CN111461377A - 用于能源总需求量的预测方法/***、存储介质及设备 - Google Patents
用于能源总需求量的预测方法/***、存储介质及设备 Download PDFInfo
- Publication number
- CN111461377A CN111461377A CN201910046186.7A CN201910046186A CN111461377A CN 111461377 A CN111461377 A CN 111461377A CN 201910046186 A CN201910046186 A CN 201910046186A CN 111461377 A CN111461377 A CN 111461377A
- Authority
- CN
- China
- Prior art keywords
- sequence
- matrix
- neural network
- user
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 120
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000005265 energy consumption Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000000306 recurrent effect Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012423 maintenance 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
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于能源总需求量的预测方法/***、存储介质及设备，利用相关系数最大化的最大化矩阵按关联程度排列用户能源使用量数据，并利用该最大化矩阵训练神经网络提取各用户能源使用量序列内部与之间的关联性等特征，能够使得构建的预测模型能更精准的预测各用户的能源总需求量。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种用于能源总需求量的预测方法/计算***、存储介质及设备。
背景技术
能源生产商通常通过统计各能源使用用户的能源需求量，合计得到能源总需求量，在统计过程中，各能源使用用户为以备不时之需，申报的能源需求量往往大于实际需求量，当能源生产商为较多能源使用用户供应能源时，各用户的申报总量会远远超出最终的实际总使用量，造成极大的资源浪费，若能源生产商无依据的降低生产量，能源生产用户则需要承担能源断供的责任风险。
发明内容
鉴于上述现有技术的缺点，本发明的主要目的在于提供一种用于能源总需求量的预测方法/***、存储介质及设备，以提高预测结果的准确性。
为实现上述目的及其他相关目的，本发明技术方案如下：
一种用于能源总需求量的预测方法，包括：
获取已有数据，并输出最大化矩阵；
将所述最大化矩阵输入到预先构建的神经网络中，并输出各用户的能源总需求量预测结果；
其中，所述已有数据包括各用户的历史使用量，输出所述最大化矩阵的方法包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。
可选的，计算并筛选出所述序列矩阵中相关系数最大的所述最大化矩阵的方法包括：先计算任意两个用户的所述历史使用序列之间的相关系数，再根据任意两个用户的所述历史使用序列之间的相关系数计算每个所述序列矩阵的相关系数。
可选的，任意两个用户的所述历史使用序列之间的相关系数计算公式为：
其中，i表示当前天数，n表示指总天数，x表示其中任一个用户，
表示用户x在1～n天的平均使用量，y表示除x以外的任一个用户，
表示用户y在1～n天的平均使用量，rx,y表示用户x和用户y的相关系数。若i的取值为1～n中的任一天，则用户x在1～n天期间的历史使用量序列为(x1,x2,····,xn)，用户y在1～n天期间的历史使用量序列为(y1,y2,····,yn)。
可选的，计算所述序列矩阵的相关系数的方法包括：忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数。
可选的，所述序列矩阵的相关系数计算公式为：
其中，N表示指单个用户在序列矩阵中的排列顺序。
可选的，若忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数后，两个或两个以上的所述序列矩阵之间的相关系数相等，则重新计算各序列矩阵的相关系数，并在重新计算时依序递增所述序列矩阵中距离大于3的历史使用序列之间的相关系数。
可选的，计算筛选所述最大化矩阵的方法包括暴力穷举算法。
可选的，计算筛选所述最大化矩阵的方法包括贪心算法。
可选的，在配置序列矩阵前，验证每个用户的历史使用量序列是否满足正态分布，若不满足，则需进行数据调整使所述历史使用量序列满足正态分布。
可选的，进行数据调整使所述历史使用量序列满足正态分布的方法包括对数变换和/或平方根变换。
可选的，所述序列矩阵包括二维矩阵或多维矩阵。
可选的，所述序列矩阵为多维矩阵，所述已有数据还包括各用户的历史能源预订量数据、各用户的检修日数据和各用户节假日数据中的一种或多种，配置形成所述序列矩阵的方法，还包括添加各用户的预定量序列、检修日序列和节假日序列中的一种或多种，一个所述预订量序列通过将单个用户的历史能源预订量按时序排列形成，一个所述检修日序列通过将单个用户的检修安排按时序排列形成，还包括添加各用户的节假日序列，一个所述节假日序列通过将单个用户的放假安排按时序排列形成。
可选的，所述历史使用量序列中的数据大于50个。
可选的，所述的能源总需求量预测方法，还包括对所述神经网络进行训练，训练方法包括：
设定所述神经网络的参数，
在所述最大化矩阵中，随机截取一连续时间段内各用户的历史能源使用量作为训练样本；
将所述训练样本依次输入至所述神经网络中，并根据所述神经网络基于所述训练样本的输出结果，对参数进行调整，直至所述输出结果的误差度低于预期的阈值。
可选的，所述神经网络包括卷积神经网络和循环神经网络，将所述训练样本依次输入所述神经网络进行训练的方法包括：
将所述训练样本输入所述卷积神经网络提取局部特征；
所述局部特征输入所述循环神经网络提取时序特征，并输出结果。
可选的，所述神经网络的参数包括：
所述连续时间段的天数；
所述卷积神经网络的层数、卷积大小及网络构架中的一种或多种；及
所述循环神经网络中的隐藏层层数、神经元个数及网络结构中的一种或多种。
可选的，所述循环神经网络包括长短期记忆网络、门控循环神经网络、神经图灵机中的一种。
可选的，将所述最大化矩阵输入预先构建的所述神经网络进行训练的方法还包括：利用损失函数和/或梯度优化算法优化所述神经网络。
本发明还提供一种用于能源总需求量的预测***，包括：
最大化矩阵计算单元，其用于获取已有数据，并输出最大化矩阵，
神经网络，其用于获取所述最大化矩阵，并输出各用户的能源总需求量预测结果；
其中，所述已有数据包括各用户的历史使用量，所述最大化矩阵计算单元输出所述最大化矩阵的操作包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。
可选的，所述神经网络包括：
输入矩阵生成单元，其用于截取所述最大化矩阵中一连续时间段内各用户的历史能源使用量数据，形成输入矩阵；
卷积神经网络，其用于提取所述输入矩阵的局部特征；及
循环神经网络，其用于从所述卷积神经网络的输出结果中提取时序特征，输出预测结果。
一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求3～20中的任一项所述用于能源总需求量的预测方法。
一种设备，包括处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求3～20中的任一项所述的用于能源总需求量的预测方法。
本发明的用于能源总需求量的预测方法/***、存储介质及设备，利用相关系数最大化的最大化矩阵按关联程度排列用户能源使用量数据识别各用户之间能源使用量的关联性，并利用该最大化矩阵训练神经网络提取各用户能源使用量序列内部与之间的关联性等特征，能够使得构建的预测模型能更精准的预测各用户的能源总需求量。
附图说明
图1显示为本发明的能源总需求量预测***的结构框图；
图2显示为本发明中神经网络的网络结构图；
图3显示为本发明的能源总需求量预测的流程图；
图4显示为本发明中进行神经网络训练的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
为了清楚、明白的描述本发明各实施例的内容，首先重点描述一下本发明的发明构思：
能源生产用户通常通过将各能源使用用户上报的能源需求量相加得到能源总需求量，并以该能源总需求量作为生产计划，但能源使用用户的在上报过程中大多数存在多报现象，导致上报的总需求量远超过最终的实际使用量，造成能源浪费。如果利用传统的算法对需求量进行预测，部分算法过于复杂，部分算法预测的结果不够精准，本发明主要通过利用各用户的历史使用数据，获得相关系数最大的最大化矩阵，并将该最大化矩阵作为预测总能源需求量的输入项，使得预测结果能够考虑到各用户之间能源使用量的关联性，从而使得预测结果更准确。其中，各用户之间的关联性可以是上下游企业用户之间的能源使用量的关联性，也可以是具有竞争关系的用户之间的能源使用量的关联性，该关联性不仅限于这两种关联性，也可以是其他形式的关联性。
参见图3，本发明提供一种用于能源总需求量的预测方法，该方法包括：
210、由一个或多个计算设备获取已有数据，并输出最大化矩阵；
220、由一个或多个计算设备将所述最大化矩阵输入到预先构建的神经网络中，并输出各用户(例如企业或家庭)的能源总需求量预测结果；
其中，所述已有数据包括各用户的历史使用量，在步骤210中，输出所述最大化矩阵的方法包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。
本实施例还提供一种存储介质，其上存储有上述和下述方法对应的计算机程序，该程序被处理器执行时实现上述及下述任一种所述用于能源总需求量的预测方法。
本实施例中的存储介质，本领域普通技术人员可以理解：实现本说明书各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括本说明书中各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
其中，该历史使用量序列可以是行向量，也可以是列向量，若该历史使用向量是行向量，在创建序列矩阵时，则可对各用户的历史使用量进行上下排序，若该历史使用量是列向量，在创建序列矩阵时，则可对各用户的历史使用量进行左右排序。
例如，能源使用用户包含用户a、用户b、用户c……用户p，n是指总天数，则用户a的历史使用量序列可以为(a1,a2····ai····an)，创建的序列矩阵包括矩阵一：
(a1,a2····ai····an)
(b1,b2····bi····bn)
(c1,c2····ci····cn)
....
(p1,p2····pi····pn)
创建的序列矩阵还包括将各用户的历史使用量序列进行随机排序后的其他序列。
本实施例中，在配置序列矩阵前，需验证每个用户的历史使用量序列是否满足正态分布，若不满足，则需进行数据调整使所述历史使用量序列满足正态分布。具体的，进行数据调整使所述历史使用量序列满足正态分布的方法可以包括对数变换和/或平方根变换。
在一些实施例中，计算并筛选出序列矩阵中相关系数最大的最大化矩阵的方法包括：先计算任意两个用户的所述历史使用序列之间的相关系数，再根据任意两个用户的所述历史使用序列之间的相关系数计算每个所述序列矩阵的相关系数。
在一些实施例中，任意两个用户的所述历史使用序列之间的相关系数可通过皮尔逊相关系数计算公式进行计算，所述相关系数计算公式为：
其中，i表示当前天数，n表示指总天数，x表示其中任一个用户，
表示用户x在1～n天的平均使用量，y表示除x以外的任一个用户，
表示用户y在1～n天的平均使用量，rx,y表示用户x和用户y的相关系数。若i的取值为1～n中的任一天，则用户x在1～n天期间的历史使用量序列为(x1,x2,····,xn)，用户y在1～n天期间的历史使用量序列为(y1,y2,····,yn)。
在一些实施例中，所述序列矩阵的相关系数的计算方法包括：忽略所述序列矩阵中距离大于3的历史使用序列之间的相关系数。能够大幅减少数据处理量，且对最终预测结果的精确度影响很小。
具体的，在忽略所述序列矩阵中距离大于3的历史使用序列之间的相关系数后，所述序列矩阵的相关系数计算公式为：
其中，N是指单个用户在序列矩阵中的排列顺序。
在一些实施例中，若忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数后，两个或两个以上的所述序列矩阵之间的相关系数相等，则重新计算各序列矩阵的相关系数，并在重新计算时依序递增所述序列矩阵中距离大于3的历史使用序列之间的相关系数。若将两个历史使用序列的距离定义为d，则距离为d的各历史使用序列之间的相关系数计算公式为：
例如，当在忽略序列矩阵中距离大于3的历史使用序列之间的相关系数后，有两个序列矩阵的相关系数相等，则可以增加距离为4的历史使用序列之间的相关系数
重新计算各矩阵的相关系数，得到的相关系数计算公司为：
若增加了距离为4的历史使用序列之间的相关系数之后，仍有相关系数相等的序列矩阵，则在再次从新计算各矩阵的相关系数，并增加距离为5的历史使用序列之间的相关系数。
在一些实施例中，计算筛选所述最大化矩阵的方法包括暴力穷举算法，即计算所有序列矩阵的相关矩阵，选取相关系数最大的序列矩阵作为最大化矩阵。
在一些实施例中，计算筛选所述最大化矩阵的方法包括贪心算法，即计算当前序列矩阵的相关系数，然后随机调换任意两个用户的排序，计算调换后的序列矩阵的相关系数，如果调换后的序列矩阵的相关系数大于调换之前的序列剧矩阵的相关系数，则保留调换后的排序，反之，则保留调换前的排序，然后基于这一原则进行迭代，直至通过调换排序后相关系数的数值不再增加且调换的次数达到预设的次数阈值时，停止迭代。
在一些实施例中，所述序列矩阵可以是二维矩阵，即仅包含各用户及各用户的按时序排列的历史使用量序列。在另一些实施例中，该序列矩阵还可以是多维矩阵，所述已有数据还包括各用户的历史能源预订量数据、各用户的检修日数据和各用户节假日数据中的一种或多种，配置形成所述序列矩阵的方法，还包括添加各用户的预定量序列、检修日序列和节假日序列中的一种或多种，一个所述预订量序列通过将单个用户的历史能源预订量按时序排列形成，一个所述检修日序列通过将单个用户的检修安排按时序排列形成，还包括添加各用户的节假日序列，一个所述节假日序列通过将单个用户的放假安排按时序排列形成。。使得预测时，增加了预订量、检修日、及节假日等可能对使用量产生影响的因素，预测结果更准确。
在一些实施例中，该历史使用量序列中的数据大于50个，也就是n大于50，在实际实施过程中，一个历史使用量序列中的数据可以小于等于50个，也可以是60个、70个、80个、82个等任意大于50个的数量，当单个历史使用量序列中的数据大于50个时，能够保证构建预测模型的数据足够充足，使得历史使用量序列在进行数据处理后能够符合正态分布的需求。
参见图4，在一些实施例中，本发明的用于能源总需求量的预测方法还包括对该神经网络进行训练，训练方法包括：
221、设定所述神经网络的参数，
222、在所述最大化矩阵中，随机截取一连续时间段内各用户的历史能源使用量作为训练样本；
223、将所述训练样本依次输入至所述神经网络中，并根据所述神经网络基于所述训练样本的输出结果，对参数进行调整，
224、循环执行步骤221～223直至所述输出结果的误差度低于预期的阈值。
具体的，当历史使用量序列为行向量时，随机截取长度为c的列向量作为训练样本，若将输出结果定义为第t日的输出结果，则训练样本为第t-c天和第t-1天的各用户的历史使用量序列。
在一些实施例中，参见图4，所述神经网络包括卷积神经网络和循环神经网络，将所述训练样本依次输入所述神经网络进行训练的方法包括：
223a、将所述最大化矩阵输入所述卷积神经网络提取局部特征；
223b、所述局部特征输入所述循环神经网络提取时序特征，并输出结果。
其中，该卷积神经网络有利于提取特征时保留最大化矩阵中各数据之间的相关性，循环神经网络能够提取出时序特征，对卷积神经网络和循环神经网络组成的神经网络进行联合训练后，能够获得较其他类型神经网络更优异的预测模型，也就是获得更准确的预测结果。
在一些实施例中，所述神经网络的参数包括：
所述连续时间段的天数；
所述卷积神经网络的层数、卷积大小及网络构架中的一种或多种；及
所述循环神经网络中的隐藏层层数、神经元个数及网络结构中的一种或多种。在一些实施例中，所述循环神经网络可以包括长短期记忆网络(Long Short-Term Memory，LSTM)、门控循环神经网络(Gated Recurrent Unit，GRU)、神经图灵机(Neural TuringMachines，NTM)中的任意一种。本实施例中，所述循环神经网络为门控循环神经网络。
在一些实施例中，将所述最大化矩阵输入预先构建的所述神经网络进行训练的方法还包括：利用损失函数和/或梯度优化算法优化所述神经网络。能够提高预测模型的预测准确性。
参见图1，其显示为一种用于能源总需求量的预测***，包括：
最大化矩阵计算单元，其用于根据已有数据，输出最大化矩阵；
神经网络，其用于获取所述最大化矩阵，并输出各用户的能源总需求量预测结果；
其中，所述已有数据包括各用户的历史使用量，所述最大化矩阵计算单元输出所述最大化矩阵的操作包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。
在一些实施例中，参见图2，所述神经网络包括：
输入矩阵生成单元21，其用于截取所述最大化矩阵中一连续时间段内各用户的历史能源使用量数据，形成输入矩阵；
卷积神经网络22，其用于提取所述输入矩阵的局部特征；及
循环神经网络23，其用于从所述卷积神经网络的输出结果中提取时序特征，输出预测结果。
在实际实施过程中，该神经网络的组成不仅限于上述构成方式，也可以采用类型的构成方式，只要能够利用最大化矩阵对能源总需求量进行预测即可。
本实施例中，该循环神经网络为门控循环神经网络(Gated Recurrent Unit，GRU)，实际实施过程中，该循环神经网络可以是长短期记忆网络(Long Short-TermMemory，LSTM)、门控循环神经网络(Gated Recurrent Unit，GRU)、神经图灵机(NeuralTuring Machines，NTM)中的任意一种。
本发明还提供一种设备，包括处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行上述任一种所述用于能源总需求量的预测方法。
本实施例提供的设备，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使设备执行如上的能源总需求量预测方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (22)
1.一种用于能源总需求量的预测方法，其特征在于，包括
获取已有数据，并输出最大化矩阵；
将所述最大化矩阵输入到预先构建的神经网络中，并输出各用户的能源总需求量预测结果；
其中，所述已有数据包括各用户的历史使用量，输出所述最大化矩阵的方法包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。
2.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于，计算并筛选出所述序列矩阵中相关系数最大的所述最大化矩阵的方法包括：先计算任意两个用户的所述历史使用序列之间的相关系数，再根据任意两个用户的所述历史使用序列之间的相关系数计算每个所述序列矩阵的相关系数。
3.根据权利要求2所述的用于能源总需求量的预测方法，其特征在于，任意两个用户的所述历史使用序列之间的相关系数计算公式为：
其中，i表示当前天数，n表示指总天数，x表示其中任一个用户，
表示用户x在1～n天的平均使用量，y表示除x以外的任一个用户，
表示用户y在1～n天的平均使用量，rx,y表示用户x和用户y的相关系数。若i的取值为1～n中的任一天，则用户x在1～n天期间的历史使用量序列为(x1,x2,····,xn)，用户y在1～n天期间的历史使用量序列为(y1,y2,····,yn)。
4.根据权利要求3所述的用于能源总需求量的预测方法，其特征在于，计算所述序列矩阵的相关系数的方法包括：忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数。
5.根据权利要求4所述的用于能源总需求量的预测方法，其特征在于：所述序列矩阵的相关系数计算公式为：
其中，N表示指单个用户在序列矩阵中的排列顺序。
6.根据权利要求4所述的用于能源总需求量的预测方法，其特征在于：若忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数后，两个或两个以上的所述序列矩阵之间的相关系数相等，则重新计算各序列矩阵的相关系数，并在重新计算时依序递增所述序列矩阵中距离大于3的历史使用序列之间的相关系数。
7.根据权利要求2所述的用于能源总需求量的预测方法，其特征在于：计算筛选所述最大化矩阵的方法包括暴力穷举算法。
8.根据权利要求2所述的用于能源总需求量的预测方法，其特征在于：计算筛选所述最大化矩阵的方法包括贪心算法。
9.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于：在配置序列矩阵前，验证每个用户的历史使用量序列是否满足正态分布，若不满足，则需进行数据调整使所述历史使用量序列满足正态分布。
10.根据权利要求9所述的用于能源总需求量的预测方法，其特征在于：进行数据调整使所述历史使用量序列满足正态分布的方法包括对数变换和/或平方根变换。
11.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于：所述序列矩阵包括二维矩阵或多维矩阵。
12.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于：所述序列矩阵为多维矩阵，所述已有数据还包括各用户的历史能源预订量数据、各用户的检修日数据和各用户节假日数据中的一种或多种，配置形成所述序列矩阵的方法，还包括添加各用户的预定量序列、检修日序列和节假日序列中的一种或多种，一个所述预订量序列通过将单个用户的历史能源预订量按时序排列形成，一个所述检修日序列通过将单个用户的检修安排按时序排列形成，还包括添加各用户的节假日序列，一个所述节假日序列通过将单个用户的放假安排按时序排列形成。
13.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于：所述历史使用量序列中的数据大于50个。
14.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于，还包括对所述神经网络进行训练，训练方法包括：
设定所述神经网络的参数，
在所述最大化矩阵中，随机截取一连续时间段内各用户的历史能源使用量作为训练样本；
将所述训练样本依次输入至所述神经网络中，并根据所述神经网络基于所述训练样本的输出结果，对参数进行调整，直至所述输出结果的误差度低于预期的阈值。
15.根据权利要求14所述的用于能源总需求量的预测方法，其特征在于，所述神经网络包括卷积神经网络和循环神经网络，将所述训练样本依次输入所述神经网络进行训练的方法包括：将所述训练样本输入所述卷积神经网络提取局部特征；
所述局部特征输入所述循环神经网络提取时序特征，并输出结果。
16.根据权利要求15所述的用于能源总需求量的预测方法，其特征在于，所述神经网络的参数包括：
所述连续时间段的天数；
所述卷积神经网络的层数、卷积大小及网络构架中的一种或多种；及
所述循环神经网络中的隐藏层层数、神经元个数及网络结构中的一种或多种。
17.根据权利要求15所述的用于能源总需求量的预测方法，其特征在于：所述循环神经网络包括长短期记忆网络、门控循环神经网络、神经图灵机中的任意一种。
18.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于，将所述最大化矩阵输入预先构建的所述神经网络进行训练的方法还包括：利用损失函数和/或梯度优化算法优化所述神经网络。
19.一种用于能源总需求量的预测***，其特征在于，包括：
最大化矩阵计算单元，其用于获取已有数据，并输出最大化矩阵，
神经网络，其用于获取所述最大化矩阵，并输出各用户的能源总需求量预测结果；
其中，所述已有数据包括各用户的历史使用量，所述最大化矩阵计算单元输出所述最大化矩阵的操作包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。
20.根据权利要求19所述的用于能源总需求量的预测***，其特征在于，所述神经网络包括：输入矩阵生成单元，其用于截取所述最大化矩阵中一连续时间段内各用户的历史能源使用量数据，形成输入矩阵；
卷积神经网络，其用于提取所述输入矩阵的局部特征；及
循环神经网络，其用于从所述卷积神经网络的输出结果中提取时序特征，输出预测结果。
21.一种存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现权利要求1～18中任一项所述的用于能源总需求量的预测方法。
22.一种设备，其特征在于：包括处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求1～18中任一项所述的用于能源总需求量的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910046186.7A CN111461377B (zh) | 2019-01-18 | 2019-01-18 | 用于能源总需求量的预测方法/***、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910046186.7A CN111461377B (zh) | 2019-01-18 | 2019-01-18 | 用于能源总需求量的预测方法/***、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111461377A true CN111461377A (zh) | 2020-07-28 |
| CN111461377B CN111461377B (zh) | 2024-02-02 |
Family
ID=71682115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910046186.7A Active CN111461377B (zh) | 2019-01-18 | 2019-01-18 | 用于能源总需求量的预测方法/***、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461377B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007199862A (ja) * | 2006-01-24 | 2007-08-09 | Nippon Telegr & Teleph Corp <Ntt> | エネルギー需要予測方法、予測装置、プログラム、および記録媒体 |
| US20120109393A1 (en) * | 2010-07-28 | 2012-05-03 | Yoko Kosaka | Electric power demand/supply planning apparatus and method for the same |
| JP2012247998A (ja) * | 2011-05-27 | 2012-12-13 | Toshiba Corp | 時系列データの予測装置、予測方法、予測プログラムおよび記憶媒体 |
| CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
| CN104134096A (zh) * | 2014-06-12 | 2014-11-05 | 国网安徽省电力公司 | 基于省地一体化智能负荷预测方法 |
| CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测***及方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN107730054A (zh) * | 2017-11-15 | 2018-02-23 | 西南石油大学 | 一种基于支持向量回归的燃气负荷组合预测方法 |
| CN108573323A (zh) * | 2018-03-19 | 2018-09-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种能源互联网用户用电量预测方法及*** |
-
2019
- 2019-01-18 CN CN201910046186.7A patent/CN111461377B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007199862A (ja) * | 2006-01-24 | 2007-08-09 | Nippon Telegr & Teleph Corp <Ntt> | エネルギー需要予測方法、予測装置、プログラム、および記録媒体 |
| US20120109393A1 (en) * | 2010-07-28 | 2012-05-03 | Yoko Kosaka | Electric power demand/supply planning apparatus and method for the same |
| JP2012247998A (ja) * | 2011-05-27 | 2012-12-13 | Toshiba Corp | 時系列データの予測装置、予測方法、予測プログラムおよび記憶媒体 |
| CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
| CN104134096A (zh) * | 2014-06-12 | 2014-11-05 | 国网安徽省电力公司 | 基于省地一体化智能负荷预测方法 |
| CN105069519A (zh) * | 2015-07-16 | 2015-11-18 | 国网天津市电力公司 | 一种智能电网园区终端用户能源需求状况动态预测***及方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN107730054A (zh) * | 2017-11-15 | 2018-02-23 | 西南石油大学 | 一种基于支持向量回归的燃气负荷组合预测方法 |
| CN108573323A (zh) * | 2018-03-19 | 2018-09-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种能源互联网用户用电量预测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| D.J. NING: "A Data Oriented Analysis and Design Method for Smart Complex Software Systems of IoT", 《2018 INTERNATIONAL SYMPOSIUM IN SENSING AND INSTRUMENTATION IN IOT ERA (ISSI)》 * |
| 杨江;刘鹏飞;: "基于指标数据的供电可靠性预测方法", 云南电力技术, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111461377B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bandara et al. | MSTL: A seasonal-trend decomposition algorithm for time series with multiple seasonal patterns | |
| Chang et al. | An adaptive sampling algorithm for solving Markov decision processes | |
| CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
| CN109886388A (zh) | 一种基于变分自编码器的训练样本数据扩充方法和装置 | |
| Ge et al. | Parameter estimation of a Gaussian mixture model for wind power forecast error by Riemann L-BFGS optimization | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN104468413B (zh) | 一种网络服务方法及*** | |
| CN107544251B (zh) | 一种基于分布式鲁棒模型的最小化总拖期的单机调度方法 | |
| Meixell et al. | Scenario analysis of demand in a technology market using leading indicators | |
| CN110197307B (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
| CN105809349B (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
| CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
| CN112001556A (zh) | 一种基于深度学习模型的水库下游水位预测方法 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| Huh et al. | A general strategic capacity planning model under demand uncertainty | |
| Souhe et al. | Forecasting of electrical energy consumption of households in a smart grid | |
| Nielsen et al. | Inference on the dimension of the nonstationary subspace in functional time series | |
| CN110007371A (zh) | 风速预测方法及装置 | |
| Xiao et al. | A hybrid transfer learning model for crude oil price forecasting | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN117114190A (zh) | 一种基于混合深度学习的河道径流预测方法及设备 | |
| CN111461377A (zh) | 用于能源总需求量的预测方法/***、存储介质及设备 | |
| CN115099514A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN114722490A (zh) | 一种基于混合增点与区间缩减的代理模型全局优化方法 |
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 |