CN116362503B - 基于人工智能的电力调节方法及系统 - Google Patents
基于人工智能的电力调节方法及系统 Download PDFInfo
- Publication number
- CN116362503B CN116362503B CN202310327213.4A CN202310327213A CN116362503B CN 116362503 B CN116362503 B CN 116362503B CN 202310327213 A CN202310327213 A CN 202310327213A CN 116362503 B CN116362503 B CN 116362503B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- matrix
- training
- feature
- time sequence
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000001105 regulatory effect Effects 0.000 title description 2
- 230000005611 electricity Effects 0.000 claims abstract description 159
- 239000011159 matrix material Substances 0.000 claims description 232
- 239000013598 vector Substances 0.000 claims description 168
- 238000012549 training Methods 0.000 claims description 119
- 238000000605 extraction Methods 0.000 claims description 56
- 230000007246 mechanism Effects 0.000 claims description 48
- 230000003750 conditioning effect Effects 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
Abstract
一种基于人工智能的电力调节方法及系统,其获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;采用基于深度学习的人工智能技术,挖掘各家用电单位的用电量在时间维度上的关联模式特征,基于此自适应地调整电量供给。这样,可以避免因用电波动而提供过度的电量导致能源浪费,以避免供电不足的情况产生。
Description
技术领域
本申请涉及智能化调节技术领域,并且更具体地,涉及一种基于人工智能的电力调节方法及系统。
背景技术
电力公司为特定区域内的用电单位进行供电,其中,用电单位包括居民用电单位和商业企业用电单位。电力公司通过电力调度系统来为特定区域内的所有用电单位进行电能供给和调配。
在当前节能减排的大背景下,节约用电的观念已经深入人心,但人们往往认为节约用电就是简单地减少用电,而实际上,用电量时高时低,用电量不稳也是对电能的浪费。
因此,期待一种优化的电力调节方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于人工智能的电力调节方法及系统,其获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;采用基于深度学习的人工智能技术,挖掘各家用电单位的用电量在时间维度上的关联模式特征,基于此自适应地调整电量供给。这样,可以避免因用电波动而提供过度的电量导致能源浪费,以避免供电不足的情况产生。
第一方面,提供了一种基于人工智能的电力调节方法,其包括:
获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;
将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量;
将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量;
将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵;以及
将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。
在上述基于人工智能的电力调节方法中,所述多尺度邻域特征提取模块,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述基于人工智能的电力调节方法中,将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第一尺度用电量特征向量;其中,所述第一卷积公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述多个用电量输入向量,Cov(X)表示对所述多个用电量输入向量进行一维卷积编码;使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第二尺度用电量特征向量;其中,所述第二卷积公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述多个用电量输入向量,Cov(X)表示对所述多个用电量输入向量进行一维卷积编码;以及,将所述第一尺度用电量特征向量和所述第二尺度用电量特征向量进行级联以得到所述多个多尺度用电量时序特征向量。
在上述基于人工智能的电力调节方法中,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述全局用电量时序特征矩阵。
在上述基于人工智能的电力调节方法中,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量,包括:使用所述解码器以如下解码公式对所述全局用电量时序特征矩阵进行解码回归以得到所述解码值;其中,所述解码公式为:其中,Md表示所述全局用电量时序特征矩阵,Y表示解码值,W表示权重矩阵,B表示偏置向量,/>表示矩阵乘。
在上述基于人工智能的电力调节方法中,还包括训练步骤:对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括所述多个用电单位在当天之前的多天的用电量,以及,当天的真实用电量;将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为训练用电量输入向量以得到多个训练用电量输入向量;将所述多个训练用电量输入向量分别通过所述多尺度邻域特征提取模块以得到多个训练多尺度用电量时序特征向量;将所述多个训练多尺度用电量时序特征向量排列为训练全局用电量时序输入矩阵后通过所述使用空间注意力机制的卷积神经网络模型以得到训练全局用电量时序特征矩阵;对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵;将所述训练解码特征矩阵输入所述解码器以得到解码损失函数值;以及,以所述解码损失函数值作为损失函数值,并通过梯度下降的反向传播算法对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练。
在上述基于人工智能的电力调节方法中,对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵,包括:将所述训练全局用电量时序特征矩阵通过线性变换转化为对角矩阵;以及,对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵。
在上述基于人工智能的电力调节方法中,对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵,包括:以如下优化公式对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵;其中,所述优化公式为:
其中,M为所述对角特征矩阵,ve1到ven是所述对角特征矩阵M进行本征分解后得到的n个本征值,Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,d(Me,M)为所述本征单位化矩阵Me与所述对角特征矩阵M之间的距离,⊙表示矩阵按位置点乘,表示矩阵乘法。
第而不是方面,提供了一种基于人工智能的电力调节系统,其包括:
数据获取模块,用于获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;
向量排列模块,用于将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量;
多尺度特征提取模块,用于将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量;
空间注意模块,用于将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵;以及
解码模块,用于将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。
在上述基于人工智能的电力调节系统中,所述多尺度邻域特征提取模块,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
与现有技术相比,本申请提供的基于人工智能的电力调节方法及系统,其获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;采用基于深度学习的人工智能技术,挖掘各家用电单位的用电量在时间维度上的关联模式特征,基于此自适应地调整电量供给。这样,可以避免因用电波动而提供过度的电量导致能源浪费,以避免供电不足的情况产生。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为根据本申请实施例的基于人工智能的电力调节方法的场景示意图。
图2为根据本申请实施例的基于人工智能的电力调节方法的流程图。
图3为根据本申请实施例的基于人工智能的电力调节方法的架构示意图。
图4为根据本申请实施例的基于人工智能的电力调节方法中训练步骤的流程图。
图5为根据本申请实施例的基于人工智能的电力调节方法中步骤250的子步骤的流程图。
图6为根据本申请实施例的基于人工智能的电力调节系统的框图。
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。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述,在当前节能减排的大背景下,节约用电的观念已经深入人心,但人们往往认为节约用电就是简单地减少用电,而实际上,用电量时高时低,用电量不稳也是对电能的浪费。
基于此,在本申请的技术方案中,电气公司期待对用电区域内的所有用电单位的用电量进行分析和预测,以基于用电量预测值来自适应地调整电量供给,以避免因用电波动而提供过度的电量导致能源浪费,同时,也避免供电不足的情况。
具体地,在本申请的技术方案中,首先获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量。也就是,获取由所述电力公司供电的区域内的所有用电单位的历史用电量数据。这里,在本申请的技术方案中,为了能够充分地挖掘各家用电单位的用电量模式特征,以提高用电量预测的精准度,可抓取更多天的历史用电量数据。
在得到由所述电力公司供电的区域内的所有用电单位的历史用电量数据后,将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量。也就是,将所述各家用电单位的历史用电量数据通过向量这一数据结构来进行聚合以得到多个用电量输入向量,其中,所述各个用电量输入向量用于表示各家用电单位的历史用电量的离散分布。
接着,将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量。在本申请的实施例中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。相应地,在所述多尺度邻域特征提取模块的编码过程中,所述多尺度邻域特征提取模块使用具有不同尺度的一维卷积核的所述第一卷积层和所述第二卷积层对所述用电量输入向量进行多尺度一维卷积编码以捕捉所述用电量输入向量在不同时间跨度内的用电量时序分布模式特征以得到所述多尺度用电量时序特征向量。
应可以理解,在本申请的技术方案中,被所述电力公司供电的区域内的多家用电单位之间的用电量并非完全独立的,也就是,如果将各家用电单位视为完全独立的个体,则忽略了用电单位之间的用电关联,例如,某些区域内的用电单位之间的用电量是互补的,某些区域内的用电单位之间的用电量是互斥的(一家在用,另一家就不用)。因此,在本申请的技术方案中,如果能够提取各家用电单位的用电量在时间维度上的关联模式特征,则能够显著地提升用电量预测的精准度。
具体地,在本申请的技术方案中,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵。应可以理解,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵,其本质上是通过矩阵这一数据结构来将各家用电单位的用电量时序模式特征聚合在一起。而本领域普通技术人员应知晓,卷积神经网络模型在提取局部邻域特征方面具有优异性能表现,因此,当所述卷积神经网络模型被应用对所述全局用电量时序输入矩阵进行编码时,其能够使用具有可学习神经网络参数的卷积核提取各家用电单位的用电模式特征之间的关联的高维隐含特征表示。并且,考虑到不同用电单位的用电量之间的关联模式对于最终用电量预测的影响权重不同,因此,在本申请的技术方案中,将空间注意机制引入所述卷积神经网络模型以使得所述卷积神经网络模型在提取用电量关联特征时,能够对不同空间位置的关联模式特征施加不同的注意力权重,以使得特征具有空间可鉴别性。
在得到所述全局用电量时序特征矩阵后,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。这样,所述电力公司能够基于所述解码值来进行发电量供给,以避免因电能供给过剩而产生的能源浪费。
特别地,在本申请的技术方案中,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型得到所述全局用电量时序特征矩阵时,所述使用空间注意力机制的卷积神经网络模型可以强化所述全局用电量时序特征矩阵内的局部特征分布,从而增强所述全局用电量时序特征矩阵的特征表达效果。但另一方面,未被空间注意力机制增强的某些本来就处于解码回归目标域边缘的特征值可能更加偏离所述全局用电量时序特征矩阵的整体特征分布,从而在通过解码器进行解码时影响模型的训练效果。
因此,优选地,在本申请的技术方案中,首先将所述全局用电量时序特征矩阵通过线性变换转化为对角矩阵,例如记为M,再对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化,表示为:
ve1到ven是所述对角特征矩阵M进行本征分解后得到的n个本征值,Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,d(Me,M)为所述本征单位化矩阵Me与所述对角特征矩阵M之间的距离。
也就是,通过基于所述对角特征矩阵M的本征分解获得的所述本征单位化矩阵Me来对所述对角特征矩阵M进行逐位位移关联,并以所述对角特征矩阵M相对本征单位化空间内的投影距离来进行特征关联关系的匹配,就可以解决模型参数在反向传播时,由于所述对角特征矩阵M的局部异常特征的关联性分布弱而导致的优化方向的不匹配问题,避免由所述对角特征矩阵M的处于回归目标域边缘的特征值被失配地约束在相反的优化方向,导致训练效果变差。
图1为根据本申请实施例的基于人工智能的电力调节方法的场景示意图。如图1所示,在该应用场景中,首先,获取由电力公司供电的区域内的多个用电单位(例如,如图1中所示意的T)在当天之前的多天的用电量(例如,如图1中所示意的C);然后,将获取的用电量输入至部署有基于人工智能的电力调节算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于人工智能的电力调节算法对所述用电量进行处理,以生成用于表示当天的推荐发电量的解码值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中,2为根据本申请实施例的基于人工智能的电力调节方法的流程图。如图2所示,根据本申请实施例的基于人工智能的电力调节方法100,包括:110,获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;120,将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量;130,将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量;140,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵;以及,150,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。
图3为根据本申请实施例的基于人工智能的电力调节方法的架构示意图。如图3所示,在该网络架构中,首先,获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;然后,将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量;接着将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量;然后,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵;以及,最后,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。
具体地,在步骤110中,获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量。如上所述,在当前节能减排的大背景下,节约用电的观念已经深入人心,但人们往往认为节约用电就是简单地减少用电,而实际上,用电量时高时低,用电量不稳也是对电能的浪费。
基于此,在本申请的技术方案中,电气公司期待对用电区域内的所有用电单位的用电量进行分析和预测,以基于用电量预测值来自适应地调整电量供给,以避免因用电波动而提供过度的电量导致能源浪费,同时,也避免供电不足的情况。
具体地,在本申请的技术方案中,首先获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量。也就是,获取由所述电力公司供电的区域内的所有用电单位的历史用电量数据。这里,在本申请的技术方案中,为了能够充分地挖掘各家用电单位的用电量模式特征,以提高用电量预测的精准度,可抓取更多天的历史用电量数据。
具体地,在步骤120中,将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量。在得到由所述电力公司供电的区域内的所有用电单位的历史用电量数据后,将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量。也就是,将所述各家用电单位的历史用电量数据通过向量这一数据结构来进行聚合以得到多个用电量输入向量,其中,所述各个用电量输入向量用于表示各家用电单位的历史用电量的离散分布。
具体地,在步骤130中,将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量。接着,将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量。
在本申请的实施例中,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
相应地,在所述多尺度邻域特征提取模块的编码过程中,所述多尺度邻域特征提取模块使用具有不同尺度的一维卷积核的所述第一卷积层和所述第二卷积层对所述用电量输入向量进行多尺度一维卷积编码以捕捉所述用电量输入向量在不同时间跨度内的用电量时序分布模式特征以得到所述多尺度用电量时序特征向量。
其中,将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第一尺度用电量特征向量;其中,所述第一卷积公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述多个用电量输入向量,Cov(X)表示对所述多个用电量输入向量进行一维卷积编码;使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第二尺度用电量特征向量;其中,所述第二卷积公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述多个用电量输入向量,Cov(X)表示对所述多个用电量输入向量进行一维卷积编码;以及,将所述第一尺度用电量特征向量和所述第二尺度用电量特征向量进行级联以得到所述多个多尺度用电量时序特征向量。
值得一提的是,相较于传统的特征工程,所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型,其能够通过预定训练策略来拟合任何函数功能,且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层,其中,在所述多尺度邻域特征提取模块进行特征提取的过程中,所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地,在步骤140中,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵。
应可以理解,在本申请的技术方案中,被所述电力公司供电的区域内的多家用电单位之间的用电量并非完全独立的,也就是,如果将各家用电单位视为完全独立的个体,则忽略了用电单位之间的用电关联,例如,某些区域内的用电单位之间的用电量是互补的,某些区域内的用电单位之间的用电量是互斥的(一家在用,另一家就不用)。因此,在本申请的技术方案中,如果能够提取各家用电单位的用电量在时间维度上的关联模式特征,则能够显著地提升用电量预测的精准度。
具体地,在本申请的技术方案中,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵。应可以理解,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵,其本质上是通过矩阵这一数据结构来将各家用电单位的用电量时序模式特征聚合在一起。
而本领域普通技术人员应知晓,卷积神经网络模型在提取局部邻域特征方面具有优异性能表现,因此,当所述卷积神经网络模型被应用对所述全局用电量时序输入矩阵进行编码时,其能够使用具有可学习神经网络参数的卷积核提取各家用电单位的用电模式特征之间的关联的高维隐含特征表示。并且,考虑到不同用电单位的用电量之间的关联模式对于最终用电量预测的影响权重不同,因此,在本申请的技术方案中,将空间注意机制引入所述卷积神经网络模型以使得所述卷积神经网络模型在提取用电量关联特征时,能够对不同空间位置的关联模式特征施加不同的注意力权重,以使得特征具有空间可鉴别性。
其中,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述全局用电量时序特征矩阵。
应可以理解,注意力机制是机器学习中的一种数据处理方法,广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面,注意力机制就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方;另一方面,注意力机制通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说,空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。
具体地,在步骤150中,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。在得到所述全局用电量时序特征矩阵后,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。这样,所述电力公司能够基于所述解码值来进行发电量供给,以避免因电能供给过剩而产生的能源浪费。
其中,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量,包括:使用所述解码器以如下解码公式对所述全局用电量时序特征矩阵进行解码回归以得到所述解码值;其中,所述解码公式为:其中,Md表示所述全局用电量时序特征矩阵,Y表示解码值,W表示权重矩阵,B表示偏置向量,/>表示矩阵乘。
在本申请的一个实施例中,所述基于人工智能的电力调节方法还包括训练步骤,用于对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练。图4为根据本申请实施例的基于人工智能的电力调节方法中训练步骤的流程图,如图4所示,所述训练步骤200,包括:210,获取训练数据,所述训练数据包括所述多个用电单位在当天之前的多天的用电量,以及,当天的真实用电量;220,将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为训练用电量输入向量以得到多个训练用电量输入向量;230,将所述多个训练用电量输入向量分别通过所述多尺度邻域特征提取模块以得到多个训练多尺度用电量时序特征向量;240,将所述多个训练多尺度用电量时序特征向量排列为训练全局用电量时序输入矩阵后通过所述使用空间注意力机制的卷积神经网络模型以得到训练全局用电量时序特征矩阵;250,对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵;260,将所述训练解码特征矩阵输入所述解码器以得到解码损失函数值;以及,270,以所述解码损失函数值作为损失函数值,并通过梯度下降的反向传播算法对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练。
进一步地,图5为根据本申请实施例的基于人工智能的电力调节方法中步骤250的子步骤的流程图,如图5所示,对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵,包括:251,将所述训练全局用电量时序特征矩阵通过线性变换转化为对角矩阵;以及,252,对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵。
特别地,在本申请的技术方案中,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型得到所述全局用电量时序特征矩阵时,所述使用空间注意力机制的卷积神经网络模型可以强化所述全局用电量时序特征矩阵内的局部特征分布,从而增强所述全局用电量时序特征矩阵的特征表达效果。但另一方面,未被空间注意力机制增强的某些本来就处于解码回归目标域边缘的特征值可能更加偏离所述全局用电量时序特征矩阵的整体特征分布,从而在通过解码器进行解码时影响模型的训练效果。
因此,优选地,在本申请的技术方案中,首先将所述全局用电量时序特征矩阵通过线性变换转化为对角矩阵,例如记为M,再对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化,表示为:以如下优化公式对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵;其中,所述优化公式为:
其中,M为所述对角特征矩阵,ve1到ven是所述对角特征矩阵M进行本征分解后得到的n个本征值,Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,d(Me,M)为所述本征单位化矩阵Me与所述对角特征矩阵M之间的距离,⊙表示矩阵按位置点乘,表示矩阵乘法。
也就是,通过基于所述对角特征矩阵M的本征分解获得的所述本征单位化矩阵Me来对所述对角特征矩阵M进行逐位位移关联,并以所述对角特征矩阵M相对本征单位化空间内的投影距离来进行特征关联关系的匹配,就可以解决模型参数在反向传播时,由于所述对角特征矩阵M的局部异常特征的关联性分布弱而导致的优化方向的不匹配问题,避免由所述对角特征矩阵M的处于回归目标域边缘的特征值被失配地约束在相反的优化方向,导致训练效果变差。
综上,基于本申请实施例的基于人工智能的电力调节方法100被阐明,其获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;采用基于深度学习的人工智能技术,挖掘各家用电单位的用电量在时间维度上的关联模式特征,基于此自适应地调整电量供给。这样,可以避免因用电波动而提供过度的电量导致能源浪费,以避免供电不足的情况产生。
在本申请的一个实施例中,图6为根据本申请实施例的基于人工智能的电力调节系统的框图。如图6所示,根据本申请实施例的基于人工智能的电力调节系统300,包括:数据获取模块310,用于获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;向量排列模块320,用于将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量;多尺度特征提取模块330,用于将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量;空间注意模块340,用于将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵;以及,解码模块350,用于将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量。
在一个具体示例中,在上述基于人工智能的电力调节系统中,所述多尺度邻域特征提取模块,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在一个具体示例中,在上述基于人工智能的电力调节系统中,所述多尺度特征提取模块,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第一尺度用电量特征向量;其中,所述第一卷积公式为:
其中,a为第一一维卷积核在x方向上的宽度、F(a)为第一一维卷积核参数向量、G(x-a)为与第一一维卷积核函数运算的局部向量矩阵,w为第一一维卷积核的尺寸,X表示所述多个用电量输入向量,Cov(X)表示对所述多个用电量输入向量进行一维卷积编码;使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第二尺度用电量特征向量;其中,所述第二卷积公式为:
其中,b为第二一维卷积核在x方向上的宽度、F(b)为第二一维卷积核参数向量、G(x-b)为与第二一维卷积核函数运算的局部向量矩阵,m为第二一维卷积核的尺寸,X表示所述多个用电量输入向量,Cov(X)表示对所述多个用电量输入向量进行一维卷积编码;以及,将所述第一尺度用电量特征向量和所述第二尺度用电量特征向量进行级联以得到所述多个多尺度用电量时序特征向量。
在一个具体示例中,在上述基于人工智能的电力调节系统中,所述空间注意模块,用于:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:对输入数据进行卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行非线性激活以生成激活特征图;计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及,计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述全局用电量时序特征矩阵。
在一个具体示例中,在上述基于人工智能的电力调节系统中,所述解码模块,用于:使用所述解码器以如下解码公式对所述全局用电量时序特征矩阵进行解码回归以得到所述解码值;其中,所述解码公式为:其中,Md表示所述全局用电量时序特征矩阵,Y表示解码值,W表示权重矩阵,B表示偏置向量,/>表示矩阵乘。
在一个具体示例中,在上述基于人工智能的电力调节系统中,还包括训练模块,用于:对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练;其中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括所述多个用电单位在当天之前的多天的用电量,以及,当天的真实用电量;训练向量排列单元,用于将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为训练用电量输入向量以得到多个训练用电量输入向量;训练多尺度提取单元,用于将所述多个训练用电量输入向量分别通过所述多尺度邻域特征提取模块以得到多个训练多尺度用电量时序特征向量;训练空间注意力单元,用于将所述多个训练多尺度用电量时序特征向量排列为训练全局用电量时序输入矩阵后通过所述使用空间注意力机制的卷积神经网络模型以得到训练全局用电量时序特征矩阵;训练校正单元,用于对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵;训练解码单元,用于将所述训练解码特征矩阵输入所述解码器以得到解码损失函数值;以及,训练单元,用于以所述解码损失函数值作为损失函数值,并通过梯度下降的反向传播算法对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练。
在一个具体示例中,在上述基于人工智能的电力调节系统中,所述训练校正单元,包括:线性变换子单元,用于将所述训练全局用电量时序特征矩阵通过线性变换转化为对角矩阵;以及,优化子单元,用于对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵。
在一个具体示例中,在上述基于人工智能的电力调节系统中,所述优化子单元,用于:以如下优化公式对所述对角特征矩阵M进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵;其中,所述优化公式为:
其中,M为所述对角特征矩阵,ve1到ven是所述对角特征矩阵M进行本征分解后得到的n个本征值,Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,d(Me,M)为所述本征单位化矩阵Me与所述对角特征矩阵M之间的距离,⊙表示矩阵按位置点乘,表示矩阵乘法。
这里,本领域技术人员可以理解,上述基于人工智能的电力调节系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于人工智能的电力调节方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于人工智能的电力调节系统300可以实现在各种终端设备中,例如用于基于人工智能的电力调节的服务器等。在一个示例中,根据本申请实施例的基于人工智能的电力调节系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于人工智能的电力调节系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于人工智能的电力调节系统300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能的电力调节系统300与该终端设备也可以是分立的设备,并且基于人工智能的电力调节系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了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执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端设备不仅包括那些要素,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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种基于人工智能的电力调节方法,其特征在于,包括:
获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;
将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量;
将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量;
将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵;以及
将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量;
所述方法还包括训练步骤:对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括所述多个用电单位在当天之前的多天的用电量,以及,当天的真实用电量;
将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为训练用电量输入向量以得到多个训练用电量输入向量;
将所述多个训练用电量输入向量分别通过所述多尺度邻域特征提取模块以得到多个训练多尺度用电量时序特征向量;
将所述多个训练多尺度用电量时序特征向量排列为训练全局用电量时序输入矩阵后通过所述使用空间注意力机制的卷积神经网络模型以得到训练全局用电量时序特征矩阵;
对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵;
将所述训练解码特征矩阵输入所述解码器以得到解码损失函数值;以及
以所述解码损失函数值作为损失函数值,并通过梯度下降的反向传播算法对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练;
对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵,包括:
将所述训练全局用电量时序特征矩阵通过线性变换转化为对角特征矩阵;以及
对所述对角特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵;
对所述对角特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵,包括:以如下优化公式对所述对角特征矩阵/>进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵;
其中,所述优化公式为:
,
其中,为所述对角特征矩阵,/>到/>是所述对角特征矩阵/>进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,为所述本征单位化矩阵/>与所述对角特征矩阵/>之间的距离,/>表示矩阵按位置点乘,/>表示矩阵乘法。
2.根据权利要求1所述的基于人工智能的电力调节方法,其特征在于,所述多尺度邻域特征提取模块,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的基于人工智能的电力调节方法,其特征在于,将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量,包括:
使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第一尺度用电量特征向量;
其中,所述第一卷积公式为:
,
其中,为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵,/>为第一一维卷积核的尺寸,/>表示所述多个用电量输入向量,/>表示对所述多个用电量输入向量进行一维卷积编码;
使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述多个用电量输入向量进行一维卷积编码以得到第二尺度用电量特征向量;
其中,所述第二卷积公式为:
,
其中,为第二一维卷积核在/>方向上的宽度、/>为第二一维卷积核参数向量、/>为与第二一维卷积核函数运算的局部向量矩阵,/>为第二一维卷积核的尺寸,/>表示所述多个用电量输入向量,/>表示对所述多个用电量输入向量进行一维卷积编码;以及
将所述第一尺度用电量特征向量和所述第二尺度用电量特征向量进行级联以得到所述多个多尺度用电量时序特征向量。
4.根据权利要求3所述的基于人工智能的电力调节方法,其特征在于,将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵,包括:所述使用空间注意力机制的卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行:
对输入数据进行卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行非线性激活以生成激活特征图;
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵;
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵;以及
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵;
其中,所述使用空间注意力机制的卷积神经网络模型的最后一层输出的所述特征矩阵为所述全局用电量时序特征矩阵。
5.根据权利要求4所述的基于人工智能的电力调节方法,其特征在于,将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量,包括:使用所述解码器以如下解码公式对所述全局用电量时序特征矩阵进行解码回归以得到所述解码值;其中,所述解码公式为:,其中,/>表示所述全局用电量时序特征矩阵,/>表示解码值,/>表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
6.一种基于人工智能的电力调节系统,其特征在于,包括:
数据获取模块,用于获取由电力公司供电的区域内的多个用电单位在当天之前的多天的用电量;
向量排列模块,用于将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为用电量输入向量以得到多个用电量输入向量;
多尺度特征提取模块,用于将所述多个用电量输入向量分别通过多尺度邻域特征提取模块以得到多个多尺度用电量时序特征向量;
空间注意模块,用于将所述多个多尺度用电量时序特征向量排列为全局用电量时序输入矩阵后通过使用空间注意力机制的卷积神经网络模型以得到全局用电量时序特征矩阵;以及
解码模块,用于将所述全局用电量时序特征矩阵通过解码器以得到解码值,所述解码值用于表示当天的推荐发电量;
所述电力调节系统还包括训练模块:用于对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练;
其中,所述训练模块,具体用于:
获取训练数据,所述训练数据包括所述多个用电单位在当天之前的多天的用电量,以及,当天的真实用电量;
将所述各个用电单位在当天之前的多天的用电量按照时间维度排列为训练用电量输入向量以得到多个训练用电量输入向量;
将所述多个训练用电量输入向量分别通过所述多尺度邻域特征提取模块以得到多个训练多尺度用电量时序特征向量;
将所述多个训练多尺度用电量时序特征向量排列为训练全局用电量时序输入矩阵后通过所述使用空间注意力机制的卷积神经网络模型以得到训练全局用电量时序特征矩阵;
对所述训练全局用电量时序特征矩阵进行特征分布校正以得到训练解码特征矩阵;
将所述训练解码特征矩阵输入所述解码器以得到解码损失函数值;以及
以所述解码损失函数值作为损失函数值,并通过梯度下降的反向传播算法对所述多尺度邻域特征提取模块、所述使用空间注意力机制的卷积神经网络模型和所述解码器进行训练;
所述训练模块具体用于:
将所述训练全局用电量时序特征矩阵通过线性变换转化为对角特征矩阵;以及
对所述对角特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵;
以如下优化公式对所述对角特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述训练解码特征矩阵;
其中,所述优化公式为:
,
,
其中,为所述对角特征矩阵,/>到/>是所述对角特征矩阵/>进行本征分解后得到的/>个本征值,/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵,其也为对角矩阵,为所述本征单位化矩阵/>与所述对角特征矩阵/>之间的距离,/>表示矩阵按位置点乘,/>表示矩阵乘法。
7.根据权利要求6所述的基于人工智能的电力调节系统,其特征在于,所述多尺度邻域特征提取模块,包括:并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度融合层,其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310327213.4A CN116362503B (zh) | 2023-03-30 | 2023-03-30 | 基于人工智能的电力调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310327213.4A CN116362503B (zh) | 2023-03-30 | 2023-03-30 | 基于人工智能的电力调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362503A CN116362503A (zh) | 2023-06-30 |
CN116362503B true CN116362503B (zh) | 2023-11-07 |
Family
ID=86918676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310327213.4A Active CN116362503B (zh) | 2023-03-30 | 2023-03-30 | 基于人工智能的电力调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362503B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452367B (zh) * | 2023-04-19 | 2023-11-21 | 青岛西拓科技有限公司 | 一种智能供电管理系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN113962433A (zh) * | 2021-09-10 | 2022-01-21 | 国网江苏省电力有限公司电力科学研究院 | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN114707772A (zh) * | 2022-06-06 | 2022-07-05 | 山东大学 | 基于多特征分解与融合的电力负荷预测方法及系统 |
CN115359300A (zh) * | 2022-08-30 | 2022-11-18 | 德玛克(长兴)精密机械有限公司 | 风力发电机部件智能化加工制造系统及其制造方法 |
CN115409649A (zh) * | 2022-08-29 | 2022-11-29 | 华能国际电力开发公司吉林通榆风电分公司 | 风电场能量管理系统及其方法 |
CN115471718A (zh) * | 2022-09-28 | 2022-12-13 | 浙江科技学院 | 基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法 |
CN115564092A (zh) * | 2022-08-26 | 2023-01-03 | 华能新能源股份有限公司 | 用于风电场的短时风电功率预测系统及其方法 |
CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
-
2023
- 2023-03-30 CN CN202310327213.4A patent/CN116362503B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
CN113962433A (zh) * | 2021-09-10 | 2022-01-21 | 国网江苏省电力有限公司电力科学研究院 | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN114707772A (zh) * | 2022-06-06 | 2022-07-05 | 山东大学 | 基于多特征分解与融合的电力负荷预测方法及系统 |
CN115564092A (zh) * | 2022-08-26 | 2023-01-03 | 华能新能源股份有限公司 | 用于风电场的短时风电功率预测系统及其方法 |
CN115409649A (zh) * | 2022-08-29 | 2022-11-29 | 华能国际电力开发公司吉林通榆风电分公司 | 风电场能量管理系统及其方法 |
CN115359300A (zh) * | 2022-08-30 | 2022-11-18 | 德玛克(长兴)精密机械有限公司 | 风力发电机部件智能化加工制造系统及其制造方法 |
CN115471718A (zh) * | 2022-09-28 | 2022-12-13 | 浙江科技学院 | 基于多尺度学习的轻量级显著性目标检测模型的构建和检测方法 |
CN115841346A (zh) * | 2023-02-23 | 2023-03-24 | 杭银消费金融股份有限公司 | 用于经营决策的资产减值预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
Multi-scale regional photovoltaic power generation forecasting method based on sequence coding reconstruction;D.Y. GONG 等;《2022 The 3rd International Conference on Power and Electrical Engineering (ICPEE 2022)》;第135-143页 * |
多尺度特征融合的光伏电站故障诊断;那峙雄 等;《计算机工程与应用》;第300-308页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362503A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190138882A1 (en) | Method and apparatus for learning low-precision neural network that combines weight quantization and activation quantization | |
CN116744511B (zh) | 智能调光调色照明系统及其方法 | |
CN109478144A (zh) | 一种数据处理装置和方法 | |
CN116362503B (zh) | 基于人工智能的电力调节方法及系统 | |
CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN116095089B (zh) | 遥感卫星数据处理方法及系统 | |
CN113610232A (zh) | 网络模型量化方法、装置、计算机设备以及存储介质 | |
CN108875915B (zh) | 一种面向嵌入式应用的深度对抗网络优化方法 | |
CN115827697B (zh) | 基于大数据的小区水资源智能管理系统及其管理方法 | |
CN116164497A (zh) | 液氧制备过程中的精馏控制系统及其方法 | |
CN114529085A (zh) | 基于大数据的居民收入预测系统及其预测方法 | |
CN116151768A (zh) | 城市污水处理监管方法及其系统 | |
CN116151545A (zh) | 一种多风电机组功率控制优化系统 | |
CN117458488B (zh) | 梯级水光互补分布鲁棒优化调度方法、装置、设备及介质 | |
Yu et al. | Boosted dynamic neural networks | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN112258410B (zh) | 一种可微分的低秩学习网络图像修复方法 | |
CN116563795A (zh) | 一种玩偶的生产管理方法及其系统 | |
Zhen et al. | A Secure and Effective Energy-Aware Fixed-Point Quantization Scheme for Asynchronous Federated Learning. | |
CN117293916B (zh) | 一种面向用户的电网调度方法及装置、计算设备 | |
CN116957630A (zh) | 基于经济数据的电力需求响应系统及其方法 | |
CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其系统 | |
Peng et al. | Medium and Long Term Scenario Generation Method Based on Autoencoder and Generation Adversarial Network | |
Zhang et al. | Binary Neural Networks: Algorithms, Architectures, and Applications | |
CN117498320B (zh) | 一种波浪发电功率预测方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |