CN117371510A - 基于领域泛化的电力负荷预测模型训练方法和装置 - Google Patents
基于领域泛化的电力负荷预测模型训练方法和装置 Download PDFInfo
- Publication number
- CN117371510A CN117371510A CN202311433759.4A CN202311433759A CN117371510A CN 117371510 A CN117371510 A CN 117371510A CN 202311433759 A CN202311433759 A CN 202311433759A CN 117371510 A CN117371510 A CN 117371510A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution difference
- sequence
- power load
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006798 recombination Effects 0.000 claims abstract description 47
- 238000005215 recombination Methods 0.000 claims abstract description 47
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims description 250
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 11
- 230000008521 reorganization Effects 0.000 claims description 8
- 101100311330 Schizosaccharomyces pombe (strain 972 / ATCC 24843) uap56 gene Proteins 0.000 description 8
- 101150018444 sub2 gene Proteins 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于领域泛化的电力负荷预测模型训练方法和装置。所述方法包括：获取在预测时间段内针对目标电力节点的电力约束数据；从电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据；将候选时序数据划分为至少两个单位序列，按照目标组合方式重组各单位序列，得到重组序列；单位序列的数量大于重组序列的数量；根据重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将训练后的电力负荷预测模型作为预训练的电力负荷预测模型。采用本方法能够基于领域泛化训练电力负荷预测模型，从而提升电力负荷预测模型的泛化能力，进而提高电力负荷预测模型输出的电力负荷数据预测结果的准确度。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于领域泛化的电力负荷预测模型训练方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电力产业是社会生产和日常生活的基础保障，由于电能不易大量存储，电力用户对电能的需求是时刻变化的，电力负荷调度方案可维持发电、供电、配电、用电各环节的动态平衡，维护电力系统稳定。
传统方法主要通过挖掘历史电力负荷的规律和发展趋势，进而推断和预故未来的电力负荷。
然而，电力负荷数据具有较强的时序性，电力负荷数据的分布随时间不断变化，传统方法预测电力负荷过程中忽略了用于训练和测试的电力负荷数据的数据分布和电力负荷数据的时序性对预测结果的影响，不利于提高电力负荷数据预测结果的准确度。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电力负荷数据预测结果的准确度的基于领域泛化的电力负荷预测模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于领域泛化的电力负荷预测模型训练方法，包括：
获取在预测时间段内针对目标电力节点的电力约束数据；所述电力约束数据为影响所述目标电力节点在所述预测时间段内的电力负荷的数据；
从所述电力约束数据中筛选出与所述目标电力节点的历史电力负荷时序数据相关的候选时序数据；所述历史电力负荷时序数据为所述目标电力节点在历史时间段内的电力负荷随时间变化的分布序列；
将所述候选时序数据划分为至少两个单位序列，按照目标组合方式重组各所述单位序列，得到重组序列；所述目标组合方式下所述重组序列中的单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求；
根据所述重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将所述训练后的电力负荷预测模型作为预训练的电力负荷预测模型。
在其中一个实施例中，所述根据所述重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，包括：
获取所述重组序列对应的特征向量，将所述特征向量输入至预训练的隐藏状态信息确定模型，得到所述重组序列对应的隐藏状态信息；
将所述隐藏状态信息输入至预训练的分布差异信息确定模型，得到所述重组序列对应的分布差异信息；
根据所述分布差异信息和所述重组序列，更新所述待训练的电力负荷预测模型的模型参数，直至所述待训练的电力负荷预测模型对应的损失函数值满足预设的损失函数值要求，得到训练后的电力负荷预测模型。
在其中一个实施例中，所述待训练的电力负荷预测模型的模型参数包括分布差异特征信息，所述根据所述分布差异信息和所述重组序列，更新所述待训练的电力负荷预测模型的模型参数，包括：
获取所述分布差异信息对应的第一历史分布差异信息和第二历史分布差异信息；所述第一历史分布差异信息对应的生成时间早于所述第二历史分布差异信息对应的生成时间；
对比所述第一历史分布差异信息和所述第二历史分布差异信息，得到对比结果；
根据所述对比结果，确定所述分布差异特征信息对应的更新后分布差异特征信息。
在其中一个实施例中，所述根据所述对比结果，确定所述分布差异特征信息对应的更新后分布差异特征信息，包括：
在所述对比结果表征所述第一历史分布差异信息大于或等于所述第二历史分布差异信息的情况下，根据所述分布差异特征信息、所述第一历史分布差异信息和所述第二历史分布差异信息，确定所述更新后分布差异特征信息；
在所述对比结果表征所述第一历史分布差异信息小于所述第二历史分布差异信息的情况下，将所述分布差异特征信息作为所述更新后分布差异特征信息。
在其中一个实施例中，所述从所述电力约束数据中筛选出与所述目标电力节点的历史电力负荷时序数据相关的候选时序数据，包括：
获取所述电力约束数据对应的协方差数据和标准差数据；
根据所述协方差数据与所述标准差数据之间的比值，确定所述电力约束数据对应的相关系数；
获取预设的相关系数阈值，根据所述相关系数和所述相关系数阈值，从所述电力约束数据中筛选出所述候选时序数据。
在其中一个实施例中，所述按照目标组合方式重组各所述单位序列，得到重组序列，包括：
获取各所述单位序列对应的时间步长数据，根据所述时间步长数据和各所述单位序列，确定各所述单位序列对应的协方差矩阵；
获取各所述单位序列对应的维度特征，根据所述协方差矩阵和所述维度特征，确定各所述单位序列对应的数据分布差异参数；所述数据分布差异参数表征各所述单位序列之间的数据分布差异程度；
在所述数据分布差异参数满足预设的数据分布差异参数要求的情况下，将所述数据分布差异参数对应的候选组合方式作为所述目标组合方式，根据所述目标组合方式对各所述单位序列进行重组，得到所述重组序列。
在其中一个实施例中，所述方法还包括：
针对各所述单位序列中的任一单位序列，根据预设的排列关系，在所述任一单位序列对应的待组合单位序列中选择出候选单位序列；所述预设的排列关系表征各所述单位序列之间的排列顺序；
将所述任一单位序列和所述候选单位序列进行组合，得到所述候选组合方式。
第二方面，本申请还提供了一种基于领域泛化的电力负荷预测模型训练装置，包括：
获取模块，用于获取在预测时间段内针对目标电力节点的电力约束数据；所述电力约束数据为影响所述目标电力节点在所述预测时间段内的电力负荷的数据；
筛选模块，用于从所述电力约束数据中筛选出与所述目标电力节点的历史电力负荷时序数据相关的候选时序数据；所述历史电力负荷时序数据为所述目标电力节点在历史时间段内的电力负荷随时间变化的分布序列；
重组模块，用于将所述候选时序数据划分为至少两个单位序列，按照目标组合方式重组各所述单位序列，得到重组序列；所述目标组合方式下所述重组序列中的单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求；
训练模块，用于根据所述重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将所述训练后的电力负荷预测模型作为预训练的电力负荷预测模型。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述基于领域泛化的电力负荷预测模型训练方法、装置、计算机设备、存储介质和计算机程序产品，通过获取在预测时间段内针对目标电力节点的电力约束数据，从而确定在预测时间段内影响目标电力节点的电力负荷大小的数据；从电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据，从而确定与目标电力节点在历史时间段内的电力负荷随时间变化的分布序列有关的时序数据；将候选时序数据划分为至少两个单位序列，按照目标组合方式重组各单位序列，得到重组序列，从而按照目标组合方式得到单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求的重组序列；根据重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将训练后的电力负荷预测模型作为预训练的电力负荷预测模型，能够在预测时间段内针对目标电力节点的电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据，基于领域泛化，对候选时序数据进行划分和重组，以使得到的重组序列满足预设的数据分布差异要求，并利用重组序列对待训练的电力负荷预测模型进行训练，以提升电力负荷预测模型在实际应用中的泛化能力，实现基于领域泛化对针对目标电力节点的候选时序数据进行划分和重组，利用划分重组得到的数据训练电力负荷预测模型，提升电力负荷预测模型的泛化能力，进而提高电力负荷预测模型输出的电力负荷数据预测结果的准确度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中一种基于领域泛化的电力负荷预测模型训练方法的应用环境图；
图2为一个实施例中一种基于领域泛化的电力负荷预测模型训练方法的流程示意图；
图3为一个实施例中一种确定重组序列的流程示意图；
图4为一个实施例中一种求解模型参数的流程示意图；
图5为另一个实施例中一种基于领域泛化的电力负荷预测模型训练方法的流程示意图；
图6为一个实施例中一种基于领域泛化的电力负荷预测模型训练装置的结构框图；
图7为一个实施例中一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基于领域泛化的电力负荷预测模型训练方法，可以应用于如图1所示的应用环境中。其中，目标电力节点102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。获取在预测时间段内针对目标电力节点的电力约束数据；电力约束数据为影响目标电力节点在预测时间段内的电力负荷的数据；从电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据；历史电力负荷时序数据为目标电力节点在历史时间段内的电力负荷随时间变化的分布序列；将候选时序数据划分为至少两个单位序列，按照目标组合方式重组各单位序列，得到重组序列；目标组合方式下重组序列中的单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求；根据重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将训练后的电力负荷预测模型作为预训练的电力负荷预测模型。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个示例性的实施例中，如图2所示，提供了一种基于领域泛化的电力负荷预测模型训练方法，以该方法应用于图1中的服务器为例进行说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S202，获取在预测时间段内针对目标电力节点的电力约束数据。
其中，预测时间段可以是指当前时刻之后的任意时间段，实际应用中，预测时间段可以包括但不限于未来一天、未来一月和未来一年。
其中，目标电力节点可以是指电力系统中的电力设备或电力装置。
其中，电力约束数据可以是指影响目标电力节点在预测时间段内的电力负荷的数据，实际应用中，电力约束数据可以包括但不限于温度、湿度、光照和风力等环境数据。
作为一种示例，为了对目标电力节点在预测时间段内的电力负荷进行预测，服务器获取在预测时间段内针对目标电力节点的电力约束数据，具体地，服务器通过针对各电力约束数据的传感器，获取在预测时间段内针对目标电力节点的电力约束数据。
步骤S204，从电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据。
其中，历史电力负荷时序数据可以是指目标电力节点在历史时间段内的电力负荷随时间变化的分布序列。
其中，候选时序数据可以是指电力约束数据中与目标电力节点的历史电力负荷时序数据之间的关联性满足预设的关联性要求的数据。
作为一种示例，服务器通过皮尔逊相关系数，对电力约束数据进行特征选择，从而从电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据之间的相关性强的候选时序数据，将与目标电力节点的历史电力负荷时序数据之间的相关性不强的数据从电力约束数据中过滤或者筛去，从而得到用于训练电力负荷预测模型的候选时序数据。
步骤S206，将候选时序数据划分为至少两个单位序列，按照目标组合方式重组各单位序列，得到重组序列。
其中，单位序列可以是指按照预设的划分方式，对候选时序数据进行划分后得到的数据，实际应用中，单位序列不可继续进一步的细分。
其中，重组序列可以是指按照目标组合方式对各单位序列进行重新组合后得到的数据。
其中，目标组合方式下重组序列中的单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求。
作为一种示例，如图3所示，提供了一种确定重组序列的流程示意图，服务器将候选时序数据PD划分为若干个(如m个)单位序列Pi，在不打乱单位序列之间的时间顺序的基础上，按照目标组合方式重组各单位序列，得到重组序列，具体地，候选时序数据PD与单位序列Pi之间的关系可表示为：
步骤S208，根据重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将训练后的电力负荷预测模型作为预训练的电力负荷预测模型。
其中，待训练的电力负荷预测模型可以是指待训练的、用于电力负荷预测的模型，实际应用中，电力负荷预测模型可以包括门控循环单元(Gated Recurrent Unit，GRU)。
其中，训练后的电力负荷预测模型可以是指训练后的、用于电力负荷预测的模型。
其中，预训练的电力负荷预测模型可以是指实际应用于电力负荷预测的模型。
作为一种示例，为了使电力负荷时序数据的分布差异最大化，基于领域泛化与最大熵原理的思想，针对电力负荷时序数据分布统计特征随时间动态变化的特点，服务器利用重组序列，从迁移学习的视角训练待训练的电力负荷预测模型，使得电力负荷预测模型能够基于电力负荷时序数据的数据分布，以自适应的方式进行电力负荷时序预测，进而提高电力负荷预测模型输出的电力负荷预测结果的准确度。
上述基于领域泛化的电力负荷预测模型训练方法中，通过获取在预测时间段内针对目标电力节点的电力约束数据，从而确定在预测时间段内影响目标电力节点的电力负荷大小的数据；从电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据，从而确定与目标电力节点在历史时间段内的电力负荷随时间变化的分布序列有关的时序数据；将候选时序数据划分为至少两个单位序列，按照目标组合方式重组各单位序列，得到重组序列，从而按照目标组合方式得到单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求的重组序列；根据重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将训练后的电力负荷预测模型作为预训练的电力负荷预测模型，能够在预测时间段内针对目标电力节点的电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据，基于领域泛化，对候选时序数据进行划分和重组，以使得到的重组序列满足预设的数据分布差异要求，并利用重组序列对待训练的电力负荷预测模型进行训练，以提升电力负荷预测模型在实际应用中的泛化能力，实现基于领域泛化对针对目标电力节点的候选时序数据进行划分和重组，利用划分重组得到的数据训练电力负荷预测模型，提升电力负荷预测模型的泛化能力，进而提高电力负荷预测模型输出的电力负荷数据预测结果的准确度。
在一个示例性的实施例中，根据重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，包括：获取重组序列对应的特征向量，将特征向量输入至预训练的隐藏状态信息确定模型，得到重组序列对应的隐藏状态信息；将隐藏状态信息输入至预训练的分布差异信息确定模型，得到重组序列对应的分布差异信息；根据分布差异信息和重组序列，更新待训练的电力负荷预测模型的模型参数，直至待训练的电力负荷预测模型对应的损失函数值满足预设的损失函数值要求，得到训练后的电力负荷预测模型。
其中，特征向量可以是指重组序列对应的矩阵在当前时刻的特征向量。
其中，预训练的隐藏状态信息确定模型可以是指用于计算隐藏状态信息的模型。
其中，隐藏状态信息可以是指表征重组序列针对电力负荷预测模型(如门控循环单元)的隐藏状态的数据。
其中，预训练的分布差异信息确定模型可以是指用于计算分布差异信息的模型。
其中，分布差异信息可以是指表征重组序列中的单位序列之间的数据分布差异的数据。
其中，模型参数可以是指待训练的电力负荷预测模型的模型参数矩阵和隐藏状态信息重要性矩阵。
其中，损失函数值可以是指表征电力负荷预测模型输出的电力负荷预测结果准确度的数据，实际应用中，电力负荷预测模型输出的电力负荷预测结果准确度越高，损失函数值越小。
其中，预设的损失函数值要求可以是指表征损失函数值是否小于预设的损失函数值阈值的数据。
作为一种示例，为了使电力负荷预测模型适配重组序列，提升电力负荷预测模型在实际应用中的泛化能力，对电力负荷预测模型进行训练，具体地，服务器获取重组序列中的单位序列Pi当前时刻的特征向量xt i和重组序列中的单位序列Pi在上一时刻的隐藏状态信息ht-1 i，服务器将特征向量xt i和上一时刻的隐藏状态信息ht-输入至预训练的隐藏状态信息确定模型，得到重组序列在当前时刻对应的隐藏状态信息ht i，实际应用中，在具体训练时，时刻的最小单位可表示为batch，每段batch的长度是一致的，所以时刻的划分尺度也是统一的，如一个小时，具体地，隐藏状态信息确定模型可表示为：
其中，函数δ()可以是指电力负荷预测模型预测的函数表示。
服务器按照上述方法确定重组序列中的单位序列Pj对应的隐藏状态信息服务器将重组序列中的单位序列Pi对应的隐藏状态信息ht i和重组序列中的单位序列Pj对应的隐藏状态信息/>输入至预训练的分布差异信息确定模型，得到重组序列对应的分布差异信息dt,(n) i,j，具体地，分布差异信息确定模型可表示为：
服务器根据分布差异信息dt,(n) i,j和重组序列，确定待训练的电力负荷预测模型的模型参数的修订值，服务器基于该修订值对待训练的电力负荷预测模型的模型参数进行更新，具体地，如图4所示，提供了一种求解模型参数的流程示意图，为了避免待训练的电力负荷预测模型的模型参数(如模型参数矩阵θ和隐藏状态信息重要性矩阵α)的求解互相影响，服务器采用监督模型(如Boosting模型)使电力负荷预测模型进行参数学习，监督模型可表示为：
其中，αt,(n) i,j可以是指训练第n轮时t时刻隐藏状态信息的分布差异重要性，函数σ可以是指激活函数。
具体地，待训练的电力负荷预测模型的模型参数(如模型参数矩阵θ和隐藏状态信息重要性矩阵α)之间的关联关系可表示为：
其中，αt i,j为t时刻Pi和Pj段序列隐藏状态信息的分布差异特征信息(如分布差异重要性)，具体地，ydi可表示第i段光伏功率子序列的实际值，yti可表示第i段光伏功率子序列的预测值，服务器可以每段之间的时间步长的倒数为初始值，对分布差异特征信息进行初始化，具体地，对分布差异特征信息进行初始化的表达式可表示为：
其中，V为重组序列中各单位序列对应的步长。
本实施例中，通过获取重组序列对应的特征向量，将特征向量输入至预训练的隐藏状态信息确定模型，得到重组序列对应的隐藏状态信息；将隐藏状态信息输入至预训练的分布差异信息确定模型，得到重组序列对应的分布差异信息；根据分布差异信息和重组序列，更新待训练的电力负荷预测模型的模型参数，直至待训练的电力负荷预测模型对应的损失函数值满足预设的损失函数值要求，得到训练后的电力负荷预测模型，能够基于隐藏状态信息确定模型和分布差异信息确定模型，逐步确定准确的隐藏状态信息和分布差异信息，并利用分布差异信息和重组序列训练电力负荷预测模型，从而优化电力负荷预测模型针对电力负荷的泛化能力，进而提高电力负荷预测模型输出的电力负荷预测结果的准确度。
在一些实施例中，待训练的电力负荷预测模型的模型参数包括分布差异特征信息，根据分布差异信息和重组序列，更新待训练的电力负荷预测模型的模型参数包括：获取分布差异信息对应的第一历史分布差异信息和第二历史分布差异信息；对比第一历史分布差异信息和第二历史分布差异信息，得到对比结果；根据对比结果，确定分布差异特征信息对应的更新后分布差异特征信息。
其中，第一历史分布差异信息对应的生成时间早于第二历史分布差异信息对应的生成时间。
其中，对比结果可以是指表征第一历史分布差异信息和第二历史分布差异信息之间大小关系的数据。
其中，更新后分布差异特征信息可以是指基于对比结果，对分布差异特征信息进行更新后得到的数据。
作为一种示例，服务器获取分布差异信息对应的第一历史分布差异信息dt,(n) i,j和第二历史分布差异信息dt,(n-1) i,j；服务器对比第一历史分布差异信息和第二历史分布差异信息，得到对比结果；服务器根据对比结果，对分布差异特征信息进行更新，得到更新后分布差异特征信息。
本实施例中，通过获取分布差异信息对应的第一历史分布差异信息和第二历史分布差异信息；对比第一历史分布差异信息和第二历史分布差异信息，得到对比结果；根据对比结果，确定分布差异特征信息对应的更新后分布差异特征信息，能够基于历史分布差异信息，在避免电力负荷预测模型的模型参数相互影响的前提下，确定准确的更新后分布差异特征信息，避免模型参数求解或更新错误，进而提高电力负荷预测模型输出的电力负荷预测结果的准确度。
在一些实施例中，根据对比结果，确定分布差异信息对应的更新后分布差异信息，包括：在对比结果表征第一历史分布差异信息大于或等于第二历史分布差异信息的情况下，根据分布差异特征信息、第一历史分布差异信息和第二历史分布差异信息，确定更新后分布差异特征信息；在对比结果表征第一历史分布差异信息小于第二历史分布差异信息的情况下，将分布差异特征信息作为所述更新后分布差异特征信息。
其中，分布差异特征信息可以是指表征隐藏状态信息的分布差异重要程度的数据。
作为一种示例，服务器采用监督模型(如Boosting模型)使电力负荷预测模型进行参数学习，具体地，在对比结果表征第一历史分布差异信息dt,(n) i,j大于或等于第二历史分布差异信息dt,(n-1) i,j的情况下，服务器确定针对分布差异特征信息的第一更新方式(如引入函数值G对分布差异特征信息进行调整，如增强分布差异特征信息)，在对比结果表征第一历史分布差异信息dt,(n) i,j小于第二历史分布差异信息dt,(n-1) i,j的情况下，服务器确定针对分布差异特征信息的第二更新方式(如将更新后分布差异特征信息设置为分布差异特征信息)，监督模型可表示为：
其中，αt,(n) i,j可以是指训练第n轮时t时刻隐藏状态信息的分布差异重要性，函数σ可以是指激活函数。
本实施例中，通过在对比结果表征第一历史分布差异信息大于或等于第二历史分布差异信息的情况下，根据分布差异特征信息、第一历史分布差异信息和第二历史分布差异信息，确定更新后分布差异特征信息；在对比结果表征第一历史分布差异信息小于第二历史分布差异信息的情况下，将分布差异特征信息作为所述更新后分布差异特征信息，能够基于第一历史分布差异信息和第二历史分布差异信息之间的大小关系，确定针对分布差异特征信息的更新方式，提高分布差异特征信息的准确度。
在一些实施例中，从电力约束数据中筛选出与目标电力节点的历史电力负荷时序数据相关的候选时序数据，包括：获取电力约束数据对应的协方差数据和标准差数据；根据协方差数据与标准差数据之间的比值，确定电力约束数据对应的相关系数；获取预设的相关系数阈值，根据相关系数和相关系数阈值，从电力约束数据中筛选出候选时序数据。
其中，协方差数据可以是指表征电力约束数据的总体误差的数据。
其中，标准差数据可以是指表征电力约束数据的离散程度的数据。
其中，电力约束数据对应的相关系数可以是指表征电力约束数据之间相关程度的数据，实际应用中，电力约束数据对应的相关系数可以包括皮尔逊相关系数。
其中，预设的相关系数阈值可以是指用于判断电力约束数据对应的相关系数是否符合预设的相关系数要求的数据。
作为一种示例，如图5所示，提供了一种基于领域泛化的电力负荷预测模型训练，服务器基于皮尔逊相关系数，计算各电力约束数据与目标电力节点的历史电力负荷时序数据之间的相关系数r，具体地，服务器获取电力约束数据对应的序列X对应的第一平均值和目标电力节点的历史电力负荷时序数据对应的序列Y对应的第二平均值，服务器根据第一平均值、第二平均值、电力约束数据和目标电力节点的历史电力负荷时序数据，通过相关系数确定模型，计算电力约束数据对应的相关系数，具体地，相关系数确定模型可表示为：
其中，相关系数r的取值范围可表示为[-1，1]，当r值为正时则判断电力约束数据与目标电力节点的历史电力负荷时序数据成正相关关系，当r值为负时则判断电力约束数据与目标电力节点的历史电力负荷时序数据成负相关关系。同时，若r值的绝对值越大，则判断电力约束数据与目标电力节点的历史电力负荷时序数据的相关性也越强，服务器获取预设的相关系数阈值，根据相关系数和相关系数阈值，服务器将相关系数大于相关系数阈值的电力约束数据作为候选时序数据。
本实施例中，通过获取电力约束数据对应的协方差数据和标准差数据；根据协方差数据与标准差数据之间的比值，确定电力约束数据对应的相关系数；获取预设的相关系数阈值，根据相关系数和相关系数阈值，从电力约束数据中筛选出候选时序数据，能够基于电力约束数据的协方差数据和标准差数据，结合目标电力节点的历史电力负荷时序数据，从电力约束数据中确定出准确的候选时序数据，为后续电力负荷预测模型的训练提供数据基础。
在一些实施例中，按照目标组合方式重组各单位序列，得到重组序列，包括：获取各单位序列对应的时间步长数据，根据时间步长数据和各单位序列，确定各单位序列对应的协方差矩阵；获取各单位序列对应的维度特征，根据协方差矩阵和维度特征，确定各单位序列对应的数据分布差异参数；在数据分布差异参数满足预设的数据分布差异参数要求的情况下，将数据分布差异参数对应的候选组合方式作为目标组合方式，根据目标组合方式对各单位序列进行重组，得到重组序列。
其中，时间步长数据可以是指表征各单位序列之间的时间差的数据。
其中，协方差矩阵可以是指一种各单位序列对应的矩阵特征。
其中，维度特征可以是指表征与各单位序列对应的矩阵的维度相关的特征的信息。
其中，数据分布差异参数可以是指表征各单位序列之间的数据分布差异程度的数据。
其中，预设的数据分布差异参数要求可以是指用于判断数据分布差异参数是否将针对各单位序列的某种组合方式作为目标组合方式的数据。
其中，候选组合方式可以是指将各单位序列基于特定的组合要求进行组合时所依照的方式。
作为一种示例，服务器获取第一单位序列PS对应的时间步长数据lS和第二单位序列PT对应的时间步长数据lr，服务器将时间步长数据lS和第一单位序列PS输入至预训练的第一协方差矩阵确定模型，得到第一单位序列PS对应的协方差矩阵CS，具体地，第一协方差矩阵确定模型可表示为：
服务器将时间步长数据lr和第二单位序列PT输入至预训练的第二协方差矩阵确定模型，得到第二单位序列PT对应的协方差矩阵Cr，具体地，第二协方差矩阵确定模型可表示为：
服务器获取各单位序列对应的维度特征d，服务器将协方差矩阵CS、Cr和维度特征d输入至预训练的分布差异信息确定模型，得到各单位序列对应的数据分布差异参数，具体地，分布差异信息确定模型可表示为：
服务器计算由m个单位序列组合而成的n个组合序列之间的关联对齐距离(CORAL距离，需要确保m大于n)，服务器在数据分布差异参数满足预设的数据分布差异参数要求的情况下，将数据分布差异参数对应的候选组合方式作为目标组合方式，根据目标组合方式对各单位序列进行重组，得到重组序列，具体地，服务器根据各单位序列对应的数据分布差异参数，确定数据分布差异参数和，数据分布差异参数和的计算表达式可表示为：
其中，Pi可表示第i段单位序列，Pj可表示第j段单位序列，distance可表示数据分布差异参数和，由于电力负荷时序数据具有一定的重复性和周期性，为了提高计算效率，避免单位序列过于细分使得模型训练耗费的时间增加和计算资源增加的问题，以m＝10为例进行举例说明，服务器将10个单位序列并组合成n个子序列，利用贪心算法找到使得n个子序列数据分布差异最大化的组合方式，服务器将该组合方式作为目标组合方式：服务器将10个电力负荷时序单位序列标记为Psub1，Psub2，…，Psub10，n＝2时，服务器将10个单位序列组合成2个子序列，如Psub1～2和Psub3～10(这里Psub1～2表示由单位序列Psub1到Psub2组成的子序列，Psub3～10表示由单位序列Psub3到Psub10组成的子序列)，以及Psub1～3和Psub4～10等等，服务器分别求出各个组合的数据分布差异参数和(distance)，并找到使数据分布差异参数和最大的2个子序列，n＝3时，在n＝2的组合方式基础上，将序列组合为3个子序列，如Psub1～2和Psub3～4和Psub5～10等，分别求出各个组合的，并找到距离最大的3个子序列，以此类推，分别计算出n取4、5、6、7、8、9时的并找到使相应n值情况下数据分布距离最大的子序列，比较不同n值时的，保留使数据分布差异参数和最大的n值及对应组合方式。数据分布差异最大的n个子序列即可作为重组序列，该重组序列对应的候选组合方式可作为目标组合方式。
本实施例中，通过获取各单位序列对应的时间步长数据，根据时间步长数据和各单位序列，确定各单位序列对应的协方差矩阵；获取各单位序列对应的维度特征，根据协方差矩阵和维度特征，确定各单位序列对应的数据分布差异参数；在数据分布差异参数满足预设的数据分布差异参数要求的情况下，将数据分布差异参数对应的候选组合方式作为目标组合方式，根据目标组合方式对各单位序列进行重组，得到重组序列，能够基于各单位序列对应的时间步长数据、协方差矩阵和维度特征，确定数据分布差异参数，并利用数据分布差异参数确定以目标组合方式组合单位序列得到的重组序列，提高重组序列的准确度。
在一些实施例中，上述方法还包括：针对各单位序列中的任一单位序列，根据预设的排列关系，在任一单位序列对应的待组合单位序列中选择出候选单位序列；将任一单位序列和候选单位序列进行组合，得到候选组合方式。
其中，预设的排列关系可以是指表征各单位序列之间的排列顺序，实际应用中，由于候选时序数据具有时序特征，因此，候选时序数据划分得到的单位序列之间存在有时间顺序，单位序列的排列方式可按照上述事件顺序进行排列。
其中，任一单位序列对应的待组合单位序列可以是指按照候选时序数据的时序特征对应的时间顺序，排列在任一单位序列之后的单位序列，实际应用中，单位序列标记为Psub1，Psub2，…，Psub10，当针对单位序列Psub2进行组合时，待组合单位序列可以包括Psub3，Psub4，…，Psub10。
其中，候选单位序列可以是指从待组合单位序列中选择出的、用于与任一单位序列进行组合的序列。
作为一种示例，单位序列标记为Psub1，Psub2，…，Psub10，当针对单位序列Psub1进行组合时，服务器从对应的待组合单位序列(Psub2，Psub3，…，Psub10)中选择出Psub2作为候选单位序列，服务器组合Psub1和Psub2，得到Psub1～2，服务器组合Psub3，Psub4，…，Psub10，得到Psub3～10，服务器将Psub1～2和Psub3～10对应的组合方式作为一种候选组合方式。
本实施例中，通过针对各单位序列中的任一单位序列，根据预设的排列关系，在任一单位序列对应的待组合单位序列中选择出候选单位序列；将任一单位序列和候选单位序列进行组合，得到候选组合方式，能够对各单位序列进行有序的组合，得到以多种候选组合方式组合得到的组合序列，为后续确定重组序列或目标组合方式提供数据基础。
应该理解的是，虽然如上所述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，如上所述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基于领域泛化的电力负荷预测模型训练方法的基于领域泛化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基于领域泛化的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基于领域泛化的电力负荷预测模型训练方法的限定，在此不再赘述。
在一个示例性的实施例中，如图6所示，提供了一种基于领域泛化的电力负荷预测模型训练装置，包括：获取模块602、筛选模块604、重组模块606和训练模块608，其中：
获取模块602，用于获取在预测时间段内针对目标电力节点的电力约束数据；所述电力约束数据为影响所述目标电力节点在所述预测时间段内的电力负荷的数据；
筛选模块604，用于从所述电力约束数据中筛选出与所述目标电力节点的历史电力负荷时序数据相关的候选时序数据；所述历史电力负荷时序数据为所述目标电力节点在历史时间段内的电力负荷随时间变化的分布序列；
重组模块606，用于将所述候选时序数据划分为至少两个单位序列，按照目标组合方式重组各所述单位序列，得到重组序列；所述目标组合方式下所述重组序列中的单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求；
训练模块608，用于根据所述重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将所述训练后的电力负荷预测模型作为预训练的电力负荷预测模型。
在一个示例性实施例中，上述训练模块608具体还用于获取所述重组序列对应的特征向量，将所述特征向量输入至预训练的隐藏状态信息确定模型，得到所述重组序列对应的隐藏状态信息；将所述隐藏状态信息输入至预训练的分布差异信息确定模型，得到所述重组序列对应的分布差异信息；根据所述分布差异信息和所述重组序列，更新所述待训练的电力负荷预测模型的模型参数，直至所述待训练的电力负荷预测模型对应的损失函数值满足预设的损失函数值要求，得到训练后的电力负荷预测模型。
在一个示例性实施例中，所述待训练的电力负荷预测模型的模型参数包括分布差异特征信息，上述训练模块608具体还用于获取所述分布差异信息对应的第一历史分布差异信息和第二历史分布差异信息；所述第一历史分布差异信息对应的生成时间早于所述第二历史分布差异信息对应的生成时间；对比所述第一历史分布差异信息和所述第二历史分布差异信息，得到对比结果；根据所述对比结果，确定所述分布差异特征信息对应的更新后分布差异特征信息。
在一个示例性实施例中，上述训练模块608具体还用于在所述对比结果表征所述第一历史分布差异信息大于或等于所述第二历史分布差异信息的情况下，根据所述分布差异特征信息、所述第一历史分布差异信息和所述第二历史分布差异信息，确定所述更新后分布差异特征信息；在所述对比结果表征所述第一历史分布差异信息小于所述第二历史分布差异信息的情况下，将所述分布差异特征信息作为所述更新后分布差异特征信息。
在一个示例性实施例中，上述筛选模块604具体还用于获取所述电力约束数据对应的协方差数据和标准差数据；根据所述协方差数据与所述标准差数据之间的比值，确定所述电力约束数据对应的相关系数；获取预设的相关系数阈值，根据所述相关系数和所述相关系数阈值，从所述电力约束数据中筛选出所述候选时序数据。
在一个示例性实施例中，上述重组模块606具体还用于获取各所述单位序列对应的时间步长数据，根据所述时间步长数据和各所述单位序列，确定各所述单位序列对应的协方差矩阵；获取各所述单位序列对应的维度特征，根据所述协方差矩阵和所述维度特征，确定各所述单位序列对应的数据分布差异参数；所述数据分布差异参数表征各所述单位序列之间的数据分布差异程度；在所述数据分布差异参数满足预设的数据分布差异参数要求的情况下，将所述数据分布差异参数对应的候选组合方式作为所述目标组合方式，根据所述目标组合方式对各所述单位序列进行重组，得到所述重组序列。
在一个示例性实施例中，上述装置还包括组合模块，该组合模块具体用于针对各所述单位序列中的任一单位序列，根据预设的排列关系，在所述任一单位序列对应的待组合单位序列中选择出候选单位序列；所述预设的排列关系表征各所述单位序列之间的排列顺序；将所述任一单位序列和所述候选单位序列进行组合，得到所述候选组合方式。
上述基于领域泛化的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。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于领域泛化的电力负荷预测模型训练方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7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。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，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上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
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，所述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、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 Access Memory，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数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。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、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于领域泛化的电力负荷预测模型训练方法，其特征在于，所述方法包括：
获取在预测时间段内针对目标电力节点的电力约束数据；所述电力约束数据为影响所述目标电力节点在所述预测时间段内的电力负荷的数据；
从所述电力约束数据中筛选出与所述目标电力节点的历史电力负荷时序数据相关的候选时序数据；所述历史电力负荷时序数据为所述目标电力节点在历史时间段内的电力负荷随时间变化的分布序列；
将所述候选时序数据划分为至少两个单位序列，按照目标组合方式重组各所述单位序列，得到重组序列；所述目标组合方式下所述重组序列中的单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求；
根据所述重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将所述训练后的电力负荷预测模型作为预训练的电力负荷预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，包括：
获取所述重组序列对应的特征向量，将所述特征向量输入至预训练的隐藏状态信息确定模型，得到所述重组序列对应的隐藏状态信息；
将所述隐藏状态信息输入至预训练的分布差异信息确定模型，得到所述重组序列对应的分布差异信息；
根据所述分布差异信息和所述重组序列，更新所述待训练的电力负荷预测模型的模型参数，直至所述待训练的电力负荷预测模型对应的损失函数值满足预设的损失函数值要求，得到训练后的电力负荷预测模型。
3.根据权利要求2所述的方法，其特征在于，所述待训练的电力负荷预测模型的模型参数包括分布差异特征信息，所述根据所述分布差异信息和所述重组序列，更新所述待训练的电力负荷预测模型的模型参数，包括：
获取所述分布差异信息对应的第一历史分布差异信息和第二历史分布差异信息；所述第一历史分布差异信息对应的生成时间早于所述第二历史分布差异信息对应的生成时间；
对比所述第一历史分布差异信息和所述第二历史分布差异信息，得到对比结果；
根据所述对比结果，确定所述分布差异特征信息对应的更新后分布差异特征信息。
4.根据权利要求3所述的方法，其特征在于，所述根据所述对比结果，确定所述分布差异特征信息对应的更新后分布差异特征信息，包括：
在所述对比结果表征所述第一历史分布差异信息大于或等于所述第二历史分布差异信息的情况下，根据所述分布差异特征信息、所述第一历史分布差异信息和所述第二历史分布差异信息，确定所述更新后分布差异特征信息；
在所述对比结果表征所述第一历史分布差异信息小于所述第二历史分布差异信息的情况下，将所述分布差异特征信息作为所述更新后分布差异特征信息。
5.根据权利要求1所述的方法，其特征在于，所述从所述电力约束数据中筛选出与所述目标电力节点的历史电力负荷时序数据相关的候选时序数据，包括：
获取所述电力约束数据对应的协方差数据和标准差数据；
根据所述协方差数据与所述标准差数据之间的比值，确定所述电力约束数据对应的相关系数；
获取预设的相关系数阈值，根据所述相关系数和所述相关系数阈值，从所述电力约束数据中筛选出所述候选时序数据。
6.根据权利要求1所述的方法，其特征在于，所述按照目标组合方式重组各所述单位序列，得到重组序列，包括：
获取各所述单位序列对应的时间步长数据，根据所述时间步长数据和各所述单位序列，确定各所述单位序列对应的协方差矩阵；
获取各所述单位序列对应的维度特征，根据所述协方差矩阵和所述维度特征，确定各所述单位序列对应的数据分布差异参数；所述数据分布差异参数表征各所述单位序列之间的数据分布差异程度；
在所述数据分布差异参数满足预设的数据分布差异参数要求的情况下，将所述数据分布差异参数对应的候选组合方式作为所述目标组合方式，根据所述目标组合方式对各所述单位序列进行重组，得到所述重组序列。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
针对各所述单位序列中的任一单位序列，根据预设的排列关系，在所述任一单位序列对应的待组合单位序列中选择出候选单位序列；所述预设的排列关系表征各所述单位序列之间的排列顺序；
将所述任一单位序列和所述候选单位序列进行组合，得到所述候选组合方式。
8.一种基于领域泛化的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，用于获取在预测时间段内针对目标电力节点的电力约束数据；所述电力约束数据为影响所述目标电力节点在所述预测时间段内的电力负荷的数据；
筛选模块，用于从所述电力约束数据中筛选出与所述目标电力节点的历史电力负荷时序数据相关的候选时序数据；所述历史电力负荷时序数据为所述目标电力节点在历史时间段内的电力负荷随时间变化的分布序列；
重组模块，用于将所述候选时序数据划分为至少两个单位序列，按照目标组合方式重组各所述单位序列，得到重组序列；所述目标组合方式下所述重组序列中的单位序列之间的数据分布差异参数之和满足预设的数据分布差异要求；
训练模块，用于根据所述重组序列，训练待训练的电力负荷预测模型，得到训练后的电力负荷预测模型，将所述训练后的电力负荷预测模型作为预训练的电力负荷预测模型。
9.一种计算机设备，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至7中任一项所述的方法的步骤。
10.一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至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311433759.4A CN117371510A (zh) | 2023-10-31 | 2023-10-31 | 基于领域泛化的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 |
|---|---|---|---|
| CN202311433759.4A CN117371510A (zh) | 2023-10-31 | 2023-10-31 | 基于领域泛化的电力负荷预测模型训练方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117371510A true CN117371510A (zh) | 2024-01-09 |
Family
ID=89405683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311433759.4A Pending CN117371510A (zh) | 2023-10-31 | 2023-10-31 | 基于领域泛化的电力负荷预测模型训练方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371510A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932345A (zh) * | 2024-03-08 | 2024-04-26 | 深圳国瑞协创储能技术有限公司 | 电力负荷数据预测模型组训练方法、装置、设备及介质 |
-
2023
- 2023-10-31 CN CN202311433759.4A patent/CN117371510A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932345A (zh) * | 2024-03-08 | 2024-04-26 | 深圳国瑞协创储能技术有限公司 | 电力负荷数据预测模型组训练方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | On novel grey forecasting model based on non-homogeneous index sequence | |
| Matijaš et al. | Load forecasting using a multivariate meta-learning system | |
| CN117371510A (zh) | 基于领域泛化的电力负荷预测模型训练方法和装置 | |
| CN113887845B (zh) | 极端事件预测方法、装置、设备和存储介质 | |
| CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
| CN117078480A (zh) | 碳排放量监测方法、装置、设备、存储介质和计算机产品 | |
| CN115358485A (zh) | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 | |
| WO2024082767A1 (zh) | 增益调整方法、装置、计算机设备和存储介质 | |
| CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
| CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN117114329B (zh) | 多气源智能调度方法与装置 | |
| CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
| CN116227249B (zh) | 功率气象数据智能迁移的新能源长期电量预测方法与系统 | |
| CN117114170A (zh) | 一种电力物资需求预测方法和相关产品 | |
| CN117474174A (zh) | 调度规则优化方法、装置、计算机设备、存储介质和产品 | |
| CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
| CN117895489A (zh) | 用电量预测方法、用电量预测模型训练方法、装置 | |
| CN117313952A (zh) | 负荷预测方法、装置、设备和存储介质 | |
| CN115564560A (zh) | 风险评估方法、装置和存储介质 | |
| CN117633501A (zh) | 电力系统数据预测方法、装置、设备、介质和计算机产品 | |
| CN116933918A (zh) | 用于互联网金融服务的电力数据预测方法 | |
| CN117424198A (zh) | 基于数据知识联合驱动的电力负荷预测方法和装置 | |
| CN116578784A (zh) | 目标物品的推荐方法、装置、计算机设备和存储介质 | |
| CN117993130A (zh) | 配电网的路径规划方法、装置、计算机设备、介质和产品 | |
| CN116978575A (zh) | 患病人数预测方法、装置、设备以及存储介质 |
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 |