CN114492641A - 电力负荷预测方法、装置、设备及存储介质 - Google Patents

电力负荷预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114492641A
CN114492641A CN202210100763.8A CN202210100763A CN114492641A CN 114492641 A CN114492641 A CN 114492641A CN 202210100763 A CN202210100763 A CN 202210100763A CN 114492641 A CN114492641 A CN 114492641A
Authority
CN
China
Prior art keywords
training
power load
prediction
independent variable
neural network
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
CN202210100763.8A
Other languages
English (en)
Inventor
周少雄
沈国安
汪大明
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.)
Qingke Youneng Shenzhen Technology Co ltd
Original Assignee
Qingke Youneng Shenzhen Technology 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 Qingke Youneng Shenzhen Technology Co ltd filed Critical Qingke Youneng Shenzhen Technology Co ltd
Priority to CN202210100763.8A priority Critical patent/CN114492641A/zh
Publication of CN114492641A publication Critical patent/CN114492641A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例属于人工智能领域，涉及一种电力负荷预测方法、装置、设备及存储介质，方法包括：获取历史数据的训练数据集；历史数据包括历史环境数据和历史电力负荷数据，训练数据集包括至少一个训练自变量和每个训练自变量对应的训练响应变量；为预设神经网络模型构造正则化损失函数；根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型；获取预测自变量，并将预测自变量输入电力负荷预测模型，得到预测自变量对应的电力负荷。该方法能够提高电力负荷的预测精度。

Description

电力负荷预测方法、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，尤其涉及一种电力负荷预测方法、装置、设备及存储介质。
背景技术
通过对电力系统的电力负荷进行预测得到的电力需求量，能够为电力系统的供需平衡、电源建设规划、电网使用者的经营决策提供数据支持。目前预测电力负荷的方法通常是基于历史电力负荷数据来预测未来某一时刻的电力需求量。但是在实际情况中，不同的环境因素也会对电力系统的电力负荷产生一定的影响，例如，下雨天的电力负荷通常大于晴天的电力负荷，从而导致基于历史电力负荷数据预测出的电力负荷精度较差。
发明内容
本申请实施例的目的在于提出一种电力负荷预测方法、装置、设备及存储介质，以解决目前预测出电力负荷精度较差的问题。
为了解决上述技术问题，本申请实施例提供一种电力负荷预测方法，采用了如下所述的技术方案：
获取历史数据的训练数据集；所述历史数据包括历史环境数据和历史电力负荷数据，所述训练数据集包括至少一个训练自变量和每个所述训练自变量对应的训练响应变量；为预设神经网络模型构造正则化损失函数；根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型；获取预测自变量，并将所述预测自变量输入所述电力负荷预测模型，得到所述预测自变量对应的电力负荷。其中，所述预测自变量包括当前环境数据和当前电力负荷数据；所述N次电力负荷预测训练中的第i次的步骤包括：将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，基于所述目标训练自变量对应的响应变量和所述预测响应变量之间的信息损失，对所述第i-1次训练得到的神经网络模型进行电力负荷预测训练，以调整所述第i-1次训练得到的神经网络模型的参数；所述目标训练自变量为所述训练数据集中任一自变量；所述信息损失为第i次训练得到的神经网络模型对应的损失函数的函数值。
进一步的，所述获取历史数据的训练数据集，包括：获取历史时间段内的历史数据；根据所述历史时间段构建所述历史数据的变量数据集；对所述变量数据集进行预设次数的有放回抽样处理，并将抽取到的变量数据集确定为训练数据集。
进一步的，所述变量数据集包括至少一个自变量和每个所述自变量对应的响应变量；所述根据所述历史时间段构建所述历史数据的变量数据集，包括：将所述历史时间段平均分为M个子时间段；对所述M个子时间段中每个子时间段对应的历史数据进行处理操作，得到所述历史数据的变量数据集；所述处理操作包括：将第一子时间段对应的历史数据确定为第一自变量，第二子时间段对应的历史数据中的历史电力负荷数据确定为第一自变量对应的响应变量；所述第一子时间段为所述M个子时间段中除最后一个子时间段之外的任一子时间段，所述第二子时间段为与所述第一子时间段相邻的后一个子时间段。
进一步的，所述预设神经网络模型包括编码器、注意力模块以及译码器，所述将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，包括：通过所述编码器对所述目标训练自变量进行编码，得到编码向量；通过所述注意力模块获取所述编码器中每个隐藏单元的隐藏状态和得分，并根据所述每个隐藏单元的隐藏状态和得分计算所述目标训练自变量的电力负荷向量；通过所述译码器对所述编码向量和所述电力负荷向量进行译码，得到所述目标训练自变量的预测响应变量。
进一步的，所述调整所述第i-1次训练得到的神经网络模型的参数，包括：根据所述目标训练自变量对应的响应变量、所述预测响应变量、以及所述损失函数，通过自适应动量优化算法计算所述第i-1次训练得到的神经网络模型对应的参数梯度；根据所述参数梯度调整所述i-1次训练得到的神经网络模型的参数，得到所述第i次训练得到的神经网络模型。
进一步的，为预设神经网络模型构造正则化损失函数之后，所述电力负荷预测还包括：在根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练的过程中，对所述预设神经网络模型中的隐藏单元按照预设规则进行灭活处理。
进一步的，所述历史时间段均属于工作日或者所述历史时间段均属于节假日，所述电力负荷预测模型为节假日预测模型或者工作日预测模型；在所述历史时间段均属于工作日时，所述根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型，包括：根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到工作日预测模型；所述工作日预测模型用于根据工作日的预测自变量，预测工作日的预测自变量对应的电力负荷；在所述历史时间段均属于节假日时，所述根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型，包括：根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到节假日预测模型；所述节假日预测模型用于根据节假日的预测自变量，预测节假日的预测自变量对应的电力负荷。
为了解决上述技术问题，本申请实施例还提供一种电力负荷预测装置，采用了如下所述的技术方案：
获取模块，用于获取历史数据的训练数据集；所述历史数据包括历史环境数据和历史电力负荷数据，所述训练数据集包括至少一个训练自变量和每个所述训练自变量对应的训练响应变量；构造模块，用于为预设神经网络模型构造正则化损失函数；训练模块，用于根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型；所述N次电力负荷预测训练中的第i次的步骤包括：将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，基于所述目标训练自变量对应的响应变量和所述预测响应变量之间的信息损失，对所述第i-1次训练得到的神经网络模型进行电力负荷预测训练，以调整所述第i-1次训练得到的神经网络模型的参数；所述目标训练自变量为所述训练数据集中任一自变量；所述信息损失为第i次训练得到的神经网络模型对应的损失函数的函数值；预测模块，用于获取预测自变量，并将所述预测自变量输入所述电力负荷预测模型，得到所述预测自变量对应的电力负荷；其中，所述预测自变量包括当前环境数据和当前电力负荷数据。
进一步的，所述获取模块包括获取子模块、构建子模块以及抽样子模块；所述获取子模块，用于获取历史时间段内的历史数据；所述构建子模块，用于根据所述历史时间段构建所述历史数据的变量数据集；所述抽样子模块，用于对所述变量数据集进行预设次数的有放回抽样处理，并将抽取到的变量数据集确定为训练数据集。
进一步的，所述变量数据集包括至少一个自变量和每个所述自变量对应的响应变量；所述构建子模块包括划分子模块和处理子模块；所述划分子模块，用于将所述历史时间段平均分为M个子时间段；所述处理子模块，用于对所述M个子时间段中每个子时间段对应的历史数据进行处理操作，得到所述历史数据的变量数据集；所述处理操作包括：将第一子时间段对应的历史数据确定为第一自变量，第二子时间段对应的历史数据中的历史电力负荷数据确定为第一自变量对应的响应变量；所述第一子时间段为所述M个子时间段中除最后一个子时间段之外的任一子时间段，所述第二子时间段为与所述第一子时间段相邻的后一个子时间段。
进一步的，所述预设神经网络模型包括编码器、注意力模块以及译码器，所述训练模块包括编码子模块、向量计算子模块以及译码子模块；所述编码子模块，用于通过所述编码器对所述目标训练自变量进行编码，得到编码向量；所述向量计算子模块，用于通过所述注意力模块获取所述编码器中每个隐藏单元的隐藏状态和得分，并根据所述每个隐藏单元的隐藏状态和得分计算所述目标训练自变量的电力负荷向量；所述译码子模块，用于通过所述译码器对所述编码向量和所述电力负荷向量进行译码，得到所述目标训练自变量的预测响应变量。
进一步的，所述训练模块还包括梯度计算子模块和参数调整子模块；所述梯度计算子模块，用于根据所述目标训练自变量对应的响应变量、所述预测响应变量、以及所述损失函数，通过自适应动量优化算法计算所述第i-1次训练得到的神经网络模型对应的参数梯度；所述参数调整子模块，用于根据所述参数梯度调整所述i-1次训练得到的神经网络模型的参数，得到所述第i次训练得到的神经网络模型。
进一步的，所述电力负荷预测装置还包括处理模块；所述处理模块，用于在根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练的过程中，对所述预设神经网络模型中的隐藏单元按照预设规则进行灭活处理。
进一步的，所述历史时间段均属于工作日或者所述历史时间段均属于节假日，所述电力负荷预测模型为节假日预测模型或者工作日预测模型；在所述历史时间段均属于工作日时，所述训练模块，还用于根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到工作日预测模型；所述工作日预测模型用于根据工作日的预测自变量，预测工作日的预测自变量对应的电力负荷；在所述历史时间段均属于节假日时，所述训练模块，还用于根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到节假日预测模型；所述节假日预测模型用于根据节假日的预测自变量，预测节假日的预测自变量对应的电力负荷。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的电力负荷预测方法的步骤。
为了解决上述技术问题，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，所述计算机程序被处理器执行时实现上述所述的电力负荷预测方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：获取历史环境数据和历史电力负荷数据的训练数据集。之后，为预设神经网络模型构造正则化损失函数，并根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型。这样将历史环境数据和历史电力负荷数据作为电力负荷预测模型的训练数据，能够考虑到环境因素对于电力系统的电力负荷产生的影响，提高了训练出的电力负荷预测模型的预测精度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，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是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的电力负荷预测方法的一个实施例的流程图；
图3是图2中步骤S21的一个实施例的流程图；
图4是图3中步骤S212的一个实施例的流程图；
图5是本申请N次电力负荷预测训练中第i次训练方法的一个实施例的流程图；
图6是图5中步骤S51的一个实施例的流程图；
图7是根据本申请的电力负荷预测装置的一个实施例的结构示意图；
图8是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
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上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例提供的电力负荷预测方法可以应用于上述服务器设备105，也可以应用于上述终端设备101、102、103。该服务器设备105和终端设备101、102、103可以统称为电子设备。即本申请实施例提供的电力负荷预测方法的执行主体可以为电力负荷预测装置，电力负荷预测装置可以为上述电子设备(如服务器设备105或终端设备101、102、103)。
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，示出了根据本申请的电力负荷预测方法的一个实施例的流程图。该电力负荷预测方法，包括以下步骤：
步骤S21，获取历史数据的训练数据集。
其中，历史数据包括历史环境数据和历史电力负荷数据。历史环境数据用于表征电力系统周围的环境情况。例如，历史环境数据可以包括环境温度、湿、风速等数据。
训练数据集包括至少一个训练自变量和每个训练自变量对应的训练响应变量。
具体的，图3是获取历史数据的训练数据集的流程图，参照图3所示，包括如下步骤S211-步骤S213。
步骤S211，获取历史时间段内的历史数据。
其中，历史时间段均属于工作日或者历史时间段均属于节假日。
具体的，获取当前日期之前一段日期中每天的历史数据。之后，根据工作日和节假日对历史数据进行划分，得到当前日期之前一段日期中，工作日的历史数据和节假日的历史数据。将当前日期之前一段日期中工作日对应的时间段确定为历史时间段(此时历史数据为工作日对应的历史数据)，或者将当前日期之前一段日期中节假日对应的时间段确定为历史时间段(此时历史数据为节假日对应的历史数据)。
例如，将历史数据记为D＝{x1，x2，…，xi，…，xn}，其中，D用于表示历史时间段内所有的历史数据，xi为历史时间段内第i天的历史数据，且xi＝{xi1，xi2，…，xik，bi1，…，bim}＝{xi，bi}，(1≤i≤n)，xi用于表示第i天的历史电力负荷数据，k用于表示第i天中电力负荷曲线的点数，bi用于表示第i天的历史环境数据，m用于表示历史环境数据的维度。
步骤S212，根据历史时间段构建历史数据的变量数据集。
其中，变量数据集包括至少一个自变量和每个自变量对应的响应变量。
具体的，图4是根据历史时间段构建历史数据的变量数据集的流程图，参照图4所示，包括如下步骤S2121-步骤S2122。
步骤S2121，将历史时间段平均分为M个子时间段。
步骤S2122，对M个子时间段中每个子时间段对应的历史数据进行处理操作，得到历史数据的变量数据集。
其中，处理操作包括：将第一子时间段对应的历史数据确定为第一自变量，第二子时间段对应的历史数据中的历史电力负荷数据确定为第一自变量对应的响应变量；第一子时间段为M个子时间段中除最后一个子时间段之外的任一子时间段，第二子时间段为与第一子时间段相邻的后一个子时间段。例如，历史数据的变量数据集记为D*＝{(x1，y1)，(x2，y2)，…，(xi，yi)，…，(xn-1，yn-1)}，其中，D*用于表示历史数据的变量数据集，i用于表示第i个子时间段，xi(1≤i≤n-1)为自变量，yi(2≤i≤n)为自变量xi的响应变量，且xi用于表示历史时间段内第i个子时间段的历史数据，yi为历史时间段内第i+1个子时间段的历史数据中的历史电力负荷数据。
在本实施例中，使用自变量和与自变量对应的响应变量的方式，将电力负荷预测的问题融入预设神经网络模型中，提供了一种电力负荷预测模型的训练数据集的生成方式。
步骤S213，对变量数据集进行预设次数的有放回抽样处理，并将抽取到的变量数据集确定为训练数据集。
其中，预设次数可以为默认数值，也可以为相关人员根据实际情况设定的数值。
可选的，在有放回抽样处理的过程中，一个样本在一次抽样中未被抽中的概率为
Figure BDA0003492324160000101
n次未被抽中的概率为
Figure BDA0003492324160000102
则在抽样次数与样本容量足够大，n次未被抽中的概率为
Figure BDA0003492324160000103
因此，也可以直接抽取变量数据集中1-0.36＝0.64×100％＝64％的变量数据集作为训练数据集。
在本实施例中，将历史时间段中的工作日的历史数据和节假日的历史数据分开进行分析预测，同时考虑了环境因素对电力负荷的影响，符合电力负荷实际波动规律，提高了训练出的电力负荷预测模型的鲁棒性。
步骤S22，为预设神经网络模型构造正则化损失函数。
具体的，为预设神经网络模型构造L2项正则化损失函数。例如，将变量数据集中的响应变量序列记为yi-1＝xi＝{xi-1，1，xi-1，2，…，xi-1，k}(2≤i≤n)，预设神经网络模型预测出的预测响应变量记为
Figure BDA0003492324160000104
则L2项正则化损失函数为
Figure BDA0003492324160000105
其中，
Figure BDA0003492324160000106
为序列yi与序列
Figure BDA0003492324160000107
在平方损失意义下的损失函数，J(ω)为对预设神经网络模型各层系数的惩罚(使用L2项正则化)，λ为事先选定的大于零的惩罚参数，||Wi||2用于表示L2范数。
步骤S23，根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型。
其中，电力负荷预测模型为节假日预测模型或者工作日预测模型。
具体的，在历史时间段均属于工作日时，根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到工作日预测模型。其中，工作日预测模型用于根据工作日的预测自变量，预测工作日的预测自变量对应的电力负荷。在历史时间段均属于节假日时，根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到节假日预测模型。其中，节假日预测模型用于根据节假日的预测自变量，预测节假日的预测自变量对应的电力负荷。
在本实施例中，将历史时间段中的工作日的历史数据和节假日的历史数据分开进行模型训练，得到节假日预测模型和工作日预测模型，分别用于预测节假日的电力负荷和工作日的电力负荷。符合电力负荷实际波动规律，提高了训练出的电力负荷预测模型的鲁棒性。
进一步具体的，图5是N次电力负荷预测训练中的第i次训练的流程图，参照图5所示，包括如下步骤S51-步骤S52。
S51，将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到目标训练自变量的预测响应变量。
其中，目标训练自变量为训练数据集中任一自变量。
具体的，建立以长短记忆神经网络(Long Short Term Memory，LSTM)神经元为基础单元，seq2seq循环神经网络为基础架构的预设神经网络模型，同时在预设神经网络模型的编码器(encoder)的输出端加入注意力模块(attention)对训练数据集的关键特征进行集中训练。因此，本申请中的预设神经网络模型包括编码器(encoder)、注意力模块(attention)以及译码器(decoder)。图6是将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到目标训练自变量的预测响应变量的流程图，参照图6所示，包括如下步骤S511-步骤S513。
步骤S511，通过编码器对目标训练自变量进行编码，得到编码向量。
步骤S512，通过注意力模块获取编码器中每个隐藏单元的隐藏状态和得分，并根据每个隐藏单元的隐藏状态和得分计算目标训练自变量的电力负荷向量。
具体的，注意力模块通过softmax函数实现每个隐藏单元的得分重构，得到本次训练过程中每个隐藏单元的得分。之后，将每个隐藏单元的隐藏状态和得分分别相乘得到每个隐藏单元更新后的隐状态序列，并将所有隐藏单元更新后的隐状态序列相加得到目标训练自变量的电力负荷向量。
步骤S513，通过译码器对编码向量和电力负荷向量进行译码，得到目标训练自变量的预测响应变量。
具体的，译码器中的每个神经元依次根据公式
Figure BDA0003492324160000121
对编码向量和电力负荷向量执行计算处理，最终得到目标训练自变量的预测响应变量。其中，
Figure BDA0003492324160000122
用于表示目标训练自变量的预测响应变量，W3用于表示当前神经元的权重，d用于表示当前神经元的偏置项，
Figure BDA0003492324160000123
用于表示当前神经元的隐藏状态，c用于表示电力负荷向量，ht-1用于表示上一个神经元的隐藏状态，
Figure BDA0003492324160000124
用于表示上一个神经元的输出(当上一个神经元为编码器的神经元时，
Figure BDA0003492324160000125
为编码向量)，W1用于表示电力负荷向量的权重，W2用于表示上一个神经元隐藏状态的权重，
Figure BDA0003492324160000126
用于表示上一个神经元输出的权重，
Figure BDA0003492324160000127
d用于表示当前神经元隐藏状态的偏置项。
在本实施例中，在构建预设神经网络模型的架构时，引入了注意力机制和具有长时间记忆特性的LSTM网络，能够长时间保留训练数据集中训练数据的关键信息和波动特性，提高了训练出的电力负荷预测模型的特征表征水平。
S52，基于目标训练自变量对应的响应变量和预测响应变量之间的信息损失，对第i-1次训练得到的神经网络模型进行电力负荷预测训练，以调整第i-1次训练得到的神经网络模型的参数。
其中，信息损失为第i次训练得到的神经网络模型对应的损失函数的函数值。
具体的，根据目标训练自变量对应的响应变量、预测响应变量、以及损失函数，计算第i次训练得到的神经网络模型对应的损失函数的函数值，并通过自适应动量优化算法(adam)计算第i次训练得到的神经网络模型对应的参数梯度。之后，根据参数梯度调整i-1次训练得到的神经网络模型的参数，得到第i次训练得到的神经网络模型。
例如，第i次的调整规则如下式
Figure BDA0003492324160000131
Figure BDA0003492324160000132
其中，
Figure BDA0003492324160000133
用于表示在i-1次训练时对应参数的梯度，β1和β2用于表示预设的权重系数，a用于表示更新的步幅，mi用于表示第i次训练得到的神经网络模型的梯度的移动均值，vi用于表示第i次训练得到的神经网络模型的平方梯度，wi用于表示目标神经元的权重，且该目标神经元为第i次训练得到的神经网络模型中任一神经元。
在本实施例中，利用自适应动量优化算法adam实现参数更新，保证生成的电力负荷预测模型收敛到全局最优，提高了训练出的电力负荷预测模型的预测精度。
可选的，电力负荷预测方法还包括：对变量数据集进行预设次数的有放回抽样处理，将未抽取到的变量数据集确定为测试数据集。之后，使用测试数据集对N次电力负荷预测训练后的神经网络模型进行测试，并根据测试结果调整电力负荷预测模型的参数。其中，测试数据集包括至少一个测试自变量和每个测试自变量对应的测试响应变量。具体的，使用测试数据集对N次电力负荷预测训练后的神经网络模型进行测试，并根据测试结果调整电力负荷预测模型的参数的过程，与步骤S51-步骤S52中任一次训练神经网络模型的过程相同，此处不再赘述。在本实施例中，将未抽取到的变量数据集确定为测试数据集，对训练好的电力负荷预测模型进行包外估计，降低了训练电力负荷预测模型过程中可能出现的过拟合风险。
可选的，在根据训练数据集对预设神经网络模型进行N次电力负荷预测训练的过程中，对预设神经网络模型中的隐藏单元按照预设规则进行灭活(dropout)处理。具体的，在保持预设神经网络模型其余参数不变的前提下，灭活几率在区间0.3到0.8之间逐步变化，每次训练完后算出在测试集上的测试误差，并将有最优测试误差的灭火几率作为下次训练时对应的隐藏单元的灭火几率。在本实施例中，对预设神经网络模型中的隐藏单元按照几率进行灭活(dropout)处理，降低了训练电力负荷预测模型过程中可能出现的过拟合风险。
步骤S24，获取预测自变量，并将预测自变量输入电力负荷预测模型，得到预测自变量对应的电力负荷。
其中，预测自变量包括当前环境数据和当前电力负荷数据。
具体的，在预测自变量为工作日对应的数据时，将预测自变量输入工作日预测模型，得到预测自变量对应的电力负荷。在预测自变量为节假日对应的数据时，将预测自变量输入节假日预测模型，得到预测自变量对应的电力负荷。
在本实施例中，获取历史环境数据和历史电力负荷数据的训练数据集。之后，为预设神经网络模型构造正则化损失函数，并根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型。这样将历史环境数据和历史电力负荷数据作为电力负荷预测模型的训练数据，能够考虑到环境因素对于电力系统的电力负荷产生的影响，提高了训练出的电力负荷预测模型的预测精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图7，作为对上述图2所示方法的实现，本申请提供了一种电力负荷预测装置的一个实施例，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电子设备中。
如图7所示，本实施例的电力负荷预测装置700包括：获取模块701、构造模块702、训练模块703以及预测模块704，其中：
获取模块701，用于获取历史数据的训练数据集；所述历史数据包括历史环境数据和历史电力负荷数据，所述训练数据集包括至少一个训练自变量和每个所述训练自变量对应的训练响应变量；构造模块702，用于为预设神经网络模型构造正则化损失函数；训练模块703，用于根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型；所述N次电力负荷预测训练中的第i次的步骤包括：将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，基于所述目标训练自变量对应的响应变量和所述预测响应变量之间的信息损失，对所述第i-1次训练得到的神经网络模型进行电力负荷预测训练，以调整所述第i-1次训练得到的神经网络模型的参数；所述目标训练自变量为所述训练数据集中任一自变量；所述信息损失为第i次训练得到的神经网络模型对应的损失函数的函数值；预测模块704，用于获取预测自变量，并将所述预测自变量输入所述电力负荷预测模型，得到所述预测自变量对应的电力负荷；其中，所述预测自变量包括当前环境数据和当前电力负荷数据。
本实施例中，获取历史环境数据和历史电力负荷数据的训练数据集。之后，为预设神经网络模型构造正则化损失函数，并根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型。这样将历史环境数据和历史电力负荷数据作为电力负荷预测模型的训练数据，能够考虑到环境因素对于电力系统的电力负荷产生的影响，提高了训练出的电力负荷预测模型的预测精度。
在本实施例的一些可能的实现方式中，所述获取模块701包括获取子模块、构建子模块以及抽样子模块；所述获取子模块，用于获取历史时间段内的历史数据；所述构建子模块，用于根据所述历史时间段构建所述历史数据的变量数据集；所述抽样子模块，用于对所述变量数据集进行预设次数的有放回抽样处理，并将抽取到的变量数据集确定为训练数据集。
在本实施例中，将历史时间段中的工作日的历史数据和节假日的历史数据分开进行分析预测，同时考虑了环境因素对电力负荷的影响，符合电力负荷实际波动规律，提高了训练出的电力负荷预测模型的鲁棒性。
在本实施例的一些可选的实现方式中，所述变量数据集包括至少一个自变量和每个所述自变量对应的响应变量；所述构建子模块包括划分子模块和处理子模块；所述划分子模块，用于将所述历史时间段平均分为M个子时间段；所述处理子模块，用于对所述M个子时间段中每个子时间段对应的历史数据进行处理操作，得到所述历史数据的变量数据集；所述处理操作包括：将第一子时间段对应的历史数据确定为第一自变量，第二子时间段对应的历史数据中的历史电力负荷数据确定为第一自变量对应的响应变量；所述第一子时间段为所述M个子时间段中除最后一个子时间段之外的任一子时间段，所述第二子时间段为与所述第一子时间段相邻的后一个子时间段。
在本实施例中，使用自变量和与自变量对应的响应变量的方式，将电力负荷预测的问题融入预设神经网络模型中，提供了一种电力负荷预测模型的训练数据集的生成方式。
在本实施例的一些可能的实现方式中，所述预设神经网络模型包括编码器、注意力模块以及译码器，所述训练模块703包括编码子模块、向量计算子模块以及译码子模块；所述编码子模块，用于通过所述编码器对所述目标训练自变量进行编码，得到编码向量；所述向量计算子模块，用于通过所述注意力模块获取所述编码器中每个隐藏单元的隐藏状态和得分，并根据所述每个隐藏单元的隐藏状态和得分计算所述目标训练自变量的电力负荷向量；所述译码子模块，用于通过所述译码器对所述编码向量和所述电力负荷向量进行译码，得到所述目标训练自变量的预测响应变量。
在本实施例中，在构建预设神经网络模型的架构时，引入了注意力机制和具有长时间记忆特性的LSTM网络，能够长时间保留训练数据集中训练数据的关键信息和波动特性，提高了训练出的电力负荷预测模型的特征表征水平。
在本实施例的一些可能的实现方式中，所述训练模块703还包括梯度计算子模块和参数调整子模块；所述梯度计算子模块，用于根据所述目标训练自变量对应的响应变量、所述预测响应变量、以及所述损失函数，通过自适应动量优化算法计算所述第i-1次训练得到的神经网络模型对应的参数梯度；所述参数调整子模块，用于根据所述参数梯度调整所述i-1次训练得到的神经网络模型的参数，得到所述第i次训练得到的神经网络模型。
在本实施例中，利用自适应动量优化算法adam实现参数更新，保证生成的电力负荷预测模型收敛到全局最优，提高了训练出的电力负荷预测模型的预测精度。
在本实施例的一些可能的实现方式中，所述电力负荷预测装置还包括处理模块；所述处理模块，用于在根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练的过程中，对所述预设神经网络模型中的隐藏单元按照预设规则进行灭活处理。
在本实施例中，对预设神经网络模型中的隐藏单元按照几率进行灭活(dropout)处理，降低了训练电力负荷预测模型过程中可能出现的过拟合风险。
在本实施例的一些可能的实现方式中，所述历史时间段均属于工作日或者所述历史时间段均属于节假日，所述电力负荷预测模型为节假日预测模型或者工作日预测模型；在所述历史时间段均属于工作日时，所述训练模块704，还用于根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到工作日预测模型；所述工作日预测模型用于根据工作日的预测自变量，预测工作日的预测自变量对应的电力负荷；在所述历史时间段均属于节假日时，所述训练模块704，还用于根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到节假日预测模型；所述节假日预测模型用于根据节假日的预测自变量，预测节假日的预测自变量对应的电力负荷。
在本实施例中，将历史时间段中的工作日的历史数据和节假日的历史数据分开进行模型训练，得到节假日预测模型和工作日预测模型，分别用于预测节假日的电力负荷和工作日的电力负荷。符合电力负荷实际波动规律，提高了训练出的电力负荷预测模型的鲁棒性。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
所述计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有组件81-83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器81至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器81可以是所述计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，所述存储器81也可以是所述计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，所述存储器81通常用于存储安装于所述计算机设备8的操作系统和各类应用软件，例如电力负荷预测方法的计算机可读指令等。此外，所述存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器82在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制所述计算机设备8的总体操作。本实施例中，所述处理器82用于运行所述存储器81中存储的计算机可读指令或者处理数据，例如运行所述电力负荷预测方法的计算机可读指令。
所述网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在所述计算机设备8与其他电子设备之间建立通信连接。
本实施例中提供的计算机设备可以执行上述电力负荷预测方法的步骤。此处电力负荷预测方法的步骤可以是上述各个实施例的电力负荷预测方法中的步骤。
本实施例中，获取历史环境数据和历史电力负荷数据的训练数据集。之后，为预设神经网络模型构造正则化损失函数，并根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型。这样将历史环境数据和历史电力负荷数据作为电力负荷预测模型的训练数据，能够考虑到环境因素对于电力系统的电力负荷产生的影响，提高了训练出的电力负荷预测模型的预测精度。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的电力负荷预测方法的步骤。
本实施例中，获取历史环境数据和历史电力负荷数据的训练数据集。之后，为预设神经网络模型构造正则化损失函数，并根据训练数据集对预设神经网络模型进行N次电力负荷预测训练，直至损失函数收敛，得到电力负荷预测模型。这样将历史环境数据和历史电力负荷数据作为电力负荷预测模型的训练数据，能够考虑到环境因素对于电力系统的电力负荷产生的影响，提高了训练出的电力负荷预测模型的预测精度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种电力负荷预测方法，其特征在于，包括下述步骤：
获取历史数据的训练数据集；所述历史数据包括历史环境数据和历史电力负荷数据，所述训练数据集包括至少一个训练自变量和每个所述训练自变量对应的训练响应变量；
为预设神经网络模型构造正则化损失函数；
根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型；所述N次电力负荷预测训练中的第i次的步骤包括：将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，基于所述目标训练自变量对应的响应变量和所述预测响应变量之间的信息损失，对所述第i-1次训练得到的神经网络模型进行电力负荷预测训练，以调整所述第i-1次训练得到的神经网络模型的参数；所述目标训练自变量为所述训练数据集中任一自变量；所述信息损失为第i次训练得到的神经网络模型对应的损失函数的函数值；
获取预测自变量，并将所述预测自变量输入所述电力负荷预测模型，得到所述预测自变量对应的电力负荷；其中，所述预测自变量包括当前环境数据和当前电力负荷数据。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述获取历史数据的训练数据集，包括：
获取历史时间段内的历史数据；
根据所述历史时间段构建所述历史数据的变量数据集；
对所述变量数据集进行预设次数的有放回抽样处理，并将抽取到的变量数据集确定为训练数据集。
3.根据权利要求2所述的电力负荷预测方法，其特征在于，所述变量数据集包括至少一个自变量和每个所述自变量对应的响应变量；所述根据所述历史时间段构建所述历史数据的变量数据集，包括：
将所述历史时间段平均分为M个子时间段；
对所述M个子时间段中每个子时间段对应的历史数据进行处理操作，得到所述历史数据的变量数据集；
所述处理操作包括：将第一子时间段对应的历史数据确定为第一自变量，第二子时间段对应的历史数据中的历史电力负荷数据确定为第一自变量对应的响应变量；所述第一子时间段为所述M个子时间段中除最后一个子时间段之外的任一子时间段，所述第二子时间段为与所述第一子时间段相邻的后一个子时间段。
4.根据权利要求1所述的电力负荷预测方法，其特征在于，所述预设神经网络模型包括编码器、注意力模块以及译码器，所述将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，包括：
通过所述编码器对所述目标训练自变量进行编码，得到编码向量；
通过所述注意力模块获取所述编码器中每个隐藏单元的隐藏状态和得分，并根据所述每个隐藏单元的隐藏状态和得分计算所述目标训练自变量的电力负荷向量；
通过所述译码器对所述编码向量和所述电力负荷向量进行译码，得到所述目标训练自变量的预测响应变量。
5.根据权利要求1所述的电力负荷预测方法，其特征在于，所述调整所述第i-1次训练得到的神经网络模型的参数，包括：
根据所述目标训练自变量对应的响应变量、所述预测响应变量、以及所述损失函数，通过自适应动量优化算法计算所述第i-1次训练得到的神经网络模型对应的参数梯度；
根据所述参数梯度调整所述i-1次训练得到的神经网络模型的参数，得到所述第i次训练得到的神经网络模型。
6.根据权利要求1所述的电力负荷预测方法，其特征在于，为预设神经网络模型构造正则化损失函数之后，所述电力负荷预测还包括：
在根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练的过程中，对所述预设神经网络模型中的隐藏单元按照预设规则进行灭活处理。
7.根据权利要求2所述的电力负荷预测方法，其特征在于，所述历史时间段均属于工作日或者所述历史时间段均属于节假日，所述电力负荷预测模型为节假日预测模型或者工作日预测模型；
在所述历史时间段均属于工作日时，所述根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型，包括：
根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到工作日预测模型；所述工作日预测模型用于根据工作日的预测自变量，预测工作日的预测自变量对应的电力负荷；
在所述历史时间段均属于节假日时，所述根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型，包括：
根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到节假日预测模型；所述节假日预测模型用于根据节假日的预测自变量，预测节假日的预测自变量对应的电力负荷。
8.一种电力负荷预测装置，其特征在于，包括：
获取模块，用于获取历史数据的训练数据集；所述历史数据包括历史环境数据和历史电力负荷数据，所述训练数据集包括至少一个训练自变量和每个所述训练自变量对应的训练响应变量；
构造模块，用于为预设神经网络模型构造正则化损失函数；
训练模块，用于根据所述训练数据集对所述预设神经网络模型进行N次电力负荷预测训练，直至所述损失函数收敛，得到电力负荷预测模型；所述N次电力负荷预测训练中的第i次的步骤包括：将目标训练自变量输入第i-1次训练得到的神经网络模型中进行电力负荷预测处理，得到所述目标训练自变量的预测响应变量，基于所述目标训练自变量对应的响应变量和所述预测响应变量之间的信息损失，对所述第i-1次训练得到的神经网络模型进行电力负荷预测训练，以调整所述第i-1次训练得到的神经网络模型的参数；所述目标训练自变量为所述训练数据集中任一自变量；所述信息损失为第i次训练得到的神经网络模型对应的损失函数的函数值；
预测模块，用于获取预测自变量，并将所述预测自变量输入所述电力负荷预测模型，得到所述预测自变量对应的电力负荷；其中，所述预测自变量包括当前环境数据和当前电力负荷数据。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的电力负荷预测方法的步骤。
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可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的电力负荷预测方法的步骤。
CN202210100763.8A 2022-01-27 2022-01-27 电力负荷预测方法、装置、设备及存储介质 Pending CN114492641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210100763.8A CN114492641A (zh) 2022-01-27 2022-01-27 电力负荷预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210100763.8A CN114492641A (zh) 2022-01-27 2022-01-27 电力负荷预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114492641A true CN114492641A (zh) 2022-05-13

Family

ID=81476293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210100763.8A Pending CN114492641A (zh) 2022-01-27 2022-01-27 电力负荷预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114492641A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911577A (zh) * 2023-09-13 2023-10-20 国网信息通信产业集团有限公司 综合能源调度方法、装置、电子设备和计算机可读介质
CN117955095A (zh) * 2024-01-11 2024-04-30 国网湖北省电力有限公司信息通信公司 电力负荷预测方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911577A (zh) * 2023-09-13 2023-10-20 国网信息通信产业集团有限公司 综合能源调度方法、装置、电子设备和计算机可读介质
CN116911577B (zh) * 2023-09-13 2024-02-09 国网信息通信产业集团有限公司 综合能源调度方法、装置、电子设备和计算机可读介质
CN117955095A (zh) * 2024-01-11 2024-04-30 国网湖北省电力有限公司信息通信公司 电力负荷预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110766142A (zh) 模型生成方法和装置
CN110929869B (zh) 序列数据处理方法、装置、设备及存储介质
CN112101172B (zh) 基于权重嫁接的模型融合的人脸识别方法及相关设备
CN110390408B (zh) 交易对象预测方法和装置
CN113553864A (zh) 翻译模型的训练方法、装置、电子设备及存储介质
CN114492641A (zh) 电力负荷预测方法、装置、设备及存储介质
CN111340221A (zh) 神经网络结构的采样方法和装置
CN110162766A (zh) 词向量更新方法和装置
CN112182118B (zh) 基于多数据源的目标对象预测方法及其相关设备
CN115630651B (zh) 文本生成方法和文本生成模型的训练方法、装置
CN113743971A (zh) 一种数据处理方法和装置
CN110782016A (zh) 用于优化神经网络架构搜索的方法和装置
CN110827069A (zh) 数据处理方法、装置、介质以及电子设备
Wang et al. An electricity load forecasting model based on multilayer dilated LSTM network and attention mechanism
CN108475346A (zh) 神经随机访问机器
CN112434872A (zh) 酒店产量预测方法、系统、设备及存储介质
CN117196665A (zh) 预测对象的价值参数的方法、设备及装置
Genet et al. A Temporal Kolmogorov-Arnold Transformer for Time Series Forecasting
CN116865254A (zh) 一种电力负荷指标预测方法、系统、设备及介质
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN114443896B (zh) 数据处理方法和用于训练预测模型的方法
CN115392594A (zh) 一种基于神经网络和特征筛选的用电负荷模型训练方法
Al Haromainy et al. Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data
US20230367034A1 (en) Intelligent execution of compute intensive numerical simulation models
CN111309690B (zh) 一种数控机床g代码数据无损压缩方法

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