CN113962874A - 母线负荷模型的训练方法、装置、设备及存储介质 - Google Patents

母线负荷模型的训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113962874A
CN113962874A CN202110790638.XA CN202110790638A CN113962874A CN 113962874 A CN113962874 A CN 113962874A CN 202110790638 A CN202110790638 A CN 202110790638A CN 113962874 A CN113962874 A CN 113962874A
Authority
CN
China
Prior art keywords
bus load
trained
function
training
bus
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
Application number
CN202110790638.XA
Other languages
English (en)
Inventor
赵洁
唐佳杰
麻高源
刘涤尘
方宇迪
何育钦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110790638.XA priority Critical patent/CN113962874A/zh
Publication of CN113962874A publication Critical patent/CN113962874A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请公开了一种母线负荷模型的训练方法、装置、计算机设备及计算机可读存储介质，通过基于Sgolay平滑滤波器对待训练数据集进行平滑处理，得到降噪后的待训练的母线负荷序列，其中，所述待训练数据集包括多条待训练的母线负荷序列；根据所述待训练的母线负荷序列对预置网络进行训练，生成母线负荷短期预测模型，实现将降噪后的母线负荷序列来训练模型，从而提高模型预测母线负荷值的精确度。

Description

母线负荷模型的训练方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种母线负荷模型的训练方法、 装置、计算机设备及计算机可读存储介质。
背景技术
母线负荷具有数目众多，量大面广，负荷值基数小于系统负荷的特点， 因此用户的用电行为对母线负荷的影响容易使母线负荷曲线产生突变，稳定 性较差，且由于母线负荷水平较低，惯性较弱，因此单个企业或者用户的行 为对整体负荷的影响较大，导致负荷有较多“毛刺”。通信信道故障、计划 性的调度操作、电网线路检修或者用户用电行为的改变时，使得母线负荷容 易出现异常数据即离群值，这些异常数据违背了负荷的正常变化规律，从而 导致数据不准确，影响模型预测负荷的准确性较低。
发明内容
本申请的主要目的在于提供一种母线负荷模型的训练方法、装置、计算 机设备及计算机可读存储介质，旨在解决通信信道故障、计划性的调度操作、 电网线路检修或者用户用电行为的改变时，使得母线负荷容易出现异常数据 即离群值，这些异常数据违背了负荷的正常变化规律，从而导致数据不准确， 影响模型预测负荷的准确性较低的技术问题。
第一方面，本申请提供一种母线负荷模型的训练方法，所述方法包括以 下步骤：
基于Sgolay平滑滤波器待训练数据集进行平滑处理，得到降噪后的待训 练的母线负荷序列，其中，所述待训练数据集包括多条待训练的母线负荷序 列；
根据所述待训练的母线负荷序列对预置网络进行训练，生成母线负荷模 型。
第二方面，本申请还提供一种母线负荷模型的训练装置，所述母线负荷 模型的训练装置包括：
获取模块，用于基于Sgolay平滑滤波器对待训练数据集进行平滑处理， 得到降噪后的待训练的母线负荷序列；
生成模块，用于根据所述待训练的母线负荷序列对预置网络进行训练， 生成母线负荷模型。
第三方面，本申请还提供一种计算机设备，所述计算机设备包括处理器、 存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其 中所述计算机程序被所述处理器执行时，实现如上述的母线负荷模型的训练 方法的步骤。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存 储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如 上述的母线负荷模型的训练方法的步骤。
本申请提供一种母线负荷模型的训练方法、装置、计算机设备及计算机 可读存储介质，通过预置平滑滤波器对待训练数据集进行平滑处理，得到降 噪后的待训练的母线负荷序列，其中，所述待训练数据集包括多条待训练的 母线负荷序列；根据所述待训练的母线负荷序列对预置网络进行训练，生成 母线负荷模型，实现通过Sgolay平滑滤波器对待训练数据集进行离群值修复 后，得到了降噪后的母线负荷序列，将降噪后的母线负荷序列来训练模型， 从而提高模型预测母线负荷值的精确度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需 要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一 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的前提下， 还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种母线负荷模型的训练方法的流程示意图；
图2为本申请实施例提供的母线负荷离群值修复示意图；
图3为图1中的母线负荷模型的训练方法的子步骤流程示意图；
图4为本申请实施例提供的LSTM内部网络结构示意图；
图5为本申请实施例提供的LRD-LSTM参数优化示意图；
图6为本申请实施例提供的母线负荷预测结果示意图；
图7为本申请实施例提供的母线负荷预测误差分布示意图；
图8为本申请实施例提供的母线负荷预测评价指标示意图；
图9为本申请实施例提供的学习率变化示意图；
图10为本申请实施例提供的训练均方根误差变化示意图；
图11为本申请实施例提供的另一种母线负荷模型的训练方法的流程示意 图；
图12为本申请实施例提供的历史影响因素序列MIC结果示意图；
图13为本申请实施例提供的一种母线负荷模型的训练装置的示意性框 图；
图14为本申请一实施例涉及的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是 全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步 骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组 合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供一种母线负荷模型的训练方法、装置、计算机设备及 计算机可读存储介质。其中，该母线负荷模型的训练方法可应用于计算机设 备中，该计算机设备可以是笔记本电脑、台式电脑等电子设备。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况 下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1为本申请的实施例提供的一种母线负荷模型的训练方 法的流程示意图。
如图1所示，该方法包括步骤S101至步骤S102。
步骤S101、基于Sgolay平滑滤波器对待训练数据集进行平滑处理，得到 降噪后的待训练的母线负荷序列，其中，所述待训练数据集包括多条待训练 的母线负荷序列。
示范性的，调用Sgolay平滑滤波器，通过预置平滑滤波器对待训练数据 集中各个母线负荷序列进行平滑处理，获取待训练数据集各个母线负荷序列 降噪后的母线负荷序列，并将降噪后的母线负荷序列作为待训练的母线负荷 序列。例如，平滑处理包括首先构造一个n阶多项式：
Figure BDA0003160969750000041
其中，f(x)为母线负荷序列，a和p为系数。
令第i个数的横坐标为xi，同时令x0＝0，并且令它的值的大小为gi，在对 ai的求解过程中从简化了最小二乘的程度上优化了f(xi)对gi的拟合。
εi＝f(xi)-gi
Figure BDA0003160969750000042
Figure BDA0003160969750000043
用如下的方式进行伪转置：
令f(xi)＝gi
Figure BDA0003160969750000044
a＝(a0,…,ap,…,an)T
Ba＝g
Figure BDA0003160969750000045
Figure BDA0003160969750000046
Figure BDA0003160969750000047
Figure BDA0003160969750000051
Figure BDA0003160969750000052
令v＝S(BTB)-1BT，这样，v便是一个矢量，这个矢量与样本矢量g点乘的 结果就是x处的c阶导数。
如图2所示中，Cleaned Data曲线表示修复后母线负荷曲线经离群值，通 过Sgolay滤波器进行离群值修复后的母线负荷曲线更较平滑，有效处理了母 线负荷的毛刺，且使得母线负荷曲线依然在控制范围内，有效处理了母线负 荷毛刺多，异常数据多的问题。
步骤S102、根据所述待训练的母线负荷序列对预置网络进行训练，生成 母线负荷模型。
示范性的，待训练的母线负荷序列至少包括多条，预置网络包括长短期 记忆网络和/或全连接层网络。例如，通过多条待训练的母线负荷序列对长短 期记忆网络和全连接层网络进行训练，确定训练后的长短期记忆网络和全连 接层网络是否处于收敛状态。若确定该长短期记忆网络和全连接层网络处于 收敛状态，则生成母线负荷模型，其中，母线负荷模型为母线负荷短期预测 模型；若确定长短期记忆网络和全连接层网络不处于收敛状态，则通过待训 练的母线负荷序列继续对长短期以网络和全连接层网络进行训练，直至长短 期以网络和全连接层网络处于收敛状态。
在一实施例中，具体地，参照图3，步骤S102包括：子步骤S1021至子 步骤S1024。
子步骤S1021、根据所述待训练母线负荷序列对所述长短期记忆网络进行 训练，获取所述长短期记忆网络的损失函数。
示范性的，该待训练母线负荷序列包括标注的母线负荷值，通过将待训 练的母线负荷序列依次输入到长短期记忆网络中，通过母线负荷序列和对应 标注的母线负荷值，得到长短期记忆网络中的损失函数。
具体的，所述长短期记忆网络包括输入门、更新门和输出门；所述根据 所述待训练母线负荷序列对所述长短期记忆网络进行训练，获取所述长短期 记忆网络的损失函数，包括：将所述待训练母线负荷序列依次输入至所述长 短期记忆网络，以使所述更新门获取所述待训练母线负荷序列，输出第一向 量参数；基于所述输入门获取所述待训练母线负荷序列，获取所述输入门输 出的第二向量参数和第三向量参数；基于所述第一向量参数、所述第二向量 参数和所述第三向量参数，更新所述长短期记忆网络当前细胞状态，并获取更新后的细胞状态；基于所述输出门获取所述待训练母线负荷序列，输出第 四向量参数；根据所述第四向量参数、所述更新后的细胞状态和预置函数， 获取第五向量参数；根据所述第五向量参数和预置激活函数，获取所述待训 练母线负荷序列的预测值；基于所述预测值和预置标签值，得到损失函数。
示范性的，设共有k个时间步的输入序列，按输入时间先后分为x1、x2、…、 xk，取第t时间步进行分析，在LSTM模块内的门控机制由遗忘门、输入门和 输出门组成，xt为当前输入网络的输入向量，ht为当前的隐藏层向量，其中包 含所有LSTM细胞的输出，ct为当前的细胞状态，其中包含所有LSTM细胞 的状态。LSTM运算包括更新遗忘门输出、更新输入门两部分输出、更新细 胞状态、更新输出门输出、更新当前时刻预测输出如下：
更新遗忘门输出：
ft＝σ(Wfxt+Ufht-1+bf)
2)更新输入门两部分输出：
it＝σ(Wiht-1+Uixt+bi)
Figure BDA0003160969750000061
3)更新细胞状态：
Figure BDA0003160969750000062
4)更新输出门输出：
ot＝σ(Woxt+Uoht-1+bo)
Figure BDA0003160969750000063
5)更新当前时刻预测输出：
Figure BDA0003160969750000064
其中，带有下标的W、U、b分别是对应的各门或神经层的循环权重、输 入权重和阈值。各门的激活函数σ(x)均为Sigmoid函数：
Figure BDA0003160969750000065
其值域为(0，1)，通过Sigmoid函数转换，可将输入量转换为概率数值， 因此被广泛作为人工神经网络传递的激活函数。
如图4所示，当xt输入网络后，会与上一时间步的隐藏层向量ht-1同时被 一个tanh神经层与3个门处理，其中，tanh函数表达式为：
Figure BDA0003160969750000071
其值域为(-1，1)，输出以原点为中心，收敛速度相较于Sigmoid更快， 通常用作输出门的激活函数。
tanh层会创建新的候选状态向量
Figure BDA0003160969750000072
遗忘门ft决定要从上一时间步的细胞 状态ct-1中丢弃与保留什么信息，输入门it决定如何更新候选状态向量
Figure BDA0003160969750000073
，细胞 状态更新后，输出门ot决定如何将新的状态向量ct过滤为输出信息ht。
时间步间的处理如图4所示，当前时间步的ct与ht经过LSTM的门控机 构计算后被保留下来，用于下一时间步的计算，当完成最后一步的计算后， 隐藏层向量hk将作为输出与本组序列对应的预测值(标签值)进行比较，得 出损失函数的值，选择平方和误差函数作为LSTM的损失函数，表达式为：
Figure BDA0003160969750000074
子步骤S1022、根据所述损失函数，获取所述长短期记忆网络的梯度下降 迭代函数。
示范性的，将获取到损失函数时，通过损失函数和预置参数，获取长短 期记忆网络的梯度下降迭代函数。
具体的，所述根据所述损失函数，获取所述长短期记忆网络的梯度下降 迭代函数，包括：基于所述损失函数，确定损失值；通过所述损失值和预置 函数，获取所述长短期记忆网络的梯度下降迭代函数。
示范性的，通过损失函数，获取到对应的损失值，通过激活函数和损失 值，得到长短期记忆网络的梯度下降迭代函数，表达式为：
Figure BDA0003160969750000075
子步骤S1023、根据预置学习率模块对所述梯度下降迭代函数进行优化， 以获取优化后的梯度下降迭代函数。
示范性的，通过预置学习率下降模块对梯度下降迭代函数进行优化，以 获取优化后的梯度下降迭代函数，通过学习率下降模块的引入使得LSTM的 预测误差更加平缓，波动性得到下降，且预测精确度也在一定范围内得到提 升。
具体的，所述根据预置学习率模块对所述梯度下降迭代函数进行优化， 以获取优化后的梯度下降迭代函数，包括：基于预置学习率模块计算所述梯 度下降迭代函数，获取当前所述梯度下降迭代函数的梯度值；基于所述梯度 值对所述梯度下降迭代函数的参数进行优化，以获取优化后的梯度下降迭代 函数。
示范性的，引入学习率阶段式下降模块，对梯度下降参数迭代过程进行 优化，表达式为：
Figure BDA0003160969750000081
其中，i为网络训练迭代次数，m为学习率降低迭代次数，[]为取整符号， μ为学习率下降比例，α0为初始学习率。
子步骤S1024、通过优化后的梯度下降迭代函数对所述损失函数进行优 化，以生成母线负荷模型。
示范性的，通过优化有的梯度下降迭代函数对损失函数进行优化，得到 优化后的损失函数，并基于损失函数分别对输入门、更新门和输出门的向量 参数进行优化，从而生成母线负荷模型。
具体的，所述长短期记忆网络包括输入门、更新门和输出门；所述通过优 化后的梯度下降迭代函数对所述损失函数进行优化，以生成母线负荷模型， 包括：通过计算优化后的梯度下降迭代函数得到优化后的损失值；基于所述 损失值对所述损失函数进行优化，得到基准预测值；基于所述基准预测值分 别对所述更新门、所述输入门和所述输出门的参数进行优化，生成母线负荷 模型。
示范性的，通过优化有的梯度下降迭代函数对损失函数进行优化，得到 优化后的损失函数，通过优化后的损失函数和待训练的母线负荷序列，得到 对应的损失值，例如，通过损失函数得到待训练的母线负荷序列的预测值， 基于该预测值和待训练的母线负荷序列的标注值，得到对应的损失值，如图5 所示，通过损失值来更新更新门、输入门和输出门的向量参数，从而使长短 期记忆网络处于收敛状态，生成母线负荷模型。
在本申请实施例中，通过选择三种方案分别进行预测：
方法一：基于Sgolay平滑滤波器和LRD-LSTM的母线负荷预测方法，其 中，LRD-LSTM为加入学习率下降模块后训练生成的母线负荷模型；
方法二：基于Sgolay平滑滤波器和LSTM的母线负荷预测方法，其中， LSTM为加入没有学习率下降模块后训练生成的母线负荷模型；
方法三：基于LRD-LSTM的母线负荷预测方法。
通过如图6所示，可知三种方案的预测曲线与真实值曲线的拟合度均在 可接受范围内，为对预测的误差值进行直观分析，引入母线负荷预测误差分 布图，例如，如图7所示并进行评价指标分析。
其中，母线短期负荷预测评价指标包含平均相对误差、最大相对误差、 超负荷率、高于真实值负荷率、低于真实值负荷率、负荷预测时间，其中：
均方根误差(Root Mean Error，RMSE)：
Figure BDA0003160969750000091
相关性系数(Correlation Coefficient):
Figure BDA0003160969750000092
其中，σA，σB分别为数据集A，数据集B的标准差，标准差公式如下：
Figure BDA0003160969750000093
上述指标中，RMSE为相对误差指标，而相关系数ρ则用于表征预测曲线 与校验曲线的准确性，相关系数越接近于1，表明预测精度越高。
通过如图8所示，基于Sgolay平滑滤波器进行离群值修复后的误差曲线 得到有效降低。学习率下降模块的引入使得LSTM的预测误差更加平缓，波 动性得到下降，且预测精确度也在一定范围内得到提升。
通过如图9所示，随着迭代次数的增加，训练学习率阶段式下降，由初 始设置学习率0.005，逐步降低45％，直至迭代次数结束为止，通过如图10 所示，对于LSTM迭代过程的训练损失误差，要求开始变化剧烈，下降迅速， 中间过程有小波动，迭代后期接近平稳，学习率分段式模块的引入，使得该 模型迭代过程后期的训练误差相较于未引入学习率下降模块的LSTM训练过 程更加平缓。
请参照图11，图11为本申请的实施例提供的方法的流程示意图。
如图11所示，该包括步骤S201至步骤S203。
步骤S201、对待测试数据集进行MIC分析，确定母线负荷影响序列，并 通过所述母线负荷影响序列生成待测试样本集。
示范性的，从数据集中初步选出与母线负荷序列相关的备选序列，计算 备选序列与预测母线负荷序列之间的MIC，进行相关性分析，确定MIC大的 备选序列，将MIC大的备选序列作为母线负荷影响序列。例如，数据集从电 力现货市场中采集，包括采集某一时刻的母线负荷、实时温度、实时湿度、 实时电价，如图12所示，备选序列选包括温度、湿度和电价，对备选序列进 行MIC分析发现相关性都满足要求，因此都作为影响序列。相关性分析包括 MIC相关性系数运算，例如，建立二元数据集将两个需要进行相关性分析的 序列建立二元数据集。D∈R2，将D(数据集)划分为x(时刻)列y(影响 序列)行的网格。计算G(网格)中的每个单元的概率分布D|G。求得最大互 信息maxI(D|G)，将其保存为I*[D(x,y)]，如下所示：
I*[D(x,y)]＝maxI(D|G)
将其标准化，并求出最大互信息系数F(D)如下：
Figure BDA0003160969750000101
Figure BDA0003160969750000102
其中，n为采样样本大小(数据集中的母线负荷序列数量)；B(n)是关于 采样样本大小的函数，表示网格G划分方格总数xy的约束，需小于B(n)，一 般Bn＝n0.6。
步骤S202、对所述待测试样本集进行平滑处理，得到降噪后的待测试样 本集。
示范性的，通过对待测试样本集进行分析，得到母线负荷影响序列，通 过预置平滑滤波器对待测试样本集进的母线负荷影响序进行平滑处理，获取 降噪后的待测试样本集的。
步骤S203、将所述降噪后的待训练母线负荷序列输入所述母线负荷模型 中，获取所述母线负荷模型输出的所述待测试样本集的母线负荷值。
示范性的，将降噪后的待训练母线负荷序列输入上述的母线负荷模型中， 获取母线负荷模型输出的待测试样本集输出值，对输出值反正则化后，作为 对应的母线负荷预测值。例如，预先通过训练数据，得到零均值归一化公式， 如，选择零均值归一化方法作为母线负荷模型的反正则化处理方法，其中， 反正则化处理方法为零均值归一化方法，零均值归一化方法如下：
首先对待处理数据的均值与均方根进行计算：
mu＝mean(dataTrain)
sig＝std(dataTrain)
Figure BDA0003160969750000111
将训练数据、均值、均方根值带入零均值归一化公式得到归一化结果， 零均值归一化公式如下：
Figure BDA0003160969750000112
在得到零均值归一化公式后对当前母线负荷序列输出的输出值进行处 理，将得到的dataTrainStd作为母线负荷预测值。
在本申请实施例中，通过Sgolay平滑滤波器对待测试样本集进行离群值 修复后，又引入学习率下降模块生成的母线负荷模型来检测待测试样本集， 提高了预测的准确性
请参照图13，图13为本申请实施例提供的一种母线负荷模型的训练装置 的示意性框图。
如图13所示，该装置400，包括：获取模块401、生成模块402。
获取模块401，用于基于Sgolay平滑滤波器对待训练数据集进行平滑处 理，得到降噪后的待训练的母线负荷序列，其中，所述待训练数据集包括多 条待训练的母线负荷序列；
生成模块402，用于根据所述待训练的母线负荷序列对预置网络进行训 练，生成母线负荷模型。
其中，生成模块402具体还用于：
根据所述待训练母线负荷序列对所述长短期记忆网络进行训练，获取所 述长短期记忆网络的损失函数；
根据所述损失函数，获取所述长短期记忆网络的梯度下降迭代函数；
根据预置学习率模块对所述梯度下降迭代函数进行优化，以获取优化后 的梯度下降迭代函数；
通过优化后的梯度下降迭代函数对所述损失函数进行优化，以生成母线 负荷模型。
其中，生成模块402具体还用于：
将所述待训练母线负荷序列依次输入至所述长短期记忆网络，以使所述 更新门获取所述待训练母线负荷序列，输出第一向量参数；
基于所述输入门获取所述待训练母线负荷序列，获取所述输入门输出的 第二向量参数和第三向量参数；
基于所述第一向量参数、所述第二向量参数和所述第三向量参数，更新 所述长短期记忆网络当前细胞状态，并获取更新后的细胞状态；
基于所述输出门获取所述待训练母线负荷序列，输出第四向量参数；
根据所述第四向量参数、所述更新后的细胞状态和预置函数，获取第五 向量参数；
根据所述第五向量参数和预置激活函数，获取所述待训练母线负荷序列 的预测值；
基于所述预测值和预置标签值，得到损失函数。其
中，生成模块402具体还用于：
基于所述损失函数，确定损失值；
将所述损失值和预置函数，获取所述长短期记忆网络的梯度下降迭代函 数。
其中，生成模块402具体还用于：
基于预置学习率模块计算所述梯度下降迭代函数，获取当前所述梯度下 降迭代函数的梯度值；
基于所述梯度值对所述梯度下降迭代函数的参数进行优化，以获取优化 后的梯度下降迭代函数。
其中，生成模块402具体还用于：
所述长短期记忆网络包括输入门、更新门和输出门；所述通过优化后的梯 度下降迭代函数对所述损失函数进行优化，以生成母线负荷模型，包括：
通过计算优化后的梯度下降迭代函数得到优化后的损失值；
基于所述损失值对所述损失函数进行优化，得到基准预测值；
基于所述基准预测值分别对所述更新门、所述输入门和所述输出门的参 数进行优化，生成母线负荷模型。
其中，母线负荷模型的训练装置还用于：
对待测试数据集进行MIC分析，确定母线负荷影响序列，并通过所述母 线负荷影响序列生成待测试样本集；
对所述待测试样本集进行平滑处理，得到降噪后的待测试样本集；
将所述降噪后的待测试样本集输入所述母线负荷模型中，获取所述母线 负荷模型输出的所述待测试样本集列的母线负荷值。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方 便和简洁，上述描述的装置和各模块及单元的具体工作过程，可以参考前述 母线负荷模型的训练方法实施例中的对应过程，在此不再赘述。
上述实施例提供的装置可以实现为一种计算机程序的形式，该计算机程 序可以在如图14所示的计算机设备上运行。
请参阅图14，图14为本申请实施例提供的一种计算机设备的结构示意性 框图。该计算机设备可以为终端。
如图14所示，该计算机设备包括通过系统总线连接的处理器、存储器和 网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程 序指令，该程序指令被执行时，可使得处理器执行任意一种母线负荷模型的 训练方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算 机程序被处理器执行时，可使得处理器执行任意一种母线负荷模型的训练方 法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员 可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图， 并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设 备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不 同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit， CPU)，该处理器还可以是其他通用处理器、数字信号处理器(D i gita l Si gna l 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、分立硬件组件等。其中， 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。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机 程序，以实现如下步骤：
基于Sgolay平滑滤波器对待训练数据集进行平滑处理，得到降噪后的待 训练的母线负荷序列，其中，所述待训练数据集包括多条待训练的母线负荷 序列；根据所述待训练的母线负荷序列对预置网络进行训练，生成母线负荷 模型。
在一个实施例中，所述处理器实现所述预置网络包括长短期记忆网络； 所述根据所述待训练的母线负荷序列对预置网络进行训练，生成母线负荷模 型时，用于实现：
根据所述待训练的母线负荷序列对所述长短期记忆网络进行训练，获取 所述长短期记忆网络的损失函数；
根据所述损失函数，获取所述长短期记忆网络的梯度下降迭代函数；
根据预置学习率模块对所述梯度下降迭代函数进行优化，以获取优化后 的梯度下降迭代函数；
通过优化后的梯度下降迭代函数对所述损失函数进行优化，以生成母线 负荷模型。
在一个实施例中，所述处理器实现所述长短期记忆网络包括输入门、更 新门和输出门；所述根据所述待训练母线负荷序列对所述长短期记忆网络进 行训练，获取所述长短期记忆网络的损失函数时，用于实现：
将所述待训练母线负荷序列依次输入至所述长短期记忆网络，以使所述 更新门获取所述待训练母线负荷序列，输出第一向量参数；
基于所述输入门获取所述待训练母线负荷序列，获取所述输入门输出的 第二向量参数和第三向量参数；
基于所述第一向量参数、所述第二向量参数和所述第三向量参数，更新 所述长短期记忆网络当前细胞状态，并获取更新后的细胞状态；
基于所述输出门获取所述待训练母线负荷序列，输出第四向量参数；
根据所述第四向量参数、所述更新后的细胞状态和预置函数，获取第五 向量参数；
根据所述第五向量参数和预置激活函数，获取所述待训练母线负荷序列 的预测值；
基于所述预测值和预置标签值，得到损失函数。
在一个实施例中，所述处理器实现根据所述损失函数，获取所述长短期 记忆网络的梯度下降迭代函数时，用于实现：
基于所述损失函数，确定损失值；
将所述损失值和预置函数，获取所述长短期记忆网络的梯度下降迭代函 数。
在一个实施例中，所述处理器实现根据预置学习率模块对所述梯度下降 迭代函数进行优化，以获取优化后的梯度下降迭代函数时，用于实现：
基于预置学习率模块计算所述梯度下降迭代函数，获取当前所述梯度下 降迭代函数的梯度值；
基于所述梯度值对所述梯度下降迭代函数的参数进行优化，以获取优化 后的梯度下降迭代函数。
在一个实施例中，所述处理器实现所述长短期记忆网络包括输入门、更 新门和输出门；所述通过优化后的梯度下降迭代函数对所述损失函数进行优 化，以生成母线负荷模型时，用于实现：
通过计算优化后的梯度下降迭代函数得到优化后的损失值；
基于所述损失值对所述损失函数进行优化，得到基准预测值；
基于所述基准预测值分别对所述更新门、所述输入门和所述输出门的参 数进行优化，生成母线负荷模型。
在一个实施例中，所述处理器实现生成母线负荷模型之后时，用于实现：
对待测试数据集进行MIC分析，确定母线负荷影响序列，并通过所述母 线负荷影响序列生成待测试样本集；
对所述待测试样本集进行平滑处理，得到降噪后的待训练母线负荷序列；
将所述降噪后的待测试样本集输入母线负荷模型中，获取所述母线负荷 模型输出的所述待测试样本集的母线负荷值。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介 质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被 执行时所实现的方法可参照本申请母线负荷模型的训练方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的 内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介 质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的 插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital， SD)卡，闪存卡(Flash Card)等。
需要说明的是，在本文中，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、物品 或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的 情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过 程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述， 仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉 本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的 修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本 申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种母线负荷模型的训练方法，其特征在于，包括：
基于Sgolay平滑滤波器对待训练数据集进行平滑处理，得到降噪后的待训练的母线负荷序列，其中，所述待训练数据集包括多条待训练的母线负荷序列；
根据所述待训练的母线负荷序列对预置网络进行训练，生成母线负荷模型。
2.如权利要求1所述的母线负荷模型的训练方法，其特征在于，其中，所述预置网络包括长短期记忆网络；所述根据所述待训练的母线负荷序列对预置网络进行训练，生成母线负荷模型，包括：
根据所述待训练的母线负荷序列对所述长短期记忆网络进行训练，获取所述长短期记忆网络的损失函数；
根据所述损失函数，获取所述长短期记忆网络的梯度下降迭代函数；
根据预置学习率模块对所述梯度下降迭代函数进行优化，以获取优化后的梯度下降迭代函数；
通过优化后的梯度下降迭代函数对所述损失函数进行优化，以生成母线负荷模型。
3.如权利要求2所述的母线负荷模型的训练方法，其特征在于，所述长短期记忆网络包括输入门、更新门和输出门；所述根据所述待训练母线负荷序列对所述长短期记忆网络进行训练，获取所述长短期记忆网络的损失函数，包括：
将所述待训练母线负荷序列依次输入至所述长短期记忆网络，以使所述更新门获取所述待训练母线负荷序列，输出第一向量参数；
基于所述输入门获取所述待训练母线负荷序列，获取所述输入门输出的第二向量参数和第三向量参数；
基于所述第一向量参数、所述第二向量参数和所述第三向量参数，更新所述长短期记忆网络当前细胞状态，并获取更新后的细胞状态；
基于所述输出门获取所述待训练母线负荷序列，输出第四向量参数；
根据所述第四向量参数、所述更新后的细胞状态和预置函数，获取第五向量参数；
根据所述第五向量参数和预置激活函数，获取所述待训练母线负荷序列的预测值；
基于所述预测值和预置标签值，得到损失函数。
4.如权利要求2所述的母线负荷模型的训练方法，其特征在于，所述根据所述损失函数，获取所述长短期记忆网络的梯度下降迭代函数，包括：
基于所述损失函数，确定损失值；
通过所述损失值和预置函数，获取所述长短期记忆网络的梯度下降迭代函数。
5.如权利要求2所述的母线负荷模型的训练方法，其特征在于，所述根据预置学习率模块对所述梯度下降迭代函数进行优化，以获取优化后的梯度下降迭代函数，包括：
基于预置学习率模块计算所述梯度下降迭代函数，获取当前所述梯度下降迭代函数的梯度值；
基于所述梯度值对所述梯度下降迭代函数的参数进行优化，以获取优化后的梯度下降迭代函数。
6.如权利要求2所述的母线负荷模型的训练方法，其特征在于，所述长短期记忆网络包括输入门、更新门和输出门；所述通过优化后的梯度下降迭代函数对所述损失函数进行优化，以生成母线负荷模型，包括：
通过计算优化后的梯度下降迭代函数得到优化后的损失值；
基于所述损失值对所述损失函数进行优化，得到基准预测值；
基于所述基准预测值分别对所述更新门、所述输入门和所述输出门的参数进行优化，生成母线负荷模型。
7.如权利要求1所述的母线负荷模型的训练方法，其特征在于，所述生成母线负荷模型之后，还包括：
对待测试数据集进行MIC分析，确定母线负荷影响序列，并通过所述母线负荷影响序列生成待测试样本集；
对所述待测试样本集进行平滑处理，得到降噪后的待测试样本集；
将所述降噪后的待测试样本集输入所述母线负荷模型中，获取所述母线负荷模型输出的所述待测试样本集的母线负荷预测值。
8.一种母线负荷模型的训练装置，其特征在于，所述母线负荷模型的训练装置包括：
获取模块，用于基于预置平滑滤波器对待训练数据集进行平滑处理，得到降噪后的待训练的母线负荷序列，其中，所述待训练数据集包括多条待训练的母线负荷序列；
生成模块，用于根据所述待训练的母线负荷序列对预置网络进行训练，生成母线负荷模型。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的母线负荷模型的训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的母线负荷模型的训练方法的步骤。
CN202110790638.XA 2021-07-13 2021-07-13 母线负荷模型的训练方法、装置、设备及存储介质 Pending CN113962874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110790638.XA CN113962874A (zh) 2021-07-13 2021-07-13 母线负荷模型的训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110790638.XA CN113962874A (zh) 2021-07-13 2021-07-13 母线负荷模型的训练方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113962874A true CN113962874A (zh) 2022-01-21

Family

ID=79460346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110790638.XA Pending CN113962874A (zh) 2021-07-13 2021-07-13 母线负荷模型的训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113962874A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392594A (zh) * 2022-10-27 2022-11-25 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法
WO2024001867A1 (zh) * 2022-06-27 2024-01-04 中兴通讯股份有限公司 通信负荷预测的方法、计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024001867A1 (zh) * 2022-06-27 2024-01-04 中兴通讯股份有限公司 通信负荷预测的方法、计算机可读存储介质
CN115392594A (zh) * 2022-10-27 2022-11-25 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法
CN115392594B (zh) * 2022-10-27 2023-03-24 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法

Similar Documents

Publication Publication Date Title
CN110474808B (zh) 一种流量预测方法及装置
CN113962874A (zh) 母线负荷模型的训练方法、装置、设备及存储介质
CN111027772A (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN113657668A (zh) 基于lstm网络的电力负荷预测方法及系统
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN112163963A (zh) 业务推荐方法、装置、计算机设备和存储介质
CN113283671B (zh) 一种预测补货量的方法、装置、计算机设备及存储介质
CN111985719A (zh) 一种基于改进的长短期记忆网络的电力负荷预测方法
WO2023134188A1 (zh) 指标确定方法、装置、电子设备和计算机可读介质
Elorrieta et al. Discrete-time autoregressive model for unequally spaced time-series observations
Metaxoglou et al. Maximum likelihood estimation of VARMA models using a state‐space EM algorithm
CN112131274B (zh) 时间序列异常点的检测方法、装置、设备及可读存储介质
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN116885705A (zh) 区域负荷预测方法及装置
Jadli et al. A Novel LSTM-GRU-Based Hybrid Approach for Electrical Products Demand Forecasting.
CN116384574A (zh) 一种基于w-lstm的非参数负荷区间预测方法
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN114239945A (zh) 短期电力负荷预测方法、装置、设备及存储介质
CN113343468A (zh) 一种sarima模型进行多步预测的方法、装置及设备
Heidrich et al. Adaptively coping with concept drifts in energy time series forecasting using profiles
CN117217822B (zh) 电力交易指数预测的方法、装置、终端设备及存储介质
CN109409596B (zh) 预测风速的处理方法、装置、设备和计算机可读存储介质
CN112948606B (zh) 一种基于自适应网格的信号估计方法及装置
CN113297478B (zh) 基于用户生命周期的信息推送方法、装置及电子设备

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