CN117495434B - 电能需求预测方法、模型训练方法、装置及电子设备 - Google Patents
电能需求预测方法、模型训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117495434B CN117495434B CN202311787189.9A CN202311787189A CN117495434B CN 117495434 B CN117495434 B CN 117495434B CN 202311787189 A CN202311787189 A CN 202311787189A CN 117495434 B CN117495434 B CN 117495434B
- Authority
- CN
- China
- Prior art keywords
- predicted
- power consumption
- density map
- value
- day
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000012549 training Methods 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 129
- 238000005265 energy consumption Methods 0.000 claims abstract description 124
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims 4
- 238000004590 computer program Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 238000012512 characterization method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004800 variational method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电能需求预测方法、模型训练方法、装置及电子设备,该模型训练方法包括:获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量;利用二维核密度估计公式对M个对象在同一天的历史用电量进行处理,得到能耗密度图;根据第二预设天数,将第一预设天数数量个能耗密度图划为N个输入序列;将第i输入序列输入初始时空预测模型,输出第i预测密度图序列;针对第i预测密度图序列包括的每个预测密度图,计算与预测密度图的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量;根据与各个预测密度图各自对应的多个预测用电量和多个实际用电量,计算损失值;在损失值小于预设阈值的情况下,得到目标时空预测模型。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种电能需求预测方法、模型训练方法、装置及电子设备。
背景技术
城市为电能消耗的主要来源,因此,准确的对电能需求进行预测已成为能源管理中的一项重要指标,可以帮助电力公司更好地规划电力生产、平衡供需、节约能源、制定需求响应策略和提供更好的能源服务。同时,电能需求预测还可以帮助用户认识到节能的重要性,协助政府机关利用可用资源,制定有效的能源战略,以实现可持续发展的目标。
然而,由于电能需求的非线性、动态性和复杂性,要做出准确可靠的预测是具有难度和挑战性的。此外,季节性趋势、气候条件、地理位置和社会经济等各种外部因素的影响,使得电能需求的预测工作变得更加困难。因此,进行准确、可靠的电能需求预测是具有重要意义的。
相关技术,提出了各种电能预测方法。相关技术中使用的方法可分为两大类:一类是基于数学建模的方法,另一类是基于数据驱动的方法。近年来,由于人工智能的迅速发展和大规模智能电表数据的利用,数据驱动方法变得越来越流行。在数据驱动方法中,预测方法可以分为传统模型,例如,如回归方法、支持向量机和它们的集成模型,和人工神经网络,例如,长短时记忆模型。
在实现本发明构思的过程中,发现相关技术中至少存在如下问题:相关技术预测的电能需求精确度较低。
发明内容
鉴于上述问题,本发明提供了一种电能需求预测方法、模型训练方法、装置及电子设备。
根据本发明的第一个方面,提供了一种模型训练方法,包括:
获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,其中,M为正整数;
针对上述M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对上述同一天的历史用电量进行处理,得到与上述同一天的历史用电量对应的能耗密度图;
根据第二预设天数,将第一预设天数数量个上述能耗密度图划分为N个输入序列,其中,N为正整数,上述第二预设天数小于上述第一预设天数;
针对上述N个输入序列中的第i输入序列,将上述第i输入序列输入初始时空预测模型,输出与上述第i输入序列对应的第i预测密度图序列;
针对上述第i预测密度图序列包括的每个预测密度图,根据上述预测密度图中的每个像素值、最大像素值、最小像素值、上述历史用电量中的最大单日用电量和最小单日用电量,计算上述第一预定区域中的、与上述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量;
根据与上述第i预测密度图序列包括的各个预测密度图各自对应的上述多个预测用电量和多个实际用电量,计算损失值,其中,与每个上述预测密度图对应的多个实际用电量是根据与每个上述预测密度图对应的预测日期的历史用电量得到的;
在上述损失值小于预设阈值的情况下,得到目标时空预测模型。
本发明的第二方面提供了一种电能需求预测方法,包括:
获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量,其中,P为正整数;
针对上述P个对象在第二预设天数内的同一天的历史用电量,利用二维核密度估计公式对上述同一天的历史用电量进行处理,得到与上述同一天的历史用电量对应的能耗密度图;
将第二预设天数数量个上述能耗密度图作为输入序列,输入上述目标时空预测模型中,输出预测密度图序列;
针对上述预测密度图序列包括的每个预测密度图,根据上述预测密度图中的每个像素值、最大像素值、最小像素值、上述历史用电量中的最大单日用电量和最小单日用电量,计算上述第一预定区域中的、与上述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量。
本发明的第三方面提供了一种模型训练装置,包括:
第一获取模块,用于获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,其中,M为正整数;
第一得到模块,用于针对上述M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对上述同一天的历史用电量进行处理,得到与上述同一天的历史用电量对应的能耗密度图;
划分模块,用于根据第二预设天数,将第一预设天数数量个上述能耗密度图划分为N个输入序列,其中,N为正整数,上述第二预设天数小于上述第一预设天数;
第一输出模块,用于针对上述N个输入序列中的第i输入序列,将上述第i输入序列输入初始时空预测模型,输出与上述第i输入序列对应的第i预测密度图序列;
第二得到模块,用于针对上述第i预测密度图序列包括的每个预测密度图,根据上述预测密度图中的每个像素值、最大像素值、最小像素值、上述历史用电量中的最大单日用电量和最小单日用电量,计算上述第一预定区域中的、与上述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量;
计算模块,用于根据与上述第i预测密度图序列包括的各个预测密度图各自对应的上述多个预测用电量和多个实际用电量,计算损失值,其中,与每个上述预测密度图对应的多个实际用电量是根据与每个上述预测密度图对应的预测日期的历史用电量得到的;
第三得到模块,用于在上述损失值小于预设阈值的情况下,得到目标时空预测模型。
本发明的第四方面提供了一种电能需求预测装置,包括:
第二获取模块,用于获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量,其中,P为正整数;
第四得到模块,用于针对上述P个对象在第二预设天数内的同一天的历史用电量,利用二维核密度估计公式对上述同一天的历史用电量进行处理,得到与上述同一天的历史用电量对应的能耗密度图;
第二输出模块,用于将第二预设天数数量个上述能耗密度图作为输入序列,输入上述目标时空预测模型中,输出预测密度图序列;
第五得到模块,用于针对上述预测密度图序列包括的每个预测密度图,根据上述预测密度图中的每个像素值、最大像素值、最小像素值、上述历史用电量中的最大单日用电量和最小单日用电量,计算上述第一预定区域中的、与上述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量。
本发明的第五方面提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器执行上述电能需求预测方法和模型训练方法。
本发明的第六方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述电能需求预测方法和模型训练方法。
本发明的第七方面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上述电能需求预测方法和模型训练方法。
根据本发明的实施例 ,通过获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,然后利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图,根据第二预设天数,将第一预设天数数量个能耗密度图划分为N个输入序列,实现将离散的电能消耗数据编码成连续化的输入序列。然后针对N个输入序列中的第i输入序列,将第i输入序列输入初始时空预测模型,输出与第i输入序列对应的第i预测密度图序列,使得初始时空预测模型充分学习输入序列中的电能消耗数据在时间和空间上的特征,得到较精准的第i预测密度图序列。然后对第i预测密度图序列包括的每个预测密度图进行解码,得到多个预测用电量,得到较精准的预测用电量,根据与第i预测密度图序列包括的各个预测密度图各自对应的多个预测用电量和多个实际用电量,计算损失值,在损失值小于预设阈值的情况下,得到目标时空预测模型,得到能够精准预测预测用电量的目标时空预测模型,由此,后续可以利用目标时空预测模型对对象的用电量进行精准预测。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的电能需求预测方法和模型训练方法的应用场景图;
图2示出了根据本发明实施例的模型训练方法的流程图;
图3示出了根据本发明实施例的电能需求预测方法的流程图;
图4示出了根据本发明另一实施例的电能需求预测方法的流程图;
图5示出了根据本发明实施例提供的电能需求预测方法得到的预测用电量和实际用电量的示意图;
图6示出了根据本发明实施例的模型训练装置的结构框图;
图7示出了根据本发明实施例的电能需求预测装置的结构框图;以及
图8示出了根据本发明实施例的适于实现电能需求预测方法和模型训练方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)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,并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
相关技术,提出了各种电能预测方法。相关技术中使用的方法可分为两大类:一类是基于数学建模的方法,另一类是基于数据驱动的方法。近年来,由于人工智能的迅速发展和大规模智能电表数据的利用,数据驱动方法变得越来越流行。在数据驱动方法中,预测方法可以分为传统模型,例如,如回归方法、支持向量机和它们的集成模型,和人工神经网络,例如,长短时记忆模型。但在实现本发明构思的过程中,发现相关技术中至少存在如下问题:相关技术预测的电能需求精确度较低。
为了至少部分地解决相关技术中存在的技术问题,本发明的实施例提供了一种电能需求预测方法、模型训练方法、装置及电子设备,可以应用于电力技术领域。
图1示出了根据本发明实施例的电能需求预测方法和模型训练方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本发明实施例所提供的电能需求预测方法和模型训练方法一般可以由服务器105执行。相应地,本发明实施例所提供的电能需求预测装置和模型训练装置一般可以设置于服务器105中。本发明实施例所提供的电能需求预测方法和模型训练方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的电能需求预测装置和模型训练装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图5对公开实施例的电能需求预测方法和模型训练方法进行详细描述。
图2示出了根据本发明实施例的模型训练方法的流程图。
如图2所示,该实施例的模型训练方法包括操作S210~操作S270。
在操作S210,获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,其中,M为正整数。
根据本发明的实施例,第一预定区域可以根据实际情况进行选择,在此不作限定。例如,第一预定区域可以为A市区、B市区或C市区和D市区。第一预定区域还可以为经度坐标值大于等于120°,小于等于122°,纬度坐标值大于等于30°,小于等于32°的区域。
根据本发明的实施例,对象可以为用户。
根据本发明的实施例,M可以根据实际情况进行选择,在此不作限定。例如,M可以为100、10000、100万、1000万或5000万等。
根据本发明的实施例,第一预设天数可以根据实际情况进行选择,在此不做限定。例如,第一预设天数可以为100天、与一年对应的天数或与三年对应的天数。
例如,可以获取A市区的M个用户在2015年至2018年的每天的历史用电量。
根据本发明的实施例,在获取用户的历史用电量之前,可以先获得用户的同意或授权。例如,在操作S210之前,可以向用户发出获取用户历史用电量信息的请求。在用户同意或授权可以获取用户历史用电量信息的情况下,执行操作S210。
在操作S220,针对M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图。
例如,在获取A市区的M个用户在2015年至2018年的每天的历史用电量之后,可以先利用二维核密度估计公式对2015年第一天的M个用户的历史用电量进行处理,得到与2015年第一天的M个用户的历史用电量对应的能耗密度图。同理,可以利用二维核密度估计公式对2015年第二天的M个用户的历史用电量进行处理…对2018年最后一天的M个用户的历史用电量进行处理,得到与2018年最后一天的M个用户的历史用电量对应的能耗密度图。
根据本发明的实施例,可以根据操作S220对M个对象在第一预设天数内的每天的历史用电量进行处理后,可以得到与第一预设天数对应的数量个能耗密度图。
根据本发明的实施例,通过针对M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图的技术手段,实现将同一天中在空间上离散的电能消耗数据以能耗密度图的形式展现出来,更清晰的表示了在空间上离散的电能消耗数据在空间上的关联关系。
在操作S230,根据第二预设天数,将第一预设天数数量个能耗密度图划分为N个输入序列,其中,N为正整数,第二预设天数小于第一预设天数。
根据本发明的实施例,第一预设天数数量表征与第一预设天数对应的天数的数量。例如,在第一预设天数为100天的情况下,第一预设天数数量可以为100。
根据本发明的实施例,第二预设天数可以根据实际情况进行选择,在此不作限定。例如,第二预设天数可以为3天、4天、5天、7天或10天等。
根据本发明的实施例,N可以根据第一预设天数、第二预设天数和划分方式确定。
例如,第一预设天数可以为100天,第二预设天数可以为5天.可以根据与100个能耗密度图分别对应的历史用电量的日期,对100个能耗密度图进行排序,序号越大日期越大。根据第二预设天数5,将排序完的100个能耗密度图进行无重叠划分,得到20个输入序列,此时,N为20。还可以根据第二预设天数5,将排序完的100个能耗密度图进行有重叠划分,例如,将第1个至第5个能耗密度图划分为第1个输入序列,将第2个至第6个能耗密度图划分为第2个输入序列,将3个至第7个能耗密度图划分为第3个输入序列…将第95个至第100个能耗密度图划分为第95个输入序列,得到95个输入序列,其中,N为95。
根据本发明的实施例,通过根据第二预设天数,将第一预设天数数量个能耗密度图划分为N个输入序列,实现将时间上离散的第一预设天数数量个能耗密度图划分为N个连续化的输入序列。
在操作S240,针对N个输入序列中的第i输入序列,将第i输入序列输入初始时空预测模型,输出与第i输入序列对应的第i预测密度图序列。
根据本发明的实施例,i为大于等于1小于等于N的整数。
根据本发明的实施例,第i输入序列包括的能耗密度图的数量与第i预测密度图序列包括的预测密度图的数量可以相等,也可以不等。例如,第i输入序列包括的能耗密度图的数量可以为7,第i预测密度图序列包括的预测密度图的数量可以为7。第i输入序列包括的能耗密度图的数量可以为7,第i预测密度图序列包括的预测密度图的数量可以为21。
根据本发明的实施例,初始时空预测模型可以根据实际情况进行选择,在此不作限定。例如,初始时空预测模型可以为:ConvLSTM(Conv-Long Short-Term Memory,卷积-长短时记忆网络)、ConvGRU(Conv-Gate Recurrent Unit,卷积-门控循环单元网络)、PredRNN(Recurrent Neural Networks for Predictive,预测循环神经网络)或SA-ConvLSTM(SelfAttentioned Conv-Long Short-Term Memory,自注意力卷积长短时记忆网络)。
根据本发明的实施例,初始时空预测模型可以看作由一个编码器和一个解码器组成。编码器的卷积层通过连续的下采样,自底向上地提取空间特征。解码器通过连续上采样恢复能源消耗的空间分布特征。
在操作S250,针对第i预测密度图序列包括的每个预测密度图,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量。
根据本发明的实施例,通过针对第i预测密度图序列包括的每个预测密度图,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量,实现对每个预测密度图进行解码,得到多个预测用电量。
根据本发明的实施例,预测用电量表征目标区域中的各个对象在与预测密度图对应的预测日期的总用电量的预测值。
根据本发明的实施例,第一预定区域中的一个目标区域中可以包括0个对象,也可以包括多个对象。
根据本发明的实施例,最大单日用电量表征M个对象在第一预设天数内的每天的历史用电量中的最大值。
根据本发明的实施例,最小单日用电量表征M个对象在第一预设天数内的每天的历史用电量中的最小值。
根据本发明的实施例,在实施操作S250之前,可以先根据M个对象在第一预设天数内的每天的历史用电量,得到历史用电量中的最大单日用电量和最小单日用电量。根据各个预测密度图,得到各个预测密度图中的各自的最大像素值和最小像素值。
在操作S260,根据与第i预测密度图序列包括的各个预测密度图各自对应的多个预测用电量和多个实际用电量,计算损失值,其中,与每个预测密度图对应的多个实际用电量是根据与每个预测密度图对应的预测日期的历史用电量得到的。
根据本发明的实施例,在目标区域包括0个对象的情况下,与目标区域对应的实际用电量可以为0。
根据本发明的实施例,在目标区域包括多个对象的情况下,与目标区域对应的实际用电量,等于目标区域中的多个对象在与预测密度图对应的预测日期的历史用电量的和。
根据本发明的实施例,针对第N个输入序列,可以继续获取与第N个输入序列对应的预测日期的M个对象的历史用电量。与第N个输入序列对应的预测日期早于当前日期。
根据本发明的实施例,针对第i预测密度图序列包括的每个预测密度图,可以利用均方误差损失函数,根据与预测密度图对应的多个预测用电量和多个实际用电量,计算与预测密度图对应的损失值,然后将与各个预测密度图对应的损失值求平均值,得到最终的损失值。
在操作S270,在损失值小于预设阈值的情况下,得到目标时空预测模型。
根据本发明的实施例,预设阈值可以根据实际情况进行选择,在此不作限定。例如,预设阈值可以为0.01、0.001或0.0001等。
根据本发明的实施例,通过获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,然后利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图,根据第二预设天数,将第一预设天数数量个能耗密度图划分为N个输入序列,实现将离散的电能消耗数据编码成连续化的输入序列。然后针对N个输入序列中的第i输入序列,将第i输入序列输入初始时空预测模型,输出与第i输入序列对应的第i预测密度图序列,使得初始时空预测模型充分学习输入序列中的电能消耗数据在时间和空间上的特征,得到较精准的第i预测密度图序列,然后对第i预测密度图序列包括的每个预测密度图进行解码,得到多个预测用电量,得到较精准的预测用电量,根据与第i预测密度图序列包括的各个预测密度图各自对应的多个预测用电量和多个实际用电量,计算损失值,在损失值小于预设阈值的情况下,得到目标时空预测模型,得到能够精准预测预测用电量的目标时空预测模型,由此,后续可以利用目标时空预测模型对对象的用电量进行精准预测。
根据本发明的实施例,在针对M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图之前,如图2所示的模型训练方法,还可以包括如下操作:
获取M个对象各自的地理位置,其中,地理位置包括经度坐标值和纬度坐标值。
根据本发明的实施例,获取M个对象各自的地理位置,以便后续可以根据M个对象各自的地理位置对与M个对象对应的各类数据进行精准映射,使得到的映射图像能够反应M个对象之间的实际位置关系。
根据本发明的实施例,针对如图2所示的操作S220,针对M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图,可以包括如下操作:
利用二维核密度估计公式中的高斯核函数对同一天的历史用电量进行处理,得到与M个对象中的每个对象各自对应的核密度估计值;
针对M个对象中的每个对象,以与对象对应的经度坐标值为横坐标值,与对象对应的纬度坐标值为纵坐标值,将与对象对应的核密度估计值映射到初始能耗密度图;
根据预设分辨率,对初始能耗密度图进行划分,得到中间能耗密度图;
针对中间能耗密度图中的每个像素,对像素包括的与L个对象分别对应的核密度估计值求平均值,得到与像素对应的目标像素值,其中,L为大于等于0小于等于M的整数;
根据与中间能耗密度图中的每个像素各自对应的目标像素值,对中间能耗密度图中的每个像素进行填充,得到能耗密度图。
根据本发明的实施例,预设分辨率过低可能会丢失空间分布的细节,预设分辨率过高将提高计算复杂性,并可能限制感受野,从而损害预测的稳健性。预设分辨率可以根据实际情况进行选择,在此不作限定。例如预设分辨率可以为200×200像素或300×300像素。
例如,在第一预定区域为44400 km2范围的区域的情况下,可以根据预设分辨率200×200像素,对初始能耗密度图进行划分,得到中间能耗密度图,使得中间能耗密度图包括200×200个像素,每个像素覆盖第一预定区域中的1.11km2的目标范围。
根据本发明的实施例,在根据预设分辨率,对初始能耗密度图进行划分的过程中,在与任意一个对象对应的核密度估计值落在划分网格线上的情况下,可以根据实际情况,将与该对象对应的核密度估计值划分到与该对象相邻的任意一个像素中。
根据本发明的实施例,通过针对M个对象中的每个对象,以与对象对应的经度坐标值为横坐标值,与对象对应的纬度坐标值为纵坐标值,将与对象对应的核密度估计值映射到初始能耗密度图,根据预设分辨率,对初始能耗密度图进行划分,得到中间能耗密度图,针对中间能耗密度图中的每个像素,对像素包括的与L个对象分别对应的核密度估计值求平均值,得到与像素对应的目标像素值,根据与中间能耗密度图中的每个像素各自对应的目标像素值,对中间能耗密度图中的每个像素进行填充,得到能耗密度图的技术手段,实现将同一天中在空间上离散的电能消耗数据以能耗密度图的形式展现出来,更清晰的表示了在空间上离散的电能消耗数据在空间上的关联关系。
根据本发明的实施例,利用二维核密度估计公式中的高斯核函数对同一天的历史用电量进行处理,得到与M个对象中的每个对象各自对应的核密度估计值包括:
将M个对象中的第j对象的历史用电量与M个对象中除第j对象以外的其它对象的历史用电量分别相减,得到多个电量差值,其中,j为大于等于1小于等于M的整数;
将多个电量差值分别输入高斯核函数,得到多个函数值;
对多个函数值进行加权求和,得到与第j对象对应的核密度估计值。
根据本发明的实施例,二维核密度估计公式可以为公式(1),可以利用公式(1)中的高斯核函数对同一天的历史用电量进行处理,得到与M个对象中的每个对象各自对应的核密度估计值。
(1)
其中,表征二维核密度估计公式,x j 表征第j对象的经度坐标值,y j 表征第j对象的纬度坐标值,/>表征第j对象的历史用电量,/>表征与第j对象对应的核密度估计值,M表征第一预定区域内的对象的数量,h表征带宽,w s 表征第s个加权系数,表征与第j对象对应的第s个函数值。
根据本发明的实施例,w s 和h可以根据实际情况进行选择,在此不作限定。例如h可以为0.25。
根据本发明的实施例,可以根据公式(2)中的高斯核函数得到与第j对象对应的第s个函数值。
(2)
其中,表征高斯核函数,/>表征第s对象的历史用电量, s为大于等于1小于等于M,且不等于j的整数,/>表征第j对象的历史用电量与第s对象的历史用电量之间的电量差值,表征控制高斯核函数局部作用范围的变量。
根据本发明的实施例,σ可以实际情况进行选择,在此不做限定。
根据本发明的实施例,通过将M个对象中的第j对象的历史用电量与M个对象中除第j对象以外的其它对象的历史用电量分别相减,得到多个电量差值,将多个电量差值分别输入高斯核函数,得到多个函数值,对多个函数值进行加权求和,得到与第j对象对应的核密度估计值,实现将第j对象的历史用电量转换为与第j对象对应的核密度估计值,为得到与同一天的历史用电量对应的能耗密度图做准备。
根据本发明的实施例,针对如图2所示的操作S250,针对第i预测密度图序列包括的每个预测密度图,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量,可以包括如下操作:
针对预测密度图包括的每个像素,将与像素对应的像素值减去最小像素值,得到第一数值;
将最大单日用电量减去最小单日用电量,得到第二数值;
将最大像素值减去最小像素值,得到第三数值;
将第一数值与第二数值相乘后,除以第三数值,得到第四数值;
将第四数值与最小单日用电量相加,得到第一预定区域中的、与像素对应的目标区域的预测用电量。
根据本发明的实施例,可以根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,利用公式(3)得到多个预测用电量。
(3)
其中,表征第一预定区域中的、与预测密度图中的像素/>对应的目标区域的预测用电量,t+r表征与预测密度图对应的预测日期,t表征采集与预测密度图对应的历史用电量的日期,r表征第二预设天数,/>表征预测密度图中的像素(p,q)的像素值,表征预测密度图中的最小像素值,/>表征预测密度图中的最大像素值,/>表征最大单日用电量,/>表征最小单日用电量。/>
根据本发明的实施例,根据公式(3)可以实现根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,将与预测密度图中的每个像素各自对应的像素值,转换为与第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量。
根据本发明的实施例,针对如图2所示的模型训练方法,还可以包括如下操作:
在损失值大于等于预设阈值的情况下,根据损失值对初始时空预测模型的模型参数进行更新;
递增i,返回将第i输入序列输入初始时空预测模型,对初始时空预测模型进行训练的操作。
根据本发明的实施例,在利用N个输入序列对初始时空预测模型训练完一轮后,若损失值大于等于预设阈值,可以继续利用N个输入序列对初始时空预测模型进行下一轮训练,直至损失值小于预设阈值。
图3示出了根据本发明实施例的电能需求预测方法的流程图。
如图3所示,该实施例的电能需求预测方法包括操作S310~操作S340。
在操作S310,获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量,其中,P为正整数。
根据本发明的实施例,第二预定区域可以完全包含于第一预定区域,也可以与第一预定区域完全重合,还可以为与第一预定区域完全不同。
根据本发明的实施例,P可以根据实际情况进行选择,在此不作限定。例如,P可以为100、5000、10万、1000万或5000万等。
在操作S320,针对P个对象在第二预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图。
根据本发明的实施例,可以利用操作S220对M个对象在第一预设天数内的同一天的历史用电量进行的处理操作,在操作S320对P个对象在第二预设天数内的同一天的历史用电量进行同样的处理操作,得到与P个对象在同一天的历史用电量对应的能耗密度图。
在操作S330,将第二预设天数数量个能耗密度图作为输入序列,输入目标时空预测模型中,输出预测密度图序列。
根据本发明的实施例,第二预设天数数量表征与第二预设天数对应的天数的数量。例如,在第二预设天数为7天的情况下,第二预设天数数量可以为7。
根据本发明的实施,可以利用操作S240中初始时空预测模型对第i输入序列进行的处理操作,在操作S330利用目标时空预测模型对第二预设天数数量个能耗密度图进行同样的处理操作,得到输出的预测密度图序列。
根据本发明的实施例,目标时空预测模型可以为图2中的模型训练方法得到的目标时空预测模型。
根据本发明的实施例,输入序列包括的能耗密度图的数量与预测密度图序列包括的预测密度图的数量可以相等,也可以不等。例如,输入序列包括的能耗密度图的数量可以为7,测密度图序列包括的预测密度图的数量可以为7。输入序列包括的能耗密度图的数量可以为7,预测密度图序列包括的预测密度图的数量可以为21。
在操作S340,针对预测密度图序列包括的每个预测密度图,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量。
根据本发明的实施例,操作S340中的历史用电量中的最大单日用电量和最小单日用电量分别与S250中的历史用电量中的最大单日用电量和最小单日用电量相同。
根据本发明的实施例,可以利用操作S250对每个预测密度图进行的处理操作,在操作S340对预测密度图进行相同的处理操作,得到多个预测用电量。
根据本发明的实施例,通过获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量,然后针对P个对象在第二预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图,实现将离散的电能消耗数据编码成连续化的输入序列。然后由于目标时空预测模型能够精准预测预测用电量,在将第二预设天数数量个能耗密度图作为输入序列,输入目标时空预测模型中,输出预测密度图序列,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量,可以自动、快速的得到精准度较高的电能需求预测结果。
图4示出了根据本发明另一实施例的电能需求预测方法的流程图。
如图4所示,先获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量401。
利用二维核密度估计公式中的高斯核函数对同一天的历史用电量进行处理,得到与P个对象中的每个对象各自对应的核密度估计值,针对P个对象中的每个对象,以与对象对应的经度坐标值为横坐标值,与对象对应的纬度坐标值为纵坐标值,将与对象对应的核密度估计值映射到初始能耗密度图,利用二维核密度估计公式中的高斯核函数对第二预设天数内的每天的历史用电量进行上述处理,得到多个初始能耗密度图402。
针对多个初始能耗密度图402中的每个初始能耗密度图,根据预设分辨率,对初始能耗密度图进行划分,得到中间能耗密度图,针对中间能耗密度图中的每个像素,对像素包括的与L个对象分对应的核密度估计值求平均值,得到与像素对应的目标像素值,根据与中间能耗密度图中的每个像素各自对应的目标像素值,对中间能耗密度图中的每个像素进行填充,得到能耗密度图。对多个初始能耗密度图402中的每个初始能耗密度图均进行上述处理,得到第二预设天数数量个能耗密度图403。
将第二预设天数数量个能耗密度图403作为输入序列,输入目标时空预测模型404中,输出预测密度图序列405。
针对预测密度图序列405包括的每个预测密度图,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量406。
根据多个预测用电量406,制定相应决策407,相应决策可以为增大电量供应量或减小电量供应量。
根据本发明的实施例,根据电能需求预测方法可以自动、快速的得到精准度较高的电能需求预测结果,以便可以更精准的指导后续增大电量供应量或减小电量供应量。
根据本发明的实施例,在得到目标时空预测模型后,可以采用三种度量方法评估目标时空预测模型的预测效果。三种度量方法可以为结构相似性(SSIM,structuralsimilarity)、均方误差(MSE,Mean Squared Error)和峰值信噪比(PSNR,Peak Signal toNoise Ratio)。
根据本发明的实施例,结构相似性通过亮度、对比度和结构这三种不同的因素来测量两幅图像的相似。结构相似性函数的值域为[0, 1],值越大说明图像失真度越小,即两幅图像越相似。结构相似性公式可以表示为公式(4)。
(4)
其中,IMG 1可以表征与多个预测用电量对应的图像,IMG 2表征与多个实际用电量对应的图像,多个预测用电量和多个实际用电量与同一个预测密度图相对应,σ 1表征G 1中各像素值之间的标准差,σ 2征IMG 2中各像素值之间的标准差,σ 1和σ 12用衡量图像对比度。σ 12表征IMG 1和IMG 1之间的协方差,用于估计结构分数。c 1和c 2均为大于0的常数,可以根据实际情况进行选择。结构相似性公式SSIM 的结果的范围为[-1,1]。结构相似性公式SSIM得到的值越高,表征生成的电能需求预测图与实际的电能消耗图之间的相似度越高。当两幅图完全相同时,结构相似性公式SSIM的值等于1。
根据本发明的实施例,均方误差为可以反应估计量与被估计量之间的差异程度的一种度量。可以用来作为能源需求预测值与真实值之间的差异的度量。均方误差公式可以表示为公式(5)。
(5)
其中,d和l分别表征图像IMG 1和IMG 2的高和宽。
根据本发明的实施例,峰值信噪比是根据相应像素之间的差异来评估图像质量的一种客观标准,常用于图像压缩中信号重建质量的评估,因此非常适合本发明的应用场景。峰值信噪比的值越大,表示图像的质量越好。峰值信噪比的值一般位于30-40dB,高于40dB说明图像质量非常接近原始图像。位于30dB-40dB说明存在可以被察觉的失真,但处于可接受范围内。 位于20dB-30dB说明图像质量较差。若低于20dB则表示图像的质量不可被接受。峰值信噪比公式可以表示为公式(6)。
(6)
其中,MaxValue表征求图像中的最大像素值,Bits表征求图像的比特数。
图5示出了根据本发明实施例提供的电能需求预测方法得到的预测用电量和实际用电量的示意图。
在根据本发明实施例提供的电能需求预测方法得到图5中的预测用电量之前,可以对经度坐标值大于等于121°,小于等于122°,纬度坐标值大于等于30.4°,小于等于31.4°的第一预定区域中的9333个用户,获取每个用户在2015年7月1日至2018年6月23日的每日的历史用电量及每个用户的地理位置,然后根据9333个用户在2015年7月1日至2018年6月23日的每日的历史用电量,对初始时空预测模型进行训练,得到图5中使用的目标时空预测模型。其中,第二预设天数为7天,输入序列包括的能耗密度图的数量与预测密度图序列包括的预测密度图的数量相等,均为7,初始时空预测模型为ConvLSTM,将2015年7月1日至2017年6月30日,共730天的历史用电量作为训练集,将2017年7月1日至2018年6月23日,共356天的历史用电量作为测试集。
图5(a)为针对经度坐标值大于等于121.18°,小于等于121.22°,纬度坐标值大于等于30.78°,小于等于30.83°的区域1中的多个用户,利用目标时空预测模型预测出的这些用户在2017年3月1日到2017年8月23日的每天的平均用电量及实际平均用电量的示意图。
图5(b)为针对经度坐标值大于等于121.25°,小于等于121.29°,纬度坐标值大于等于30.90°,小于等于30.92°的区域2中的多个用户,利用目标时空预测模型预测出的这些用户在2017年3月1日到2017年8月23日的每天的平均用电量及实际平均用电量的示意图。
图5(c)为针对经度坐标值大于等于121.60°,小于等于121.64°,纬度坐标值大于等于31.13°,小于等于31.15°的区域3中的多个用户,利用目标时空预测模型预测出的这些用户在2017年3月1日到2017年8月23日的每天平均用电量及实际平均用电量的示意图。
图5(d)为针对经度坐标值大于等于121.56°,小于等于121.58°,纬度坐标值大于等于31.22°,小于等于31.24°的区域4中的多个用户,利用目标时空预测模型预测出的这些用户在2017年3月1日到2017年8月23日的每天的平均用电量及实际平均用电量的示意图。
在图5中,实线为2017年3月1日到2017年8月23日的各个预测平均用电量。虚线为2017年3月1日到2017年8月23日的各个实际平均用电量。区域1的年平均用电量最大,区域4的年平均用电量最小。横坐标为预测日期,纵坐标为平均用电量。
由图5可知,2017年3月1日到2017年8月23日的各个预测总用电量与各个实际总用电量较接近,说明本发明实施例提供的电能需求预测方法可以得到较为精准的预测结果,本发明实施例提供的电能需求预测方法具有较高的实用性。
表1示出了根据本发明实施例提供的电能需求预测方法得到的预测用电量与传统方法得到的预测用电量进行比较,得到的实验结果。表1中的各个目标时空预测模型是根据图5中的训练数据得到,实验固定以7天为输入序列的长度,表1中的7天(短时)到28天(长时)表示预测序列的长度,从上述结构相似性、均方误差和峰值信噪比三个角度评估方法的效果,其中,预测序列表征与预测密度图序列对应的多个IMG 1构成的序列,在预测序列为7个IMG 1构成的序列的情况下,对7个IMG 1分别对应的评估结果求平均值,得到7个IMG 1构成的序列的评估结果,同理,可以得到其它不同长度的IMG 1构成的序列的评估结果。
表1
其中,在表1中,传统方法包括ROVER(Real-Time Optical Flow by VariationalMethods for Echoes of Radar)为雷达回波的变分法实时光流。OpticalFlow为光流法。ARIMA(Autoregressive Integrated Moving Average Model)为自回归差分移动平均模型。SARIMA(Seasonal Autoregressive Integrated Moving Average Model)为季节性自回归差分移动平均模型。MLR(Multiple Linear Regression)为多元线性回归LSTM(LongShort-Term Memory)为长短时记忆网络。
由表1可知,本发明实施例提出的电能需求预测在短时预测和长时预测中相比传统方法的效果均有显著提升,尤其在长时预测中更能发挥优势,保持高性能。
需要说明的是,本发明实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序,或者不同操作在技术实现上存在执行的先后顺序,否则,多个操作之间的执行顺序可以不分先后,多个操作也可以同时执行。
基于上述模型训练方法,本发明还提供了一种模型训练装置。以下将结合图6对该装置进行详细描述。
图6示出了根据本发明实施例的模型训练装置的结构框图。
如图6所示,该实施例的模型训练装置600包括第一获取模块610、第一得到模块620、划分模块630、第一输出模块640、第二得到模块650、计算模块660和第三得到模块670。
第一获取模块610,用于获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,其中,M为正整数。在一实施例中,第一获取模块610可以用于执行前文描述的操作S210,在此不再赘述。
第一得到模块620,用于针对M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图。在一实施例中,第一得到模块620可以用于执行前文描述的操作S220,在此不再赘述。
划分模块630,用于根据第二预设天数,将第一预设天数数量个能耗密度图划分为N个输入序列,其中,N为正整数,第二预设天数小于第一预设天数。在一实施例中,划分模块630可以用于执行前文描述的操作S230,在此不再赘述。
第一输出模块640,用于针对N个输入序列中的第i输入序列,将第i输入序列输入初始时空预测模型,输出与第i输入序列对应的第i预测密度图序列。在一实施例中,第一输出模块640可以用于执行前文描述的操作S240,在此不再赘述。
第二得到模块650,用于针对第i预测密度图序列包括的每个预测密度图,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量。在一实施例中,第二得到模块650可以用于执行前文描述的操作S250,在此不再赘述。
计算模块660,用于根据与第i预测密度图序列包括的各个预测密度图各自对应的多个预测用电量和多个实际用电量,计算损失值,其中,与每个预测密度图对应的多个实际用电量是根据与每个预测密度图对应的预测日期的历史用电量得到的。在一实施例中,计算模块660可以用于执行前文描述的操作S260,在此不再赘述。
第三得到模块670,用于在损失值小于预设阈值的情况下,得到目标时空预测模型。在一实施例中,第三得到模块670可以用于执行前文描述的操作S270,在此不再赘述。
根据本发明的实施例,在针对M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图之前,模型训练装置还包括第三获取模块。
第三获取模块,用于获取M个对象各自的地理位置,其中,地理位置包括经度坐标值和纬度坐标值。
根据本发明的实施例,第一得到模块包括第一得到子模块、映射子模块、第二得到子模块、第三得到子模块和第四得到子模块。
第一得到子模块,用于利用二维核密度估计公式中的高斯核函数对同一天的历史用电量进行处理,得到与M个对象中的每个对象各自对应的核密度估计值。
映射子模块,用于针对M个对象中的每个对象,以与对象对应的经度坐标值为横坐标值,与对象对应的纬度坐标值为纵坐标值,将与对象对应的核密度估计值映射到初始能耗密度图。
第二得到子模块,用于根据预设分辨率,对初始能耗密度图进行划分,得到中间能耗密度图。
第三得到子模块,用于针对中间能耗密度图中的每个像素,对像素包括的与L个对象分对应的核密度估计值求平均值,得到与像素对应的目标像素值,其中,L为大于等于0小于等于M的整数。
第四得到子模块,用于根据与中间能耗密度图中的每个像素各自对应的目标像素值,对中间能耗密度图中的每个像素进行填充,得到能耗密度图。
根据本发明的实施例,第一得到子模块包括第一得到单元、第二得到单元和第三得到单元。
第一得到单元,用于将M个对象中的第j对象的历史用电量与M个对象中除第j对象以外的其它对象的历史用电量分别相减,得到多个电量差值,其中,j为大于等于1小于等于M的整数。
第二得到单元,用于将多个电量差值分别输入高斯核函数,得到多个函数值。
第三得到单元,用于对多个函数值进行加权求和,得到与第j对象对应的核密度估计值。
根据本发明的实施例,第二得到模块包括第五得到子模块、第六得到子模块、第七得到子模块、第八得到子模块和第九得到子模块。
第五得到子模块,用于针对预测密度图包括的每个像素,将与像素对应的像素值减去最小像素值,得到第一数值。
第六得到子模块,用于将最大单日用电量减去最小单日用电量,得到第二数值。
第七得到子模块,用于将最大像素值减去最小像素值,得到第三数值。
第八得到子模块,用于将第一数值与第二数值相乘后,除以第三数值,得到第四数值。
第九得到子模块,用于将第四数值与最小单日用电量相加,得到第一预定区域中的、与像素对应的目标区域的预测用电量。
根据本发明的实施例,模型训练装置还包括更新模块和返回模块。
更新模块,用于在损失值大于等于预设阈值的情况下,根据损失值对初始时空预测模型的模型参数进行更新。
返回模块,用于递增i,返回将第i输入序列输入初始时空预测模型,对初始时空预测模型进行训练的操作。
根据本发明的实施例,第一获取模块610、第一得到模块620、划分模块630、第一输出模块640、第二得到模块650、计算模块660和第三得到模块670中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,第一获取模块610、第一得到模块620、划分模块630、第一输出模块640、第二得到模块650、计算模块660和第三得到模块670中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块610、第一得到模块620、划分模块630、第一输出模块640、第二得到模块650、计算模块660和第三得到模块670中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
基于上述电能需求预测方法,本发明还提供了一种电能需求预测装置。以下将结合图7对该装置进行详细描述。
图7示出了根据本发明实施例的电能需求预测装置的结构框图。
如图7所示,该实施例的电能需求预测700包括第二获取模块710、第四得到模块720、第二输出模块730和第五得到模块740。
第二获取模块710,用于获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量,其中,P为正整数。在一实施例中,第二获取模块710可以用于执行前文描述的操作S310,在此不再赘述。
第四得到模块720,用于针对P个对象在第二预设天数内的同一天的历史用电量,利用二维核密度估计公式对同一天的历史用电量进行处理,得到与同一天的历史用电量对应的能耗密度图。在一实施例中,第四得到模块720可以用于执行前文描述的操作S320,在此不再赘述。
第二输出模块730,用于将第二预设天数数量个能耗密度图作为输入序列,输入目标时空预测模型中,输出预测密度图序列。在一实施例中,第二输出模块730可以用于执行前文描述的操作S330,在此不再赘述。
第五得到模块740,用于针对所述预测密度图序列包括的每个预测密度图,根据预测密度图中的每个像素值、最大像素值、最小像素值、历史用电量中的最大单日用电量和最小单日用电量,计算第一预定区域中的、与预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量。在一实施例中,第五得到模块740可以用于执行前文描述的操作S340,在此不再赘述。
根据本发明的实施例,第二获取模块710、第四得到模块720、第二输出模块730和第五得到模块740中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,第二获取模块710、第四得到模块720、第二输出模块730和第五得到模块740中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第二获取模块710、第四得到模块720、第二输出模块730和第五得到模块740中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图8示出了根据本发明实施例的适于实现电能需求预测方法和模型训练方法的电子设备的方框图。
如图8所示,根据本发明实施例的电子设备800包括处理器801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中,存储有电子设备800操作所需的各种程序和数据。处理器 801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备800还可以包括输入/输出(I/O)接口805,输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至输入/输出(I/O)接口805的以下部件中的一项或多项:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至输入/输出(I/O)接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的电能需求预测方法和模型训练方法的。
在该计算机程序被处理器801执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分809被下载和安装,和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的范围之内。
Claims (7)
1.一种模型训练方法,其特征在于,所述方法包括:
获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,其中,M为正整数;
针对所述M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对所述同一天的历史用电量进行处理,得到与所述同一天的历史用电量对应的能耗密度图;
所述针对所述M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对所述同一天的历史用电量进行处理,得到与所述同一天的历史用电量对应的能耗密度图包括:
利用二维核密度估计公式中的高斯核函数对所述同一天的历史用电量进行处理,得到与所述M个对象中的每个所述对象各自对应的核密度估计值;
针对所述M个对象中的每个所述对象,以与所述对象对应的经度坐标值为横坐标值,与所述对象对应的纬度坐标值为纵坐标值,将与所述对象对应的核密度估计值映射到初始能耗密度图;
根据预设分辨率,对所述初始能耗密度图进行划分,得到中间能耗密度图;
针对所述中间能耗密度图中的每个像素,对所述像素包括的与L个对象分别对应的核密度估计值求平均值,得到与所述像素对应的目标像素值,其中,L为大于等于0小于等于M的整数;
根据与所述中间能耗密度图中的每个像素各自对应的目标像素值,对所述中间能耗密度图中的每个像素进行填充,得到所述能耗密度图;
根据第二预设天数,将第一预设天数数量个所述能耗密度图划分为N个输入序列,其中,N为正整数,所述第二预设天数小于所述第一预设天数;
针对所述N个输入序列中的第i输入序列,将所述第i输入序列输入初始时空预测模型,输出与所述第i输入序列对应的第i预测密度图序列,其中,所述初始时空预测模型包括以下之一:卷积-长短时记忆网络、卷积-门控循环单元网络、预测循环神经网络和自注意力卷积长短时记忆网络;
针对所述第i预测密度图序列包括的每个预测密度图,根据所述预测密度图中的每个像素值、最大像素值、最小像素值、所述历史用电量中的最大单日用电量和最小单日用电量,计算所述第一预定区域中的、与所述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量;
所述针对所述第i预测密度图序列包括的每个预测密度图,根据所述预测密度图中的每个像素值、最大像素值、最小像素值、所述历史用电量中的最大单日用电量和最小单日用电量,计算所述第一预定区域中的、与所述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量包括:
针对所述预测密度图包括的每个像素,将与所述像素对应的像素值减去所述最小像素值,得到第一数值;
将最大单日用电量减去最小单日用电量,得到第二数值;
将所述最大像素值减去所述最小像素值,得到第三数值;
将所述第一数值与所述第二数值相乘后,除以所述第三数值,得到第四数值;
将所述第四数值与所述最小单日用电量相加,得到所述第一预定区域中的、与所述像素对应的目标区域的预测用电量;
根据与所述第i预测密度图序列包括的各个预测密度图各自对应的所述多个预测用电量和多个实际用电量,计算损失值,其中,与每个所述预测密度图对应的多个实际用电量是根据与每个所述预测密度图对应的预测日期的历史用电量得到的;
在所述损失值小于预设阈值的情况下,得到目标时空预测模型。
2.根据权利要求1所述的方法,其特征在于,所述利用二维核密度估计公式中的高斯核函数对所述同一天的历史用电量进行处理,得到与所述M个对象中的每个所述对象各自对应的核密度估计值包括:
将所述M个对象中的第j对象的历史用电量与所述M个对象中除所述第j对象以外的其它对象的历史用电量分别相减,得到多个电量差值,其中,j为大于等于1小于等于M的整数;
将所述多个电量差值分别输入高斯核函数,得到多个函数值;
对所述多个函数值进行加权求和,得到与所述第j对象对应的核密度估计值。
3.根据权利要求1至2任一项所述的方法,其特征在于,所述方法还包括:
在所述损失值大于等于预设阈值的情况下,根据所述损失值对所述初始时空预测模型的模型参数进行更新;
递增i,返回将所述第i输入序列输入初始时空预测模型,对所述初始时空预测模型进行训练的操作。
4.一种电能需求预测方法,其特征在于,所述方法包括:
获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量,其中,P为正整数;
针对所述P个对象在第二预设天数内的同一天的历史用电量,利用二维核密度估计公式对所述同一天的历史用电量进行处理,得到与所述同一天的历史用电量对应的能耗密度图;
其中,所述第二预定区域完全包含权利要求1至3任一项所述的第一预定区域、与所述第一预定区域完全重合或与所述第一预定区域完全不同;利用权利要求1至3任一项对所述M个对象在第一预设天数内的同一天的历史用电量进行处理的操作,对所述P个对象在第二预设天数内的同一天的历史用电量进行同样的处理操作,得到与所述P 个对象在同一天的历史用电量对应的能耗密度图;
将第二预设天数数量个所述能耗密度图作为输入序列,输入权利要求1至3任一项所述的目标时空预测模型中,输出预测密度图序列;
针对所述预测密度图序列包括的每个预测密度图,根据所述预测密度图中的每个像素值、最大像素值、最小像素值、所述历史用电量中的最大单日用电量和最小单日用电量,计算所述第一预定区域中的、与所述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量;
所述针对所述预测密度图序列包括的每个预测密度图,根据所述预测密度图中的每个像素值、最大像素值、最小像素值、所述历史用电量中的最大单日用电量和最小单日用电量,计算所述第一预定区域中的、与所述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量包括:
针对所述预测密度图包括的每个像素,将与所述像素对应的像素值减去所述最小像素值,得到第一数值;
将最大单日用电量减去最小单日用电量,得到第二数值;
将所述最大像素值减去所述最小像素值,得到第三数值;
将所述第一数值与所述第二数值相乘后,除以所述第三数值,得到第四数值;
将所述第四数值与所述最小单日用电量相加,得到所述第一预定区域中的、与所述像素对应的目标区域的预测用电量。
5.一种模型训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取第一预定区域内的M个对象在第一预设天数内的每天的历史用电量,其中,M为正整数;
第一得到模块,用于针对所述M个对象在第一预设天数内的同一天的历史用电量,利用二维核密度估计公式对所述同一天的历史用电量进行处理,得到与所述同一天的历史用电量对应的能耗密度图;
所述第一得到模块包括第一得到子模块、映射子模块、第二得到子模块、第三得到子模块和第四得到子模块;
所述第一得到子模块,用于利用二维核密度估计公式中的高斯核函数对所述同一天的历史用电量进行处理,得到与所述M个对象中的每个所述对象各自对应的核密度估计值;
所述映射子模块,用于针对所述M个对象中的每个所述对象,以与所述对象对应的经度坐标值为横坐标值,与所述对象对应的纬度坐标值为纵坐标值,将与所述对象对应的核密度估计值映射到初始能耗密度图;
所述第二得到子模块,用于根据预设分辨率,对所述初始能耗密度图进行划分,得到中间能耗密度图;
所述第三得到子模块,用于针对所述中间能耗密度图中的每个像素,对所述像素包括的与L个对象分别对应的核密度估计值求平均值,得到与所述像素对应的目标像素值,其中,L为大于等于0小于等于M的整数;
所述第四得到子模块,用于根据与所述中间能耗密度图中的每个像素各自对应的目标像素值,对所述中间能耗密度图中的每个像素进行填充,得到所述能耗密度图;
划分模块,用于根据第二预设天数,将第一预设天数数量个所述能耗密度图划分为N个输入序列,其中,N为正整数,所述第二预设天数小于所述第一预设天数;
第一输出模块,用于针对所述N个输入序列中的第i输入序列,将所述第i输入序列输入初始时空预测模型,输出与所述第i输入序列对应的第i预测密度图序列,其中,所述初始时空预测模型包括以下之一:卷积-长短时记忆网络、卷积-门控循环单元网络、预测循环神经网络和自注意力卷积长短时记忆网络;
第二得到模块,用于针对所述第i预测密度图序列包括的每个预测密度图,根据所述预测密度图中的每个像素值、最大像素值、最小像素值、所述历史用电量中的最大单日用电量和最小单日用电量,计算所述第一预定区域中的、与所述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量;
所述第二得到模块包括第五得到子模块、第六得到子模块、第七得到子模块、第八得到子模块和第九得到子模块;
所述第五得到子模块,用于针对所述预测密度图包括的每个像素,将与所述像素对应的像素值减去所述最小像素值,得到第一数值;
所述第六得到子模块,用于将最大单日用电量减去最小单日用电量,得到第二数值;
所述第七得到子模块,用于将所述最大像素值减去所述最小像素值,得到第三数值;
所述第八得到子模块,用于将所述第一数值与所述第二数值相乘后,除以所述第三数值,得到第四数值;
所述第九得到子模块,用于将所述第四数值与所述最小单日用电量相加,得到所述第一预定区域中的、与所述像素对应的目标区域的预测用电量;
计算模块,用于根据与所述第i预测密度图序列包括的各个预测密度图各自对应的所述多个预测用电量和多个实际用电量,计算损失值,其中,与每个所述预测密度图对应的多个实际用电量是根据与每个所述预测密度图对应的预测日期的历史用电量得到的;
第三得到模块,用于在所述损失值小于预设阈值的情况下,得到目标时空预测模型。
6.一种电能需求预测装置,其特征在于,所述装置包括:
第二获取模块,用于获取第二预定区域内的P个对象在第二预设天数内的每天的历史用电量,其中,P为正整数;
第四得到模块,用于针对所述P个对象在第二预设天数内的同一天的历史用电量,利用二维核密度估计公式对所述同一天的历史用电量进行处理,得到与所述同一天的历史用电量对应的能耗密度图;
其中,所述第二预定区域完全包含权利要求1至3任一项所述的第一预定区域、与所述第一预定区域完全重合或与所述第一预定区域完全不同;利用权利要求1至3任一项对所述M个对象在第一预设天数内的同一天的历史用电量进行处理的操作,对所述P个对象在第二预设天数内的同一天的历史用电量进行同样的处理操作,得到与所述P 个对象在同一天的历史用电量对应的能耗密度图;
第二输出模块,用于将第二预设天数数量个所述能耗密度图作为输入序列,输入权利要求1至3任一项所述的目标时空预测模型中,输出预测密度图序列;
第五得到模块,用于针对所述预测密度图序列包括的每个预测密度图,根据所述预测密度图中的每个像素值、最大像素值、最小像素值、所述历史用电量中的最大单日用电量和最小单日用电量,计算所述第一预定区域中的、与所述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量;
所述针对所述预测密度图序列包括的每个预测密度图,根据所述预测密度图中的每个像素值、最大像素值、最小像素值、所述历史用电量中的最大单日用电量和最小单日用电量,计算所述第一预定区域中的、与所述预测密度图中的每个像素各自对应的目标区域的预测用电量,得到多个预测用电量包括:
针对所述预测密度图包括的每个像素,将与所述像素对应的像素值减去所述最小像素值,得到第一数值;
将最大单日用电量减去最小单日用电量,得到第二数值;
将所述最大像素值减去所述最小像素值,得到第三数值;
将所述第一数值与所述第二数值相乘后,除以所述第三数值,得到第四数值;
将所述第四数值与所述最小单日用电量相加,得到所述第一预定区域中的、与所述像素对应的目标区域的预测用电量。
7.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~4 中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787189.9A CN117495434B (zh) | 2023-12-25 | 2023-12-25 | 电能需求预测方法、模型训练方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311787189.9A CN117495434B (zh) | 2023-12-25 | 2023-12-25 | 电能需求预测方法、模型训练方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495434A CN117495434A (zh) | 2024-02-02 |
CN117495434B true CN117495434B (zh) | 2024-04-05 |
Family
ID=89685244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311787189.9A Active CN117495434B (zh) | 2023-12-25 | 2023-12-25 | 电能需求预测方法、模型训练方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495434B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011124226A1 (en) * | 2010-04-08 | 2011-10-13 | Vestas Wind Systems A/S | Method and system for forecasting wind energy |
CN109740790A (zh) * | 2018-11-28 | 2019-05-10 | 国网天津市电力公司 | 一种基于时序特征提取的用户用电量预测方法 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
US10719636B1 (en) * | 2014-02-03 | 2020-07-21 | Clean Power Research, L.L.C. | Computer-implemented system and method for estimating gross energy load of a building |
CN111815054A (zh) * | 2020-03-31 | 2020-10-23 | 浙江大学 | 基于大数据的工业蒸汽热网短期负荷预测方法 |
CN111968707A (zh) * | 2020-08-07 | 2020-11-20 | 上海交通大学 | 基于能量的原子结构与电子密度图多目标优化拟合预测方法 |
CN112183627A (zh) * | 2020-09-28 | 2021-01-05 | 中星技术股份有限公司 | 生成预测密度图网络的方法和车辆年检标数量检测方法 |
WO2021213192A1 (zh) * | 2020-04-22 | 2021-10-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测系统 |
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 |
CN115809942A (zh) * | 2023-02-06 | 2023-03-17 | 四川智源能诚售电有限公司 | 用电量数据预测方法、装置及存储介质 |
CN116090602A (zh) * | 2022-11-30 | 2023-05-09 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 一种用电负荷预测方法及系统 |
CN116091110A (zh) * | 2022-11-16 | 2023-05-09 | 北京京东振世信息技术有限公司 | 资源需求量预测模型训练方法、预测方法及装置 |
CN116780536A (zh) * | 2023-08-23 | 2023-09-19 | 山东未来互联科技有限公司 | 基于机器学习的能耗预测方法及系统 |
CN117273376A (zh) * | 2023-10-18 | 2023-12-22 | 北京恒华伟业科技股份有限公司 | 一种电量预测方法、系统、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9337656B2 (en) * | 2010-04-08 | 2016-05-10 | Vestas Wind Systems A/S | Method and system for forecasting wind energy |
US10268795B2 (en) * | 2017-04-20 | 2019-04-23 | Taiwan Semiconductor Manufacturing Company Ltd. | Method and system for timing optimization with detour prediction |
EP3958965A4 (en) * | 2019-04-26 | 2023-01-11 | Spectronic AB | GENERATION OF SYNTHETIC ELECTRON DENSITY IMAGES FROM MAGNETIC RESONANCE IMAGES |
-
2023
- 2023-12-25 CN CN202311787189.9A patent/CN117495434B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011124226A1 (en) * | 2010-04-08 | 2011-10-13 | Vestas Wind Systems A/S | Method and system for forecasting wind energy |
US10719636B1 (en) * | 2014-02-03 | 2020-07-21 | Clean Power Research, L.L.C. | Computer-implemented system and method for estimating gross energy load of a building |
CN109740790A (zh) * | 2018-11-28 | 2019-05-10 | 国网天津市电力公司 | 一种基于时序特征提取的用户用电量预测方法 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
CN111815054A (zh) * | 2020-03-31 | 2020-10-23 | 浙江大学 | 基于大数据的工业蒸汽热网短期负荷预测方法 |
WO2021213192A1 (zh) * | 2020-04-22 | 2021-10-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测系统 |
CN111968707A (zh) * | 2020-08-07 | 2020-11-20 | 上海交通大学 | 基于能量的原子结构与电子密度图多目标优化拟合预测方法 |
CN112183627A (zh) * | 2020-09-28 | 2021-01-05 | 中星技术股份有限公司 | 生成预测密度图网络的方法和车辆年检标数量检测方法 |
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 |
CN116091110A (zh) * | 2022-11-16 | 2023-05-09 | 北京京东振世信息技术有限公司 | 资源需求量预测模型训练方法、预测方法及装置 |
CN116090602A (zh) * | 2022-11-30 | 2023-05-09 | 国网内蒙古东部电力有限公司供电服务监管与支持中心 | 一种用电负荷预测方法及系统 |
CN115809942A (zh) * | 2023-02-06 | 2023-03-17 | 四川智源能诚售电有限公司 | 用电量数据预测方法、装置及存储介质 |
CN116780536A (zh) * | 2023-08-23 | 2023-09-19 | 山东未来互联科技有限公司 | 基于机器学习的能耗预测方法及系统 |
CN117273376A (zh) * | 2023-10-18 | 2023-12-22 | 北京恒华伟业科技股份有限公司 | 一种电量预测方法、系统、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Understanding energy demand behaviors through spatio-temporal smart meter data analysis;niu zhibin等;《Elsevier》;20210407;全文 * |
Understanding multi-scale spatiotemporal energy consumption data:A visual analysis approach;Wu junqi等;《Elsevier》;20221104;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117495434A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ku | Incorporating spatial regression model into cellular automata for simulating land use change | |
CN105740991B (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
US20170076304A1 (en) | Spatial modeling and other data analytics enabled energy platform | |
Weng et al. | Probabilistic baseline estimation based on load patterns for better residential customer rewards | |
Reston Filho et al. | Energy price prediction multi-step ahead using hybrid model in the Brazilian market | |
Wang et al. | Deepsolar++: understanding residential solar adoption trajectories with computer vision and technology diffusion models | |
Hou et al. | Damage prediction of 10 kV power towers in distribution network under typhoon disaster based on data-driven model | |
US20170077870A1 (en) | Aggregation management apparatus and aggregation management method | |
El Bakali et al. | Day-ahead seasonal solar radiation prediction, combining VMD and STACK algorithms | |
CN117495434B (zh) | 电能需求预测方法、模型训练方法、装置及电子设备 | |
Xu et al. | Objective Bayesian analysis for linear degradation models | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
Xu et al. | Interpretable transformer-based model for probabilistic short-term forecasting of residential net load | |
CN116091249A (zh) | 交易风险的评估方法、装置、电子设备和介质 | |
Kefeng et al. | CNN Based No‐Reference HDR Image Quality Assessment | |
CN114757700A (zh) | 物品销量预测模型训练方法、物品销量预测方法及装置 | |
Rolfe | A simple guide to choice modelling and benefit transfer | |
CN116228316A (zh) | 投放选址的确定方法、装置、电子设备及可读存储介质 | |
Shen et al. | An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed | |
Fuentes-Andino et al. | Exploring the potential for parameter transfer from daily to hourly time step in the HYPE model for Sweden | |
CN116539006B (zh) | 径流预测方法、装置、计算机设备和存储介质 | |
Pan et al. | Reliable precipitation nowcasting using probabilistic diffusion model | |
Ling et al. | Diffusion Model-based Probabilistic Downscaling for 180-year East Asian Climate Reconstruction | |
Amendola et al. | A neural network ensemble downscaling system (SIBILLA) for seasonal forecasts over Italy: winter case studies | |
Ghosh et al. | Estimating the information and technology development index (IDI) using nighttime satellite imagery |
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 |