CN116995673A - 电力负荷预测方法、电力负荷预测模型训练方法和装置 - Google Patents
电力负荷预测方法、电力负荷预测模型训练方法和装置 Download PDFInfo
- Publication number
- CN116995673A CN116995673A CN202311245125.6A CN202311245125A CN116995673A CN 116995673 A CN116995673 A CN 116995673A CN 202311245125 A CN202311245125 A CN 202311245125A CN 116995673 A CN116995673 A CN 116995673A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature
- data
- power load
- training
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 538
- 238000000034 method Methods 0.000 title claims abstract description 133
- 238000007499 fusion processing Methods 0.000 claims abstract description 62
- 230000004927 fusion Effects 0.000 claims description 184
- 238000000605 extraction Methods 0.000 claims description 158
- 238000012216 screening Methods 0.000 claims description 132
- 238000012545 processing Methods 0.000 claims description 102
- 238000012360 testing method Methods 0.000 claims description 100
- 230000015654 memory Effects 0.000 claims description 32
- 230000005611 electricity Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000002123 temporal effect Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 23
- 239000000284 extract Substances 0.000 description 13
- 230000007774 longterm Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电力负荷预测方法、电力负荷预测模型训练方法和装置,方法包括:通过获取与目标地区的电力负荷相关的时序数据,并将时序数据输入至预设电力负荷预测模型中。进一步地,通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据。相对于相关技术中的预测模型,本申请实施例的预设电力负荷预测模型的预测效率和准确性更高。
Description
技术领域
本申请涉及电力系统技术领域,尤其涉及一种电力负荷预测方法、电力负荷预测模型训练方法和装置。
背景技术
电力负荷预测是指对电力系统的预设时间长度之后的电力负荷进行预测。其中,电力负荷预测是电力系统安全运行和精准规划的重要基础。
相关技术中,采用预测模型对电力负荷进行预测,但是相关技术中的预测模型的预测效率较低。
发明内容
鉴于上述问题,本申请提供一种电力负荷预测方法、电力负荷预测模型训练方法和装置,能够解决相关技术中预测效率较低的问题。
第一方面,本申请提供了一种电力负荷预测方法,方法包括:
获取与目标地区的电力负荷相关的时序数据;
将时序数据输入至预设电力负荷预测模型中;
通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
本申请实施例的技术方案中,通过获取与目标地区的电力负荷相关的时序数据,并将时序数据输入至预设电力负荷预测模型中。进一步地,通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据。可见,本申请实施例中的预设电力负荷预测模型可以同步对不同时间长度类型的电力负荷进行预测,从而可以提高电力负荷预测效率。另外,本申请实施例中,通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理的方式,有利于得到准确性更高的高阶特征,以便于基于高阶特征进行电力负荷预测可以得到准确性更高的电力负荷预测数据。因此,相对于相关技术中的预测模型,本申请实施例的预设电力负荷预测模型的预测效率和准确性更高。
在一些实施例中,通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,包括:
通过预设电力负荷预测模型提取时序数据的多个时序特征;其中,各时序特征对应的时间步长不同;
对各时序特征进行第一融合处理得到第一电力负荷特征;
对多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征;
基于第一电力负荷特征输出目标地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷特征输出目标地区的第二时间长度类型的电力负荷预测数据。
本申请实施例的技术方案中,通过对多个时序特征进行融合处理的方式,可以得到准确性更高的高阶的第一电力负荷特征和第二电力负荷特征。进一步地,通过基于高阶的第一电力负荷特征和第二电力负荷特征可以同步得到准确性更高的不同时间长度类型的电力负荷预测数据,从而可以提高电力负荷预测模型的预测效率和准确性。
在一些实施例中,预设电力负荷预测模型包括时序特征提取网络,时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,通过预设电力负荷预测模型提取时序数据的多个时序特征,包括:
通过第一时序特征提取层提取时序数据的第一时序特征;
通过第二时序特征提取层提取时序数据的第二时序特征;
通过第三时序特征提取层提取时序数据的第三时序特征;
其中,第一时序特征、第二时序特征以及第三时序特征对应的时间步长不同。
本申请实施例的技术方案中,与目标地区的电力负荷相关的时序数据(为长时序数据)经过时序特征提取网络可以自动地分离出不同时间步长的多个时序特征,以便于后续对不同时间步长的时序特征进行融合处理以深度挖掘,可以得到准确性更高的高阶特征,从而有利于提高电力负荷预测的准确性。
在一些实施例中,预设电力负荷预测模型包括第一特征融合网络,对各时序特征进行第一融合处理得到第一电力负荷特征,包括:
将各时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷特征。
本申请实施例的技术方案中,通过第一特征融合网络对第一时序特征、第二时序特征和第三时序特征进行融合处理的方式,可以充分挖掘第一时序特征、第二时序特征和第三时序特征之间的强关联性,从而可以得到准确性更高的第一电力负荷特征,以便于可以根据高阶的第一电力负荷特征进行更加准确的电力负荷预测。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层,将各时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷特征,包括:
将第一时序特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序特征;
将第二时序特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序特征;
将第三时序特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序特征;
将第一目标时序特征、第二目标时序特征和第三目标时序特征输入至第一合并层,得到第一合并层输出的第一融合时序特征;
将第一融合时序特征输入至第一融合特征提取层,得到第一融合特征提取层输出的第一电力负荷特征。
本申请实施例的技术方案中,通过将不同时间步长的各时序特征进行融合处理的方式,可以提高预设电力负荷预测模型的准确性,并且还有利不同时间长度类型的电力负荷预测。
在一些实施例中,预设电力负荷预测模型还包括第二特征融合网络,对多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征,包括:
将多个时序特征中的部分时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷特征。
本申请实施例的技术方案中,通过第二特征融合网络可以对第二时序特征和第三时序特征进行融合处理的方式,可以充分挖掘第二时序特征和第三时序特征之间的强关联性,从而可以得到准确性更高的高阶的第二电力负荷特征,以便于可以根据高阶的第二电力负荷特征进行更加准确的电力负荷预测。
在一些实施例中,第二特征融合网络包括第二时序特征筛选层、第三时序特征筛选层、第二合并层、第二融合特征提取层,将多个时序特征中的部分时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷特征,包括:
将第二目标时序特征和第三目标时序特征输入至第二合并层,得到第二合并层输出的第二融合时序特征;其中,第二目标时序特征为将第二时序特征输入至第二时序特征筛选层得到的时序特征,第三目标时序特征为将第三时序特征输入至第三时序特征筛选层得到的时序特征;
将第二融合时序特征输入至第二融合特征提取层,得到第二融合特征提取层输出的第二电力负荷特征。
本申请实施例的技术方案中,通过将不同时间步长的第二目标时序特征和第三目标时序特征进行融合处理的方式,可以提高预设电力负荷预测模型的准确性,并且还有利不同时间长度类型的电力负荷预测。
在一些实施例中,预设电力负荷预测模型包括第一回归器和第二回归器,基于第一电力负荷特征输出目标地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷特征输出目标地区的第二时间长度类型的电力负荷预测数据,包括:
将第一电力负荷特征输入至第一回归器,得到第一回归器输出的目标地区的第一时间长度类型的电力负荷预测数据;
将第二电力负荷特征输入至第二回归器,得到第二回归器输出的目标地区的第二时间长度类型的电力负荷预测数据。
本申请实施例的技术方案中,通过回归器对高阶的第一电力负荷特征和第二电力负荷特征进行电力负荷预测的方式,可以有利于提高电力负荷预测模型的准确性。
在一些实施例中,时序数据包括以下至少两项:目标地区的天气数据、目标地区的负荷数据、目标地区的电价数据、目标地区的政策数据、目标地区的经济指标数据;其中,政策数据用于指示对电力需求的影响。
本申请实施例的技术方案中,在天气数据和负荷数据的基础上,还进一步地结合电价数据、政策数据和/或经济指标数据等进行电力负荷预测。可见,本申请实施例中用于电力负荷预测的参考数据更加全面,从而有利于提高电力负荷预测的准确性。
在一些实施例中,获取与目标地区的电力负荷相关的时序数据,包括:
获取与目标地区的电力负荷相关的原始时序数据;
对原始时序数据进行数据处理,得到与目标地区的电力负荷相关的时序数据。
本申请实施例的技术方案中,通过获取与目标地区的电力负荷相关的原始时序数据,并对原始时序数据进行数据处理,可以得到符合预设电力负荷预测模型输入要求的与目标地区的电力负荷相关的时序数据,以便于可以根据与目标地区的电力负荷相关的时序数据采用预设电力负荷预测模型进行电力负荷预测,有利于提高电力负荷预测模型的预测效率。
在一些实施例中,对原始时序数据进行数据处理,得到与目标地区的电力负荷相关的时序数据,包括:
对原始时序数据进行数据预处理,得到处理后的原始时序数据;
对处理后的原始时序数据进行特征工程处理,得到时序数据。
在一些实施例中,若时序数据包括:目标地区的政策数据或者经济指标数据,预设电力负荷预测模型包括特征编码网络,对处理后的原始时序数据进行特征工程处理,得到时序数据,包括:
将处理后的原始时序数据中的政策数据或者经济指标数据输入特征编码网络,得到特征编码网络输出的第一时序数据,其中,第一时序数据包括目标地区的政策数据或者经济指标数据;
对处理后的原始时序数据中的其他原始时序数据进行特征编码处理,得到第二时序数据;
对第一时序数据和第二时序数据进行特征拼接,得到时序数据。
本申请实施例的技术方案中,通过根据处理后的原始时序数据中不同类型的数据,采用相应的特征工程处理方式,可以得到符合预设电力负荷预测模型输入要求的与目标地区的电力负荷相关的时序数据,有利于提高电力负荷预测模型的预测效率。
第二方面,本申请提供了一种电力负荷预测模型训练方法,方法包括:
获取多个训练样本和与各训练样本对应的训练标签,其中,训练样本包括:与训练样本对应的地区的电力负荷相关的时序训练数据,训练样本对应的训练标签包括地区的不同时间长度类型的历史电力负荷数据;
根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型;
其中,预设电力负荷预测模型用于提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
本申请实施例的技术方案中,通过获取多个训练样本和与各训练样本对应的训练标签,并根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型,以便于后续可以根据预设电力负荷预测模型对任意地区的多种时间长度类型的电力负荷进行预测。相对于相关技术中需要训练分别可以适用于不同时间长度类型的多个预测模型,本申请实施例中只需训练一个预设电力负荷预测模型,便可以适用于不同时间长度类型的电力负荷预测,从而可以节省模型训练的时间成本和硬件资源开销。
在一些实施例中,根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型,包括:
将训练样本中的时序训练数据输入至初始电力负荷预测模型,得到初始电力负荷预测模型输出的训练样本对应的地区的不同时间长度类型的电力负荷预测数据;
根据训练样本对应的训练标签与地区的不同时间长度类型的电力负荷预测数据调整初始电力负荷预测模型中的参数,得到更新后的初始电力负荷预测模型;
将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据输入至初始电力负荷预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始电力负荷预测模型作为预设电力负荷预测模型。
在一些实施例中,将训练样本中的时序训练数据输入至初始电力负荷预测模型,得到初始电力负荷预测模型输出的训练样本对应的地区的不同时间长度类型的电力负荷预测数据,包括:
通过初始电力负荷预测模型提取时序训练数据的多个时序训练特征,并对多个时序训练特征进行融合处理,以输出地区的不同时间长度类型的电力负荷预测数据。
在一些实施例中,通过初始电力负荷预测模型提取时序训练数据的多个时序训练特征,并对多个时序训练特征进行融合处理,以输出地区的不同时间长度类型的电力负荷预测数据,包括:
通过预设电力负荷预测模型提取时序训练数据的多个时序训练特征;其中,各时序训练特征对应的时间步长不同;
对各时序训练特征进行第一融合处理得到第一电力负荷训练特征;
对多个时序训练特征中的部分时序训练特征进行第二融合处理得到第二电力负荷训练特征;
基于第一电力负荷训练特征输出地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷训练特征输出地区的第二时间长度类型的电力负荷预测数据。
在一些实施例中,预设电力负荷预测模型包括时序特征提取网络,时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,通过预设电力负荷预测模型提取时序训练数据的多个时序训练特征,包括:
通过第一时序特征提取层提取时序训练数据的第一时序训练特征;
通过第二时序特征提取层提取时序训练数据的第二时序训练特征;
通过第三时序特征提取层提取时序训练数据的第三时序训练特征;
其中,第一时序训练特征、第二时序训练特征以及第三时序训练特征对应的时间步长不同。
在一些实施例中,预设电力负荷预测模型包括第一特征融合网络,对各时序训练特征进行第一融合处理得到第一电力负荷训练特征,包括:
将各时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷训练特征。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层,将各时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷训练特征,包括:
将第一时序训练特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序训练特征;
将第二时序训练特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序训练特征;
将第三时序训练特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序训练特征;
将第一目标时序训练特征、第二目标时序训练特征和第三目标时序训练特征输入至第一合并层,得到第一合并层输出的第一融合时序训练特征;
将第一融合时序训练特征输入至第一融合特征提取层,得到第一融合特征提取层输出的第一电力负荷训练特征。
在一些实施例中,预设电力负荷预测模型还包括第二特征融合网络,对多个时序训练特征中的部分时序训练特征进行第二融合处理得到第二电力负荷训练特征,包括:
将多个时序训练特征中的部分时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷训练特征。
在一些实施例中,第二特征融合网络包括第二时序特征筛选层、第三时序特征筛选层、第二合并层、第二融合特征提取层,将多个时序训练特征中的部分时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷训练特征,包括:
将第二目标时序训练特征和第三目标时序训练特征输入至第二合并层,得到第二合并层输出的第二融合时序训练特征;其中,第二目标时序训练特征为将第二时序训练特征输入至第二时序特征筛选层得到的时序训练特征,第三目标时序训练特征为将第三时序训练特征输入至第三时序特征筛选层得到的时序训练特征;
将第二融合时序训练特征输入至第二融合特征提取层,得到第二融合特征提取层输出的第二电力负荷训练特征。
在一些实施例中,预设电力负荷预测模型包括第一回归器和第二回归器,基于第一电力负荷训练特征输出地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷训练特征输出地区的第二时间长度类型的电力负荷预测数据,包括:
将第一电力负荷训练特征输入至第一回归器,得到第一回归器输出的地区的第一时间长度类型的电力负荷预测数据;
将第二电力负荷训练特征输入至第二回归器,得到第二回归器输出的地区的第二时间长度类型的电力负荷预测数据。
在一些实施例中,时序训练数据包括以下至少两项:训练样本对应的地区的历史天气数据、历史负荷数据、历史电价数据、历史政策数据、历史经济指标数据。
在一些实施例中,获取多个训练样本,包括:
获取多个地区分别对应的电力负荷相关的历史时序数据;
对多个地区分别对应的电力负荷相关的历史时序数据进行数据处理,得到多个地区分别对应的时序训练数据。
在一些实施例中,对多个地区分别对应的电力负荷相关的历史时序数据进行数据处理,得到多个地区分别对应的时序训练数据,包括:
对多个地区分别对应的电力负荷相关的历史时序数据进行数据清洗处理,得到多个地区分别对应的清洗后的历史时序数据;
对多个地区分别对应的清洗后的历史时序数据进行数据预处理,得到多个地区分别对应的处理后的历史时序数据;
对多个地区分别对应的处理后的历史时序数据进行特征工程处理,得到多个地区分别对应的时序训练数据。
在一些实施例中,时序训练数据包括:训练样本对应的地区的历史政策数据或者历史经济指标数据,预设电力负荷预测模型包括特征编码网络,对多个地区分别对应的处理后的历史时序数据进行特征工程处理,得到多个地区分别对应的时序训练数据,包括:
对于各地区分别对应的处理后的历史时序数据,将地区对应的处理后的历史时序数据中的历史政策数据或者历史经济指标数据输入特征编码网络,得到特征编码网络输出的第一时序训练数据,其中,第一时序训练数据包括地区的历史政策数据或者历史经济指标数据;
对地区对应的处理后的历史时序数据中的其他历史时序数据进行特征编码处理,得到第二时序训练数据;
对第一时序训练数据和第二时序训练数据进行特征拼接,得到地区对应的时序训练数据。
在一些实施例中,方法还包括:
获取多个测试样本和与各测试样本对应的测试标签,其中,测试样本包括:与测试样本对应的地区的电力负荷相关的时序测试数据,测试样本对应的测试标签包括地区的不同时间长度类型的历史电力负荷数据;
根据多个测试样本和与各测试样本对应的测试标签,对预设电力负荷预测模型进行测试;
若测试结果满足预设测试要求,则确定预设电力负荷预测模型满足预设预测要求。
第三方面,本申请提供了一种电力负荷预测装置,装置包括:
获取模块,用于获取与目标地区的电力负荷相关的时序数据;
输入模块,用于将时序数据输入至预设电力负荷预测模型中;
预测模块,用于通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
第四方面,本申请提供了一种电力负荷预测模型训练装置,装置包括:
获取模块,用于获取多个训练样本和与各训练样本对应的训练标签,其中,训练样本包括:与训练样本对应的地区的电力负荷相关的时序训练数据,训练样本对应的训练标签包括地区的不同时间长度类型的历史电力负荷数据;
训练模块,用于根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型;
其中,预设电力负荷预测模型用于提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
第五方面,本申请提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述电力负荷预测方法实施例或者上述电力负荷预测模型训练方法实施例中的步骤。
第六方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述电力负荷预测方法实施例或者上述电力负荷预测模型训练方法实施例中的步骤。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读对下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在全部附图中,用相同的附图标号表示相同的部件。在附图中:
图1为本申请一些实施例提供的电力负荷预测方法的流程示意图;
图2为本申请另一些实施例提供的发电功率预测方法的流程示意图;
图3为本申请实施例提供的时序特征提取网络的结构示意图;
图4为本申请实施例提供的预设电力负荷预测模型的结构示意图一;
图5为本申请实施例提供的第一特征融合网络的结构示意图;
图6为本申请实施例提供的第二特征融合网络的结构示意图;
图7为本申请实施例提供的Informer模型的结构示意图;
图8为本申请另一些实施例提供的电力负荷预测方法的流程示意图;
图9为本申请实施例提供的特征编码网络的结构示意图;
图10为本申请实施例提供的预设电力负荷预测模型的结构示意图二;
图11为本申请一些实施例提供的预设电力负荷预测模型训练方法的流程示意图;
图12为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图;
图13为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图;
图14为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图;
图15为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图;
图16为本申请一些实施例提供的电力负荷预测模型的框架示意图;
图17为本申请一些实施例提供的电力负荷预测装置的结构示意图;
图18为本申请另一些实施例提供的电力负荷预测装置的结构示意图;
图19为本申请另一些实施例提供的电力负荷预测装置的结构示意图;
图20为本申请一些实施例提供的电力负荷预测模型训练装置的结构示意图;
图21为本申请另一些实施例提供的电力负荷预测模型训练装置的结构示意图;
图22为本申请另一些实施例提供的电力负荷预测模型训练装置的结构示意图;
图23为本申请另一些实施例提供的电力负荷预测模型训练装置的结构示意图;
图24为本申请一些实施例中计算机设备的结构示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
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”以及它的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上(包括两个),除非另有明确具体的限定。
本申请实施例提供的电力负荷预测方法、电力负荷预测模型训练方法和装置可以应用于电力系统中的电力负荷预测应用场景;当然,还可以应用于其它应用场景。
由于电力是一种不容易存储的资源,存储成本比较高,因此,一般都是按需发电,或者说按计划发电。其中,电力系统中的电力负荷预测对于按需发电来说是至关重要的环节。电力负荷预测是指对电力系统的预设时间长度之后的电力负荷(或者称之为电网负荷)进行预测,是电力系统安全运行和精准规划的重要基础。
通常情况下,电力负荷预测可以包括:长期负荷预测(long-time load forecast,LTLF)、中期负荷预测(medium-time loadforecast,MTLF)、短期负荷预测(short-timeload forecast,STLF)、极短期负荷预测(very short-time loadforecast,VSTLF)。其中,长期负荷预测一般为一年以上的电力负荷预测;中期负荷预测一般为几周到一年的电力负荷预测;短期负荷预测一般为一天到一周的电力负荷预测;极短负荷预测一般为几分钟到几小时的电力负荷预测。一般情况下,长期负荷预测是基于未来很长一段时间的电力负荷预测,由于天气等数据是瞬息万变的,对于准确率要求不高;而中短期负荷预测是基于未来短期内的电力负荷做出决策指导参考的预测,对于准确率要求较高,较大的预测偏差对于生产生活会造成直接的损失。
相关技术中,采用预测模型对电力负荷进行预测,但是相关技术中的预测模型通常偏向于长期负荷预测或者短期负荷预测,不能有效地将长期特征与短期特征高效的结合起来,无法使用同一预测模型同时进行短期负荷预测和中长期负荷预测。可见,相关技术中的预测模型的预测效率较低。
为了解决相关技术中预测模型的预测效率较低的问题,本申请实施例提出通过预设电力负荷预测模型提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据。可见,本申请实施例中的预设电力负荷预测模型可以同步对不同时间长度类型的电力负荷进行预测,从而可以提高电力负荷预测效率,并且通过对多个时序特征进行融合处理的方式,有利于得到准确性更高的高阶特征,以便于基于高阶特征进行电力负荷预测可以得到准确性更高的电力负荷预测数据。
在一些实施例中,图1为本申请一些实施例提供的电力负荷预测方法的流程示意图,本申请实施例中以该方法应用于计算机设备为例进行说明。如图1所示,本申请实施例的方法可以包括以下步骤:
步骤S101、获取与目标地区的电力负荷相关的时序数据。
本步骤中,计算机设备可以获取与待预测的目标地区的电力负荷相关的时序数据,以便于根据与目标地区的电力负荷相关的时序数据进行电力负荷预测。
一种可能的实现方式中,计算机设备可以每隔预设时长获取与目标地区的电力负荷相关的时序数据。
示例性地,计算机设备可以通过网络接口从第三方网络资源获取与目标地区的电力负荷相关的时序数据、可以从其他设备处获取与目标地区的电力负荷相关的时序数据,和/或,可以从计算机设备的本地存储器中获取与目标地区的电力负荷相关的时序数据。
另一种可能的实现方式中,计算机设备可以在接收到预测指令的情况下,获取与目标地区的电力负荷相关的时序数据。
当然,计算机设备还可以通过其他方式获取与目标地区的电力负荷相关的时序数据。
步骤S102、将时序数据输入至预设电力负荷预测模型中。
本申请实施例中的预设电力负荷预测模型可以用于指示任意地区的电力负荷相关的时序数据,与该地区对应的多种时间长度类型的电力负荷预测数据之间的对应关系,其中,不同时间长度类型对应的预测时间点的数量不同。
示例性地,本申请实施例中的时间长度类型可以包括但不限于以下至少两项:长期负荷预测类型、中期负荷预测类型、短期负荷预测类型、极短期负荷预测类型。应理解,长期负荷预测类型对应的预测时间点的数量、中期负荷预测类型对应的预测时间点的数量、短期负荷预测类型对应的预测时间点的数量、极短期负荷预测类型对应的预测时间点的数量依次变小。
本申请实施例中的预设电力负荷预测模型可以为计算机设备预先训练好的电力负荷预测模型,或者可以为计算机设备从其他设备处获取的预先训练好的电力负荷预测模型。本申请实施例中的预设电力负荷预测模型可以包括但不限于时间序列回归算法(timeseries regression algorithm,TSRA)模型。
本步骤中,计算机设备可以将与目标地区的电力负荷相关的时序数据输入至预设电力负荷预测模型中,以便于预设电力负荷预测模型对目标地区的多种时间长度类型的电力负荷进行预测。
步骤S103、通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据。
本步骤中,计算机设备通过预设电力负荷预测模型提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据。
例如,若预设电力负荷预测模型可以用于指示任意地区的电力负荷相关的时序数据,与该地区对应的长期负荷预测类型和短期负荷预测类型的电力负荷预测数据之间的对应关系,则计算机设备通过将与目标地区的电力负荷相关的时序数据输入至预设电力负荷预测模型中,预设电力负荷预测模型可以输出目标地区的长期负荷预测类型的电力负荷预测数据和短期负荷预测类型的电力负荷预测数据。
又例如,若预设电力负荷预测模型可以用于指示任意地区的电力负荷相关的时序数据,与该地区对应的长期负荷预测类型、中期负荷预测类型和短期负荷预测类型的电力负荷预测数据之间的对应关系,则计算机设备通过将与目标地区的电力负荷相关的时序数据输入至预设电力负荷预测模型中,预设电力负荷预测模型可以输出目标地区的长期负荷预测类型的电力负荷预测数据、中期负荷预测类型的电力负荷预测数据和短期负荷预测类型的电力负荷预测数据。
本申请实施例中,通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理的方式,不仅可以实现同步对不同时间长度类型的电力负荷进行预测,从而可以提高电力负荷预测效率,而且还有利于得到准确性更高的高阶特征,以便于基于高阶特征进行电力负荷预测可以得到准确性更高的电力负荷预测数据。
上述电力负荷预测方法,通过获取与目标地区的电力负荷相关的时序数据,并将时序数据输入至预设电力负荷预测模型中。进一步地,通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据。可见,本申请实施例中,通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理的方式,不仅可以实现同步对不同时间长度类型的电力负荷进行预测,从而可以提高电力负荷预测效率,而且还有利于得到准确性更高的高阶特征,以便于基于高阶特征进行电力负荷预测可以得到准确性更高的电力负荷预测数据。因此,相对于相关技术中的预测模型,本申请实施例的预设电力负荷预测模型的预测效率和准确性更高。
另外,本申请实施例中的预设电力负荷预测模型可以用于任意地区的不同时间长度类型的电力负荷预测,因此,计算机设备的内存中只需保存一个预设电力负荷预测模型即可适用于不同时间长度类型的电力负荷预测,不仅可以节省计算机设备的内存资源,而且在训练阶段只需训练一个预设电力负荷预测模型,还有利于节省电力负荷预测模型的训练成本。
在一个实施例中,在上述实施例的基础上,本申请实施例对上述实施例中涉及的时序数据进行说明。
示例性地,本申请实施例中的与目标地区的电力负荷相关的时序数据可以包括但不限于以下至少两项:目标地区的天气数据、目标地区的负荷数据、目标地区的电价数据、目标地区的政策数据、目标地区的经济指标数据;其中,政策数据用于指示对电力需求的影响。
示例性地,目标地区的天气数据可以用于指示目标地区的天气信息,其中,天气数据可以包括但不限于以下至少一项:天气状况(如大雨、晴、阴、冰雹等)、气温、湿度、紫外线强度、风向、风速、风力大小。
示例性地,目标地区的负荷数据可以用于指示目标地区的电力负荷信息,其中,负荷数据可以包括但不限于电力负荷需求(例如功率值等)和/或可用机组数据;可用机组数据可以包括但不限于可用的发电机组和/或各发电机组的输出功率。
示例性地,目标地区的电价数据可以用于指示目标地区的电力动态电价信息。
示例性地,目标地区的政策数据可以用于指示目标地区的政策对电力需求的影响,其中,可以包括正影响和负影响。正影响主要表现为政策对电力需求的正向刺激;负影响主要表现为政策对电力需求的负面刺激。应理解,若任意政策为对电力行业的扶持政策或者投资政策,则该政策为正面政策,对电力需求会产生正影响;若任意政策为对电力行业的处罚政策,则该政策为负面政策,对电力需求会产生负影响。
可见,本申请实施例中的与目标地区的电力负荷相关的时序数据中可以包括政策数据,有助于挖掘日常民生政策走向对电力需求量的影响关系,从而有利于提高电力负荷预测的准确性。
示例性地,目标地区的经济指标数据可以用于指示目标地区的经济信息,其中,经济指标数据可以包括但不限于GDP数据和/或CPI数据。例如,月度GDP数据,和/或,月度CPI数据。需要说明的是,目标地区的经济情况其实也可以反映目标地区的电力需求,因此,本申请实施例中的与目标地区的电力负荷相关的时序数据中可以包括经济指标数据。
例如,本申请实施例中的与目标地区的电力负荷相关的时序数据可以包括:目标地区的天气数据、目标地区的负荷数据和目标地区的电价数据。
又例如,本申请实施例中的与目标地区的电力负荷相关的时序数据可以包括:目标地区的天气数据、目标地区的负荷数据、目标地区的电价数据和目标地区的政策数据和目标地区的经济指标数据。
又例如,本申请实施例中的与目标地区的电力负荷相关的时序数据可以包括:目标地区的天气数据、目标地区的负荷数据、目标地区的电价数据和目标地区的经济指标数据。
又例如,本申请实施例中的与目标地区的电力负荷相关的时序数据可以包括:目标地区的天气数据、目标地区的负荷数据、目标地区的电价数据、目标地区的政策数据和目标地区的经济指标数据。
相对于相关技术中基于天气数据和负荷数据进行电力负荷预测的方式,本申请实施例中在天气数据和负荷数据的基础上,还进一步地结合电价数据、政策数据和/或经济指标数据等进行电力负荷预测。可见,本申请实施例中用于电力负荷预测的参考数据更加全面,从而有利于提高电力负荷预测的准确性。
在一些实施例中,图2为本申请另一些实施例提供的发电功率预测方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述步骤S103中“通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据”的相关内容进行说明。如图2所示,上述步骤S103可以包括以下步骤:
步骤S1031、通过预设电力负荷预测模型提取时序数据的多个时序特征。
本步骤中,计算机设备可以通过预设电力负荷预测模型提取与目标地区的电力负荷相关的时序数据的多个时序特征;其中,各时序特征对应的时间步长(或者称之为时间序列长度)不同。
可选地,本申请实施例中的预设电力负荷预测模型可以包括但不限于时序特征提取网络,或者称之为自动特征提取层(Auto Feature Extract Layer),计算机设备可以通过时序特征提取网络提取时序数据的多个时序特征。
示例性地,本申请实施例中的时序特征提取网络可以包括但不限于第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,通过第一时序特征提取层提取时序数据的第一时序特征;通过第二时序特征提取层提取时序数据的第二时序特征;通过第三时序特征提取层提取时序数据的第三时序特征;其中,第一时序特征、第二时序特征以及第三时序特征对应的时间步长不同。
示例性地,在第一时序特征的时间步长大于第二时序特征的时间步长,第二时序特征的时间步长大于第三时序特征的时间步长的情况下,第一时序特征提取层可以称之为长时间截断层(long time truncatelayer)、第二时序特征提取层可以称之为中时间截断层(medium time truncate layer),以及第三时序特征提取层可以称之为短时间截断层(short time truncate layer)。
需要说明的是,在第一时序特征、第二时序特征和第三时序特征的时间步长之间的大小关系为其他大小关系的情况下,第一时序特征提取层、第二时序特征提取层和第三时序特征提取层也可以为相应的其他时间截断层。
为了便于理解,本申请下述实施例中以第一时序特征的时间步长大于第二时序特征的时间步长,第二时序特征的时间步长大于第三时序特征的时间步长的情况为例进行介绍。
本申请实施例中,在通过第一时序特征提取层提取时序数据的第一时序特征的情况下,计算机设备通过第二时序特征提取层可以从时序数据中提取时序数据的第二时序特征,或者可以从第一时序特征中提取时序数据的第二时序特征。
进一步地,计算机设备通过第三时序特征提取层可以从时序数据中提取时序数据的第三时序特征,或者可以从第二时序特征中提取时序数据的第三时序特征。
图3为本申请实施例提供的时序特征提取网络的结构示意图,如图3所示,本申请实施例中的时序特征提取网络可以包括但不限于第一时序特征提取层(或者称之为长时间截断层)、第二时序特征提取层(或者称之为中时间截断层)和第三时序特征提取层(或者称之为短时间截断层)。其中,与目标地区的电力负荷相关的时序数据可以称之为原始的序列特征(sequence feature)通过第一时序特征提取层,可以将与目标地区的电力负荷相关的时序数据截断为第一时序特征,或者称之为长时间序列特征(long time seriesfeature)。
进一步地,通过第二时序特征提取层可以将第一时序特征截断为第二时序特征,或者称之为中时间序列特征(medium time series feature)。
进一步地,通过第三时序特征提取层可以将第二时序特征截断为第三时序特征,或者称之为短时间序列特征(short time series feature)。
可见,本申请实施例中的与目标地区的电力负荷相关的时序数据(为长时序数据)经过时序特征提取网络中的截断操作可以自动地分离出长时间序列特征、中时间序列特征和短时间序列特征,以便于后续对不同时间步长的时间序列特征进行融合处理以深度挖掘,可以得到准确性更高的高阶特征,从而有利于提高电力负荷预测的准确性。
当然,计算机设备通过预设电力负荷预测模型还可以通过其他方式提取时序数据的多个时序特征。
步骤S1032、对各时序特征进行第一融合处理得到第一电力负荷特征。
本步骤中,计算机设备可以对各时序特征进行第一融合处理得到第一电力负荷特征。示例性地,计算机设备可以对第一时序特征、第二时序特征以及第三时序特征进行第一融合处理得到第一电力负荷特征。
可选地,本申请实施例中的预设电力负荷预测模型可以包括但不限于第一特征融合网络,计算机设备可以将各时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷特征。
图4为本申请实施例提供的预设电力负荷预测模型的结构示意图一,如图4所示,本申请实施例的预设电力负荷预测模型可以包括但不限于时序特征提取网络和第一特征融合网络。示例性地,计算机设备可以将时序特征提取网络输出的第一时序特征、第二时序特征和第三时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷特征,其中,第一时序特征的时间步长可以大于第二时序特征的时间步长,且第二时序特征的时间步长可以大于第三时序特征的时间步长。
可见,本申请实施例中,通过第一特征融合网络对第一时序特征、第二时序特征和第三时序特征进行融合处理的方式,可以充分挖掘第一时序特征、第二时序特征和第三时序特征之间的强关联性,从而可以得到准确性更高的第一电力负荷特征,以便于可以根据高阶的第一电力负荷特征进行更加准确的电力负荷预测。
图5为本申请实施例提供的第一特征融合网络的结构示意图,如图5所示,本申请实施例中的第一特征融合网络可以包括但不限于第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层和第一融合特征提取层。本申请实施例中,将各时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷特征可以包括:将第一时序特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序特征;将第二时序特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序特征;将第三时序特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序特征;将第一目标时序特征、第二目标时序特征和第三目标时序特征输入至第一合并层,得到第一合并层输出的第一融合时序特征;将第一融合时序特征输入至第一融合特征提取层,得到第一融合特征提取层输出的第一电力负荷特征。
本申请实施例中的任意时序特征筛选层可以用于进行特征筛选处理;第一合并层可以称之为长特征拼接层(long feature concat layer),用于进行特征拼接处理;第一融合特征提取层可以用于进行特征提取处理。示例性地,本申请实施例中的任意时序特征筛选层可以包括但不限于Informer层,第一融合特征提取层可以包括但不限于多层感知机(multilayer perceptron,MLP)层。
本申请实施例中,计算机设备可以将第一时序特征输入至第一时序特征筛选层进行特征筛选处理,得到第一时序特征筛选层输出的第一目标时序特征。
进一步地,计算机设备可以将第二时序特征输入至第二时序特征筛选层进行特征筛选处理,得到第二时序特征筛选层输出的第二目标时序特征。
进一步地,计算机设备可以将第三时序特征输入至第三时序特征筛选层进行特征筛选处理,得到第三时序特征筛选层输出的第三目标时序特征。
进一步地,计算机设备可以将第一目标时序特征、第二目标时序特征和第三目标时序特征输入至第一合并层进行特征拼接处理,得到第一合并层输出的第一融合时序特征。
进一步地,计算机设备可以将第一融合时序特征输入至第一融合特征提取层进行特征提取处理,得到第一融合特征提取层输出的第一电力负荷特征。
本申请实施例中,通过将不同时间步长的各时序特征分别输入对应的时序特征筛选层得到更高阶的目标时序特征;进一步地,通过对更高阶的目标时序特征进行特征拼接处理得到第一融合时序特征,并根据第一融合时序特征进行特征提取处理可以得到更丰富的第一电力负荷特征,以便于可以根据更丰富的第一电力负荷特征进行更加准确的电力负荷预测。可见,本申请实施例中,通过将不同时间步长的各时序特征进行融合处理的方式,可以提高预设电力负荷预测模型的准确性,并且还有利不同时间长度类型的电力负荷预测。
步骤S1033、对多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征。
本步骤中,计算机设备可以通过对多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征。示例性地,计算机设备可以将第二时序特征和第三时序特征进行第二融合处理,得到第二电力负荷特征。
可选地,如图4所示,本申请实施例中的预设电力负荷预测模型还可以包括第二特征融合网络,计算机设备可以将多个时序特征中的部分时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷特征。
示例性地,计算机设备可以将第二时序特征和第三时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷特征,其中,第二时序特征的时间步长可以大于第三时序特征的时间步长,且小于第一时序特征的时间步长。
可见,本申请实施例中,通过第二特征融合网络可以对第二时序特征和第三时序特征进行融合处理的方式,可以充分挖掘第二时序特征和第三时序特征之间的强关联性,从而可以得到准确性更高的高阶的第二电力负荷特征,以便于可以根据高阶的第二电力负荷特征进行更加准确的电力负荷预测。
图6为本申请实施例提供的第二特征融合网络的结构示意图,如图6所示,本申请实施例中的第二特征融合网络可以包括但不限于第二时序特征筛选层、第三时序特征筛选层、第二合并层、第二融合特征提取层。应理解,第一特征融合网络中的第二时序特征筛选层与第二特征融合网络中的第二时序特征筛选层可以为相同的时序特征筛选层,以及第一特征融合网络中的第三时序特征筛选层与第二特征融合网络中的第三时序特征筛选层可以为相同的时序特征筛选层。
本申请实施例中,将多个时序特征中的部分时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷特征可以包括:将第二目标时序特征和第三目标时序特征输入至第二合并层,得到第二合并层输出的第二融合时序特征;将第二融合时序特征输入至第二融合特征提取层,得到第二融合特征提取层输出的第二电力负荷特征。
本申请实施例中的第二合并层可以称之为短特征拼接层(short feature concatlayer),用于进行特征拼接处理;第二融合特征提取层可以用于进行特征提取处理。示例性地,本申请实施例中的第二融合特征提取层可以包括但不限于MLP层。
本申请实施例中,计算机设备可以将第二目标时序特征和第三目标时序特征输入至第二合并层进行特征拼接处理,得到第二合并层输出的第二融合时序特征;其中,第二目标时序特征可以为将第二时序特征输入至第二时序特征筛选层得到的时序特征,第三目标时序特征可以为将第三时序特征输入至第三时序特征筛选层得到的时序特征。
进一步地,计算机设备可以将第二融合时序特征输入至第二融合特征提取层进行特征提取处理,得到第二融合特征提取层输出的第二电力负荷特征。
本申请实施例中,通过将不同时间步长的第二目标时序特征和第三目标时序特征分别输入对应的时序特征筛选层得到更高阶的目标时序特征;进一步地,通过对更高阶的目标时序特征进行特征拼接处理得到第二融合时序特征,并根据第二融合时序特征进行特征提取处理可以得到更丰富的第二电力负荷特征,以便于可以根据更丰富的第二电力负荷特征进行更加准确的电力负荷预测。可见,本申请实施例中,通过将不同时间步长的第二目标时序特征和第三目标时序特征进行融合处理的方式,可以提高预设电力负荷预测模型的准确性,并且还有利不同时间长度类型的电力负荷预测。
步骤S1034、基于第一电力负荷特征输出目标地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷特征输出目标地区的第二时间长度类型的电力负荷预测数据。
本步骤中,计算机设备可以基于第一电力负荷特征进行电力负荷预测得到目标地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷特征进行电力负荷预测得到目标地区的第二时间长度类型的电力负荷预测数据。
需要说明的是,为了便于理解,本申请实施例中以预设电力负荷预测模型可以预测两种时间长度类型的电力负荷预测数据为例进行说明的。在本申请实施例的预设电力负荷预测模型可以预测三种时间长度类型的电力负荷预测数据的情况下,计算机设备在上述步骤S1033中还可以将第三时序特征或者第三时序特征对应的第三目标时序特征输入至第三特征融合网络,得到第三特征融合网络输出的第三电力负荷特征。进一步地,计算机设备在上述步骤S1034中还可以基于第三电力负荷特征输出目标地区的第三时间长度类型的电力负荷预测数据。
可选地,如图4所示,本申请实施例中的预设电力负荷预测模型还可以包括第一回归器和第二回归器,其中,任意回归器(Regressor)可以用于进行预测处理。本申请实施例中,基于第一电力负荷特征输出目标地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷特征输出目标地区的第二时间长度类型的电力负荷预测数据可以包括:将第一电力负荷特征输入至第一回归器,得到第一回归器输出的目标地区的第一时间长度类型的电力负荷预测数据;将第二电力负荷特征输入至第二回归器,得到第二回归器输出的目标地区的第二时间长度类型的电力负荷预测数据。
本申请实施例中,计算机设备可以将第一电力负荷特征输入至第一回归器进行预测处理,得到第一回归器输出的目标地区的第一时间长度类型的电力负荷预测数据,以及将第二电力负荷特征输入至第二回归器进行预测处理,得到第二回归器输出的目标地区的第二时间长度类型的电力负荷预测数据。
应理解,在本申请实施例的预设电力负荷预测模型可以预测三种时间长度类型的电力负荷预测数据的情况下,计算机设备还可以将第三电力负荷特征输入至预设电力负荷预测模型中的第三回归器进行预测处理,得到第三回归器输出的目标地区的第三时间长度类型的电力负荷预测数据。
当然,本申请实施例中也可以用统一的回归器替代上述第一回归器、第二回归器,和/或,第三回归器。
可见,本申请实施例中,通过对高阶的第一电力负荷特征和第二电力负荷特征进行电力负荷预测的方式,可以有利于提高电力负荷预测模型的准确性。
综上,本申请实施例中,通过预设电力负荷预测模型提取时序数据的多个时序特征。进一步地,通过对各时序特征进行第一融合处理得到第一电力负荷特征,以及对多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征。进一步地,通过基于第一电力负荷特征输出目标地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷特征输出目标地区的第二时间长度类型的电力负荷预测数据。可见,本申请实施例中,通过对多个时序特征进行融合处理的方式,可以得到准确性更高的高阶的第一电力负荷特征和第二电力负荷特征。进一步地,通过基于高阶的第一电力负荷特征和第二电力负荷特征可以同步得到准确性更高的不同时间长度类型的电力负荷预测数据,从而可以提高电力负荷预测模型的预测效率和准确性。
在一个实施例中,在上述实施例的基础上,本申请实施例中对上述时序特征筛选层的相关内容进行详细说明。示例性地,本申请实施例中的任意时序特征筛选层可以包括但不限于Informer层,其中,Informer层可以采用Informer模型。
图7为本申请实施例提供的Informer模型的结构示意图,如图7所示,Informer模型与Transformer 模型结构类似,也是包括编码器和解码器。二者不同的是,Transformer模型中采用传统的Self-attention 机制。Informer模型的编码器中包括多个堆叠的多头概率稀疏自注意力机制(Multi-head ProbSparse self-attention),如图7所示,编码器可以包括堆叠的多层注意力层,可以组成对应的金字塔型的结构。
传统Self-attention 可以用以下公式(1)表示:
公式(1)
其中,K、 V、 Q 分别代表序列特征经过三个随机矩阵转成的key Embedding向量、value Embedding向量、query Embedding 向量;d代表Embedding向量的维度;Softmax函数用于将对应的每个序列特征的权重QKT进行归一化;A代表序列特征中各个步长表现出来的注意力权重向量。
需要说明的是,self-attention 的计算复杂度为,其中LQ、LK分别代表query Embedding 向量序列长度、key Embedding向量序列长度。
self-attention 中只有少数点积对注意力有贡献,ProbSparseself-attention在上述self-attention的基础上使用KL(Kullback-Leibler)散度对Q向量的稀疏性进行评价,评价公式可以用如下公式(2)表示:
公式(2)/>
其中,代表Q中的第i个子集qi的稀疏性;kj代表K中的第j个子集。
基于上述评价公式,可以得到ProbSparse self-attention的公式,可以表示为如下公式(3):
公式(3)
其中,代表/>中的top-k个query Embedding 向量。
结合上述公式(1)和公式(3),ProbSparse self-attention相比于传统self-attention的计算复杂度可以从降低到/>。经过注意力层后特征的长度也会随之下降。
本申请实施例中的Informer模型的解码器中,同样采用了Multi-headProbSparse self-attention 与Multi-head Attention 组成的结构,可以对解码器的输入参数进行特征提取与解码擦除,并经过全连接层(fully connected layer) 输出对应的结果。
需要说明的是,Informer模型具备的多层离散注意力特征提取功能,能实现比Transformer、长短期记忆网络(long short term memory,LSTM)等结构模型更强的特征提取能力,以及数倍多于其他模型模型参数的性能优势。
可见,本申请实施例中,通过利用Informer模型对长时特征优秀的特征提取能力以及低开销的特点,不仅有利于提高电力负荷预测模型的准确性,还可以节省计算资源开销。
在一些实施例中,图8为本申请另一些实施例提供的电力负荷预测方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述步骤S101中“获取与目标地区的电力负荷相关的时序数据”的相关内容进行说明。如图8所示,本申请实施例的上述步骤S101可以包括以下步骤:
步骤S1011、获取与目标地区的电力负荷相关的原始时序数据。
本步骤中,计算机设备可以获取与目标地区的电力负荷相关的原始时序数据。
本申请实施例中的与目标地区的电力负荷相关的时序数据可以包括但不限于以下至少两项:目标地区的原始天气数据、目标地区的原始负荷数据、目标地区的原始电价数据、目标地区的原始政策数据、目标地区的原始经济指标数据。
示例性地,计算机设备可以通过网络接口从第三方网络资源获取目标地区的原始天气数据、原始政策数据,和/或,原始经济指标数据等。
例如,计算机设备可以每天通过网络接口从第三方网络资源获取目标地区的扶持政策的条数、投资政策的条数,和/或,处罚政策的条数,然后对获取的各政策进行统计处理得到原始政策数据。
又例如,计算机设备可以每月通过网络接口从第三方网络资源获取目标地区的经济指标信息,然后对获取的经济指标信息进行统计处理得到原始经济指标数据。
示例性地,计算机设备可以从其他设备处或者本地存储器中获取目标地区的原始负荷数据和原始电价数据等。
例如,计算机设备可以每隔15分钟获取目标地区的电力负荷需求信息,以及每天获取目标地区的可用机组信息,然后对获取的电力负荷需求信息和可用机组信息进行统计处理得到原始负荷数据。
当然,计算机设备还可以通过其他方式获取与目标地区的电力负荷相关的原始时序数据。
步骤S1012、对原始时序数据进行数据处理,得到与目标地区的电力负荷相关的时序数据。
本步骤中,计算机设备可以通过对原始时序数据进行数据处理,得到与目标地区的电力负荷相关的时序数据,其中,数据处理可以包括但不限于数据清洗处理、数据预处理,和/或,特征工程处理。
可选地,通过对原始时序数据进行数据预处理,得到处理后的原始时序数据;对处理后的原始时序数据进行特征工程处理,得到时序数据。
本申请实施例中,计算机设备可以通过对原始时序数据进行数据预处理,得到处理后的原始时序数据,其中,数据预处理可以包括但不限于以下至少一项:数据过滤处理、数据填充处理、数据拼接处理、数据格式转换处理。
进一步地,计算机设备可以通过对处理后的原始时序数据进行特征工程处理,得到与目标地区的电力负荷相关的时序数据,其中,特征工程处理可以包括但不限于特征编码处理,和/或,数据特征拼接处理。
本申请下述实施例中对上述特征工程处理的相关内容进行说明。
一种可能的实现方式中,若时序数据包括:目标地区的政策数据或者经济指标数据,预设电力负荷预测模型可以包括特征编码网络,将处理后的原始时序数据中的政策数据或者经济指标数据输入特征编码网络,得到特征编码网络输出的第一时序数据,其中,第一时序数据包括目标地区的政策数据或者经济指标数据;对处理后的原始时序数据中的其他原始时序数据进行特征编码处理,得到第二时序数据;对第一时序数据和第二时序数据进行特征拼接,得到时序数据。
本申请实施例中的特征编码网络可以用于对政策数据或者经济指标数据等进行特征编码处理,以得到二进制编码。示例性地,本申请实施例中的特征编码网络可以包括但不限于以下任一种预先训练好的树模型:XGBoost+LR树模型、GBDT+LR树模型、RandomForest+LR树模型。
本实现方式中,若时序数据包括目标地区的政策数据或者经济指标数据,即原始时序数据包括目标地区的原始政策数据或者目标地区的原始经济指标数据,一方面计算机设备可以将处理后的原始时序数据中的政策数据或者经济指标数据输入特征编码网络进行特征编码处理,得到特征编码网络输出的第一时序数据,其中,第一时序数据可以包括目标地区的政策数据或者经济指标数据。
另一方面,计算机设备可以对处理后的原始时序数据中除政策数据和经济指标数据之外的其他原始时序数据进行特征编码处理,得到第二时序数据,其中,特征编码处理可以包括但不限于以下至少一项:hash处理、连续特征离散化处理、Embedding编码处理。
进一步地,计算机设备可以对第一时序数据和第二时序数据进行数据特征拼接处理,得到与目标地区的电力负荷相关的时序数据。
为了便于理解,本申请下述实施例中以特征编码网络包括XGBoost+LR树模型为例,对特征编码网络的相关内容进行说明。
本申请实施例中的XGBoost为一种集成学习,其主要思想是将损失函数和正则项加起来合成一个整体的损失函数。进一步地,通过对损失函数求二阶导数得到最终的目标函数,以及通过增益函数计算得到一个分数,其中,分数越小越好。进一步地,通过计算得到的分数确定树的结构和整个强学习器的分数,从而实现分类或回归任务。需要说明的是,XGBoost除了可以做分类任务,在特征选择方面也有极强的应用面。
图9为本申请实施例提供的特征编码网络的结构示意图,如图9所示,XGBoost模型(或者称之为树模型分类器)以父节点开始,进行节点分裂,然后计算叶子节点中的增益函数,来确定最佳分割点,重复执行此过程,最终可以形成如图9所示的树形模型结构。其中,XGBoost模型可以选择不同的分裂树的路径,即叶子节点的路径选择上,落脚的叶子节点为1,非落脚的叶子节点为0,从而生成如图9所示的二进制编码0101110。
示例性地,本申请实施例中的XGBoost+LR树模型可以对政策数据或者经济指标数据进行电力需求正影响或者电力需求负影响进行二分类处理,从而将政策数据或者经济指标数据转换成二进制编码,以便于不仅可以减少特征工程处理过程中编码所需申请的内存空间,而且还可以减少特征工程处理过程中的特征编码的工作量,从而可以提升整体的计算速度。
本申请实施例中,通过在XGBoost模型后接入了逻辑回归(Logstic Regression,LR)模型; 其中,逻辑回归模型可以用于分类任务。可见,本申请实施例中,在XGBoost模型的高效分类性能的基础上,进一步进入LR模型,可以利用LR模型的高速性能以及XGboost模型的高鲁棒性,能获取比XGboost 模型更好的性能表现。
需要说明的是,在XGBoost + LR树模型训练好后,需要将如图9中的XGBoost+LR树模型的最后一层(即图9中的逻辑回归部分)去掉,留下包括编码层以上的部分,以便于实现特征编码。
可见,本申请实施例中,通过使用XGBoost模型对政策数据或者经济指标数据进行特征提取,并将相应的高阶特征以叶子节点路径的二进制编码方式输入到电力负荷预测模型中,有助于降低特征工程处理过程中编码的工作量,进一步地降低特征工程处理过程中编码所需申请的内存空间,从而可以节省整体的计算开销。
另一种可能的实现方式中,若时序数据中不包括目标地区的政策数据和经济指标数据,即原始时序数据不包括目标地区的原始政策数据和目标地区的原始经济指标数据,计算机设备可以对处理后的原始时序数据进行特征编码处理,得到第二时序数据,其中,特征编码处理可以包括但不限于以下至少一项:hash处理、连续特征离散化处理、Embedding编码处理。
综上,本申请实施例中,通过获取与目标地区的电力负荷相关的原始时序数据,并对原始时序数据进行数据处理,可以得到符合预设电力负荷预测模型输入要求的与目标地区的电力负荷相关的时序数据,以便于可以根据与目标地区的电力负荷相关的时序数据采用预设电力负荷预测模型进行电力负荷预测,有利于提高电力负荷预测模型的预测效率。
在一个实施例中,在上述实施例的基础上,本申请实施例中对上述预设电力负荷预测模型的整体结构进行介绍。图10为本申请实施例提供的预设电力负荷预测模型的结构示意图二,如图10所示,本申请实施例的预设电力负荷预测模型可以包括但不限于:时序特征提取网络、第一特征融合网络、第二特征融合网络、第一回归器和第二回归器。其中,第一特征融合网络可以包括但不限于第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层。第二特征融合网络可以包括但不限于第二时序特征筛选层、第三时序特征筛选层、第二合并层、第二融合特征提取层。
本申请实施例中,预设电力负荷预测模型的时序特征提取网络可以将时序数据分为长中短的第一时序特征、第二时序特征和第三时序特征,其中,第一时序特征的时间步长可以大于第二时序特征的时间步长,第二时序特征的时间步长可以大于第三时序特征的时间步长。
进一步地,第一时序特征、第二时序特征和第三时序特征分别经过对应的时序特征筛选层后,经过第一合并层将各时序特征筛选层提取的目标时序特征进行特征拼接处理后,再经过第一融合特征提取层进行特征提取处理可以得到高阶的第一电力负荷特征。进一步地,第一电力负荷特征经过第一回归器,可以输出目标地区的第一时间长度类型的电力负荷预测数据,其中,第一时间长度类型可以包括但不限于长期负荷预测类型。
进一步地,第二时序特征和第三时序特征分别经过对应的时序特征筛选层后,经过第二合并层将各时序特征筛选层提取的目标时序特征进行特征拼接处理后,再经过第二融合特征提取层进行特征提取处理可以得到高阶的第二电力负荷特征。进一步地,第二电力负荷特征经过第二回归器,可以输出目标地区的第二时间长度类型的电力负荷预测数据,其中,第二时间长度类型可以包括但不限于短期负荷预测类型。
综上,本申请实施例中,通过时序特征提取网络可以自动地从长时序数据中提取出长中短三种时序特征。进一步地,根据电力负荷预测需要将不同时间步长的时序特征进行融合处理得到不同的电力负荷特征。进一步地,根据不同的电力负荷特征可以得到不同时间长度类型的电力负荷预测数据。可见,本申请实施例可以实现采用同一电力负荷预测模型进行两种时间长度类型或者更多种时间长度类型的电力负荷预测(即实现双目标或者更多目标的电力负荷预测),从而可以提高电力负荷预测效率。
在一些实施例中,在上述实施例的基础上,本申请实施例中对上述实施例中涉及的预设电力负荷预测模型的训练过程的相关内容进行说明。图11为本申请一些实施例提供的预设电力负荷预测模型训练方法的流程示意图,本申请实施例中以该方法应用于计算机设备为例进行说明。需要说明的是,本申请实施例中的计算机设备与上述各实施例中的计算机设备可以为同一计算机设备,也可以为不同的计算机设备。如图11所示,本申请实施例的方法可以包括以下步骤:
步骤S1101、获取多个训练样本和与各训练样本对应的训练标签。
本申请实施例中的任意训练样本可以包括:与训练样本对应的地区的电力负荷相关的时序训练数据;任意训练样本对应的训练标签可以包括该地区的不同时间长度类型的历史电力负荷数据。
示例性地,本申请实施例中的任意训练样本中的时序训练数据可以包括但不限于以下至少两项:训练样本对应的地区的历史天气数据、历史负荷数据、历史电价数据、历史政策数据、历史经济指标数据。
应理解,由于训练样本中的时序训练数据中包含有历史负荷数据,其中,历史负荷数据中包含有历史电力负荷数据(或者称之为历史电力负荷需求),因此,在获取到训练样本的情况下,可以确定出该训练样本对应的训练标签。
步骤S1102、根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型。
本步骤中,计算机设备可以根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,以得到预设电力负荷预测模型。其中,预设电力负荷预测模型可以用于提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
图12为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述步骤S1102中的“根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型”的相关内容进行说明。如图12所示,本申请实施例的上述步骤S1102可以包括以下步骤:
步骤S1201、将训练样本中的时序训练数据输入至初始电力负荷预测模型,得到初始电力负荷预测模型输出的训练样本对应的地区的不同时间长度类型的电力负荷预测数据。
本步骤中,对于任意训练样本,计算机设备可以将训练样本中的时序训练数据输入至初始电力负荷预测模型,得到初始电力负荷预测模型输出的训练样本对应的地区的不同时间长度类型的电力负荷预测数据。
可选地,计算机设备可以通过初始电力负荷预测模型提取时序训练数据的多个时序训练特征,并对多个时序训练特征进行融合处理,以输出地区的不同时间长度类型的电力负荷预测数据。
步骤S1202、根据训练样本对应的训练标签与地区的不同时间长度类型的电力负荷预测数据调整初始电力负荷预测模型中的参数,得到更新后的初始电力负荷预测模型。
本步骤中,计算机设备可以根据训练样本对应的训练标签与该训练样本对应的地区的不同时间长度类型的电力负荷预测数据进行对比,并调整初始电力负荷预测模型中的参数,得到更新后的初始电力负荷预测模型。
步骤S1203、将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据输入至初始电力负荷预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始电力负荷预测模型作为预设电力负荷预测模型。
本步骤中,计算机设备可以将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据输入至初始电力负荷预测模型的上述步骤S1201,并持续执行,直至满足训练结束条件时,将更新后的初始电力负荷预测模型作为预设电力负荷预测模型。示例性地,本申请实施例中的训练结束条件可以包括但不限于:电力负荷预测模型的模型指标平均绝对误差(Mean Absolution Error ,MAE)和R方(R2_score,R-squared)等训练指标满足预设指标要求,或者训练迭代次数超过预设阈值。
需要说明的是,一方面由于硬件算力基础设施快速发展,为复杂模型提供了相应的算力保障,底层代码在高算力的硬件基础上,能高效快速的储结果;另一方面由于以深度学习为代表的新技术能将模型做得很复杂,在性能表现上远远超过机器学习,因此,相关技术中的预测模型通常使用比较大而且比较复杂的模型。由于相关技术中无法使用同一预测模型同时进行短期负荷预测和中长期负荷预测等,因此,相关技术中需要训练多种预测模型,而每种预测模型比较大而且比较复杂的模型,导致相关技术中的预测模型的训练成本很高。
上述电力负荷预测模型训练方法,通过获取多个训练样本和与各训练样本对应的训练标签,并根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型,以便于后续可以根据预设电力负荷预测模型对任意地区的多种时间长度类型的电力负荷进行预测。相对于相关技术中需要训练分别可以适用于不同时间长度类型的多个预测模型,本申请实施例中只需训练一个预设电力负荷预测模型,便可以适用于不同时间长度类型的电力负荷预测,从而可以节省模型训练的时间成本和硬件资源开销。
在一些实施例中,图13为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述“通过初始电力负荷预测模型提取时序训练数据的多个时序训练特征,并对多个时序训练特征进行融合处理,以输出地区的不同时间长度类型的电力负荷预测数据”的相关内容进行说明。如图13所示,本申请实施例的方法可以包括以下步骤:
步骤S1301、通过预设电力负荷预测模型提取时序训练数据的多个时序训练特征。
其中,各时序训练特征对应的时间步长不同。
可选地,预设电力负荷预测模型可以包括时序特征提取网络,其中,时序特征提取网络可以包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,计算机设备可以通过第一时序特征提取层提取时序训练数据的第一时序训练特征;进一步地,计算机设备可以通过第二时序特征提取层提取时序训练数据的第二时序训练特征;进一步地,计算机设备可以通过第三时序特征提取层提取时序训练数据的第三时序训练特征;其中,第一时序训练特征、第二时序训练特征以及第三时序训练特征对应的时间步长不同。
步骤S1302、对各时序训练特征进行第一融合处理得到第一电力负荷训练特征。
可选地,预设电力负荷预测模型可以包括第一特征融合网络,计算机设备可以将各时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷训练特征。
示例性地,第一特征融合网络可以包括第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层,计算机设备可以将第一时序训练特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序训练特征。进一步地,计算机设备可以将第二时序训练特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序训练特征。进一步地,计算机设备可以将第三时序训练特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序训练特征。进一步地,计算机设备可以将第一目标时序训练特征、第二目标时序训练特征和第三目标时序训练特征输入至第一合并层,得到第一合并层输出的第一融合时序训练特征。进一步地,计算机设备可以将第一融合时序训练特征输入至第一融合特征提取层,得到第一融合特征提取层输出的第一电力负荷训练特征。
步骤S1303、对多个时序训练特征中的部分时序训练特征进行第二融合处理得到第二电力负荷训练特征。
可选地,预设电力负荷预测模型还可以包括第二特征融合网络,计算机设备可以将多个时序训练特征中的部分时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷训练特征。
示例性地,第二特征融合网络可以包括第二时序特征筛选层、第三时序特征筛选层、第二合并层、第二融合特征提取层,计算机设备可以将第二目标时序训练特征和第三目标时序训练特征输入至第二合并层,得到第二合并层输出的第二融合时序训练特征;其中,第二目标时序训练特征为将第二时序训练特征输入至第二时序特征筛选层得到的时序训练特征,第三目标时序训练特征为将第三时序训练特征输入至第三时序特征筛选层得到的时序训练特征。进一步地,计算机设备可以将第二融合时序训练特征输入至第二融合特征提取层,得到第二融合特征提取层输出的第二电力负荷训练特征。
步骤S1304、基于第一电力负荷训练特征输出地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷训练特征输出地区的第二时间长度类型的电力负荷预测数据。
可选地,预设电力负荷预测模型可以包括第一回归器和第二回归器,计算机设备可以将第一电力负荷训练特征输入至第一回归器,得到第一回归器输出的地区的第一时间长度类型的电力负荷预测数据。进一步地,计算机设备可以将第二电力负荷训练特征输入至第二回归器,得到第二回归器输出的地区的第二时间长度类型的电力负荷预测数据。
需要说明的是,本申请实施例中的各步骤的可实现方式可以参考上述关于图2实施例中的各步骤的相关内容,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,图14为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述步骤S1101中的“获取多个训练样本”的相关内容进行说明。如图14所示,本申请实施例的方法可以包括以下步骤:
步骤S1401、获取多个地区分别对应的电力负荷相关的历史时序数据。
本步骤中,计算机设备可以获取多个地区分别对应的电力负荷相关的历史时序数据。
本申请实施例中的与任意地区对应的电力负荷相关的历史时序数据可以包括但不限于该地区的历史原始天气数据、该地区的历史原始负荷数据、该地区的历史原始电价数据、该地区的历史原始政策数据、该地区的历史原始经济指标数据。
步骤S1402、对多个地区分别对应的电力负荷相关的历史时序数据进行数据处理,得到多个地区分别对应的时序训练数据。
本步骤中,计算机设备可以对多个地区分别对应的电力负荷相关的历史时序数据进行数据处理,得到多个地区分别对应的时序训练数据,其中,数据处理可以包括但不限于数据清洗处理、数据预处理,和/或,特征工程处理。
可选地,计算机设备可以对多个地区分别对应的电力负荷相关的历史时序数据进行数据清洗处理,得到多个地区分别对应的清洗后的历史时序数据。其中,数据清洗处理可以包括但不限于以下至少一项:重复数据删除处理、缺失数据填补处理、异常数据删除处理、异常数据修正处理、冗余数据删除处理。
进一步地,计算机设备可以对多个地区分别对应的清洗后的历史时序数据进行数据预处理,得到多个地区分别对应的处理后的历史时序数据。
进一步地,计算机设备可以对多个地区分别对应的处理后的历史时序数据进行特征工程处理,得到多个地区分别对应的时序训练数据。
可选地,若时序训练数据包括:训练样本对应的地区的历史政策数据或者历史经济指标数据,预设电力负荷预测模型可以包括特征编码网络,对于各地区分别对应的处理后的历史时序数据,计算机设备可以将地区对应的处理后的历史时序数据中的历史政策数据或者历史经济指标数据输入特征编码网络,得到特征编码网络输出的第一时序训练数据,其中,第一时序训练数据包括地区的历史政策数据或者历史经济指标数据。进一步地,计算机设备可以对地区对应的处理后的历史时序数据中的其他历史时序数据进行特征编码处理,得到第二时序训练数据。进一步地,计算机设备可以对第一时序训练数据和第二时序训练数据进行特征拼接,得到地区对应的时序训练数据。
需要说明的是,本申请实施例中的各步骤的具体可实现方式,可以参考上述关于图8实施例中的相关内容,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,图15为本申请另一些实施例提供的预设电力负荷预测模型训练方法的流程示意图,在上述实施例的基础上,本申请实施例中对上述实施例中涉及的预设电力负荷预测模型的测试过程的相关内容进行说明。如图15所示,本申请实施例的方法还可以包括以下步骤:
步骤S1501、获取多个测试样本和与各测试样本对应的测试标签。
本申请实施例中的任意测试样本可以包括:与测试样本对应的地区的电力负荷相关的时序测试数据;任意测试样本对应的测试标签可以包括该地区的不同时间长度类型的历史电力负荷数据。
示例性地,本申请实施例中的任意测试样本中的时序测试数据可以包括但不限于以下至少两项:测试样本对应的地区的历史天气数据、历史负荷数据、历史电价数据、历史政策数据、历史经济指标数据。
应理解,由于测试样本中的时序测试数据中包含有历史负荷数据,其中,历史负荷数据中包含有历史电力负荷数据(或者称之为历史电力负荷需求),因此,在获取到测试样本的情况下,可以确定出该测试样本对应的测试标签。
步骤S1502、根据多个测试样本和与各测试样本对应的测试标签,对预设电力负荷预测模型进行测试。
本步骤中,计算机设备可以根据多个测试样本和与各测试样本对应的测试标签,对预设电力负荷预测模型进行测试。
示例性地,对于任意测试样本,计算机设备可以将测试样本中的时序测试数据输入至预设电力负荷预测模型,得到预设电力负荷预测模型输出的测试样本对应的多种时间长度类型的电力负荷预测数据。
进一步地,计算机设备可以通过根据各测试样本对应的测试标签分别与各测试样本对应的多种时间长度类型的电力负荷预测数据进行对比,得到测试结果。
示例性地,测试结果可以包括但不限于各测试样本对应的MAE和R方等测试指标。
步骤S1503、若测试结果满足预设测试要求,则确定预设电力负荷预测模型满足预设预测要求。
综上,本申请实施例中,通过获取多个测试样本和与各测试样本对应的测试标签,并根据多个测试样本和与各测试样本对应的测试标签,对预设电力负荷预测模型进行测试。进一步地,若测试结果满足预设测试要求,则确定预设电力负荷预测模型满足预设预测要求。可见,本申请实施例中,通过多个测试样本和测试标签对预设电力负荷预测模型进行测试的方式,可以使得预设电力负荷预测模型的准确性满足一定要求,从而有利于后续可以根据预设电力负荷预测模型进行准确地电力负荷预测。
在一些实施例中,图16为本申请一些实施例提供的电力负荷预测模型的框架示意图,在上述实施例的基础上,本申请实施例中对上述预设电力负荷预测模型的训练、测试和应用的相关内容进行说明。如图16所示,本申请实施例中的数据流包括实时数据线路和历史数据线路(或者称之为离线数据线路),其中,实时数据线路为虚线,历史数据线路为实线。
1)历史数据线路的数据流
计算机设备可以从各数据源获取不同地区的电力负荷相关的第一历史时序数据组成离线数据,其中,第一历史时序数据可以包括但不限于:历史原始天气数据、历史原始负荷数据、历史原始电价数据、历史原始政策数据、历史原始经济指标数据。
进一步地,计算机设备可以对不同地区的第一历史时序数据进行数据清洗处理、数据预处理,以及特征工程处理,得到不同地区分别对应的第二历史时序数据;其中,不同地区分别对应的第二历史时序数据可以组成离线特征。
进一步地,计算机设备可以通过特征分割处理将离线特征划分为训练样本集和测试样本集。
进一步地,计算机设备可以将训练样本集中的训练样本输入初始电力负荷预测模型进行训练,并通过测试样本集中的测试样本对训练过程中的电力负荷预测模型进行测试。其中,在训练和测试过程中可以分别根据测试样本和训练样本得到对应的MAE和R方等指标。计算机设备可以根据这些指标对电力负荷预测模型的收敛效果进行评估,最终可以得到收敛的稳定的预设电力负荷预测模型。
2)实时数据线路的数据流
计算机设备可以从各数据源获取目标地区的电力负荷相关的原始时序数据组成实时数据,其中,原始时序数据可以包括但不限于:原始天气数据、原始负荷数据、原始电价数据、原始政策数据、原始经济指标数据。
进一步地,计算机设备可以对目标地区的电力负荷相关的原始时序数据组进行数据预处理以及特征工程处理,得到与目标地区的电力负荷相关的时序数据;其中,目标地区的电力负荷相关的时序数据可以组成在线特征。
进一步地,计算机设备可以将在线特征输入预设电力负荷预测模型进行电力负荷预测,得到目标地区的多种时间长度类型的电力负荷预测数据。
示例性地,计算机设备可以从磁盘上加载训练好的预设电力负荷预测模型到内存中,以便于可以进行电力负荷预测;当然,还可以通过其他方式获取预设电力负荷预测模型。
应该理解的是,虽然如上的各实施例所涉及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,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力负荷预测方法的电力负荷预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力负荷预测装置实施例中的具体限定可以参见上文中对于电力负荷预测方法的限定,在此不再赘述。
在一些实施例中,图17为本申请一些实施例提供的电力负荷预测装置的结构示意图,本申请实施例提供的电力负荷预测装置可以应用于计算机设备中。如图17所示,本申请实施例的电力负荷预测装置可以包括:获取模块1701、输入模块1702和预测模块1703。
其中,获取模块1701,用于获取与目标地区的电力负荷相关的时序数据;
输入模块1702,用于将时序数据输入至预设电力负荷预测模型中;
预测模块1703,用于通过预设电力负荷预测模型提取时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
在一些实施例中,图18为本申请另一些实施例提供的电力负荷预测装置的结构示意图,在上述实施例的基础上,本申请实施例中对上述预测模块1703的相关内容进行说明。如图18所示,上述预测模块1703可以包括:
提取单元1703A,用于通过预设电力负荷预测模型提取时序数据的多个时序特征;其中,各时序特征对应的时间步长不同;
第一融合单元1703B,用于对各时序特征进行第一融合处理得到第一电力负荷特征;
第二融合单元1703C,用于对多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征;
预测单元1703D,用于基于第一电力负荷特征输出目标地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷特征输出目标地区的第二时间长度类型的电力负荷预测数据。
在一些实施例中,预设电力负荷预测模型包括时序特征提取网络,时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,提取单元1703A具体用于:
通过第一时序特征提取层提取时序数据的第一时序特征;
通过第二时序特征提取层提取时序数据的第二时序特征;
通过第三时序特征提取层提取时序数据的第三时序特征;
其中,第一时序特征、第二时序特征以及第三时序特征对应的时间步长不同。
在一些实施例中,预设电力负荷预测模型包括第一特征融合网络,第一融合单元1703B具体用于:
将各时序特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷特征。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层,第一融合单元1703B具体用于:
将第一时序特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序特征;
将第二时序特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序特征;
将第三时序特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序特征;
将第一目标时序特征、第二目标时序特征和第三目标时序特征输入至第一合并层,得到第一合并层输出的第一融合时序特征;
将第一融合时序特征输入至第一融合特征提取层,得到第一融合特征提取层输出的第一电力负荷特征。
在一些实施例中,预设电力负荷预测模型还包括第二特征融合网络,第二融合单元1703C具体用于:
将多个时序特征中的部分时序特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷特征。
在一些实施例中,第二特征融合网络包括第二时序特征筛选层、第三时序特征筛选层、第二合并层、第二融合特征提取层,第二融合单元1703C具体用于:
将第二目标时序特征和第三目标时序特征输入至第二合并层,得到第二合并层输出的第二融合时序特征;其中,第二目标时序特征为将第二时序特征输入至第二时序特征筛选层得到的时序特征,第三目标时序特征为将第三时序特征输入至第三时序特征筛选层得到的时序特征;
将第二融合时序特征输入至第二融合特征提取层,得到第二融合特征提取层输出的第二电力负荷特征。
在一些实施例中,预设电力负荷预测模型包括第一回归器和第二回归器,预测单元1703D具体用于:
将第一电力负荷特征输入至第一回归器,得到第一回归器输出的目标地区的第一时间长度类型的电力负荷预测数据;
将第二电力负荷特征输入至第二回归器,得到第二回归器输出的目标地区的第二时间长度类型的电力负荷预测数据。
在一些实施例中,时序数据包括以下至少两项:目标地区的天气数据、目标地区的负荷数据、目标地区的电价数据、目标地区的政策数据、目标地区的经济指标数据;其中,政策数据用于指示对电力需求的影响。
在一些实施例中,图19为本申请另一些实施例提供的电力负荷预测装置的结构示意图,在上述实施例的基础上,本申请实施例中对上述获取模块1701的相关内容进行说明。如图19所示,上述获取模块1701可以包括:
获取单元1701A,用于获取与目标地区的电力负荷相关的原始时序数据;
处理单元1701B,用于对原始时序数据进行数据处理,得到与目标地区的电力负荷相关的时序数据。
在一些实施例中,处理单元1701B具体用于:
对原始时序数据进行数据预处理,得到处理后的原始时序数据;
对处理后的原始时序数据进行特征工程处理,得到时序数据。
在一些实施例中,若时序数据包括:目标地区的政策数据或者经济指标数据,预设电力负荷预测模型包括特征编码网络,处理单元1701B具体用于:
将处理后的原始时序数据中的政策数据或者经济指标数据输入特征编码网络,得到特征编码网络输出的第一时序数据,其中,第一时序数据包括目标地区的政策数据或者经济指标数据;
对处理后的原始时序数据中的其他原始时序数据进行特征编码处理,得到第二时序数据;
对第一时序数据和第二时序数据进行特征拼接,得到时序数据。
本申请实施例提供的电力负荷预测装置可以用于执行本申请上述电力负荷预测方法实施例中关于计算机设备的技术方案,其实现原理和技术效果类似,此处不再赘述。
上述电力负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力负荷预测模型训练方法的电力负荷预测模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力负荷预测模型训练装置实施例中的具体限定可以参见上文中对于电力负荷预测模型训练方法的限定,在此不再赘述。
在一些实施例中,图20为本申请一些实施例提供的电力负荷预测模型训练装置的结构示意图,本申请实施例提供的电力负荷预测模型训练装置可以应用于计算机设备中。如图20所示,本申请实施例的电力负荷预测模型训练装置可以包括:第一获取模块2001和训练模块2002。
其中,第一获取模块2001,用于获取多个训练样本和与各训练样本对应的训练标签,其中,训练样本包括:与训练样本对应的地区的电力负荷相关的时序训练数据,训练样本对应的训练标签包括地区的不同时间长度类型的历史电力负荷数据;
训练模块2002,用于根据多个训练样本和与各训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型;
其中,预设电力负荷预测模型可以用于提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对多个时序特征进行融合处理,以输出目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
在一些实施例中,图21为本申请另一些实施例提供的电力负荷预测模型训练装置的结构示意图,在上述实施例的基础上,本申请实施例中对上述训练模块2002的相关内容进行说明。如图21所示,上述训练模块2002可以包括:
预测单元2002A,用于将训练样本中的时序训练数据输入至初始电力负荷预测模型,得到初始电力负荷预测模型输出的训练样本对应的地区的不同时间长度类型的电力负荷预测数据;
调整单元2002B,用于根据训练样本对应的训练标签与地区的不同时间长度类型的电力负荷预测数据调整初始电力负荷预测模型中的参数,得到更新后的初始电力负荷预测模型;
训练单元2002C,用于将多个训练样本中的其他训练样本作为更新后的训练样本,返回执行将训练样本中的时序训练数据输入至初始电力负荷预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始电力负荷预测模型作为预设电力负荷预测模型。
在一些实施例中,预测单元2002A具体用于:
通过初始电力负荷预测模型提取时序训练数据的多个时序训练特征,并对多个时序训练特征进行融合处理,以输出地区的不同时间长度类型的电力负荷预测数据。
在一些实施例中,预测单元2002A具体用于:
通过预设电力负荷预测模型提取时序训练数据的多个时序训练特征;其中,各时序训练特征对应的时间步长不同;
对各时序训练特征进行第一融合处理得到第一电力负荷训练特征;
对多个时序训练特征中的部分时序训练特征进行第二融合处理得到第二电力负荷训练特征;
基于第一电力负荷训练特征输出地区的第一时间长度类型的电力负荷预测数据,以及基于第二电力负荷训练特征输出地区的第二时间长度类型的电力负荷预测数据。
在一些实施例中,预设电力负荷预测模型包括时序特征提取网络,时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,预测单元2002A具体用于:
通过第一时序特征提取层提取时序训练数据的第一时序训练特征;
通过第二时序特征提取层提取时序训练数据的第二时序训练特征;
通过第三时序特征提取层提取时序训练数据的第三时序训练特征;
其中,第一时序训练特征、第二时序训练特征以及第三时序训练特征对应的时间步长不同。
在一些实施例中,预设电力负荷预测模型包括第一特征融合网络,预测单元2002A具体用于:
将各时序训练特征输入至第一特征融合网络,得到第一特征融合网络输出的第一电力负荷训练特征。
在一些实施例中,第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层,预测单元2002A具体用于:
将第一时序训练特征输入至第一时序特征筛选层,得到第一时序特征筛选层输出的第一目标时序训练特征;
将第二时序训练特征输入至第二时序特征筛选层,得到第二时序特征筛选层输出的第二目标时序训练特征;
将第三时序训练特征输入至第三时序特征筛选层,得到第三时序特征筛选层输出的第三目标时序训练特征;
将第一目标时序训练特征、第二目标时序训练特征和第三目标时序训练特征输入至第一合并层,得到第一合并层输出的第一融合时序训练特征;
将第一融合时序训练特征输入至第一融合特征提取层,得到第一融合特征提取层输出的第一电力负荷训练特征。
在一些实施例中,预设电力负荷预测模型还包括第二特征融合网络,预测单元2002A具体用于:
将多个时序训练特征中的部分时序训练特征输入至第二特征融合网络,得到第二特征融合网络输出的第二电力负荷训练特征。
在一些实施例中,第二特征融合网络包括第二时序特征筛选层、第三时序特征筛选层、第二合并层、第二融合特征提取层,预测单元2002A具体用于:
将第二目标时序训练特征和第三目标时序训练特征输入至第二合并层,得到第二合并层输出的第二融合时序训练特征;其中,第二目标时序训练特征为将第二时序训练特征输入至第二时序特征筛选层得到的时序训练特征,第三目标时序训练特征为将第三时序训练特征输入至第三时序特征筛选层得到的时序训练特征;
将第二融合时序训练特征输入至第二融合特征提取层,得到第二融合特征提取层输出的第二电力负荷训练特征。
在一些实施例中,预设电力负荷预测模型包括第一回归器和第二回归器,预测单元2002A具体用于:
将第一电力负荷训练特征输入至第一回归器,得到第一回归器输出的地区的第一时间长度类型的电力负荷预测数据;
将第二电力负荷训练特征输入至第二回归器,得到第二回归器输出的地区的第二时间长度类型的电力负荷预测数据。
在一些实施例中,时序训练数据包括以下至少两项:训练样本对应的地区的历史天气数据、历史负荷数据、历史电价数据、历史政策数据、历史经济指标数据。
在一些实施例中,图22为本申请另一些实施例提供的电力负荷预测模型训练装置的结构示意图,在上述实施例的基础上,本申请实施例中对上述第一获取模块2001的相关内容进行说明。如图22所示,上述第一获取模块2001可以包括:
获取单元2001A,用于获取多个地区分别对应的电力负荷相关的历史时序数据;
处理单元2001B,用于对多个地区分别对应的电力负荷相关的历史时序数据进行数据处理,得到多个地区分别对应的时序训练数据。
在一些实施例中,处理单元2001B具体用于:
对多个地区分别对应的电力负荷相关的历史时序数据进行数据清洗处理,得到多个地区分别对应的清洗后的历史时序数据;
对多个地区分别对应的清洗后的历史时序数据进行数据预处理,得到多个地区分别对应的处理后的历史时序数据;
对多个地区分别对应的处理后的历史时序数据进行特征工程处理,得到多个地区分别对应的时序训练数据。
在一些实施例中,时序训练数据包括:训练样本对应的地区的历史政策数据或者历史经济指标数据,预设电力负荷预测模型包括特征编码网络,处理单元2001B具体用于:
对于各地区分别对应的处理后的历史时序数据,将地区对应的处理后的历史时序数据中的历史政策数据或者历史经济指标数据输入特征编码网络,得到特征编码网络输出的第一时序训练数据,其中,第一时序训练数据包括地区的历史政策数据或者历史经济指标数据;
对地区对应的处理后的历史时序数据中的其他历史时序数据进行特征编码处理,得到第二时序训练数据;
对第一时序训练数据和第二时序训练数据进行特征拼接,得到地区对应的时序训练数据。
在一些实施例中,图23为本申请另一些实施例提供的电力负荷预测模型训练装置的结构示意图,在上述实施例的基础上,本申请实施例中对上述预设电力负荷预测模型的测试过程的相关内容进行说明。如图23所示,上述电力负荷预测模型训练装置还可以包括:
第二获取模块2003,用于获取多个测试样本和与各测试样本对应的测试标签,其中,测试样本包括:与测试样本对应的地区的电力负荷相关的时序测试数据,测试样本对应的测试标签包括地区的不同时间长度类型的历史电力负荷数据;
测试模块2004,用于根据多个测试样本和与各测试样本对应的测试标签,对预设电力负荷预测模型进行测试;
确定模块2005,用于若测试结果满足预设测试要求,则确定预设电力负荷预测模型满足预设预测要求。
本申请实施例提供的电力负荷预测模型训练装置可以用于执行本申请上述电力负荷预测模型训练方法实施例中关于计算机设备的技术方案,其实现原理和技术效果类似,此处不再赘述。
上述电力负荷预测模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,图24为本申请一些实施例中计算机设备的结构示意图,如图24所示,本申请实施例提供的计算机设备可以包括通过系统总线连接的处理器、存储器和通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的设备进行有线或无线方式的通信。该计算机程序被处理器执行时以实现本申请上述电力负荷预测方法实施例或者上述电力负荷预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域技术人员可以理解,图24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。
在一些实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现本申请上述电力负荷预测方法实施例或者上述电力负荷预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请上述电力负荷预测方法实施例或者上述电力负荷预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请上述电力负荷预测方法实施例或者上述电力负荷预测模型训练方法实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
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,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、特征数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的特征数据处理逻辑器等,不限于此。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (31)
1.一种电力负荷预测方法,其特征在于,所述方法包括:
获取与目标地区的电力负荷相关的时序数据;
将所述时序数据输入至预设电力负荷预测模型中;
通过所述预设电力负荷预测模型提取所述时序数据的多个时序特征,并对所述多个时序特征进行融合处理,以输出所述目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
2.根据权利要求1所述的方法,其特征在于,所述通过所述预设电力负荷预测模型提取所述时序数据的多个时序特征,并对所述多个时序特征进行融合处理,以输出所述目标地区的多种时间长度类型的电力负荷预测数据,包括:
通过所述预设电力负荷预测模型提取所述时序数据的多个时序特征;其中,各所述时序特征对应的时间步长不同;
对各所述时序特征进行第一融合处理得到第一电力负荷特征;
对所述多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征;
基于所述第一电力负荷特征输出所述目标地区的第一时间长度类型的电力负荷预测数据,以及基于所述第二电力负荷特征输出所述目标地区的第二时间长度类型的电力负荷预测数据。
3.根据权利要求2所述的方法,其特征在于,所述预设电力负荷预测模型包括时序特征提取网络,所述时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,所述通过所述预设电力负荷预测模型提取所述时序数据的多个时序特征,包括:
通过所述第一时序特征提取层提取所述时序数据的第一时序特征;
通过所述第二时序特征提取层提取所述时序数据的第二时序特征;
通过所述第三时序特征提取层提取所述时序数据的第三时序特征;
其中,所述第一时序特征、所述第二时序特征以及所述第三时序特征对应的时间步长不同。
4.根据权利要求3所述的方法,其特征在于,所述预设电力负荷预测模型包括第一特征融合网络,所述对各所述时序特征进行第一融合处理得到第一电力负荷特征,包括:
将各所述时序特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一电力负荷特征。
5.根据权利要求4所述的方法,其特征在于,所述第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层,所述将各所述时序特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一电力负荷特征,包括:
将所述第一时序特征输入至所述第一时序特征筛选层,得到所述第一时序特征筛选层输出的第一目标时序特征;
将所述第二时序特征输入至所述第二时序特征筛选层,得到所述第二时序特征筛选层输出的第二目标时序特征;
将所述第三时序特征输入至所述第三时序特征筛选层,得到所述第三时序特征筛选层输出的第三目标时序特征;
将所述第一目标时序特征、所述第二目标时序特征和所述第三目标时序特征输入至所述第一合并层,得到所述第一合并层输出的第一融合时序特征;
将所述第一融合时序特征输入至所述第一融合特征提取层,得到所述第一融合特征提取层输出的所述第一电力负荷特征。
6.根据权利要求5所述的方法,其特征在于,所述预设电力负荷预测模型还包括第二特征融合网络,所述对所述多个时序特征中的部分时序特征进行第二融合处理得到第二电力负荷特征,包括:
将所述多个时序特征中的部分时序特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二电力负荷特征。
7.根据权利要求6所述的方法,其特征在于,所述第二特征融合网络包括所述第二时序特征筛选层、所述第三时序特征筛选层、第二合并层、第二融合特征提取层,所述将所述多个时序特征中的部分时序特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二电力负荷特征,包括:
将所述第二目标时序特征和所述第三目标时序特征输入至所述第二合并层,得到所述第二合并层输出的第二融合时序特征;其中,所述第二目标时序特征为将所述第二时序特征输入至所述第二时序特征筛选层得到的时序特征,所述第三目标时序特征为将所述第三时序特征输入至所述第三时序特征筛选层得到的时序特征;
将所述第二融合时序特征输入至所述第二融合特征提取层,得到所述第二融合特征提取层输出的所述第二电力负荷特征。
8.根据权利要求2-7中任一项所述的方法,其特征在于,所述预设电力负荷预测模型包括第一回归器和第二回归器,所述基于所述第一电力负荷特征输出所述目标地区的第一时间长度类型的电力负荷预测数据,以及基于所述第二电力负荷特征输出所述目标地区的第二时间长度类型的电力负荷预测数据,包括:
将所述第一电力负荷特征输入至所述第一回归器,得到所述第一回归器输出的所述目标地区的第一时间长度类型的电力负荷预测数据;
将所述第二电力负荷特征输入至所述第二回归器,得到所述第二回归器输出的所述目标地区的第二时间长度类型的电力负荷预测数据。
9.根据权利要求1-7中任一项所述的方法,其特征在于,所述时序数据包括以下至少两项:所述目标地区的天气数据、所述目标地区的负荷数据、所述目标地区的电价数据、所述目标地区的政策数据、所述目标地区的经济指标数据;其中,所述政策数据用于指示对电力需求的影响。
10.根据权利要求9所述的方法,其特征在于,所述获取与目标地区的电力负荷相关的时序数据,包括:
获取与所述目标地区的电力负荷相关的原始时序数据;
对所述原始时序数据进行数据处理,得到与所述目标地区的电力负荷相关的时序数据。
11.根据权利要求10所述的方法,其特征在于,所述对所述原始时序数据进行数据处理,得到与所述目标地区的电力负荷相关的时序数据,包括:
对所述原始时序数据进行数据预处理,得到处理后的原始时序数据;
对所述处理后的原始时序数据进行特征工程处理,得到所述时序数据。
12.根据权利要求11所述的方法,其特征在于,若所述时序数据包括:所述目标地区的政策数据或者经济指标数据,所述预设电力负荷预测模型包括特征编码网络,所述对所述处理后的原始时序数据进行特征工程处理,得到所述时序数据,包括:
将所述处理后的原始时序数据中的政策数据或者经济指标数据输入所述特征编码网络,得到所述特征编码网络输出的第一时序数据,其中,所述第一时序数据包括所述目标地区的政策数据或者经济指标数据;
对所述处理后的原始时序数据中的其他原始时序数据进行特征编码处理,得到第二时序数据;
对所述第一时序数据和所述第二时序数据进行特征拼接,得到所述时序数据。
13.一种电力负荷预测模型训练方法,其特征在于,所述方法包括:
获取多个训练样本和与各所述训练样本对应的训练标签,其中,所述训练样本包括:与所述训练样本对应的地区的电力负荷相关的时序训练数据,所述训练样本对应的训练标签包括所述地区的不同时间长度类型的历史电力负荷数据;
根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型;
其中,所述预设电力负荷预测模型用于提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对所述多个时序特征进行融合处理,以输出所述目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
14.根据权利要求13所述的方法,其特征在于,所述根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型,包括:
将所述训练样本中的时序训练数据输入至所述初始电力负荷预测模型,得到所述初始电力负荷预测模型输出的所述训练样本对应的地区的不同时间长度类型的电力负荷预测数据;
根据所述训练样本对应的训练标签与所述地区的不同时间长度类型的电力负荷预测数据调整所述初始电力负荷预测模型中的参数,得到更新后的初始电力负荷预测模型;
将所述多个训练样本中的其他训练样本作为更新后的训练样本,返回执行所述将所述训练样本中的时序训练数据输入至所述初始电力负荷预测模型的步骤,并持续执行,直至满足训练结束条件时,将更新后的初始电力负荷预测模型作为所述预设电力负荷预测模型。
15.根据权利要求14所述的方法,其特征在于,所述将所述训练样本中的时序训练数据输入至所述初始电力负荷预测模型,得到所述初始电力负荷预测模型输出的所述训练样本对应的地区的不同时间长度类型的电力负荷预测数据,包括:
通过所述初始电力负荷预测模型提取所述时序训练数据的多个时序训练特征,并对所述多个时序训练特征进行融合处理,以输出所述地区的不同时间长度类型的电力负荷预测数据。
16.根据权利要求15所述的方法,其特征在于,所述通过所述初始电力负荷预测模型提取所述时序训练数据的多个时序训练特征,并对所述多个时序训练特征进行融合处理,以输出所述地区的不同时间长度类型的电力负荷预测数据,包括:
通过所述预设电力负荷预测模型提取所述时序训练数据的多个时序训练特征;其中,各所述时序训练特征对应的时间步长不同;
对各所述时序训练特征进行第一融合处理得到第一电力负荷训练特征;
对所述多个时序训练特征中的部分时序训练特征进行第二融合处理得到第二电力负荷训练特征;
基于所述第一电力负荷训练特征输出所述地区的第一时间长度类型的电力负荷预测数据,以及基于所述第二电力负荷训练特征输出所述地区的第二时间长度类型的电力负荷预测数据。
17.根据权利要求16所述的方法,其特征在于,所述预设电力负荷预测模型包括时序特征提取网络,所述时序特征提取网络包括第一时序特征提取层、第二时序特征提取层和第三时序特征提取层,所述通过所述预设电力负荷预测模型提取所述时序训练数据的多个时序训练特征,包括:
通过所述第一时序特征提取层提取所述时序训练数据的第一时序训练特征;
通过所述第二时序特征提取层提取所述时序训练数据的第二时序训练特征;
通过所述第三时序特征提取层提取所述时序训练数据的第三时序训练特征;
其中,所述第一时序训练特征、所述第二时序训练特征以及所述第三时序训练特征对应的时间步长不同。
18.根据权利要求17所述的方法,其特征在于,所述预设电力负荷预测模型包括第一特征融合网络,所述对各所述时序训练特征进行第一融合处理得到第一电力负荷训练特征,包括:
将各所述时序训练特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一电力负荷训练特征。
19.根据权利要求18所述的方法,其特征在于,所述第一特征融合网络包括第一时序特征筛选层、第二时序特征筛选层、第三时序特征筛选层、第一合并层、第一融合特征提取层,所述将各所述时序训练特征输入至所述第一特征融合网络,得到所述第一特征融合网络输出的所述第一电力负荷训练特征,包括:
将所述第一时序训练特征输入至所述第一时序特征筛选层,得到所述第一时序特征筛选层输出的第一目标时序训练特征;
将所述第二时序训练特征输入至所述第二时序特征筛选层,得到所述第二时序特征筛选层输出的第二目标时序训练特征;
将所述第三时序训练特征输入至所述第三时序特征筛选层,得到所述第三时序特征筛选层输出的第三目标时序训练特征;
将所述第一目标时序训练特征、所述第二目标时序训练特征和所述第三目标时序训练特征输入至所述第一合并层,得到所述第一合并层输出的第一融合时序训练特征;
将所述第一融合时序训练特征输入至所述第一融合特征提取层,得到所述第一融合特征提取层输出的所述第一电力负荷训练特征。
20.根据权利要求19所述的方法,其特征在于,所述预设电力负荷预测模型还包括第二特征融合网络,所述对所述多个时序训练特征中的部分时序训练特征进行第二融合处理得到第二电力负荷训练特征,包括:
将所述多个时序训练特征中的部分时序训练特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二电力负荷训练特征。
21.根据权利要求20所述的方法,其特征在于,所述第二特征融合网络包括所述第二时序特征筛选层、所述第三时序特征筛选层、第二合并层、第二融合特征提取层,所述将所述多个时序训练特征中的部分时序训练特征输入至所述第二特征融合网络,得到所述第二特征融合网络输出的所述第二电力负荷训练特征,包括:
将所述第二目标时序训练特征和所述第三目标时序训练特征输入至所述第二合并层,得到所述第二合并层输出的第二融合时序训练特征;其中,所述第二目标时序训练特征为将所述第二时序训练特征输入至所述第二时序特征筛选层得到的时序训练特征,所述第三目标时序训练特征为将所述第三时序训练特征输入至所述第三时序特征筛选层得到的时序训练特征;
将所述第二融合时序训练特征输入至所述第二融合特征提取层,得到所述第二融合特征提取层输出的所述第二电力负荷训练特征。
22.根据权利要求16-21中任一项所述的方法,其特征在于,所述预设电力负荷预测模型包括第一回归器和第二回归器,所述基于所述第一电力负荷训练特征输出所述地区的第一时间长度类型的电力负荷预测数据,以及基于所述第二电力负荷训练特征输出所述地区的第二时间长度类型的电力负荷预测数据,包括:
将所述第一电力负荷训练特征输入至所述第一回归器,得到所述第一回归器输出的所述地区的第一时间长度类型的电力负荷预测数据;
将所述第二电力负荷训练特征输入至所述第二回归器,得到所述第二回归器输出的所述地区的第二时间长度类型的电力负荷预测数据。
23.根据权利要求13-21中任一项所述的方法,其特征在于,所述时序训练数据包括以下至少两项:所述训练样本对应的地区的历史天气数据、历史负荷数据、历史电价数据、历史政策数据、历史经济指标数据。
24.根据权利要求23所述的方法,其特征在于,所述获取多个训练样本,包括:
获取多个地区分别对应的电力负荷相关的历史时序数据;
对所述多个地区分别对应的电力负荷相关的历史时序数据进行数据处理,得到所述多个地区分别对应的时序训练数据。
25.根据权利要求24所述的方法,其特征在于,所述对所述多个地区分别对应的电力负荷相关的历史时序数据进行数据处理,得到所述多个地区分别对应的时序训练数据,包括:
对所述多个地区分别对应的电力负荷相关的历史时序数据进行数据清洗处理,得到所述多个地区分别对应的清洗后的历史时序数据;
对所述多个地区分别对应的清洗后的历史时序数据进行数据预处理,得到所述多个地区分别对应的处理后的历史时序数据;
对所述多个地区分别对应的处理后的历史时序数据进行特征工程处理,得到所述多个地区分别对应的时序训练数据。
26.根据权利要求25所述的方法,其特征在于,所述时序训练数据包括:所述训练样本对应的地区的历史政策数据或者历史经济指标数据,所述预设电力负荷预测模型包括特征编码网络,所述对所述多个地区分别对应的处理后的历史时序数据进行特征工程处理,得到所述多个地区分别对应的时序训练数据,包括:
对于各所述地区分别对应的处理后的历史时序数据,将所述地区对应的处理后的历史时序数据中的历史政策数据或者历史经济指标数据输入所述特征编码网络,得到所述特征编码网络输出的第一时序训练数据,其中,所述第一时序训练数据包括所述地区的历史政策数据或者历史经济指标数据;
对所述地区对应的处理后的历史时序数据中的其他历史时序数据进行特征编码处理,得到第二时序训练数据;
对所述第一时序训练数据和所述第二时序训练数据进行特征拼接,得到所述地区对应的时序训练数据。
27.根据权利要求13-21中任一项所述的方法,其特征在于,所述方法还包括:
获取多个测试样本和与各所述测试样本对应的测试标签,其中,所述测试样本包括:与所述测试样本对应的地区的电力负荷相关的时序测试数据,所述测试样本对应的测试标签包括所述地区的不同时间长度类型的历史电力负荷数据;
根据所述多个测试样本和与各所述测试样本对应的测试标签,对所述预设电力负荷预测模型进行测试;
若测试结果满足预设测试要求,则确定所述预设电力负荷预测模型满足预设预测要求。
28.一种电力负荷预测装置,其特征在于,所述装置包括:
获取模块,用于获取与目标地区的电力负荷相关的时序数据;
输入模块,用于将所述时序数据输入至预设电力负荷预测模型中;
预测模块,用于通过所述预设电力负荷预测模型提取所述时序数据的多个时序特征,并对所述多个时序特征进行融合处理,以输出所述目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
29.一种电力负荷预测模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取多个训练样本和与各所述训练样本对应的训练标签,其中,所述训练样本包括:与所述训练样本对应的地区的电力负荷相关的时序训练数据,所述训练样本对应的训练标签包括所述地区的不同时间长度类型的历史电力负荷数据;
训练模块,用于根据所述多个训练样本和与各所述训练样本对应的训练标签,对初始电力负荷预测模型进行训练,得到预设电力负荷预测模型;
其中,所述预设电力负荷预测模型用于提取与目标地区的电力负荷相关的时序数据的多个时序特征,并对所述多个时序特征进行融合处理,以输出所述目标地区的多种时间长度类型的电力负荷预测数据,其中,不同时间长度类型对应的预测时间点的数量不同。
30.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-12,或者13-27中任一项所述的方法的步骤。
31.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-12,或者13-27中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311245125.6A CN116995673B (zh) | 2023-09-26 | 2023-09-26 | 电力负荷预测方法、电力负荷预测模型训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311245125.6A CN116995673B (zh) | 2023-09-26 | 2023-09-26 | 电力负荷预测方法、电力负荷预测模型训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116995673A true CN116995673A (zh) | 2023-11-03 |
CN116995673B CN116995673B (zh) | 2024-02-20 |
Family
ID=88525096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311245125.6A Active CN116995673B (zh) | 2023-09-26 | 2023-09-26 | 电力负荷预测方法、电力负荷预测模型训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116995673B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118017493A (zh) * | 2024-02-22 | 2024-05-10 | 江苏优亿诺智能科技有限公司 | 基于神经网络的负荷预测方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040246643A1 (en) * | 2003-05-13 | 2004-12-09 | Dingguo Chen | Very short term load prediction |
CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
CN112232593A (zh) * | 2020-11-04 | 2021-01-15 | 武汉理工大学 | 一种基于相空间重构和数据驱动的电力负荷预测方法 |
CN114154753A (zh) * | 2021-12-17 | 2022-03-08 | 国电南瑞科技股份有限公司 | 一种负荷预测方法及系统 |
CN115130741A (zh) * | 2022-06-20 | 2022-09-30 | 北京工业大学 | 基于多模型融合的多因素电力需求中短期预测方法 |
-
2023
- 2023-09-26 CN CN202311245125.6A patent/CN116995673B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040246643A1 (en) * | 2003-05-13 | 2004-12-09 | Dingguo Chen | Very short term load prediction |
CN110232483A (zh) * | 2019-06-18 | 2019-09-13 | 国网河北省电力有限公司经济技术研究院 | 深度学习负荷预测方法、装置及终端设备 |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
CN112232593A (zh) * | 2020-11-04 | 2021-01-15 | 武汉理工大学 | 一种基于相空间重构和数据驱动的电力负荷预测方法 |
CN114154753A (zh) * | 2021-12-17 | 2022-03-08 | 国电南瑞科技股份有限公司 | 一种负荷预测方法及系统 |
CN115130741A (zh) * | 2022-06-20 | 2022-09-30 | 北京工业大学 | 基于多模型融合的多因素电力需求中短期预测方法 |
Non-Patent Citations (1)
Title |
---|
TANVEER AHMAD等: "Efficient Energy Planning with Decomposition-Based Evolutionary Neural Networks", IEEE ACCESS, pages 134880 - 134897 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118017493A (zh) * | 2024-02-22 | 2024-05-10 | 江苏优亿诺智能科技有限公司 | 基于神经网络的负荷预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116995673B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
CN116995673B (zh) | 电力负荷预测方法、电力负荷预测模型训练方法和装置 | |
Zhao et al. | Prediction in traffic accident duration based on heterogeneous ensemble learning | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
Rangel et al. | Short-term demand forecast using a bank of neural network models trained using genetic algorithms for the optimal management of drinking water networks | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
Fernandes et al. | Long short-term memory networks for traffic flow forecasting: exploring input variables, time frames and multi-step approaches | |
Hafeez et al. | Day ahead electric load forecasting by an intelligent hybrid model based on deep learning for smart grid | |
Chen et al. | Multiperiod‐ahead wind speed forecasting using deep neural architecture and ensemble learning | |
CN117458440A (zh) | 基于关联特征融合的生成式电力负荷预测方法及系统 | |
CN116663540A (zh) | 基于小样本的金融事件抽取方法 | |
Mohamed et al. | A review on big data management and decision-making in smart grid | |
CN117435997A (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
Torres et al. | Electricity consumption time series forecasting using temporal convolutional networks | |
Naoui et al. | Integrating iot devices and deep learning for renewable energy in big data system | |
CN116825238A (zh) | 基于物理信息融合神经网络的晶体几何形状及对称性预测方法和装置 | |
Li et al. | Combining global and sequential patterns for multivariate time series forecasting | |
CN116542288A (zh) | 中低压变压器故障预警模型构建方法以及故障预警方法 | |
CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 | |
CN117013534B (zh) | 发电功率预测方法、功率预测模型训练方法、装置和设备 | |
CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
Qu et al. | Temporal backtracking and multistep delay of traffic speed series prediction | |
Penn et al. | A predictive tool for grid data analysis using machine learning algorithms | |
Rathnayaka et al. | Specialist vs generalist: A transformer architecture for global forecasting energy time series |
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 |