WO2022143021A1 - 神经网络的生成方法、功率预测方法、装置和存储介质 - Google Patents

神经网络的生成方法、功率预测方法、装置和存储介质 Download PDF

Info

Publication number
WO2022143021A1
WO2022143021A1 PCT/CN2021/135801 CN2021135801W WO2022143021A1 WO 2022143021 A1 WO2022143021 A1 WO 2022143021A1 CN 2021135801 W CN2021135801 W CN 2021135801W WO 2022143021 A1 WO2022143021 A1 WO 2022143021A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
generator
discriminator
power consumption
time series
Prior art date
Application number
PCT/CN2021/135801
Other languages
English (en)
French (fr)
Inventor
江思伟
袁宏亮
林栋�
王珺
Original Assignee
沃太能源股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 沃太能源股份有限公司 filed Critical 沃太能源股份有限公司
Publication of WO2022143021A1 publication Critical patent/WO2022143021A1/zh

Links

Images

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
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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

Definitions

  • An embodiment of the present invention also provides a power consumption prediction device, including the following modules: a data acquisition module, configured to acquire a time series ⁇ X 0 , X 1 , . . . , X t- for characterizing power consumption 1 ,X n ⁇ , where n is a natural number; the prediction module is used to input the time series ⁇ X 0 ,X 1 ,...,X t-1 ,X n ⁇ into the above generator to obtain the power consumption Power X n+1 .
  • a data acquisition module configured to acquire a time series ⁇ X 0 , X 1 , . . . , X t- for characterizing power consumption 1 ,X n ⁇ , where n is a natural number
  • the prediction module is used to input the time series ⁇ X 0 ,X 1 ,...,X t-1 ,X n ⁇ into the above generator to obtain the power consumption Power X n+1 .
  • An embodiment of the present invention provides a method for generating a neural network, as shown in FIG. 4 , including the following steps:
  • Step 402 Create an adversarial generative neural network, the adversarial generative neural network includes a generator and a discriminator, the generator is used to receive ⁇ X 0 , X 1 ,..., X t-1 , X t ⁇ and generate Y t+1 , the discriminator for receiving ⁇ X 0 , X 1 , . . .
  • a Recurrent Neural Network (RNN) layer is used as the input layer, the middle layer accepts the features generated by the RNN layer, and then is used as input to the output layer, and the output layer is dense layer, the generator takes ⁇ X 0 , X 1 , . . . , X t-1 , X t ⁇ as conditional windows.
  • the RNN layer is a type of recurrent neural network that takes sequence data as input, performs recursion in the evolution direction of the sequence, and connects all nodes (recurrent units) in a chain.
  • the dense layer obtains many features through convolution and pooling, and each node of the dense layer is connected with these feature nodes to form a dense layer.
  • the role of the dense layer is to classify. Simply put, each feature node holds a certain weight to determine which category the input belongs to, and finally the weights of all features jointly determine the weight or probability of the category to which the input belongs.
  • V(D, G) are -0.1505, -0.1398 , -0.1297
  • maxV(D, G) is -0.1297
  • maxV(D, G) is -0.1297, which is obtained by multiple different probability dependencies, minmaxV(D, G) is -0.1398, then keep this Probability distribution in this case and determine Y t+1 to be 1.2.
  • a training module for creating an adversarial generative neural network comprising a generator and a discriminator, the generator for receiving ⁇ X 0 ,X 1 ,...,X t-1 ,X t ⁇ and generate Y t+1 , the discriminator for receiving ⁇ X 0 , X 1 , . ,X 1 ,...,X t-1 ,X t ⁇ as conditions, the probability P of Y t+1 is obtained, the loss value is obtained based on the probability P, and the generator and discriminator are determined based on the loss value. device to improve.
  • Embodiment 3 of the present invention provides an apparatus for generating a neural network for ultra-short-term load prediction, including a memory, a processor, and a computer program stored in the memory and running on the processor, the processor executing the The program implements the steps of the method in the first embodiment.
  • Embodiment 6 of the present invention provides a device for predicting power consumption, including the following modules:
  • the prediction module is used for inputting the time series ⁇ X 0 , X 1 , . . . , X t-1 , X n ⁇ into the generator in the first embodiment to obtain the power consumption X n+1 .
  • FIG. 5 is a schematic diagram of yet another apparatus for generating a neural network for ultra-short-term load prediction according to an embodiment of the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种神经网络的生成方法、功率预测方法、装置和存储介质，该生成方法包括：获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t（401）；创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进（402）。该生成方法能够生成用于超短期负荷预测的神经网络。

Description

神经网络的生成方法、功率预测方法、装置和存储介质 技术领域
本发明涉及计算机领域，尤其涉及神经网络的生成方法、功率预测方法、装置和存储介质。
背景技术
超短期负荷预测是指未来1至2小时以内的负荷预测，预测结果的分辨率一般为分钟级，主要用于安全监视、预防性控制和紧急状态处理，主要用于电力系统实时调度提供决策依据。超短期预测在储能行业有较大的应用，储能系统的用户分为工商业用户和户用用户，工商业用户每月支付的基础费用由负荷峰值功率决定，利用储能设备在负荷高峰时放电，可以降低从电网用电的峰值功率，从而降低企业基础电费，为企业带来经济收益。根据企业历史负荷时间序列数据，在给定系统设备基本属性的前提下，对企业未来分钟级的负荷情况进行超短期负荷预测，并得到相应最优需量值。
超短期负荷预测通常采用的思路是利用负荷数据的周期性,基于最近数日负荷数据在相同时段内变化的相近特性,分析预测时刻负荷和前面若干时刻负荷的内在规律,构成相关特性。其中最近数日可以扩展为相似日。预测时刻负荷和前面若干时刻负荷的内在规律可通过线性、非线性回归、模型辨识、神经网络逼近等方法获得。这样就形成了各种不同的预测算法,如线性外推法、时间序列法、卡尔曼滤波法、人工神经网络法等。近年来国内外学者在以上传统超短期负荷预测方法的基础上,又提出了许多改进的超短期负荷预测方法取得了良好的效果。
因此，设计一种用于超短期负荷预测的方法，就成为一个亟待解决的问题。
发明内容
有鉴于此，本发明的主要目的在于提供神经网络的生成方法、功率预测方法、装置和存储介质。
为达到上述目的，本发明的技术方案是这样实现的：一种用于超短期负荷预测的神经网络的生成方法，包括以下步骤：获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。
作为本发明实施例的一种改进，所述“获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t}”具体包括：获取训练数据，剔除训练数据中的异常数据并进行归一化处理，之后将剩余的训练数据以时间顺序排列、得到时间序列{X 0,X 1,...,X t-1,X t}。
作为本发明实施例的一种改进，在所述生成器中，以RNN层作为输入层，中间层接受RNN层所生成的特征，然后再作为输入给输出层，输出层为稠密层，所述生成器以{X 0,X 1,...,X t-1,X t}作为条件窗口。
作为本发明实施例的一种改进，所述鉴别器包括经过RNN层和稠密层，且将{X 0,X 1,...,X t-1,X t}和X t+1作为输入，分别经过RNN层和稠密层，输出X t+1和Y t+1之间的差值，然后基于所述差值得到以{X 0,X 1,...,X t-1,X t}作为条件时，得到Y t+1的概率P。
作为本发明实施例的一种改进，所述对抗生成神经网络的损失函数为：
Figure PCTCN2021135801-appb-000001
其中，P＝Y t+1|{X 0,X 1,...,X t}，Min表示最小值，max表示最大值，
Figure PCTCN2021135801-appb-000002
表示基 于X t+1的依赖所得的概率对应的整体损失函数值。
本发明实施例还提供了一种用于超短期负荷预测的神经网络的生成装置，包括以下模块：数据模块，用于获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；训练模块，用于创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。
本发明实施例还提供了一种用于超短期负荷预测的神经网络的生成装置，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，其特征在于，所述处理器执行所述程序时实现上述方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例还提供了一种耗电功率的预测方法，包括以下步骤：获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X n}，其中，n为自然数；将时间序列{X 0,X 1,...,X t-1,X n}输入到上述生成器中，得到耗电功率X n+1。
本发明实施例还提供了一种耗电功率的预测装置，包括以下模块：数据获取模块，用于获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X n}，其中，n为自然数；预测模块，用于将时间序列{X 0,X 1,...,X t-1,X n}输入到上述的生成器中，得到耗电功率X n+1。
本发明实施例所提供的神经网络的生成方法、功率预测方法、装置和存储介质具有以下优点：本发明实施例公开了一种神经网络的生成方法、功率预测方法、装置和存储介质，该生成方法包括：获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间 隔小于等于一分钟，i和t为自然数，0≤i≤t；创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。从而能够生成用于超短期负荷预测的神经网络。
附图说明
图1为本发明实施例提供的一种神经网络的原理图；
图2为本发明实施例提供的一种生成器的原理图；
图3为本发明实施例提供的一种鉴别器的原理图；
图4为本发明实施例提供的一种神经网络的生成方法的流程示意图；
图5为本发明实施例提供的一种神经网络的生成装置的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明实施例提供了一种神经网络的生成方法，如图4所示，包括以下步骤：
步骤401：获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；这里，该时间序列{X 0,X 1,...,X t-1,X t,X t+1}是指将同一统计指标的数值(即某个工商业用户和户用用户的耗电功率)按其发生的时间先后顺序排列而成的数列。例如，在过去某个时间段内，每隔一个预设时间(例 如，一分钟等)就统计一下，在上次统计之后到现在的耗电量，然后在按照时间顺序进行排列，就会得到该时间序列{X 0,X 1,...,X t-1,X t,X t+1}。
步骤402：创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。
对抗生成神经网络(Generative Adversarial Net，GAN)是一种深度学习神经网络，其核心思想源于博弈论的纳什均衡，由一个生成器G和一个鉴别器D组成。在本实施例中，生成器G接收一个真实的时间序列{X 0,...,X i}和随机的噪声Z，并输出一张假的耗电功率Y i+1；鉴别器接收一个真实的时间序列{X 0,...,X i}、真实的耗电功率X i+1和假的耗电功率Y i+1，并且判断出Y i+1为真实的概率。在训练的过程中，生成器G的目标就是尽量生成真实的耗电功率Y i+1去欺骗鉴别器D，让鉴别器无法判断Y i+1的真假。因此，在经过多次的训练之后，生成器G所生成的Y t+1越来越接近于X t+1。
本实施例中，所述“获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t}”具体包括：获取训练数据，剔除训练数据中的异常数据并进行归一化处理，之后将剩余的训练数据以时间顺序排列、得到时间序列{X 0,X 1,...,X t-1,X t}。这里，在对在过去某个时间段内的用电量进行统计时，有可能会统计到异常的用电量数据(例如，数值过大等)，则需要将这些异常的用电量数据给剔除掉，然后，有可能不同时间段的用电量所用的量纲等是不一样的，此时，就需要进行归一化处理。
本实施例中，在所述生成器中，以循环神经网络(Recurrent Neural Network,RNN)层作为输入层，中间层接受RNN层所生成的特征，然后再作为输入给输出层，输出层为稠密层，所述生成器以{X 0,X 1,...,X t-1,X t}作为条件窗口。这里，RNN层是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。稠密层为通过卷积和池化，然后得到了众多特征，稠密层的每一个节点都与这些特征节点相连构成稠密层。稠密层的作用就是分类。简单的说就是每一个特征节点手里握着一定的权重来决定输入是属于那个分类，最终全部特征的权重共同决定了输入所属分类的权重或概率。
本实施例中，所述鉴别器包括经过RNN层和稠密层，且将{X 0,X 1,...,X t-1,X t}和X t+1作为输入，分别经过RNN层和稠密层，输出X t+1和Y t+1之间的差值，然后基于所述差值得到以{X 0,X 1,...,X t-1,X t}作为条件时，得到Y t+1的概率P。。
本实施例中，所述对抗生成神经网络的损失函数为：
Figure PCTCN2021135801-appb-000003
其中，P＝Y t+1|{X 0,X 1,...,X t}，Min表示最小值，max表示最大值，
Figure PCTCN2021135801-appb-000004
表示基于X t+1的依赖所得的概率对应的整体损失函数值。
这里，Min表示最小值，max表示最大值，先计算
Figure PCTCN2021135801-appb-000005
的最大值，再在这群最大值中挑选出最小的值。
这里，举一个具体的例子，存在一时间序列数据{1，1.2，2.2，1.6，2.4}，由初步概率依赖计算，假设下一时刻Y t+1可能为2.5，1.2，1.7等的 概率分别为1/4,1/5，1/3，则V(D,G)的值分别为-0.15，-0.1398，-0.159，maxV(D,G)的值为-0.1398，对时间序列坐进一步的计算，下一时刻Y t+1可能为2.3，1.5,1.8等的概率分别为1/2,1/5，1/6，则V(D,G)的值分别为-0.1505，-0.1398，-0.1297，maxV(D,G)的值为-0.1297，则maxV(D,G)的值为-0.1297，多次不同概率依赖求得，minmaxV(D,G)为-0.1398，则保留此种情况下的概率分布并确定Y t+1为1.2。
本发明实施例二提供了一种用于超短期负荷预测的神经网络的生成装置，包括以下模块：
数据模块，用于获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；
训练模块，用于创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。
本发明实施例三提供了一种用于超短期负荷预测的神经网络的生成装置，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实施例一中的方法的步骤。
本发明实施例四提供了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实施例一中的方法的步骤。
本发明实施例五提供了一种耗电功率的预测方法，包括以下步骤：
获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X n}，其中，n为自然数；
将时间序列{X 0,X 1,...,X t-1,X n}输入到实施例一中的生成器中，得到耗电功率X n+1。
本发明实施例六提供了一种耗电功率的预测装置，包括以下模块：
数据获取模块，用于获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X n}，其中，n为自然数；
预测模块，用于将时间序列{X 0,X 1,...,X t-1,X n}输入到实施例一中的生成器中，得到耗电功率X n+1。
图5为本发明实施例提供的再一种用于超短期负荷预测的神经网络的生成装置的示意图。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、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. 一种用于超短期负荷预测的神经网络的生成方法，其特征在于，包括以下步骤：
    获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；
    创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。
  2. 根据权利要求1所述的生成方法，其特征在于，所述“获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t}”具体包括：
    获取训练数据，剔除训练数据中的异常数据并进行归一化处理，之后将剩余的训练数据以时间顺序排列、得到时间序列{X 0,X 1,...,X t-1,X t}。
  3. 根据权利要求1所述的生成方法，其特征在于：
    在所述生成器中，以RNN层作为输入层，中间层接受RNN层所生成的特征，然后再作为输入给输出层，输出层为稠密层，所述生成器以{X 0,X 1,...,X t-1,X t}作为条件窗口。
  4. 根据权利要求1所述的生成方法，其特征在于：
    所述鉴别器包括经过RNN层和稠密层，且将{X 0,X 1,...,X t-1,X t}和X t+1作为输入，分别经过RNN层和稠密层，输出X t+1和Y t+1之间的差值，然后基于所述差值得到以{X 0,X 1,...,X t-1,X t}作为条件时，得到Y t+1的概率P。
  5. 根据权利要求1所述的生成方法，其特征在于，所述对抗生成神经网络的损失函数为：
    Figure PCTCN2021135801-appb-100001
    其中，P＝Y t+1|{X 0,X 1,...,X t}，Min表示最小值，max表示最大值，
    Figure PCTCN2021135801-appb-100002
    表示基 于X t+1的依赖所得的概率对应的整体损失函数值。
  6. 一种用于超短期负荷预测的神经网络的生成装置，其特征在于，包括以下模块：
    数据模块，用于获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X t,X t+1}，其中，X i和X i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；
    训练模块，用于创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X 0,X 1,...,X t-1,X t}并生成Y t+1，所述鉴别器用于接收{X 0,X 1,...,X t-1,X t}、X t+1和Y t+1，且能够输出以{X 0,X 1,...,X t-1,X t}作为条件时、得到Y t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。
  7. 一种用于超短期负荷预测的神经网络的生成装置，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，其特征在于，所述处理器执行所述程序时实现权利要求1至5任一项所述方法的步骤。
  8. 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5任一项所述方法的步骤。
  9. 一种耗电功率的预测方法，其特征在于，包括以下步骤：
    获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X n}，其中，n为自然数；
    将时间序列{X 0,X 1,...,X t-1,X n}输入到权利要求1-5任一项所述的生成器中，得到耗电功率X n+1。
  10. 一种耗电功率的预测装置，其特征在于，包括以下模块：
    数据获取模块，用于获取用于表征耗电功率的时间序列{X 0,X 1,...,X t-1,X n}，其中，n为自然数；
    预测模块，用于将时间序列{X 0,X 1,...,X t-1,X n}输入到权利要求1-5任 一项所述的生成器中，得到耗电功率X n+1。
PCT/CN2021/135801 2020-12-29 2021-12-06 神经网络的生成方法、功率预测方法、装置和存储介质 WO2022143021A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011591682.XA CN112598188A (zh) 2020-12-29 2020-12-29 神经网络的生成方法、功率预测方法、装置和存储介质
CN202011591682.X 2020-12-29

Publications (1)

Publication Number Publication Date
WO2022143021A1 true WO2022143021A1 (zh) 2022-07-07

Family

ID=75203830

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/135801 WO2022143021A1 (zh) 2020-12-29 2021-12-06 神经网络的生成方法、功率预测方法、装置和存储介质

Country Status (2)

Country Link
CN (1) CN112598188A (zh)
WO (1) WO2022143021A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598188A (zh) * 2020-12-29 2021-04-02 沃太能源南通有限公司 神经网络的生成方法、功率预测方法、装置和存储介质
CN113869501B (zh) * 2021-10-19 2024-06-18 京东科技信息技术有限公司 神经网络的生成方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428355A (zh) * 2020-03-18 2020-07-17 东南大学 一种电力负荷数字统计智能综合的建模方法
CN111738521A (zh) * 2020-06-24 2020-10-02 山东大学 非侵入式电力负荷监测序列生成方法、系统、设备及介质
CN111950868A (zh) * 2020-07-28 2020-11-17 国网电力科学研究院有限公司 一种基于生成对抗网络的综合能源系统负荷场景生成方法
CN112598188A (zh) * 2020-12-29 2021-04-02 沃太能源南通有限公司 神经网络的生成方法、功率预测方法、装置和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN111445007B (zh) * 2020-03-03 2023-08-01 平安科技（深圳）有限公司 对抗生成神经网络的训练方法及系统
CN111930728B (zh) * 2020-06-30 2023-11-24 广州洪森科技有限公司 一种设备的特征参数和故障率的预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428355A (zh) * 2020-03-18 2020-07-17 东南大学 一种电力负荷数字统计智能综合的建模方法
CN111738521A (zh) * 2020-06-24 2020-10-02 山东大学 非侵入式电力负荷监测序列生成方法、系统、设备及介质
CN111950868A (zh) * 2020-07-28 2020-11-17 国网电力科学研究院有限公司 一种基于生成对抗网络的综合能源系统负荷场景生成方法
CN112598188A (zh) * 2020-12-29 2021-04-02 沃太能源南通有限公司 神经网络的生成方法、功率预测方法、装置和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ALIREZA KOOCHALI; PETER SCHICHTEL; SHERAZ AHMED; ANDREAS DENGEL: "Probabilistic Forecasting of Sensory Data with Generative Adversarial Networks - ForGAN", ARXIV.ORG, 29 March 2019 (2019-03-29), pages 1 - 13, XP081159788 *

Also Published As

Publication number Publication date
CN112598188A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
WO2022143021A1 (zh) 神经网络的生成方法、功率预测方法、装置和存储介质
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN110807550A (zh) 基于神经网络的配变重过载识别预警方法及终端设备
CN106529732A (zh) 基于神经网络与随机前沿分析的碳排放效率预测方法
CN110826237B (zh) 基于贝叶斯信念网络的风电设备可靠性分析方法及装置
Samet et al. Evaluation of neural network-based methodologies for wind speed forecasting
CN113988398A (zh) 一种风电机组功率预测方法、装置、电子设备和存储介质
CN112069666A (zh) 一种基于概率潮流法的电网短期可靠性评估方法
Zhang Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
Zhang et al. Deep lstm and gan based short-term load forecasting method at the zone level
CN113128130B (zh) 一种判断直流配电系统稳定性的实时监测方法及装置
CN114904655A (zh) 一种单电场节能控制方法及装置
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
Wang et al. Renewable scenario generation based on improved generative adversarial networks
Wang et al. Short term load forecasting: A dynamic neural network based genetic algorithm optimization
Fu et al. Arrears prediction for electricity customer through Wgan-Gp
Liu et al. Short-term power load forecasting in FGSM-Bi-LSTM networks based on empirical wavelet transform
CN113487062A (zh) 一种基于周期自动编码器的电力负荷预测方法
Zhang Research of boosting algorithm machine learning in logistics enterprise financial risk prediction
Kunqiao et al. Short-term load forecasting based on ELM combined model
Qin et al. An application of improved BP neural network in personal credit scoring
Qin et al. Cnn-gru-attention based short-term load forecasting of distribution networks
CN117633456B (zh) 基于自适应焦点损失的海上风电天气事件辨识方法和装置
Jiang et al. Short-Term Load Forecasting Method for AC/DC Distribution System Based on Ensemble Learning

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21913762

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21913762

Country of ref document: EP

Kind code of ref document: A1