CN117132006A - 基于能源管理系统的能耗预测方法及系统 - Google Patents
基于能源管理系统的能耗预测方法及系统 Download PDFInfo
- Publication number
- CN117132006A CN117132006A CN202311407779.4A CN202311407779A CN117132006A CN 117132006 A CN117132006 A CN 117132006A CN 202311407779 A CN202311407779 A CN 202311407779A CN 117132006 A CN117132006 A CN 117132006A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- feature
- regional
- features
- characteristic
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005065 mining Methods 0.000 claims abstract description 43
- 230000002776 aggregation Effects 0.000 claims abstract description 37
- 238000004220 aggregation Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 64
- 239000010410 layer Substances 0.000 claims description 62
- 239000002344 surface layer Substances 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 45
- 238000005457 optimization Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 28
- 238000000354 decomposition reaction Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000004931 aggregating effect Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供的基于能源管理系统的能耗预测方法及系统,涉及人工智能技术领域。在本发明中,依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络;获取到待预测区域的历史电力消耗事项;利用目标能耗预测网络,对历史电力消耗事项进行多层次的特征挖掘和聚合,形成历史电力消耗事项对应的目标电力消耗特征;利用目标能耗预测网络,基于目标电力消耗特征进行区域电力消耗预测,输出待预测区域对应的电力消耗预测数据。基于上述内容,可以改善现有技术中存在能耗预测的可靠度相对不高的问题。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种基于能源管理系统的能耗预测方法及系统。
背景技术
能源管理主要是指能源消费过程的管理,是通过运用自动化、信息化等专业技术对能源的供应、存储、输送、消耗等环节实施扁平化动态监控的数字化管理。其中,能耗预测是能源管理的关键技术,只有预先知道能源能耗的趋势才能更有效的进行扁平化动态数字化管理。例如,对于电力能源的消耗预测,就是对于电力能源管理的基础。但是,在现有技术中,一般存在着能耗预测的可靠度相对不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于能源管理系统的能耗预测方法及系统,以改善现有技术中存在能耗预测的可靠度相对不高的问题。
为实现上述目的,本发明实施例采用如下技术方案:
一种基于能源管理系统的能耗预测方法,包括:
依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络,每一个所述训练区域电力消耗数据包括历史电力消耗事项和对应的标签电力消耗参数,所述历史电力消耗事项包括所述标签电力消耗参数对应的时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列;
获取到待预测区域的历史电力消耗事项,所述待预测区域的历史电力消耗事项包括目标时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列;
利用所述目标能耗预测网络,对所述待预测区域的历史电力消耗事项进行多层次的特征挖掘和聚合,形成所述待预测区域对应的目标电力消耗特征,所述目标电力消耗特征用于反映所述历史电力消耗事项的语义信息;
利用所述目标能耗预测网络,基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据,所述区域电力消耗预测数据用于反映在目标时间点所述待预测区域的电力消耗情况。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述目标能耗预测网络包括梯度优化模型,所述利用所述目标能耗预测网络,对所述待预测区域的历史电力消耗事项进行多层次的特征挖掘和聚合,形成所述待预测区域对应的目标电力消耗特征的步骤,包括:
基于所述历史电力消耗事项,确定出待预测区域的区域电力消耗特征,所述区域电力消耗特征用于反映所述待预测区域的历史电力消耗的语义;
对所述区域电力消耗特征进行特征分解,形成所述区域电力消耗特征对应的分解电力消耗特征序列,所述分解电力消耗特征序列包括的各分解电力消耗特征的数量等于所述区域电力消耗特征的秩,所述分解电力消耗特征序列用于反映历史电力消耗事项对应的历史电力消耗具有的全局语义;
将所述区域电力消耗特征分别进行表层特征挖掘和深层特征挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征和所述区域电力消耗特征的深层电力消耗特征,所述表层电力消耗特征的特征维度小于所述深层电力消耗特征的特征维度,所述表层电力消耗特征用于反映所述历史电力消耗事项对应的历史电力消耗具有的表层语义,所述深层电力消耗特征用于反映所述历史电力消耗事项对应的历史电力消耗具有的深层语义;
基于所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列,构建出对应的多层次融合电力消耗特征;
利用所述梯度优化模型包括的第一多层感知机,将所述多层次融合电力消耗特征进行处理,形成对应的中间电力消耗特征;
利用所述梯度优化模型包括的梯度优化单元,获取到所述多层次融合电力消耗特征;
利用所述梯度优化模型包括的特征聚合单元,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征,其中,所述梯度优化模型还包括第二多层感知机,所述第二多层感知机用于执行所述基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据的步骤。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述基于所述历史电力消耗事项,确定出待预测区域的区域电力消耗特征的步骤,包括:
将所述历史电力消耗事项,作为所述待预测区域的候选区域电力消耗特征;
将所述候选区域电力消耗特征进行分类变量编码,输出所述候选区域电力消耗特征对应的二进制电力消耗特征;
对所述二进制电力消耗特征进行向量连续化,输出所述待预测区域的区域电力消耗特征。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述对所述区域电力消耗特征进行特征分解,形成所述区域电力消耗特征对应的分解电力消耗特征序列的步骤,包括:
确定出所述区域电力消耗特征的秩,并基于所述区域电力消耗特征的秩,确定出目标数量个候选电力消耗矩阵,所述候选电力消耗矩阵的矩阵参数随机生成,且所述目标数量等于所述区域电力消耗特征的秩;
通过迭代优化的方式逐步调整所述目标数量个候选电力消耗矩阵,使得对应的电力消耗特征重构误差降低,所述电力消耗特征重构误差用于反映:调整后的目标数量个候选电力消耗矩阵对应的重构区域电力消耗特征与所述区域电力消耗特征之间的差异,所述重构区域电力消耗特征等于调整后的目标数量个候选电力消耗矩阵的外积;
将电力消耗特征重构误差小于或等于预先确定的参考误差对应的调整后的目标数量个候选电力消耗矩阵,分别作为分解电力消耗特征,得到目标数量个分解电力消耗特征,以及,将所述目标数量个分解电力消耗特征进行组合,形成所述区域电力消耗特征对应的分解电力消耗特征序列。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述通过迭代优化的方式逐步调整所述目标数量个候选电力消耗矩阵,使得电力消耗特征重构误差降低的步骤,包括:
对所述目标数量个候选电力消耗矩阵进行遍历,形成当前遍历到的候选电力消耗矩阵;
对所述当前遍历到的候选电力消耗矩阵中的矩阵参数进行调整,形成调整后的候选电力消耗矩阵,并将所述目标数量个候选电力消耗矩阵中所述当前遍历到的候选电力消耗矩阵以外的每一个候选电力消耗矩阵的参数进行固定,对于调整后的候选电力消耗矩阵中的任意一个矩阵参数,该矩阵参数与所述当前遍历到的候选电力消耗矩阵中相应位置的矩阵参数和所述当前遍历到的候选电力消耗矩阵以外的每一个候选电力消耗矩阵中相应位置的矩阵参数之间都具有相关关系;
在所述目标数量个候选电力消耗矩阵都被遍历之后,形成目标数量个调整后的候选电力消耗矩阵,并计算所述目标数量个调整后的候选电力消耗矩阵的外积,得到对应的重构区域电力消耗特征;
计算所述重构区域电力消耗特征与所述区域电力消耗特征之间的差异,得到对应的电力消耗特征重构误差,以及,沿着降低所述电力消耗特征重构误差的方向,对所述目标数量个调整后的候选电力消耗矩阵再次进行调整,直到所述电力消耗特征重构误差小于或等于预先确定的参考误差。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述目标能耗预测网络还包括卷积网络模型;
所述将所述区域电力消耗特征分别进行表层特征挖掘和深层特征挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征和所述区域电力消耗特征的深层电力消耗特征的步骤,包括:
将所述区域电力消耗特征进行特征关联挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征;
利用所述卷积网络模型,将所述区域电力消耗特征进行卷积运算,输出所述区域电力消耗特征对应的深层电力消耗特征。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述将所述区域电力消耗特征进行特征关联挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征的步骤,包括:
将所述区域电力消耗特征进行分割,得到所述区域电力消耗特征对应的电力消耗局部特征、天气信息局部特征和耗电对象流量信息局部特征,所述电力消耗局部特征用于反映所述历史电力消耗事项中的各历史时间点的电力消耗参数的时间序列的语义信息,所述天气信息局部特征用于反映所述历史电力消耗事项中的各历史时间点的各天气环境指标的时间序列的语义信息,所述耗电对象流量信息局部特征用于反映所述历史电力消耗事项中耗电对象环境指标的时间序列的语义信息;
分别基于所述电力消耗局部特征、所述天气信息局部特征和所述耗电对象流量信息局部特征,对所述电力消耗局部特征进行基于注意力机制的关联挖掘,得到对应的第一注意力电力消耗特征、第二注意力电力消耗特征和第三注意力电力消耗特征;
将所述第一注意力电力消耗特征、所述第二注意力电力消耗特征和所述第三注意力电力消耗特征进行特征聚合,形成对应的聚合注意力电力消耗特征;
对所述聚合注意力电力消耗特征进行池化操作,形成所述区域电力消耗特征对应的表层电力消耗特征。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述基于所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列,构建出对应的多层次融合电力消耗特征的步骤,包括:
将所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列进行排列处理,以形成所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列分别具有的特征分布坐标;
依据所述特征分布坐标,对所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列进行按序合并,形成对应的多层次融合电力消耗特征。
在一些优选的实施例中,在上述基于能源管理系统的能耗预测方法中,所述利用所述梯度优化模型包括的特征聚合单元,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征的步骤,包括:
利用所述特征聚合单元,分析出所述多层次融合电力消耗特征的第一待聚合电力消耗特征,所述第一待聚合电力消耗特征至少包括所述多层次融合电力消耗特征中的局部特征;
利用所述特征聚合单元,分析出所述中间电力消耗特征的第二待聚合电力消耗特征,所述第二待聚合电力消耗特征至少包括所述中间电力消耗特征中的局部特征;
依据所述特征聚合单元、所述第一待聚合电力消耗特征和所述第二待聚合电力消耗特征,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征。
本发明实施例还提供一种能耗预测系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的基于能源管理系统的能耗预测方法。
本发明实施例提供的基于能源管理系统的能耗预测方法及系统,依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络;获取到待预测区域的历史电力消耗事项;利用目标能耗预测网络,对历史电力消耗事项进行多层次的特征挖掘和聚合,形成历史电力消耗事项对应的目标电力消耗特征;利用目标能耗预测网络,基于目标电力消耗特征进行区域电力消耗预测,输出待预测区域对应的电力消耗预测数据。基于前述的内容,由于在进行特征挖掘的过程中,会对历史电力消耗事项进行多层次的特征挖掘和聚合,使得形成的目标电力消耗特征的语义表征能力更强(即能够对历史电力消耗事项进行更为准确的表征),使得基于该目标电力消耗特征进行的能耗预测的可靠度,从而改善现有技术中存在能耗预测的可靠度相对不高的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的能耗预测系统的结构框图。
图2为本发明实施例提供的基于能源管理系统的能耗预测方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于能源管理系统的能耗预测装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种能耗预测系统。其中,所述能耗预测系统可以包括存储器和处理器。
详细地,在一种具体的应用中,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的基于能源管理系统的能耗预测方法。
详细地,在一种具体的应用中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
详细地,在一种具体的应用中,所述能耗预测系统可以是一种具备数据处理能力的服务器或多个服务器组成的集群。
结合图2,本发明实施例还提供一种基于能源管理系统的能耗预测方法,可应用于上述能耗预测系统。其中,所述基于能源管理系统的能耗预测方法有关的流程所定义的方法步骤,可以由所述能耗预测系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络。
在本发明实施例中,所述能耗预测系统可以依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络。每一个所述训练区域电力消耗数据包括历史电力消耗事项和对应的标签电力消耗参数,所述历史电力消耗事项包括所述标签电力消耗参数对应的时间点之前的各历史时间点的电力消耗参数的时间序列(如历史时间点1对应的电力消耗参数、历史时间点2对应的电力消耗参数、历史时间点3对应的电力消耗参数等)和各历史时间点的各环境指标的时间序列(如历史时间点1对应的环境指标1的参数、历史时间点2对应的环境指标1的参数、历史时间点3对应的环境指标1的参数等,以及,历史时间点1对应的环境指标2的参数、历史时间点2对应的环境指标2的参数、历史时间点3对应的环境指标2的参数等)。所述多个训练区域和所述多个训练区域电力消耗数据之间具有一一对应的关系,也可以具有一对多的关系,即一个训练区域可以对应有一个或多个训练区域电力消耗数据。所述标签电力消耗参数可以是指相应时间点具有的实际电力消耗参数,如此,所述候选能耗预测网络可以对所述历史电力消耗事项包括的所述标签电力消耗参数对应的时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列进行特征挖掘,得到对应的训练电力消耗特征,然后,可以基于该训练电力消耗特征进行区域电力消耗预测,之后,可以基于区域电力消耗预测的结果与所述标签电力消耗参数之间的误差,对所述候选能耗预测网络进行训练,直到误差收敛时,如误差小于或等于预设误差,形成对应的目标能耗预测网络。另外,所述多个训练区域之间,对应的区域规模可以基本一致,如都属于一个城市的不同区域,或都属于一个小区中的不同楼栋等。
步骤S120,获取到待预测区域的历史电力消耗事项。
在本发明实施例中,所述能耗预测系统可以获取到待预测区域的历史电力消耗事项。所述待预测区域的历史电力消耗事项包括目标时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列。所述目标时间点可以为当前时间点,也可以是之后的一个时间点。各历史时间点的时间点数量不受限制,可以与所述历史电力消耗事项包括的时间点一致,各历史时间点的时间跨度也不受限制,如按照一周的时间跨度和每一个小时为时间间隔进行分割,形成对应的各历史时间点。另外,所述待预测区域可以与所述训练区域具有基本一致的区域规模。所述待预测区域可以是所述多个训练区域中一个训练区域,也可以是所述多个训练区域以外的一个其它区域。
步骤S130,利用所述目标能耗预测网络,对所述待预测区域的历史电力消耗事项进行多层次的特征挖掘和聚合,形成所述待预测区域对应的目标电力消耗特征。
在本发明实施例中,所述能耗预测系统可以利用所述目标能耗预测网络,对所述待预测区域的历史电力消耗事项进行多层次的特征挖掘和聚合,形成所述待预测区域对应的目标电力消耗特征。所述目标电力消耗特征用于反映所述历史电力消耗事项的语义信息。所述目标能耗预测网络可以是一种神经网络,如包括卷积模型,以进行卷积运算,从而提取出所述历史电力消耗事项中的重要特征,并用向量表示,即得到目标电力消耗特征。
步骤S140,利用所述目标能耗预测网络,基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据。
在本发明实施例中,所述能耗预测系统可以利用所述目标能耗预测网络,基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据。所述区域电力消耗预测数据用于反映在目标时间点所述待预测区域的电力消耗情况,如所述目标时间点的预测电力消耗参数。示例性地,可以通过所述目标能耗预测网络包括的激活函数,对所述目标电力消耗特征进行处理,从而得到所述待预测区域对应的电力消耗预测数据,即将目标电力消耗特征映射为电力消耗预测数据。
基于前述的内容,由于在进行特征挖掘的过程中,会对历史电力消耗事项进行多层次的特征挖掘和聚合,使得形成的目标电力消耗特征的语义表征能力更强(即能够对历史电力消耗事项进行更为准确的表征),使得基于该目标电力消耗特征进行的能耗预测的可靠度,从而改善现有技术中存在能耗预测的可靠度相对不高的问题。
举例来说,以城市中的楼栋为待预测区域,以每一天为时间点,对一周内的电力能源消耗参数、天气信息和耗电对象流量进行举例说明:
电力能源消耗参数:周一至周日分别为, 1000 kWh、950 kWh、1050 kWh、980 kWh、990 kWh、1020 kWh、1005 kWh;
天气信息:温度:周一至周日的最高温度分别为,28℃、30℃、29℃、27℃、25℃、26℃、28℃;最低温度分别为,20℃、22℃、21℃、19℃、18℃、19℃、20℃;降水量:周一至周日的降水量分别为, 0 mm、0 mm、2 mm、1 mm、0 mm、0 mm、0 mm;风速:周一至周日的平均风速分别为,4 m/s、3 m/s、5 m/s、4 m/s、3 m/s、4 m/s、4 m/s;
耗电对象流量(耗电设备的数量):空调设备:周一至周日的空调设备数量分别为,50 台、48 台、52 台、51 台、49 台、47 台、50 台;照明设备:周一至周日的照明设备数量分别为,200 盏、180 盏、210 盏、195 盏、198 盏、205 盏、202 盏;电视设备:周一至周日的电视设备数量分别为,100 台、95 台、110 台、105 台、108 台、112 台、104 台。
详细地,在一种具体的应用中,所述目标能耗预测网络包括梯度优化模型,基于此,上述的步骤S130,可以包括:
基于所述历史电力消耗事项,确定出待预测区域的区域电力消耗特征,所述区域电力消耗特征用于反映所述待预测区域的历史电力消耗的语义;也就是说,可以将所述历史电力消耗事项进行特征挖掘或向量化处理,得到所述待预测区域的区域电力消耗特征;
对所述区域电力消耗特征进行特征分解,形成所述区域电力消耗特征对应的分解电力消耗特征序列,所述分解电力消耗特征序列包括的各分解电力消耗特征的数量等于所述区域电力消耗特征的秩,所述分解电力消耗特征序列用于反映历史电力消耗事项对应的历史电力消耗具有的全局语义;其中,特征分解可以提取高维数据中的有用特征,通过将数据表示为低秩特征近似,去除冗余和噪声,突出数据的本质特征,这对于机器学习等任务非常有用,可以帮助改善算法的性能和效果;
将所述区域电力消耗特征分别进行表层特征挖掘和深层特征挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征和所述区域电力消耗特征的深层电力消耗特征,所述表层电力消耗特征的特征维度小于所述深层电力消耗特征的特征维度,所述表层电力消耗特征用于反映所述历史电力消耗事项对应的历史电力消耗具有的表层语义,所述深层电力消耗特征用于反映所述历史电力消耗事项对应的历史电力消耗具有的深层语义;其中,高维度特征能够捕捉深层语义信息,包含更多上下文相关性和语义关系,而低维度特征则更专注于表层语义,通过综合两者的信息,可以获得更全面和准确的语义表示;另外,高维度特征在训练过程中更加容易受到特定任务的影响,而低维度特征更具通用性,通过同时使用两种特征表征,可以在深层语义和表层语义之间进行迁移学习,提高网络的性能;
基于所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列,构建出对应的多层次融合电力消耗特征;也就是说,所述多层次融合电力消耗特征中携带有所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列的语义,使得所述多层次融合电力消耗特征的语义表征能力更佳;
利用所述梯度优化模型包括的第一多层感知机,将所述多层次融合电力消耗特征进行处理,形成对应的中间电力消耗特征,即通过所述第一多层感知机对所述多层次融合电力消耗特征进行进一步的处理,可以获取到更高阶的特征,使得提取到的特征的语义信息更加丰富,在后续进行能耗预测时,可以进一步提高能耗预测的准确率;
利用所述梯度优化模型包括的梯度优化单元,获取到所述多层次融合电力消耗特征,也就是说,为了减少或避免信息损失,保留表层电力消耗特征,需要同时结合多层次融合电力消耗特征与中间电力消耗特征向量,此时,则需要通过梯度优化单元拉取多层次融合电力消耗特征;
利用所述梯度优化模型包括的特征聚合单元,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征;示例性地,可以将所述多层次融合电力消耗特征和所述中间电力消耗特征进行拼接或叠加,也就是说,可以通过所述梯度优化单元将输入和输出进行聚合,以实现梯度优化,其中,所述梯度优化模型还包括第二多层感知机,所述第二多层感知机用于执行所述基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据的步骤,即利用所述第二多层感知机,对所述目标电力消耗特征进行处理,得到对应的电力消耗预测数据;其中,多层感知机(Multilayer Perceptron,MLP)是一种常见的前馈神经网络结构,它由多个全连接层组成,每个层都包含多个神经元(或称为节点),MLP的每个神经元都与上一层的所有神经元相连,并通过激活函数进行非线性映射;MLP的工作原理如下:
输入层:接受输入数据(如所述目标电力消耗特征),并将其传递到下一个隐藏层;隐藏层:由多个全连接层组成,每个层都有多个神经元;每个神经元计算加权和,并通过激活函数(如ReLU、Sigmoid等)进行非线性转换,产生输出;输出层:最后一个隐藏层的输出传递到输出层,其中每个神经元对应着模型的一个输出;输出层通常使用不同的激活函数,如Softmax,以映射输出相应的电力消耗预测数据。
详细地,在一种具体的应用中,所述基于所述历史电力消耗事项,确定出待预测区域的区域电力消耗特征的步骤,可以包括:
将所述历史电力消耗事项,作为所述待预测区域的候选区域电力消耗特征;
将所述候选区域电力消耗特征进行分类变量编码,输出所述候选区域电力消耗特征对应的二进制电力消耗特征;示例性地,One-Hot Encoding,是一种常用的分类变量编码方法,用于将离散的分类变量转换为二进制向量表示;
对所述二进制电力消耗特征进行向量连续化,输出所述待预测区域的区域电力消耗特征,通过Embedding层,可以将所述二进制电力消耗特征转换为连续的低维向量表示,即得到所述待预测区域的区域电力消耗特征。
举例来说,所述候选区域电力消耗特征可以为“ 1000 kWh、950 kWh、1050 kWh、980 kWh、990 kWh、1020 kWh、1005 kWh”,对其进行分类变量编码,可以得到各二进制电力消耗特征:
1000 kWh -> 1 0 0 ... 0 0 0;
950 kWh -> 0 1 0 ... 0 0 0;
1050 kWh -> 0 0 1 ... 0 0 0;
980 kWh -> 0 0 0 ... 1 0 0;
990 kWh -> 0 0 0 ... 0 1 0;
1020 kWh -> 0 0 0 ... 0 0 1;
1005 kWh -> 0 0 0 ... 0 0 0;
以及,对各二进制电力消耗特征(每个值都被编码为一个100维的独热向量,其中,只有一个位置是1,表示该位置对应的值,其余99个位置都是0)进行Embedding处理,得到对应的嵌入特征,具体的处理过程为:
# 加载预训练的Word2Vec模型
word2vec_model = KeyedVectors.load_word2vec_format('path_to_pretrained_model.bin', binary=True)
# 定义独热向量
one_hot_vectors = [
[1, 0, 0, ..., 0, 0, 0], # 1000 kWh
[0, 1, 0, ..., 0, 0, 0], # 950 kWh
[0, 0, 1, ..., 0, 0, 0], # 1050 kWh
[0, 0, 0, ..., 1, 0, 0], # 980 kWh
[0, 0, 0, ..., 0, 1, 0], # 990 kWh
[0, 0, 0, ..., 0, 0, 1], # 1020 kWh
[0, 0, 0, ..., 0, 0, 0] # 1005 kWh
]
# 嵌入处理
embedded_vectors = []
for vector in one_hot_vectors:
embedded_vector = np.zeros((100,)) #初始化全零的嵌入向量
index_of_1 = np.argmax(vector) #获取独热向量中值为1的位置
embedded_vector+= word2vec_model.wv[word2vec_model.index2word[index_of_1]] # 使用Word2Vec模型获取对应的嵌入向量
embedded_vectors.append(embedded_vector)
# 输出结果
for vector in embedded_vectors:
print(vector);
根据预训练的Word2Vec模型的不同,形成的嵌入向量也不同,在一种示例中,各嵌入向量(即嵌入特征)可以为:
[0.123, -0.456, 0.789, ..., 0.012, -0.345, 0.678],对应 1000 kWh;[0.987, 0.654, -0.321, ..., -0.654, 0.987, -0.321],对应 950 kWh;[-0.456,0.789, 0.123, ..., 0.234, -0.567, 0.890],对应 1050 kWh;[0.345, -0.678, 0.901,..., -0.234, 0.567, -0.890],对应 980 kWh;[-0.789, 0.012, -0.345, ..., 0.678,-0.901, 0.234],对应 990 kWh;[0.456, -0.789, 0.123, ..., -0.678, 0.901, -0.234],对应 1020 kWh;[0.789, -0.123, 0.234, ..., 0.901, -0.234, 0.567],对应1005 kWh;
然后,可以将各嵌入向量进行组合形成对应的嵌入向量序列,即得到所述待预测区域的区域电力消耗特征:
{[0.123, -0.456, 0.789, ..., 0.012, -0.345, 0.678],[0.987, 0.654, -0.321, ..., -0.654, 0.987, -0.321],[-0.456, 0.789, 0.123, ..., 0.234, -0.567,0.890],[0.345, -0.678, 0.901, ..., -0.234, 0.567, -0.890],[-0.789, 0.012, -0.345, ..., 0.678, -0.901, 0.234],[0.456, -0.789, 0.123, ..., -0.678, 0.901,-0.234],[0.789, -0.123, 0.234, ..., 0.901, -0.234, 0.567]}。
详细地,在一种具体的应用中,所述对所述区域电力消耗特征进行特征分解,形成所述区域电力消耗特征对应的分解电力消耗特征序列的步骤,可以包括:
确定出所述区域电力消耗特征的秩,并基于所述区域电力消耗特征的秩,确定出目标数量个候选电力消耗矩阵,所述候选电力消耗矩阵的矩阵参数随机生成,且所述目标数量等于所述区域电力消耗特征的秩;示例性地,对于一个张量(如所述区域电力消耗特征)来说,它的秩是指可以用多少个矩阵的外积来近似表示这个张量,每个矩阵与张量的一个维度相关联,并且通过调整矩阵的大小来控制近似的精度;例如,在CP分解中,将一个3阶张量分解为三个矩阵的外积形式:T ≈ A × B × C,这里的秩就是指矩阵A、B和C的秩,也可以理解为这三个矩阵的列数(或行数),对于一个r级的CP分解,矩阵A的秩表示为r1,矩阵B的秩表示为r2,矩阵C的秩表示为r3,那么整个张量的秩就是(r1, r2, r3),r1、r2、r3决定了张量分解的近似精度和表示能力,较低的秩意味着更强的压缩;
通过迭代优化的方式逐步调整所述目标数量个候选电力消耗矩阵,使得对应的电力消耗特征重构误差降低,所述电力消耗特征重构误差用于反映:调整后的目标数量个候选电力消耗矩阵对应的重构区域电力消耗特征与所述区域电力消耗特征之间的差异,所述重构区域电力消耗特征等于调整后的目标数量个候选电力消耗矩阵的外积;
将电力消耗特征重构误差小于或等于预先确定的参考误差对应的调整后的目标数量个候选电力消耗矩阵,分别作为分解电力消耗特征,得到目标数量个分解电力消耗特征,以及,将所述目标数量个分解电力消耗特征进行组合,形成所述区域电力消耗特征对应的分解电力消耗特征序列,所述参考误差的具体数值不受限制,可以根据实际需求进行配置。
详细地,在一种具体的应用中,所述通过迭代优化的方式逐步调整所述目标数量个候选电力消耗矩阵,使得电力消耗特征重构误差降低的步骤,可以包括:
对所述目标数量个候选电力消耗矩阵进行遍历,形成当前遍历到的候选电力消耗矩阵,如依次将第一个候选电力消耗矩阵、第二个候选电力消耗矩阵和第三个候选电力消耗矩阵作为当前遍历到的候选电力消耗矩阵;
对所述当前遍历到的候选电力消耗矩阵中的矩阵参数进行调整,形成调整后的候选电力消耗矩阵,并将所述目标数量个候选电力消耗矩阵中所述当前遍历到的候选电力消耗矩阵以外的每一个候选电力消耗矩阵的参数进行固定,对于调整后的候选电力消耗矩阵中的任意一个矩阵参数,该矩阵参数与所述当前遍历到的候选电力消耗矩阵中相应位置的矩阵参数和所述当前遍历到的候选电力消耗矩阵以外的每一个候选电力消耗矩阵中相应位置的矩阵参数之间都具有相关关系;
在所述目标数量个候选电力消耗矩阵都被遍历之后,形成目标数量个调整后的候选电力消耗矩阵,并计算所述目标数量个调整后的候选电力消耗矩阵的外积,得到对应的重构区域电力消耗特征;
计算所述重构区域电力消耗特征与所述区域电力消耗特征之间的差异,得到对应的电力消耗特征重构误差,以及,沿着降低所述电力消耗特征重构误差的方向,对所述目标数量个调整后的候选电力消耗矩阵再次进行调整,直到所述电力消耗特征重构误差小于或等于预先确定的参考误差;示例性地,可以使用均方误差(Mean Squared Error, MSE)或平均绝对误差(Mean Absolute Error, MAE)来计算所述重构区域电力消耗特征与所述区域电力消耗特征之间的差异。
举例来说,假设有一个3阶张量T(即所述区域电力消耗特征),其维度为I × J ×K,需要将该张量分解为r个低秩矩阵的外积,其中,每个矩阵的大小为I × r、J × r和K× r;
初始化:随机初始化r个矩阵A、B和C(即所述候选电力消耗矩阵),它们的大小分别为I × r、J × r和K × r;
迭代优化:通过迭代优化的方式逐步调整矩阵A、B和C,以最小化原始张量T与重构张量之间的误差:
a. 固定矩阵B和C,更新矩阵A:对于每个元素A[i][k],根据以下公式计算更新值:A[i][k] = A[i][k] * (sum_jk(T[i][j][k] * B[j][k] * C[k][k]) / sum_jk((A[i][k]* B[j][k] * C[k][k])^2));
b. 固定矩阵A和C,更新矩阵B:对于每个元素B[j][k],根据以下公式计算更新值:B[j][k] = B[j][k] * (sum_ik(T[i][j][k] * A[i][k] * C[k][k]) / sum_ik((A[i][k]* B[j][k] * C[k][k])^2));
c. 固定矩阵A和B,更新矩阵C:对于每个元素C[k][k],根据以下公式计算更新值:C[k][k] = C[k][k] * (sum_ij(T[i][j][k] * A[i][k] * B[j][k]) / sum_ij((A[i][k]* B[j][k] * C[k][k])^2));
重复迭代优化的步骤,直到达到预定义的收敛条件(如误差变化小于预设误差变化,或误差小于预设误差);
计算重构张量:使用更新后的矩阵A、B和C,计算重构张量T',其中T'[i][j][k] =sum_r(A[i][r] * B[j][r] * C[k][r]);
通过以上优化过程,可以逐渐调整矩阵A、B和C的取值,使得重构张量T'逼近原始张量T,最终,可以获得了一组低秩矩阵A、B和C,它们的外积可以近似表示原始张量T。
举例来说,所述区域电力消耗特征 = [[[1, 2, 3],[4, 5, 6],[7, 8, 9]],[[10, 11, 12],[13, 14, 15],[16, 17, 18]]];需要将这个2 × 3 × 3的三阶区域电力消耗特征分解为三个秩为2的矩阵的外积。首先,随机初始化三个矩阵A、B和C,它们的大小分别为2 × 2、3 × 2和3 × 2。在每次迭代中,固定矩阵B和C,并更新矩阵A的元素值,然后固定矩阵A和C,并更新矩阵B的元素值,最后固定矩阵A和B,并更新矩阵C的元素值。通过多次迭代,可以得到一组近似最佳的矩阵A、B和C,例如,经过迭代优化后,可能得到调整后的候选电力消耗矩阵:
矩调整后的候选电力消耗矩阵A = [[0.5, 0.8],[0.3, 0.9]];
调整后的候选电力消耗矩阵B = [[1.2, 0.7],[0.9, 0.6],[1.1, 0.8]];
调整后的候选电力消耗矩阵C = [[2.5, 1.6],[1.8, 1.3],[2.2, 1.5]]。
详细地,在一种具体的应用中,所述目标能耗预测网络还包括卷积网络模型,基于此,所述将所述区域电力消耗特征分别进行表层特征挖掘和深层特征挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征和所述区域电力消耗特征的深层电力消耗特征的步骤,可以包括:
将所述区域电力消耗特征进行特征关联挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征;也就是说,可以将所述区域电力消耗特征中的各局部特征进行关联挖掘;
利用所述卷积网络模型,将所述区域电力消耗特征进行卷积运算,输出所述区域电力消耗特征对应的深层电力消耗特征,所述卷积网络模型(CNN)的核心组件是卷积层(Convolutional Layer),通过滑动窗口式的卷积运算,将输入数据与一组可学习的卷积核进行逐元素相乘并求和,从而产生特征图,这些特征图捕捉了输入数据的不同局部区域的特征信息。
详细地,在一种具体的应用中,所述将所述区域电力消耗特征进行特征关联挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征的步骤,可以包括:
将所述区域电力消耗特征进行分割,得到所述区域电力消耗特征对应的电力消耗局部特征、天气信息局部特征和耗电对象流量信息局部特征,所述电力消耗局部特征用于反映所述历史电力消耗事项中的各历史时间点的电力消耗参数的时间序列的语义信息,所述天气信息局部特征用于反映所述历史电力消耗事项中的各历史时间点的各天气环境指标的时间序列的语义信息,所述耗电对象流量信息局部特征用于反映所述历史电力消耗事项中耗电对象环境指标的时间序列的语义信息;如前所述,所述区域电力消耗特征实际上是由所述历史电力消耗事项中的各种参数对应的嵌入特征组合形成,因此,可以基于各种参数进行分割,从而得到表征电力消耗的电力消耗局部特征、表征天气的天气信息局部特征和表征耗电对象耗电的对象流量信息局部特征;
分别基于所述电力消耗局部特征、所述天气信息局部特征和所述耗电对象流量信息局部特征,对所述电力消耗局部特征进行基于注意力机制的关联挖掘,得到对应的第一注意力电力消耗特征、第二注意力电力消耗特征和第三注意力电力消耗特征,其中,基于所述电力消耗局部特征对所述电力消耗局部特征进行基于注意力机制的关联挖掘,即对所述电力消耗局部特征进行自注意力编码;基于所述天气信息局部特征和所述耗电对象流量信息局部特征,对所述电力消耗局部特征进行基于注意力机制的关联挖掘,即对所述电力消耗局部特征进行关联注意力编码;其中,自注意力(Self-Attention):自注意力机制计算输入序列内不同位置之间的注意力权重,以捕捉序列内部的关系和上下文信息,它主要用于建模序列内部的全局依赖关系,如Transformer模型中的自注意力编码;关联注意力(Relation Attention):关联注意力机制计算不同输入序列之间的关联程度,以获得不同序列之间的注意力权重,这种注意力机制通常用于处理多个输入序列之间的对齐、匹配或交互任务,如Encoder-Decoder Transformer模型中的关联注意力编码;
将所述第一注意力电力消耗特征、所述第二注意力电力消耗特征和所述第三注意力电力消耗特征进行特征聚合,形成对应的聚合注意力电力消耗特征;示例性地,可以将所述第一注意力电力消耗特征、所述第二注意力电力消耗特征和所述第三注意力电力消耗特征进行叠加或拼接,以实现特征聚合,从而形成聚合注意力电力消耗特征;
对所述聚合注意力电力消耗特征进行池化操作,如通过池化层实现,形成所述区域电力消耗特征对应的表层电力消耗特征。
其中,详细地,在一种具体的应用中,所述将所述区域电力消耗特征进行特征关联挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征的步骤,可以包括:
提取到所述分解电力消耗特征序列中的每一个分解电力消耗特征,并将每一个分解电力消耗特征,作为所述区域电力消耗特征的局部电力消耗特征,以得到多个局部电力消耗特征;
对于所述多个局部电力消耗特征中的每一个局部电力消耗特征,分别基于该局部电力消耗特征以外的每一个其它局部电力消耗特征,对该局部电力消耗特征进行关联注意力编码,并将每一个其它局部电力消耗特征对应的关联注意力编码特征进行均值计算,得到该局部电力消耗特征对应的目标注意力编码特征;
将所述多个局部电力消耗特征中的每一个局部电力消耗特征对应的目标注意力编码特征进行特征聚合,形成对应的聚合注意力电力消耗特征;
对所述聚合注意力电力消耗特征进行池化操作,形成所述区域电力消耗特征对应的表层电力消耗特征。
详细地,在一种具体的应用中,所述基于所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列,构建出对应的多层次融合电力消耗特征的步骤,可以包括:
将所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列进行排列处理,以形成所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列分别具有的特征分布坐标,所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列分别具有的特征分布坐标不受限制,开业根据实际需求进行配置;
依据所述特征分布坐标,对所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列进行按序合并,形成对应的多层次融合电力消耗特征,如对所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列中的各分解电力消耗特征进行拼接。
详细地,在一种具体的应用中,所述利用所述梯度优化模型包括的特征聚合单元,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征的步骤,可以包括:
利用所述特征聚合单元,分析出所述多层次融合电力消耗特征的第一待聚合电力消耗特征,所述第一待聚合电力消耗特征至少包括所述多层次融合电力消耗特征中的局部特征,如直接将所述多层次融合电力消耗特征作为,对应的第一待聚合电力消耗特征;
利用所述特征聚合单元,分析出所述中间电力消耗特征的第二待聚合电力消耗特征,所述第二待聚合电力消耗特征至少包括所述中间电力消耗特征中的局部特征,如直接将所述中间电力消耗特征作为,对应的第二待聚合电力消耗特征;
依据所述特征聚合单元、所述第一待聚合电力消耗特征和所述第二待聚合电力消耗特征,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征;示例性地,可以将所述第一待聚合电力消耗特征和所述第二待聚合电力消耗特征进行拼接,形成对应的目标电力消耗特征;在其它实施方式中,也可以对所述多层次融合电力消耗特征和所述中间电力消耗特征进行拼接,形成目标电力消耗特征。
其中,详细地,在一种具体的应用中,所述利用所述特征聚合单元,分析出所述多层次融合电力消耗特征的第一待聚合电力消耗特征的步骤,可以包括:
基于所述多层次融合电力消耗特征的特征尺寸,随机生成一个二值参数分布,所述二值参数分布的尺寸等于所述多层次融合电力消耗特征的特征尺寸;所述二值参数分布的参数包括0和1;
基于所述二值参数分布,对所述多层次融合电力消耗特征进行加权(即相应的分布位置的两个参数进行相乘),得到所述多层次融合电力消耗特征的第一待聚合电力消耗特征。
其中,详细地,在一种具体的应用中,所述利用所述特征聚合单元,分析出所述中间电力消耗特征的第二待聚合电力消耗特征,可以包括:
对所述二值参数分布进行更新,得到新的二值参数分布,所述新的二值参数分布和所述二值参数分布之间,对应分布位置的两个参数不同,分别为0和1,即将所述二值参数分布中的参数0更新为参数1、参数1更新为参数0,得到新的二值参数分布;
基于所述新的二值参数分布,对所述中间电力消耗特征进行加权(即相应的分布位置的两个参数进行相乘),得到所述中间电力消耗特征的第二待聚合电力消耗特征。
其中,详细地,在一种具体的应用中,所述依据所述特征聚合单元、所述第一待聚合电力消耗特征和所述第二待聚合电力消耗特征,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征的步骤,可以包括:
利用所述特征聚合单元,将所述第一待聚合电力消耗特征和所述第二待聚合电力消耗特征相加(即相应的分布位置的两个参数进行相加),形成对应的目标电力消耗特征;如此,使得所述目标电力消耗特征可以分别具有所述多层次融合电力消耗特征和所述中间电力消耗特征的部分语义。
结合图3,本发明实施例还提供一种基于能源管理系统的能耗预测装置,可应用于上述能耗预测系统。其中,所述基于能源管理系统的能耗预测装置可以包括以下所述的功能模块:
预测网络训练模块,用于依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络,每一个所述训练区域电力消耗数据包括历史电力消耗事项和对应的标签电力消耗参数,所述历史电力消耗事项包括所述标签电力消耗参数对应的时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列;
电力消耗数据获取模块,用于获取到待预测区域的历史电力消耗事项,所述待预测区域的历史电力消耗事项包括目标时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列;
电力消耗数据挖掘模块,用于利用所述目标能耗预测网络,对所述待预测区域的历史电力消耗事项进行多层次的特征挖掘和聚合,形成所述待预测区域对应的目标电力消耗特征,所述目标电力消耗特征用于反映所述历史电力消耗事项的语义信息;
电力消耗预测模块,用于利用所述目标能耗预测网络,基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据,所述区域电力消耗预测数据用于反映在目标时间点所述待预测区域的电力消耗情况。
综上所述,本发明提供的基于能源管理系统的能耗预测方法及系统,依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络;获取到待预测区域的历史电力消耗事项;利用目标能耗预测网络,对历史电力消耗事项进行多层次的特征挖掘和聚合,形成历史电力消耗事项对应的目标电力消耗特征;利用目标能耗预测网络,基于目标电力消耗特征进行区域电力消耗预测,输出待预测区域对应的电力消耗预测数据。基于前述的内容,由于在进行特征挖掘的过程中,会对历史电力消耗事项进行多层次的特征挖掘和聚合,使得形成的目标电力消耗特征的语义表征能力更强(即能够对历史电力消耗事项进行更为准确的表征),使得基于该目标电力消耗特征进行的能耗预测的可靠度,从而改善现有技术中存在能耗预测的可靠度相对不高的问题。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于能源管理系统的能耗预测方法,其特征在于,包括:
依据多个训练区域的多个训练区域电力消耗数据,对候选能耗预测网络进行训练,形成对应的目标能耗预测网络,每一个所述训练区域电力消耗数据包括历史电力消耗事项和对应的标签电力消耗参数,所述历史电力消耗事项包括所述标签电力消耗参数对应的时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列;
获取到待预测区域的历史电力消耗事项,所述待预测区域的历史电力消耗事项包括目标时间点之前的各历史时间点的电力消耗参数的时间序列和各历史时间点的各环境指标的时间序列;
利用所述目标能耗预测网络,对所述待预测区域的历史电力消耗事项进行多层次的特征挖掘和聚合,形成所述待预测区域对应的目标电力消耗特征,所述目标电力消耗特征用于反映所述历史电力消耗事项的语义信息;
利用所述目标能耗预测网络,基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据,所述区域电力消耗预测数据用于反映在目标时间点所述待预测区域的电力消耗情况。
2.如权利要求1所述的基于能源管理系统的能耗预测方法,其特征在于,所述目标能耗预测网络包括梯度优化模型;
所述利用所述目标能耗预测网络,对所述待预测区域的历史电力消耗事项进行多层次的特征挖掘和聚合,形成所述待预测区域对应的目标电力消耗特征的步骤,包括:
基于所述历史电力消耗事项,确定出待预测区域的区域电力消耗特征,所述区域电力消耗特征用于反映所述待预测区域的历史电力消耗的语义;
对所述区域电力消耗特征进行特征分解,形成所述区域电力消耗特征对应的分解电力消耗特征序列,所述分解电力消耗特征序列包括的各分解电力消耗特征的数量等于所述区域电力消耗特征的秩,所述分解电力消耗特征序列用于反映历史电力消耗事项对应的历史电力消耗具有的全局语义;
将所述区域电力消耗特征分别进行表层特征挖掘和深层特征挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征和所述区域电力消耗特征的深层电力消耗特征,所述表层电力消耗特征的特征维度小于所述深层电力消耗特征的特征维度,所述表层电力消耗特征用于反映所述历史电力消耗事项对应的历史电力消耗具有的表层语义,所述深层电力消耗特征用于反映所述历史电力消耗事项对应的历史电力消耗具有的深层语义;
基于所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列,构建出对应的多层次融合电力消耗特征;
利用所述梯度优化模型包括的第一多层感知机,将所述多层次融合电力消耗特征进行处理,形成对应的中间电力消耗特征;
利用所述梯度优化模型包括的梯度优化单元,获取到所述多层次融合电力消耗特征;
利用所述梯度优化模型包括的特征聚合单元,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征,其中,所述梯度优化模型还包括第二多层感知机,所述第二多层感知机用于执行所述基于所述目标电力消耗特征进行区域电力消耗预测,输出所述待预测区域对应的电力消耗预测数据的步骤。
3.如权利要求2所述的基于能源管理系统的能耗预测方法,其特征在于,所述基于所述历史电力消耗事项,确定出待预测区域的区域电力消耗特征的步骤,包括:
将所述历史电力消耗事项,作为所述待预测区域的候选区域电力消耗特征;
将所述候选区域电力消耗特征进行分类变量编码,输出所述候选区域电力消耗特征对应的二进制电力消耗特征;
对所述二进制电力消耗特征进行向量连续化,输出所述待预测区域的区域电力消耗特征。
4.如权利要求2所述的基于能源管理系统的能耗预测方法,其特征在于,所述对所述区域电力消耗特征进行特征分解,形成所述区域电力消耗特征对应的分解电力消耗特征序列的步骤,包括:
确定出所述区域电力消耗特征的秩,并基于所述区域电力消耗特征的秩,确定出目标数量个候选电力消耗矩阵,所述候选电力消耗矩阵的矩阵参数随机生成,且所述目标数量等于所述区域电力消耗特征的秩;
通过迭代优化的方式逐步调整所述目标数量个候选电力消耗矩阵,使得对应的电力消耗特征重构误差降低,所述电力消耗特征重构误差用于反映:调整后的目标数量个候选电力消耗矩阵对应的重构区域电力消耗特征与所述区域电力消耗特征之间的差异,所述重构区域电力消耗特征等于调整后的目标数量个候选电力消耗矩阵的外积;
将电力消耗特征重构误差小于或等于预先确定的参考误差对应的调整后的目标数量个候选电力消耗矩阵,分别作为分解电力消耗特征,得到目标数量个分解电力消耗特征,以及,将所述目标数量个分解电力消耗特征进行组合,形成所述区域电力消耗特征对应的分解电力消耗特征序列。
5.如权利要求4所述的基于能源管理系统的能耗预测方法,其特征在于,所述通过迭代优化的方式逐步调整所述目标数量个候选电力消耗矩阵,使得电力消耗特征重构误差降低的步骤,包括:
对所述目标数量个候选电力消耗矩阵进行遍历,形成当前遍历到的候选电力消耗矩阵;
对所述当前遍历到的候选电力消耗矩阵中的矩阵参数进行调整,形成调整后的候选电力消耗矩阵,并将所述目标数量个候选电力消耗矩阵中所述当前遍历到的候选电力消耗矩阵以外的每一个候选电力消耗矩阵的参数进行固定,对于调整后的候选电力消耗矩阵中的任意一个矩阵参数,该矩阵参数与所述当前遍历到的候选电力消耗矩阵中相应位置的矩阵参数和所述当前遍历到的候选电力消耗矩阵以外的每一个候选电力消耗矩阵中相应位置的矩阵参数之间都具有相关关系;
在所述目标数量个候选电力消耗矩阵都被遍历之后,形成目标数量个调整后的候选电力消耗矩阵,并计算所述目标数量个调整后的候选电力消耗矩阵的外积,得到对应的重构区域电力消耗特征;
计算所述重构区域电力消耗特征与所述区域电力消耗特征之间的差异,得到对应的电力消耗特征重构误差,以及,沿着降低所述电力消耗特征重构误差的方向,对所述目标数量个调整后的候选电力消耗矩阵再次进行调整,直到所述电力消耗特征重构误差小于或等于预先确定的参考误差。
6.如权利要求2所述的基于能源管理系统的能耗预测方法,其特征在于,所述目标能耗预测网络还包括卷积网络模型;
所述将所述区域电力消耗特征分别进行表层特征挖掘和深层特征挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征和所述区域电力消耗特征的深层电力消耗特征的步骤,包括:
将所述区域电力消耗特征进行特征关联挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征;
利用所述卷积网络模型,将所述区域电力消耗特征进行卷积运算,输出所述区域电力消耗特征对应的深层电力消耗特征。
7.如权利要求6所述的基于能源管理系统的能耗预测方法,其特征在于,所述将所述区域电力消耗特征进行特征关联挖掘,输出所述区域电力消耗特征对应的表层电力消耗特征的步骤,包括:
将所述区域电力消耗特征进行分割,得到所述区域电力消耗特征对应的电力消耗局部特征、天气信息局部特征和耗电对象流量信息局部特征,所述电力消耗局部特征用于反映所述历史电力消耗事项中的各历史时间点的电力消耗参数的时间序列的语义信息,所述天气信息局部特征用于反映所述历史电力消耗事项中的各历史时间点的各天气环境指标的时间序列的语义信息,所述耗电对象流量信息局部特征用于反映所述历史电力消耗事项中耗电对象环境指标的时间序列的语义信息;
分别基于所述电力消耗局部特征、所述天气信息局部特征和所述耗电对象流量信息局部特征,对所述电力消耗局部特征进行基于注意力机制的关联挖掘,得到对应的第一注意力电力消耗特征、第二注意力电力消耗特征和第三注意力电力消耗特征;
将所述第一注意力电力消耗特征、所述第二注意力电力消耗特征和所述第三注意力电力消耗特征进行特征聚合,形成对应的聚合注意力电力消耗特征;
对所述聚合注意力电力消耗特征进行池化操作,形成所述区域电力消耗特征对应的表层电力消耗特征。
8.如权利要求2所述的基于能源管理系统的能耗预测方法,其特征在于,所述基于所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列,构建出对应的多层次融合电力消耗特征的步骤,包括:
将所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列进行排列处理,以形成所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列分别具有的特征分布坐标;
依据所述特征分布坐标,对所述表层电力消耗特征、所述深层电力消耗特征和所述分解电力消耗特征序列进行按序合并,形成对应的多层次融合电力消耗特征。
9.如权利要求2-8任意一项所述的基于能源管理系统的能耗预测方法,其特征在于,所述利用所述梯度优化模型包括的特征聚合单元,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征的步骤,包括:
利用所述特征聚合单元,分析出所述多层次融合电力消耗特征的第一待聚合电力消耗特征,所述第一待聚合电力消耗特征至少包括所述多层次融合电力消耗特征中的局部特征;
利用所述特征聚合单元,分析出所述中间电力消耗特征的第二待聚合电力消耗特征,所述第二待聚合电力消耗特征至少包括所述中间电力消耗特征中的局部特征;
依据所述特征聚合单元、所述第一待聚合电力消耗特征和所述第二待聚合电力消耗特征,对所述多层次融合电力消耗特征和所述中间电力消耗特征进行聚合,形成对应的目标电力消耗特征。
10.一种能耗预测系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的基于能源管理系统的能耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407779.4A CN117132006B (zh) | 2023-10-27 | 2023-10-27 | 基于能源管理系统的能耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407779.4A CN117132006B (zh) | 2023-10-27 | 2023-10-27 | 基于能源管理系统的能耗预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132006A true CN117132006A (zh) | 2023-11-28 |
CN117132006B CN117132006B (zh) | 2024-01-30 |
Family
ID=88861337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311407779.4A Active CN117132006B (zh) | 2023-10-27 | 2023-10-27 | 基于能源管理系统的能耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132006B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977661A (zh) * | 2017-10-13 | 2018-05-01 | 天津工业大学 | 基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法 |
CN114239991A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 |
CN114997488A (zh) * | 2022-05-27 | 2022-09-02 | 中国石油大学(北京) | 一种综合能源系统负荷预测方法及装置 |
CN115936236A (zh) * | 2022-12-23 | 2023-04-07 | 电子科技大学 | 一种卷烟厂能耗预测方法、系统、设备及介质 |
CN116577553A (zh) * | 2023-04-12 | 2023-08-11 | 广东国规检测检验中心有限公司 | 一种数据中心电能消耗异常监测方法及装置 |
-
2023
- 2023-10-27 CN CN202311407779.4A patent/CN117132006B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977661A (zh) * | 2017-10-13 | 2018-05-01 | 天津工业大学 | 基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法 |
CN114239991A (zh) * | 2021-12-24 | 2022-03-25 | 西安交通大学 | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 |
CN114997488A (zh) * | 2022-05-27 | 2022-09-02 | 中国石油大学(北京) | 一种综合能源系统负荷预测方法及装置 |
CN115936236A (zh) * | 2022-12-23 | 2023-04-07 | 电子科技大学 | 一种卷烟厂能耗预测方法、系统、设备及介质 |
CN116577553A (zh) * | 2023-04-12 | 2023-08-11 | 广东国规检测检验中心有限公司 | 一种数据中心电能消耗异常监测方法及装置 |
Non-Patent Citations (3)
Title |
---|
PING JIANG等: ""A developed hybrid forecasting system for energy consumption structure forecasting based on fuzzy time series and information granularity"", 《JOURNAL PRE-PROOF》 * |
李春春;李俊;: "基于ASVD的协同过滤推荐算法", 小型微型计算机系统, no. 06 * |
耿亮;吴燕;孟宪楠;: "电力数据挖掘在电网内部及各领域间的应用", 电信科学, no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132006B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mo et al. | Remaining useful life estimation via transformer encoder enhanced by a gated convolutional unit | |
Wang et al. | A review of wind speed and wind power forecasting with deep neural networks | |
Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
KR20210040248A (ko) | 물질의 생성 구조-특성 역 계산 공동 설계 | |
CN116702831A (zh) | 一种考虑数据大量丢失的混合短期风电功率预测方法 | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
Surendran et al. | Wind Speed Prediction Using Chicken Swarm Optimization with Deep Learning Model. | |
Trask et al. | Probabilistic partition of unity networks: clustering based deep approximation | |
Liu et al. | Multi-stage residual life prediction of aero-engine based on real-time clustering and combined prediction model | |
Tuyen et al. | A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting | |
Zhu et al. | A novel feature-fusion-based end-to-end approach for remaining useful life prediction | |
CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
Sabri et al. | Photovoltaic power forecasting with a long short-term memory autoencoder networks | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
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 | |
CN117132006B (zh) | 基于能源管理系统的能耗预测方法及系统 | |
Naoui et al. | Integrating iot devices and deep learning for renewable energy in big data system | |
CN116502774A (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
Obiora et al. | Effective Implementation of Convolutional Long Short-Term Memory (ConvLSTM) Network in Forecasting Solar Irradiance | |
Khan et al. | Forecasting renewable energy for environmental resilience through computational intelligence | |
Tong et al. | A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks | |
CN111461416B (zh) | 风速预测方法、系统、电子设备及存储介质 | |
Ren et al. | Incremental Bayesian tensor learning for structural monitoring data imputation and response forecasting | |
Mummadisetty et al. | A hybrid method for compression of solar radiation data using neural networks | |
Khumprom et al. | A hybrid evolutionary CNN-LSTM model for prognostics of C-MAPSS aircraft dataset |
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 |