据预测算法模型筛选能源规划数据中的异常数据的步骤具体包括:将能源规划数据输入数据预测算法模型,通过数据预测算法模型获取所能源规划数据相对于质量校验规则的质量误差,判断质量误差是否超过预设值;若是,则确定能源规划数据存在质量问题;若否,则确定能源规划数据不存在质量问题。数据预测算法模型对能源规划数据中存在问题的部分进行标记,并给出该标记的置信度,若置信度大于预设值,则确定该数据存在质量问题。
S150,根据预设的能源规划需求得到融合条件,通过所述融合条件融合所述修正能源规划数据集中的数据得到基础数据集;其中,所述能源规划需求包括能源规划目标、能源规划时间和能源规划区域,所述融合条件包括融合主题和与融合主题相关联的能源规划数据类型;
在某一实施例中,通过融合条件融合能源规划数据集中的数据形成基础数据集的步骤具体包括:根据能源规划数据类型确定数据融合的关联字段、主题字段,将能源规划数据中与关联字段、主题字段对应的数据放入基础数据集。具体的,融合数据形成基础数据集的步骤包括:1)通过对融合需求进行关键词查询的方式确定主题(融合条件);2)根据主题,确定融合的数据域(能源规划数据类型);3)根据数据域的含义,确定数据融合的关联字段;4)根据数据域的含义,确定数据融合的主题字段;5)循环步骤1-4直至遍历完所有的主题。
在一个具体的实施例中,确定主题为用/售电量和气候关联分析;根据上述主题,确定相关的数据域为电量数据(各省市区用电量、售电量等)以及各市区天气数据;数据融合的关联字段为地域(省、市、区)和日期;数据融合的主题字段为用电量、售电量、天气。循环遍历所有主题以得到对应的数据。
S160,将所述基础数据集按照预设比例划分为训练集和验证数据集,并根据所述训练集和所述验证数据集进行能源规划训练,得到能源规划预测模型;根据所述能源规划预测模型,得到所述能源规划需求对应的能源规划预测数据。
在某一实施例中,根据训练集、验证数据集进行能源规划训练,获取能源规划预测模型的步骤具体包括:将训练集中的数据输入神经网络训练进行算法模型训练,并利用验证数据集对训练形成的模型进行模型验证,判断验证结果是否满足预设条件;若是,则确定训练成功,模型为能源规划预测模型;若否,则根据验证数据集优化所述模型,直至模型满足预设条件。根据能源规划预测模型获取能源规划需求对应的能源规划预测数据的步骤具体包括:根据能源规划需求获取预测的维度,调取维度相关的能源规划数据,将能源规划数据输入能源规划预测模型获取能源规划预测数据。
在一个具体的实施例中,能源规划需求为统调负荷预测,根据该需求确定需要预测的维度为时间维度:日、月、年,负荷维度:平均负荷、高峰负荷、低谷负荷。这些维度相关的能源规划数据为天气、常住人口、地区生产总值、各产业产值、用户报装数据。获取该数据,并将其输入能源规划预测模型得到预测结果。
请参阅图2,图2是本发明某一实施例提供的基于神经网络的能源规划预测装置的结构示意图。在本实施例中,基于神经网络的能源规划预测装置,包括:
样本数据分析模块210,用于根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型;其中,所述能源规划数据集包括普通样本数据集、缺陷样本数据集和缺陷修复样本数据集;
能源规划数据修正模块220,用于根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据;
所述能源规划数据修正模块220,还用于根据所述数据修复算法模型修复所述异常数据,得到修正数据;
所述能源规划数据修正模块220,还用于将所述待测能源规划数据集中的异常数据替换成修正数据,得到修正能源规划数据集;
数据融合模块230,用于根据预设的能源规划需求得到融合条件,通过所述融合条件融合所述修正能源规划数据集中的数据得到基础数据集;其中,所述能源规划需求包括能源规划目标、能源规划时间和能源规划区域,所述融合条件包括融合主题和与融合主题相关联的能源规划数据类型;
能源规划预测模块240,用于将所述基础数据集按照预设比例划分为训练集和验证数据集,并根据所述训练集和所述验证数据集进行能源规划训练,得到能源规划预测模型;根据所述能源规划预测模型,得到所述能源规划需求对应的能源规划预测数据。
在某一实施例中,所述样本数据分析模块210,包括:标记单元,用于根据预设的质量校验规则对所述缺陷样本数据集进行质量校验,并对所述缺陷样本数据集中的质量异常部分进行标记,得到标记数据;优化单元,用于将所述标记数据输入质量检测神经网络进行训练得到数据预测算法模型,并根据所述普通样本数据集对所述数据预测算法模型进行优化。
在某一实施例中,所述样本数据分析模块210,包括:分类单元,用于对所述缺陷样本数据集和所述缺陷修复样本数据集的缺陷类型进行分类,并根据缺陷类型将所述缺陷样本数据集和缺陷修复样本数据集输入数据修复神经网络进行训练,得到数据修复算法模型。
在某一实施例中,所述能源规划数据修正模块220,还用于根据所述数据预测算法模型,得到所述待测能源规划数据集相对于预设的质量校验规则的质量误差,判断所述质量误差是否超过预设值;若是,则确定所述能源规划数据存在质量问题;若否,则确定所述能源规划数据不存在质量问题。
关于基于神经网络的能源规划预测装置的具体限定可以参见上文中对于基于神经网络的能源规划预测方法的限定,在此不再赘述。上述基于神经网络的能源规划预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图3,本发明实施例提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任意一个实施例中的基于神经网络的能源规划预测方法。
处理器用于控制该计算机终端设备的整体操作,以完成上述的基于神经网络的能源规划预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作,这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于神经网络的能源规划预测方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述任意一个实施例中的基于神经网络的能源规划预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由计算机终端设备的处理器执行以完成上述的基于神经网络的能源规划预测方法,并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于神经网络的能源规划预测方法,其特征在于,包括:
根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型;其中,所述能源规划数据集包括普通样本数据集、缺陷样本数据集和缺陷修复样本数据集;
根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据;
根据所述数据修复算法模型修复所述异常数据,得到修正数据;
将所述待测能源规划数据集中的异常数据替换成修正数据,得到修正能源规划数据集;
根据预设的能源规划需求得到融合条件,通过所述融合条件融合所述修正能源规划数据集中的数据得到基础数据集;其中,所述能源规划需求包括能源规划目标、能源规划时间和能源规划区域,所述融合条件包括融合主题和与融合主题相关联的能源规划数据类型;
将所述基础数据集按照预设比例划分为训练集和验证数据集,并根据所述训练集和所述验证数据集进行能源规划训练,得到能源规划预测模型;根据所述能源规划预测模型,得到所述能源规划需求对应的能源规划预测数据。
2.根据权利要求1所述的基于神经网络的能源规划预测方法,其特征在于,所述根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型,包括:
根据预设的质量校验规则对所述缺陷样本数据集进行质量校验,并对所述缺陷样本数据集中的质量异常部分进行标记,得到标记数据;
将所述标记数据输入质量检测神经网络进行训练得到数据预测算法模型,并根据所述普通样本数据集对所述数据预测算法模型进行优化。
3.根据权利要求1所述的基于神经网络的能源规划预测方法,其特征在于,所述根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型,包括:
对所述缺陷样本数据集和所述缺陷修复样本数据集的缺陷类型进行分类,并根据缺陷类型将所述缺陷样本数据集和缺陷修复样本数据集输入数据修复神经网络进行训练,得到数据修复算法模型。
4.根据权利要求1所述的基于神经网络的能源规划预测方法,其特征在于,所述根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据,包括:
根据所述数据预测算法模型,得到所述待测能源规划数据集相对于预设的质量校验规则的质量误差,判断所述质量误差是否超过预设值;若是,则确定所述能源规划数据存在质量问题;若否,则确定所述能源规划数据不存在质量问题。
5.一种基于神经网络的能源规划预测装置,其特征在于,包括:
样本数据分析模块,用于根据能源规划样本数据集,构建数据预测算法模型和数据修复算法模型;其中,所述能源规划数据集包括普通样本数据集、缺陷样本数据集和缺陷修复样本数据集;
能源规划数据修正模块,用于根据所述数据预测算法模型筛选待测能源规划数据集中的异常数据;
所述能源规划数据修正模块,还用于根据所述数据修复算法模型修复所述异常数据,得到修正数据;
所述能源规划数据修正模块,还用于将所述待测能源规划数据集中的异常数据替换成修正数据,得到修正能源规划数据集;
数据融合模块,用于根据预设的能源规划需求得到融合条件,通过所述融合条件融合所述修正能源规划数据集中的数据得到基础数据集;其中,所述能源规划需求包括能源规划目标、能源规划时间和能源规划区域,所述融合条件包括融合主题和与融合主题相关联的能源规划数据类型;
能源规划预测模块,用于将所述基础数据集按照预设比例划分为训练集和验证数据集,并根据所述训练集和所述验证数据集进行能源规划训练,得到能源规划预测模型;根据所述能源规划预测模型,得到所述能源规划需求对应的能源规划预测数据。
6.根据权利要求5所述的基于神经网络的能源规划预测装置,其特征在于,所述样本数据分析模块,包括:
标记单元,用于根据预设的质量校验规则对所述缺陷样本数据集进行质量校验,并对所述缺陷样本数据集中的质量异常部分进行标记,得到标记数据;
优化单元,用于将所述标记数据输入质量检测神经网络进行训练得到数据预测算法模型,并根据所述普通样本数据集对所述数据预测算法模型进行优化。
7.根据权利要求5所述的基于神经网络的能源规划预测装置,其特征在于,所述样本数据分析模块,包括:
分类单元,用于对所述缺陷样本数据集和所述缺陷修复样本数据集的缺陷类型进行分类,并根据缺陷类型将所述缺陷样本数据集和缺陷修复样本数据集输入数据修复神经网络进行训练,得到数据修复算法模型。
8.根据权利要求5所述的基于神经网络的能源规划预测装置,其特征在于,所述能源规划数据修正模块,还用于根据所述数据预测算法模型,得到所述待测能源规划数据集相对于预设的质量校验规则的质量误差,判断所述质量误差是否超过预设值;若是,则确定所述能源规划数据存在质量问题;若否,则确定所述能源规划数据不存在质量问题。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的基于神经网络的能源规划预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于神经网络的能源规划预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872274.XA CN113516317A (zh) | 2021-07-30 | 2021-07-30 | 一种基于神经网络的能源规划预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872274.XA CN113516317A (zh) | 2021-07-30 | 2021-07-30 | 一种基于神经网络的能源规划预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516317A true CN113516317A (zh) | 2021-10-19 |
Family
ID=78068999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110872274.XA Pending CN113516317A (zh) | 2021-07-30 | 2021-07-30 | 一种基于神经网络的能源规划预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516317A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
CN109740630A (zh) * | 2018-12-06 | 2019-05-10 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及系统 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
CN112733417A (zh) * | 2020-11-16 | 2021-04-30 | 南京邮电大学 | 一种基于模型优化的异常负荷数据检测与修正方法和系统 |
CN112949882A (zh) * | 2019-11-26 | 2021-06-11 | 新奥数能科技有限公司 | 一种负荷预测的方法、装置及电子设备 |
-
2021
- 2021-07-30 CN CN202110872274.XA patent/CN113516317A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376772A (zh) * | 2018-09-28 | 2019-02-22 | 武汉华喻燃能工程技术有限公司 | 一种基于神经网络模型的电力负荷组合预测方法 |
CN109740630A (zh) * | 2018-12-06 | 2019-05-10 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
CN109934385A (zh) * | 2019-01-29 | 2019-06-25 | 跨越速运集团有限公司 | 基于长短记忆神经网络的货量预测方法及系统 |
CN112949882A (zh) * | 2019-11-26 | 2021-06-11 | 新奥数能科技有限公司 | 一种负荷预测的方法、装置及电子设备 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
CN112733417A (zh) * | 2020-11-16 | 2021-04-30 | 南京邮电大学 | 一种基于模型优化的异常负荷数据检测与修正方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A new standardized Palmer drought index for hydro‐meteorological use | |
Arora et al. | Specialized technology suppliers, international spillovers and investment: evidence from the chemical industry | |
Yang et al. | Use of recurrent Markov chains for modeling the crack performance of flexible pavements | |
Wood | EIA in plan making | |
Grbac et al. | A second replicated quantitative analysis of fault distributions in complex software systems | |
CN110738523B (zh) | 一种维修订单量预测方法及装置 | |
Zhou et al. | Hazard rate models for early detection of reliability problems using information from warranty databases and upstream supply chain | |
Liu et al. | Quantitative evaluation of the building energy performance based on short-term energy predictions | |
Dai et al. | Field reliability modeling based on two-dimensional warranty data with censoring times | |
CN111008193A (zh) | 一种数据清洗与质量评价方法及系统 | |
CN115689396A (zh) | 污染物排放管控方法、装置、设备及介质 | |
Galvan et al. | System for detection of abnormalities and fraud in customer consumption | |
CN115713403A (zh) | 基于自编码神经网络的企业风险识别方法、装置及设备 | |
CN113129064A (zh) | 汽车配件价格预测方法、系统、设备与可读存储介质 | |
CN113516317A (zh) | 一种基于神经网络的能源规划预测方法及装置 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN115758659A (zh) | 一种水体修复方案的修复效果验证方法、装置及电子设备 | |
CN111144429A (zh) | 对象分类方法及其系统、计算机系统及计算机可读介质 | |
Larsson Ivanov et al. | The practical value of structural health information for time dependence in bridge maintenance | |
CN114862053A (zh) | 一种材料供应商推送方法、系统及设备 | |
CN111427936B (zh) | 报表生成方法、装置、计算机设备和存储介质 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
CN112416782A (zh) | 测试结果的验证方法、装置和电子设备 | |
CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
CN112700062A (zh) | 一种路面养护方法、设备及存储介质 |
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 |