CN117474713A - 电力能耗预测模型优化方法及系统 - Google Patents
电力能耗预测模型优化方法及系统 Download PDFInfo
- Publication number
- CN117474713A CN117474713A CN202311276309.9A CN202311276309A CN117474713A CN 117474713 A CN117474713 A CN 117474713A CN 202311276309 A CN202311276309 A CN 202311276309A CN 117474713 A CN117474713 A CN 117474713A
- Authority
- CN
- China
- Prior art keywords
- sequence
- energy consumption
- prediction model
- power consumption
- influence factor
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 27
- 238000004080 punching Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- 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
-
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力能耗预测模型优化方法及系统,涉及电力技术领域。该方法包括:获取历史时间窗口的第一电力能耗序列和第一影响因子序列;利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;获取当前时间窗口的第二影响因子序列,将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列。由此,由于采用了基于引入注意力机制的中长期记忆网络构建的电力能耗预测模型,因此能够提高电力能耗预测值的准确度。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及电力能耗预测模型优化方法及系统。
背景技术
随着节能减排的理念深入人心,大型工业园区、或大型企业等都开始逐渐重视电力能耗这一环保指标,而利用电力能耗预测模型得到电力能耗预测值是进行节能减排的第一步,目前常见的电力能耗预测模型得到电力能耗预测值的准确度较低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明提供一种电力能耗预测模型优化方法及系统,以实现更准确地获得电力能耗预测值。
第一方面,本申请实施例提供一种电力能耗预测模型优化方法,包括:
获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;
利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;
获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;
将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
可选地,所述利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,包括:
对所述第一电力能耗序列和所述第一影响因子序列分别进行归一化处理;
基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列;
利用所述融合特征序列训练所述电力能耗预测模型。
可选地,所述基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列包括:
基于所述注意力机制,找出归一化处理后的所述第一电力能耗序列和所述第一影响因子序列之间的第一联系;
根据所述第一联系进行特征融合,得到所述融合特征序列。
可选地,在所述将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列之后,还包括:
将所述第二电力能耗序列进行反归一化处理,得到目标电力能耗序列。
可选地,所述获取当前时间窗口的第二影响因子序列包括:
基于预先设置的传感器获取所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项;
根据所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项,确定所述第二影响因子序列。
第二方面,本申请实施例中提供一种电力能耗预测模型优化系统,包括:
第一获取模块,用于获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;
训练模块,用于利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;
第二获取模块,用于获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;
得到模块,用于将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
可选地,所述训练模块,包括:
归一化处理单元,用于对所述第一电力能耗序列和所述第一影响因子序列分别进行归一化处理;
特征融合单元,用于基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列;
训练单元,用于利用所述融合特征序列训练所述电力能耗预测模型。
可选地,所述特征融合单元包括:
找出子单元,用于基于所述注意力机制,找出归一化处理后的所述第一电力能耗序列和所述第一影响因子序列之间的第一联系;
得到子单元,用于根据所述第一联系进行特征融合,得到所述融合特征序列。
可选地,所述系统还包括:
反归一化处理模块,用于将所述第二电力能耗序列进行反归一化处理,得到目标电力能耗序列。
可选地,所述得到模块包括:
获取单元,用于基于预先设置的传感器获取所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项;
确定单元,用于根据所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项,确定第二影响因子序列。
本申请还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述电力能耗预测模型优化方法。
本发明还提供一种非暂态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如上述任一种所述电力能耗预测模型优化方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述电力能耗预测模型优化方法。
在本申请实施例中,改进点主要如下:(1)利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型。(2)所述当前时间窗口与所述历史时间窗口在时间具有连续性。(3)基于所述注意力机制,找出归一化处理后的所述第一电力能耗序列和所述第一影响因子序列之间的第一联系。(4)基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列。
本发明提供的电力能耗预测模型优化方法,通过获取历史时间窗口的第一电力能耗序列和第一影响因子序列;利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;获取当前时间窗口的第二影响因子序列,将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列。由此,由于采用了基于引入注意力机制的中长期记忆网络构建的电力能耗预测模型,因此能够提高电力能耗预测值的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的电力能耗预测模型优化方法的流程示意图;
图2是本发明实施例的电力能耗预测模型优化系统的结构示意图;
图3示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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,是本发明实施例的电力能耗预测模型优化方法的流程图。
步骤101、获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;
步骤102、利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;
步骤103、获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;
步骤104、将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
上述历史时间窗口可以理解为历史的一段时间长度。
上述第一电力能耗序列可以理解为在历史时间窗口内的多个时刻的电力能耗,每一时刻的电力能耗是包括多个用电设备的电力能耗。
上述第一影响因子序列可以理解在历史时间窗口内的多个时刻对电力能耗产生影响的因素,例如该时刻的气温、打卡人数和耗能设备运行情况,其中,打卡人数直接关系到用电人数,因此是一个重要的影响因素,耗能设备运行情况可以理解用电量较大电力设备是否启动以及以何种负荷状态运行。
需要说明的是,所述当前时间窗口与所述历史时间窗口在时间具有连续性。
示例性的,所述当前时间窗口为10:00-10:10,则所述历史时间窗口为9:50-10:00。
在本申请实施例中,本发明提供的电力能耗预测模型优化方法,通过获取历史时间窗口的第一电力能耗序列和第一影响因子序列;利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;获取当前时间窗口的第二影响因子序列,将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列。由此,由于采用了基于引入注意力机制的中长期记忆网络构建的电力能耗预测模型,因此能够提高电力能耗预测值的准确度。
可选地,所述利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,包括:
对所述第一电力能耗序列和所述第一影响因子序列分别进行归一化处理;
基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列;
利用所述融合特征序列训练所述电力能耗预测模型。
可选地,所述基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列包括:
基于所述注意力机制,找出归一化处理后的所述第一电力能耗序列和所述第一影响因子序列之间的第一联系;
根据所述第一联系进行特征融合,得到所述融合特征序列。
应理解,上述第一联系可以理解为所述第一电力能耗序列和所述第一影响因子序列之间的特征联系。
在本实施例中,将第一电力能耗序列和第一影响因子序列中的构成元素想象成是由一系列的<Key,Value>数据对构成,此时给定Target中的某个元素Query,通过计算Query和各个Key的相似性或者相关性,得到每个Key对应Value的权重系数,然后对Value进行加权求和,即得到了最终的Attention数值。所以本质上Attention机制是对第一电力能耗序列和第一影响因子序列中元素的Value值进行加权求和,而Query和Key用来计算对应Value的权重系数。即可以将其本质思想改写为如下公式:
;
其中,所述为第一联系,所述为第i个key对应的
value权重系数,所述代表source的长度。
可选地,在所述将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列之后,还包括:
将所述第二电力能耗序列进行反归一化处理,得到目标电力能耗序列。
可选地,所述获取当前时间窗口的第二影响因子序列包括:
基于预先设置的传感器获取所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项;
根据所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项,确定所述第二影响因子序列。
如图2所示,本申请实施例中提供一种电力能耗预测模型优化系统的结构示意图,包括:
第一获取模块201,用于获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;
训练模块202,用于利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;
第二获取模块203,用于获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;
得到模块204,用于将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
可选地,所述训练模块202,包括:
归一化处理单元,用于对所述第一电力能耗序列和所述第一影响因子序列分别进行归一化处理;
特征融合单元,用于基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列;
训练单元,用于利用所述融合特征序列训练所述电力能耗预测模型。
可选地,所述特征融合单元包括:
找出子单元,用于基于所述注意力机制,找出归一化处理后的所述第一电力能耗序列和所述第一影响因子序列之间的第一联系;
得到子单元,用于根据所述第一联系进行特征融合,得到所述融合特征序列。
可选地,所述系统还包括:
反归一化处理模块,用于将所述第二电力能耗序列进行反归一化处理,得到目标电力能耗序列。
可选地,所述得到模块204包括:
获取单元,用于基于预先设置的传感器获取所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项;
确定单元,用于根据所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项,确定第二影响因子序列。
需要说明的是,本实施例的力能耗预测模型优化系统中未披露的细节,请参照本说明书实施例中电力能耗预测模型优化方法及系统的实施例中所披露的细节,此处不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行电力能耗预测模型优化方法,该方法包括:获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供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,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的电力能耗预测模型优化方法,该方法包括:获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
又一方面,本发明还提供一种非暂态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以执行上述各方法提供的电力能耗预测模型优化方法,该方法包括:获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
Claims (10)
1.一种电力能耗预测模型优化方法,其特征在于,包括:
获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;
利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;
获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;
将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
2.根据权利要求1所述的电力能耗预测模型优化方法,其特征在于,所述利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,包括:
对所述第一电力能耗序列和所述第一影响因子序列分别进行归一化处理;
基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列;
利用所述融合特征序列训练所述电力能耗预测模型。
3.根据权利要求2所述的电力能耗预测模型优化方法,其特征在于,所述基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列包括:
基于所述注意力机制,找出归一化处理后的所述第一电力能耗序列和所述第一影响因子序列之间的第一联系;
根据所述第一联系进行特征融合,得到所述融合特征序列。
4.根据权利要求1所述的电力能耗预测模型优化方法,其特征在于,在所述将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列之后,还包括:
将所述第二电力能耗序列进行反归一化处理,得到目标电力能耗序列。
5.根据权利要求1所述的电力能耗预测模型优化方法,其特征在于,
所述获取当前时间窗口的第二影响因子序列包括:
基于预先设置的传感器获取所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项;
根据所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项,确定所述第二影响因子序列。
6.一种电力能耗预测模型优化系统,其特征在于,包括:
第一获取模块,用于获取历史时间窗口的第一电力能耗序列和第一影响因子序列,影响因子包括:气温、打卡人数和耗能设备运行情况;
训练模块,用于利用所述第一电力能耗序列和所述第一影响因子序列训练所述电力能耗预测模型,所述电力能耗预测模型基于引入注意力机制的中长期记忆网络构建的模型;
第二获取模块,用于获取当前时间窗口的第二影响因子序列,所述当前时间窗口与所述历史时间窗口在时间具有连续性;
得到模块,用于将所述第二影响因子序列输入至训练后的所述电力能耗预测模型中,得到第二电力能耗序列,所述第二电力能耗序列用于表征所述当前时间窗口内的电力能耗信息。
7.根据权利要求6所述的电力能耗预测模型优化系统,其特征在于,所述训练模块,包括:
归一化处理单元,用于对所述第一电力能耗序列和所述第一影响因子序列分别进行归一化处理;
特征融合单元,用于基于所述注意力机制,将进行归一化处理后的所述第一电力能耗序列和所述第一影响因子序列进行特征融合,得到融合特征序列;
训练单元,用于利用所述融合特征序列训练所述电力能耗预测模型。
8.根据权利要求7所述的电力能耗预测模型优化系统,其特征在于,所述特征融合单元包括:
找出子单元,用于基于所述注意力机制,找出归一化处理后的所述第一电力能耗序列和所述第一影响因子序列之间的第一联系;
得到子单元,用于根据所述第一联系进行特征融合,得到所述融合特征序列。
9.根据权利要求6所述的电力能耗预测模型优化系统,其特征在于,所述系统还包括:
反归一化处理模块,用于将所述第二电力能耗序列进行反归一化处理,得到目标电力能耗序列。
10.根据权利要求6所述的电力能耗预测模型优化系统,其特征在于,
所述得到模块包括:
获取单元,用于基于预先设置的传感器获取所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项;
确定单元,用于根据所述当前时间窗口的气温、打卡人数和耗能设备运行情况中的至少一项,确定第二影响因子序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276309.9A CN117474713A (zh) | 2023-09-30 | 2023-09-30 | 电力能耗预测模型优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276309.9A CN117474713A (zh) | 2023-09-30 | 2023-09-30 | 电力能耗预测模型优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474713A true CN117474713A (zh) | 2024-01-30 |
Family
ID=89630238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311276309.9A Pending CN117474713A (zh) | 2023-09-30 | 2023-09-30 | 电力能耗预测模型优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474713A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
CN115345355A (zh) * | 2022-08-02 | 2022-11-15 | 北京百度网讯科技有限公司 | 能耗预测模型构建方法、短期能耗预测方法及相关装置 |
-
2023
- 2023-09-30 CN CN202311276309.9A patent/CN117474713A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN112561728A (zh) * | 2020-10-28 | 2021-03-26 | 西安交通大学 | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 |
CN115345355A (zh) * | 2022-08-02 | 2022-11-15 | 北京百度网讯科技有限公司 | 能耗预测模型构建方法、短期能耗预测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
CN112732871B (zh) | 一种机器人催收获取客户意向标签的多标签分类方法 | |
CN106649739B (zh) | 多轮交互信息继承识别方法、装置以及交互系统 | |
CN113128305B (zh) | 人像档案聚档评估方法、装置、电子设备及存储介质 | |
CN112085091A (zh) | 基于人工智能的短文本匹配方法、装置、设备及存储介质 | |
CN114358023A (zh) | 智能问答召回方法、装置、计算机设备及存储介质 | |
US20200364259A1 (en) | Image retrieval | |
CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
CN117474713A (zh) | 电力能耗预测模型优化方法及系统 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN111951791B (zh) | 声纹识别模型训练方法、识别方法、电子设备及存储介质 | |
CN114239606A (zh) | 一种信息处理方法、装置、设备及计算机存储介质 | |
CN114866246A (zh) | 基于大数据的计算机网络安全入侵检测方法 | |
CN114298088A (zh) | 一种负载识别方法、装置、计算机设备及存储介质 | |
CN111241280A (zh) | 文本分类模型的训练方法和文本分类方法 | |
CN113157896B (zh) | 一种语音对话生成方法、装置、计算机设备及存储介质 | |
CN117621875B (zh) | 基于低温补偿的电动汽车充电管理系统及方法 | |
CN113436633B (zh) | 说话人识别方法、装置、计算机设备及存储介质 | |
CN116524327B (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
CN116486835A (zh) | 合成语音检测方法和系统、计算机设备、存储介质 | |
CN114791944A (zh) | 数据处理方法、装置、存储介质及处理器 | |
CN118245825A (zh) | 聚类迭代方法、装置、电子设备及计算机可读存储介质 | |
CN117216650A (zh) | 一种目标对象风险行为预警方法及相关设备 | |
CN116049373A (zh) | 智能应答方法、终端设备及介质 | |
CN113780379A (zh) | 不均衡数据集知识迁移方法、装置、电子设备和存储介质 |
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 |