CN114037182A - 建筑物负荷预测模型训练方法、装置及非易失性存储介质 - Google Patents

建筑物负荷预测模型训练方法、装置及非易失性存储介质 Download PDF

Info

Publication number
CN114037182A
CN114037182A CN202111424997.XA CN202111424997A CN114037182A CN 114037182 A CN114037182 A CN 114037182A CN 202111424997 A CN202111424997 A CN 202111424997A CN 114037182 A CN114037182 A CN 114037182A
Authority
CN
China
Prior art keywords
data
load
model
historical
load data
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
CN202111424997.XA
Other languages
English (en)
Inventor
杨烁
马麟
曾爽
赵宇彤
陈平
赵乐
梁安琪
张振德
王钊
王瀚秋
马凯
孙钦斐
刘畅
宫成
赵金娥
姚孟阳
王伟
陆旦宏
杨婷
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.)
Beijing Huiheshi Technology Co ltd
State Grid Corp of China SGCC
Nanjing Institute of Technology
State Grid Beijing Electric Power Co Ltd
Original Assignee
Beijing Huiheshi Technology Co ltd
State Grid Corp of China SGCC
Nanjing Institute of Technology
State Grid Beijing Electric Power Co Ltd
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 Beijing Huiheshi Technology Co ltd, State Grid Corp of China SGCC, Nanjing Institute of Technology, State Grid Beijing Electric Power Co Ltd filed Critical Beijing Huiheshi Technology Co ltd
Priority to CN202111424997.XA priority Critical patent/CN114037182A/zh
Publication of CN114037182A publication Critical patent/CN114037182A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—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
    • G06N3/04—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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (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)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种建筑物负荷预测模型训练方法、装置及非易失性存储介质。其中，该方法包括：确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物负荷的历史影响因素数据；输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；基于判别结果，调整生成模型的模型参数，得到目标生成模型。

Description

建筑物负荷预测模型训练方法、装置及非易失性存储介质
技术领域
本发明涉及电力领域，具体而言，涉及一种建筑物负荷预测模型训练方法、装置及非易失性存储介质。
背景技术
在现在的大环境中，楼宇是世界上最大的能源用户之一，因此对楼宇负荷预测具有重要的学术意义和工程意义。为了保护环境，减少资源浪费，在电力系统中，可以通过负荷预测对楼宇负荷在优化和调度决策方面起关键作用。但由于楼宇负荷各类数据繁杂，总数据特征不明显，导致采用现有技术训练建筑物负荷预测模型时的训练效率较低。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种建筑物负荷预测模型训练方法、装置及非易失性存储介质，以至少解决由于建筑物负荷数据繁杂，总数据特征不明显造成的采用现有技术训练建筑物负荷预测模型时的训练效率较低的技术问题。
根据本发明实施例的一个方面，提供了一种建筑物负荷预测模型训练方法，包括：确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物负荷的历史影响因素数据；输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；基于判别结果，调整生成模型的模型参数，得到目标生成模型。
可选地，判别结果包括第一类判别结果和第二类判别结果，其中，在判别结果为第一类判别结果的情况下，表明判别模型基于历史负荷数据确定第一预测负荷数据为真实负荷数据，在判别结果为第二类判别结果的情况下，表明判别模型基于历史负荷数据确定第一预测负荷数据不是真实负荷数据。
可选地，基于判别结果，调整生成模型的模型参数，得到目标生成模型包括：在判别结果为第二类判别结果的情况下，依据判别结果调整生成模型和判别模型的模型参数，直到判别模型输出的判别结果为第一类判别结果。
可选地，对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中包括：确定多个负荷特征指标，其中，负荷特征指标包括：符合率，最高利用小时率，日峰谷差率，峰期负载率，平期负载率，谷期负载率；确定与多个符合特征指标中的每个负荷特征指标对应的聚类中心；基于历史负荷数据，确定与历史负荷数据对应的历史负荷数据矩阵，以及基于第一预测负荷数据，确定与第一预测负荷数据对应的第一预测负荷数据矩阵；基于聚类中心，对历史负荷数据矩阵聚类，得到第一降维矩阵，以及基于聚类中心，对第一预测负荷数据聚类，得到第二降维矩阵；将第一降维矩阵和第二降维矩阵输入至判别模型中。
可选地，输入历史影响因素数据至生成模型中包括：依据随机噪声，生成第一随机矩阵；基于历史影响因素数据，得到第一影响因素序列；拼接第一随机矩阵和第一影响因素序列，得到第一拼接矩阵，并将第一拼接矩阵输入至生成模型中。
可选地，确定训练数据包括：在预设时间段中以预设频率采集目标建筑物的负荷数据以及负荷影响因素数据，并将负荷数据和负荷影响因素数据作为第一训练样本；清洗第一训练样本中的异常数据，得到第二训练样本，并将第二训练样本作为训练数据，其中，异常数据包括以下至少之一：负荷暴增，负荷骤降，负荷无效。
可选地，得到目标生成模型后，方法还包括：将目标建筑物的预测影响因素数据输入至目标生成模型中，得到目标建筑物的第二预测负荷数据。
可选地，将目标建筑物的预测影响因素数据输入至目标生成模型中包括：依据随机噪声，生成第二随机矩阵；基于预测影响因素数据，得到第二影响因素序列；拼接第二随机矩阵和第二影响因素序列，得到第二拼接矩阵，并将第二拼接矩阵输入至生成模型中。
根据本发明实施例的另一方面，还提供了一种建筑物负荷预测模型训练装置，包括：数据采集模块，用于确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物负荷的历史影响因素数据；第一处理模块，用于输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；第二处理模块，用于对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；调整模块，用于基于判别结果，调整生成模型的模型参数，得到目标生成模型。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行建筑物负荷预测模型训练方法。
根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括处理器，处理器用于运行程序，其中，程序运行时执行建筑物负荷预测模型训练方法。
在本发明实施例中，采用确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物负荷的历史影响因素数据；输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；基于判别结果，调整生成模型的模型参数，得到目标生成模型的方式，通过对历史负荷数据和第一预测负荷数据聚类，达到了降低训练数据复杂度，体现训练数据的数据特征的目的，从而实现了提高建筑物负荷预测模型训练效率的技术效果，进而解决了由于建筑物负荷数据繁杂，总数据特征不明显造成的采用现有技术训练建筑物负荷预测模型时的训练效率较低技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种建筑物负荷预测模型训练方法的流程示意图；
图2是根据本发明实施例的一种建筑物负荷预测模型训练过程的过程示意图；
图3是根据本发明实施例的一种生成模型的结构示意图；
图4是根据本发明实施例的一种判别模型的结构示意图；
图5是对训练数据聚类的一种聚类流程图；
图6是根据本发明实施例的一种建筑物负荷预测模型训练装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种建筑物负荷预测模型训练方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的建筑物负荷预测模型训练方法方法，如图1所示，该方法包括如下步骤：
步骤S102，确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物负荷的历史影响因素数据；
在本申请的一些实施例中，可以采用如下方式来确定训练数据。具体地，首先在预设时间段中以预设频率采集所述目标建筑物的负荷数据以及负荷影响因素数据，并将所述负荷数据和所述负荷影响因素数据作为第一训练样本；然后清洗所述第一训练样本中的异常数据，得到第二训练样本，并将所述第二训练样本作为所述训练数据，其中，所述异常数据包括以下至少之一：负荷暴增，负荷骤降，负荷无效。
在本申请的一些实施例中，可以采集4栋典型楼宇的2019-2020年内731天的楼宇负荷数据，选取写字楼、企业机构、宾馆、商场各一栋，得到2924条日负荷曲线，每条日负荷曲线有24个测量的用电负荷数据，对历史楼宇负荷数据进行预处理，对每个采集点的用电量和多维因素如气候气温、温度湿度、时间电价等进行数据清洗，找出异常(骤降，暴增)、无效、丢失的数据，将其删除或修正。最终得到S(2864,24)为2864条日负荷曲线构成的2864×24阶日负荷曲线矩阵。
步骤S104，输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；
具体地，在本申请的一些实施例中，将随机噪声所形成的随机矩阵z和影响楼宇负荷的气候气温、温度湿度、时间电价等外部因素所形成的序列y，拼接后输入至如图3所示的由3层CNN构成的生成模型G，输入的拼接矩阵为
Figure BDA0003377867630000051
输出为楼宇负荷预测数据G(z|y)，矩阵大小为(2864，24)。具体步骤是将随机噪声z以及条件数据y拼接的矩阵输入，由步长为1，32个3×3的卷积核卷积后得到第一个卷积层c1；再由步长为1，64个3×3的卷积核进行卷积后得到第二个卷积层c2；最后步长为1，经过1个3×3的卷积核得到输出。在每一个卷积层后采用ReLU函数激活，并在输出层采用tanh激活函数，网络最终生成预测负荷数据。生成模型的损失函数为LG＝-Ez，y(D(G(z|y)|y))，其中，Ez，y(·)表示对z、y分布的期望值；G(·)和D(·)分别为生成模型和判别模型输出的数据。
步骤S106，对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；
在本申请的一些实施例中，对所述历史负荷数据和所述第一预测负荷数据聚类，并将聚类后的所述历史负荷数据和所述第一预测负荷数据输入至判别模型中包括：确定多个负荷特征指标，其中，所述负荷特征指标包括：符合率，最高利用小时率，日峰谷差率，峰期负载率，平期负载率，谷期负载率；确定与所述多个符合特征指标中的每个负荷特征指标对应的聚类中心；基于所述历史负荷数据，确定与所述历史负荷数据对应的历史负荷数据矩阵，以及基于所述第一预测负荷数据，确定与所述第一预测负荷数据对应的第一预测负荷数据矩阵；基于所述聚类中心，对所述历史负荷数据矩阵聚类，得到第一降维矩阵，以及基于所述聚类中心，对所述第一预测负荷数据聚类，得到第二降维矩阵；将所述第一降维矩阵和所述第二降维矩阵输入至所述判别模型中。
在本申请的一些实施例中，对训练数据进行聚类的过程如图5所示，包括以下步骤：
在步骤S502中，输入聚类数k和聚类中心pj；
在步骤S504中，计算特征降维矩阵Y中所有数据到聚类中心pj的加权欧式距离d；
在步骤S506中，将特征降维矩阵Y中的数据分配到与该数据之间的加权欧式距离最小的类中；
在步骤S508中，将全部数据分配完成后，更新聚类中心；
在步骤S510中，计算目标函数的平方误差；
在步骤S512中，比较本次目标函数的平方误差和上次目标函数的平方误差，如果本次目标函数的平方误差小于上次目标函数的平方误差，则跳转到步骤S504，如果本次目标函数的平方误差不小于上次目标函数的平方误差，则输出聚类结果。
具体地，可以将在步骤S102中得到的历史楼宇负荷数据得到的矩阵S(2864,24)按6个日负荷特征指标降维，分别为负荷率、最高利用小时率、日峰谷差率、峰期负载率、平期负载率、谷期负载率，得到2864×6阶特征降维矩阵Y。具体过程是选取k个聚类数，在特征降维矩阵Y中随机选取离散的k个样本，并赋给初始聚类中心pj(j＝1、2......k)，pj为第j类聚类中心；pj＝[pj1，pj2，pj3，pj4，pj5，pj6]；假设Yi为第i个样本，Yi＝[Yi1，Yi2，Yi3，Yi4，Yi5，Yi6]，遍历特征降维矩阵Y中的每一个数据Yi(i＝1、2……n)，计算数据与各类中心pj的加权欧式距离即相异度，公式为：
Figure BDA0003377867630000061
(w1～w6为目标对象自行确定的6个日负荷特征指标权重值)，找出d(i，j)min，将该数据Yi分配到相异度最小pj中，每次分配完毕后，重新计算各类聚类中心，更新pj，公式为：
Figure BDA0003377867630000062
nj是第j类样本的个数，Yi，j是第j类的第i个样本。然后计算目标函数，即Y所有样本平方误差Jc(t)，公式为：
Figure BDA0003377867630000063
目标函数值与上次JC(t-1)对比是否改变，若Jc(t)-JC(t-1)＜0，则重复以上步骤，循环直到目标函数值不在变化为止。同理，用PIC算法对楼宇负荷预测数据聚类。
在本申请的一些实施例中，所述判别结果包括第一类判别结果和第二类判别结果，其中，在所述判别结果为所述第一类判别结果的情况下，表明所述判别模型基于所述历史负荷数据确定所述第一预测负荷数据为真实负荷数据，在所述判别结果为所述第二类判别结果的情况下，表明所述判别模型基于所述历史负荷数据确定所述第一预测负荷数据不是真实负荷数据。
步骤S108，基于判别结果，调整生成模型的模型参数，得到目标生成模型。
在本申请的一些实施例中，基于所述判别结果，调整所述生成模型的模型参数，得到目标生成模型包括：在所述判别结果为所述第二类判别结果的情况下，依据所述判别结果调整所述生成模型和所述判别模型的模型参数，直到所述判别模型输出的判别结果为所述第一类判别结果。
具体地，可以将输出历史楼宇分类负荷数据和楼宇分类负荷预测数据作为输入，输入到如图4所示的由3层CNN构成的判别模型D，进行概率评估，输出(0，1)的概率值。概率为1，则判别结果是真实的，即生成的预测数据为真实数据，概率小于1，则判别结果是不真实的，即生成的预测数据不真实。具体步骤是将分类预测负荷数据和分类历史负荷数据拼接成一个矩阵输入，由32个3×3的卷积核进行卷积后得到第一个卷积层C1，设置步长为1；再由64个3×3的卷积核进行卷积后得到第二个卷积层C2，设置步长为1；再由128个3×3的卷积核进行卷积得到第三个卷积层C3，设置步长为1；最后，全连接层输出判别结果。在每一个卷积层后采用LeakyReLU函数激活，在全连接和sigmoid激活函数进行真假判断，使结果映射到(0，1)之间。其损失函数为LD＝-Ex，y(D(x|y))+Ez,y(D(G(z|y)|y))。其中，Ex，y(·)表示对x、y分布的期望值，Ez，y(·)表示对z、y分布的期望值；G(·)和D(·)分别为生成模型和判别模型输出的数据。将输出概率反馈给生成模型G的损失函数，生成模型G和判别模型D根据反馈结果相互调整参数，生成模型希望提高预测数据判别模型的输出值，即min(ln(1-D(G(z|y)|y))),判别模型希望降低预测数据的输出值且提高真实数据的输出值，即max(lnD(x|y)和ln(1-D(G(z|y)|y)))，因此，CGAN模型通过损失函数LCGAN博弈，公式为：
Figure BDA0003377867630000071
直到生成模型输出接近历史楼宇负荷数据，判别模型输出概率接近1，训练结束。
在本申请的一些实施例中，得到所述目标生成模型后，所述方法还包括：将所述目标建筑物的预测影响因素数据输入至所述目标生成模型中，得到所述目标建筑物的第二预测负荷数据。
在本申请的一些实施例中，将所述目标建筑物的预测影响因素数据输入至所述目标生成模型中包括：依据随机噪声，生成第二随机矩阵；基于所述预测影响因素数据，得到第二影响因素序列；拼接所述第二随机矩阵和所述第二影响因素序列，得到第二拼接矩阵，并将所述第二拼接矩阵输入至所述生成模型中。
具体地，在完成训练后，可以输入待预测条件因素y1和随机噪声z1到训练好的生成模型G，输出预测日负荷数据，用PIC算法聚类，对分类的预测日负荷数据进行可视化分析，参与优化调度决策。
通过如图2所示的方式对建筑物负荷预测模型中的生成模型及判别模型进行训练，在负荷数据预测上引入条件生成对抗网络CGAN的模型，与以往的统计学方法负荷预测相比，GAN更能挖掘数据间的非线性关系，挖掘复杂样本的深层关系，处理更大的数据集，利用GAN在图像生成上的预测优势，在生成器与判别器的不断博弈中，负荷预测更加精确。但由于楼宇负荷各类数据繁杂，总数据特征不明显，判别器的工作量巨大，所以在条件生成对抗网络的模型基础上增加特征指标聚类算法PIC算法，分担判别器的工作量，PIC算法与以往k-means的聚类方法相比，在输入矩阵上选取特征降维，精度不变，聚类速度大大提高。用聚类算法将总数据分成多组数据类别，既可以获得分类预测数据，又可以对预测数据进行可视化分析，对电力系统在楼宇用电方面进行优化、调度。
根据本发明实施例，提供了一种建筑物负荷预测模型训练装置的装置实施例。图6是根据本发明实施例的建筑物负荷预测模型训练方法装置，如图6所示，该装置包括：数据采集模块60，用于确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物的负荷影响因素的历史影响因素数据；第一处理模块62，用于输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；第二处理模块64，用于对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；调整模块66，用于基于判别结果，调整生成模型的模型参数，得到目标生成模型。
需要说明的是，图6中所示的建筑物负荷预测模型训练装置可用于执行图1中所示的建筑物负荷预测模型训练方法，因此，对如图1所示的建筑物负荷淤血模型训练方法的相关解释说明也适用于如图6所示的建筑物负荷预测模型训练装置中，在此不再赘述。
根据本发明实施例，提供了一种非易失性存储介质的实施例。非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行如下建筑物负荷预测模型训练方法：确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物的负荷影响因素的历史影响因素数据；输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；基于判别结果，调整生成模型的模型参数，得到目标生成模型。
根据本发明实施例，提供了一种电子设备实施例。电子设备包括处理器，处理器用于运行程序，其中，程序运行时执行如下建筑物负荷预测模型训练方法：确定训练数据，其中，训练数据中包括目标建筑物的历史负荷数据，以及影响目标建筑物的负荷影响因素的历史影响因素数据；输入历史影响因素数据至生成模型中，并获取生成模型基于历史影响因素数据生成的第一预测负荷数据；对历史负荷数据和第一预测负荷数据聚类，并将聚类后的历史负荷数据和第一预测负荷数据输入至判别模型中，得到判别模型基于历史负荷数据和预测负荷数据的判别结果；基于判别结果，调整生成模型的模型参数，得到目标生成模型。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅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，这些改进和润饰也应视为本发明的保护范围。

Claims (11)

1.一种建筑物负荷预测模型训练方法，其特征在于，包括：
确定训练数据，其中，所述训练数据中包括目标建筑物的历史负荷数据，以及影响所述目标建筑物负荷的历史影响因素数据；
输入所述历史影响因素数据至生成模型中，并获取所述生成模型基于所述历史影响因素数据生成的第一预测负荷数据；
对所述历史负荷数据和所述第一预测负荷数据聚类，并将聚类后的所述历史负荷数据和所述第一预测负荷数据输入至判别模型中，得到所述判别模型基于所述历史负荷数据和所述预测负荷数据的判别结果；
基于所述判别结果，调整所述生成模型的模型参数，得到目标生成模型。
2.根据权利要求1所述的建筑物负荷预测模型训练方法，其特征在于，所述判别结果包括第一类判别结果和第二类判别结果，其中，在所述判别结果为所述第一类判别结果的情况下，表明所述判别模型基于所述历史负荷数据确定所述第一预测负荷数据为真实负荷数据，在所述判别结果为所述第二类判别结果的情况下，表明所述判别模型基于所述历史负荷数据确定所述第一预测负荷数据不是真实负荷数据。
3.根据权利要求2所述的建筑物负荷预测模型训练方法，其特征在于，基于所述判别结果，调整所述生成模型的模型参数，得到目标生成模型包括：
在所述判别结果为所述第二类判别结果的情况下，依据所述判别结果调整所述生成模型和所述判别模型的模型参数，直到所述判别模型输出的判别结果为所述第一类判别结果。
4.根据权利要求1所述的建筑物负荷预测模型训练方法，其特征在于，对所述历史负荷数据和所述第一预测负荷数据聚类，并将聚类后的所述历史负荷数据和所述第一预测负荷数据输入至判别模型中包括：
确定多个负荷特征指标，其中，所述负荷特征指标包括：符合率，最高利用小时率，日峰谷差率，峰期负载率，平期负载率，谷期负载率；
确定与所述多个符合特征指标中的每个负荷特征指标对应的聚类中心；
基于所述历史负荷数据，确定与所述历史负荷数据对应的历史负荷数据矩阵，以及基于所述第一预测负荷数据，确定与所述第一预测负荷数据对应的第一预测负荷数据矩阵；
基于所述聚类中心，对所述历史负荷数据矩阵聚类，得到第一降维矩阵，以及基于所述聚类中心，对所述第一预测负荷数据聚类，得到第二降维矩阵；
将所述第一降维矩阵和所述第二降维矩阵输入至所述判别模型中。
5.根据权利要求1所述的建筑物负荷预测模型训练方法，其特征在于，输入所述历史影响因素数据至生成模型中包括：
依据随机噪声，生成第一随机矩阵；
基于所述历史影响因素数据，得到第一影响因素序列；
拼接所述第一随机矩阵和所述第一影响因素序列，得到第一拼接矩阵，并将所述第一拼接矩阵输入至所述生成模型中。
6.根据权利要求1所述的建筑物负荷预测模型训练方法，其特征在于，确定训练数据包括：
在预设时间段中以预设频率采集所述目标建筑物的负荷数据以及负荷影响因素数据，并将所述负荷数据和所述负荷影响因素数据作为第一训练样本；
清洗所述第一训练样本中的异常数据，得到第二训练样本，并将所述第二训练样本作为所述训练数据，其中，所述异常数据包括以下至少之一：负荷暴增，负荷骤降，负荷无效。
7.根据权利要求1所述的建筑物负荷预测模型训练方法，其特征在于，得到所述目标生成模型后，所述方法还包括：
将所述目标建筑物的预测影响因素数据输入至所述目标生成模型中，得到所述目标建筑物的第二预测负荷数据。
8.根据权利要求7所述的建筑物负荷预测模型训练方法，其特征在于，将所述目标建筑物的预测影响因素数据输入至所述目标生成模型中包括：
依据随机噪声，生成第二随机矩阵；
基于所述预测影响因素数据，得到第二影响因素序列；
拼接所述第二随机矩阵和所述第二影响因素序列，得到第二拼接矩阵，并将所述第二拼接矩阵输入至所述生成模型中。
9.一种建筑物负荷预测模型训练装置，其特征在于，包括：
数据采集模块，用于确定训练数据，其中，所述训练数据中包括目标建筑物的历史负荷数据，以及影响所述目标建筑物负荷的历史影响因素数据；
第一处理模块，用于输入所述历史影响因素数据至生成模型中，并获取所述生成模型基于所述历史影响因素数据生成的第一预测负荷数据；
第二处理模块，用于对所述历史负荷数据和所述第一预测负荷数据聚类，并将聚类后的所述历史负荷数据和所述第一预测负荷数据输入至判别模型中，得到所述判别模型基于所述历史负荷数据和所述预测负荷数据的判别结果；
调整模块，用于基于所述判别结果，调整所述生成模型的模型参数，得到目标生成模型。
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至8中任意一项所述建筑物负荷预测模型训练方法。
11.一种电子设备，其特征在于，所述电子设备包括处理器，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述建筑物负荷预测模型训练方法。
CN202111424997.XA 2021-11-26 2021-11-26 建筑物负荷预测模型训练方法、装置及非易失性存储介质 Pending CN114037182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111424997.XA CN114037182A (zh) 2021-11-26 2021-11-26 建筑物负荷预测模型训练方法、装置及非易失性存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111424997.XA CN114037182A (zh) 2021-11-26 2021-11-26 建筑物负荷预测模型训练方法、装置及非易失性存储介质

Publications (1)

Publication Number Publication Date
CN114037182A true CN114037182A (zh) 2022-02-11

Family

ID=80145689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111424997.XA Pending CN114037182A (zh) 2021-11-26 2021-11-26 建筑物负荷预测模型训练方法、装置及非易失性存储介质

Country Status (1)

Country Link
CN (1) CN114037182A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240175A (zh) * 2022-05-09 2022-10-25 吉林建筑大学 一种基于大数据的冷桥识别与处理的方法及系统
CN117350485A (zh) * 2023-09-27 2024-01-05 广东电网有限责任公司 基于数据挖掘模型的电力市场管控方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240175A (zh) * 2022-05-09 2022-10-25 吉林建筑大学 一种基于大数据的冷桥识别与处理的方法及系统
CN115240175B (zh) * 2022-05-09 2023-04-14 吉林建筑大学 一种基于大数据的冷桥识别与处理的方法及系统
CN117350485A (zh) * 2023-09-27 2024-01-05 广东电网有限责任公司 基于数据挖掘模型的电力市场管控方法和系统

Similar Documents

Publication Publication Date Title
Hadavandi et al. Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting
CN110334843A (zh) 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置
CN114037182A (zh) 建筑物负荷预测模型训练方法、装置及非易失性存储介质
CN111091247A (zh) 基于深度神经网络模型融合的电力负荷预测方法、装置
CN111191814A (zh) 一种电价预测方法、系统和计算机可读存储介质
Tao et al. A network intrusion detection model based on convolutional neural network
CN111639793A (zh) 一种锅炉群组调度优化方法及装置
CN111815060A (zh) 一种用电地区短期负荷预测方法及装置
CN112396225A (zh) 一种基于长短期记忆网络的短期电价预测方法
CN113361801A (zh) 基于gan网络和半监督回归的混合滚动短期负荷预测方法
CN113780679B (zh) 一种基于泛在电力物联网的负荷预测方法及装置
Pooranian et al. Independent task scheduling in grid computing based on queen bee algorithm
CN114547446A (zh) 一种订单推送方法及系统
CN112200665A (zh) 一种授信额度的确定方法及装置
CN117056591A (zh) 基于动态预测的电力缴费渠道智能推荐方法及系统
Zahoor et al. Evolutionary computation technique for solving Riccati differential equation of arbitrary order
CN115695025B (zh) 网络安全态势预测模型的训练方法及装置
Chen et al. Hybrid methods for stock index modeling
Yu et al. A corner point-based algorithm to solve constrained multi-objective optimization problems
CN111126629A (zh) 模型的生成方法、刷单行为识别方法、系统、设备和介质
CN115081551A (zh) 基于K-Means聚类和优化RVM线损模型建立方法及系统
Maleki et al. Improvement of credit scoring by lstm autoencoder model
Koceska et al. Financial-Economic Time Series Modeling and Prediction Techniques–Review
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN112529637B (zh) 基于情景感知的服务需求动态预测方法及系统

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