CN112668713A - 一种能耗智能预测方法及*** - Google Patents
一种能耗智能预测方法及*** Download PDFInfo
- Publication number
- CN112668713A CN112668713A CN202011517942.9A CN202011517942A CN112668713A CN 112668713 A CN112668713 A CN 112668713A CN 202011517942 A CN202011517942 A CN 202011517942A CN 112668713 A CN112668713 A CN 112668713A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- consumption prediction
- data
- data set
- user
- 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 159
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种能耗智能预测方法及***，其特征在于，包括以下内容：1)获取用户的历史时序能耗数据并进行预处理；2)采用DNN网络，对预处理后的能耗预测数据集进行无监督学习，升维提取预处理后的能耗预测数据集的高维特征数据；3)将提取出的高维特征数据输入至LSTM网络，LSTM根据预处理后的能耗预测数据集中数据的关系进行时序分析和预测，得到用户的能耗预测结果；4)将用户的能耗预测结果进行逆向运算，得到用户最终的能耗预测结果，本发明可以广泛应用于能耗预测领域中。
Description
技术领域
本发明是关于一种能耗智能预测方法及***，属于能耗预测领域。
背景技术
随着信息技术的发展，伴随的是人们对不同业务及功能需求的增长。而能源是人类生活所必需的物资，能源的支出以及安全需要是必须关心的事情，能耗预测方法就是建立在这些需求之上产生的。目前，能耗预测的实现主要基于机器学习方法和深度神经网络。
基于机器学习的能耗预测模型主要包括回归模型、支持向量模型和马尔可夫模型等。回归模型或支持向量模型主要是通过线性或非线性的函数拟合训练数据，但是由于数据维度与函数的复杂度成指数关系，因此对于高维数据和高复杂性数据的预测准确率较低；马尔可夫模型主要是通过概率的方式预测时序序列，但是其只能依据前一刻数据预测当前时刻，对于长序列不能兼顾上下文关系。
综上所述，现有技术中的能耗预测方法难以有效兼顾挖掘数据高维信息及时序信息，且行业内深度学习方法复杂度太高，预测准确率较低。
发明内容
针对上述问题，本发明的目的是提供一种预测准确率高的能耗智能预测方法及***。
为实现上述目的，本发明采取以下技术方案：一种能耗智能预测方法，包括以下内容：
1)获取用户的历史时序能耗数据并进行预处理；
2)采用DNN网络，对预处理后的能耗预测数据集进行无监督学习，升维提取预处理后的能耗预测数据集的高维特征数据；
3)将提取出的高维特征数据输入至LSTM网络，LSTM根据预处理后的能耗预测数据集中数据的关系进行时序分析和预测，得到用户的能耗预测结果；
4)将用户的能耗预测结果进行逆向运算，得到用户最终的能耗预测结果。
进一步地，所述步骤1)的具体过程为：
1.1)获取用户的历史时序能耗数据；
1.2)对获取的历史时序能耗数据按照时间进行排序；
1.3)以预先设定的天数为一个序列，将排序后的数据组成能耗预测数据集；
1.4)对能耗预测数据集进行预处理，得到预处理后的能耗预测数据集。
进一步地，所述步骤1.4)的具体过程为：
1.4.1)对能耗预测数据集进行异常点剔除；
1.4.2)对异常点剔除后的能耗预测数据集进行缺失值填充，将能耗预测数据集中缺失的数据填充为相邻值的均值；
1.4.3)对缺失值填充后的能耗预测数据集进行标准化。
进一步地，所述步骤1.4.3)的具体过程为：
A)取出缺失值填充后的能耗预测数据集中的最大值和最小值；
B)将最大值减去最小值得到能耗预测数据集的最大差值；
C)将能耗预测数据集中的所有数据均除以该最大差值，得到标准化后的能耗预测数据集。
进一步地，所述步骤2)的具体过程为：
2.1)采用DNN网络的对称模式，将输入数据作为输出数据的参照，网络的输出数据减去输入数据为误差，对预处理后的能耗预测数据集进行无监督学习；
3.2)在DNN网络进行无监督学习后，将DNN网络从对称轴部分一分为二，DNN网络对称轴的前半部分即为训练好的DNN网络；
3.3)通过训练好的DNN网络提取预处理后的能耗预测数据集的高维特征数据。
进一步地，所述高维特征数据包括数据的关键特征和相邻能耗值间的过程信息。
进一步地，所述步骤4)中的逆向运算为将能耗预测结果乘以能耗预测数据集的最大差值再加上能耗预测数据集的最小值。
一种能耗智能预测***，包括：
数据获取模块，用于获取用户的历史时序能耗数据并进行预处理；
特征提取模块，用于采用DNN网络，对预处理后的能耗预测数据集进行无监督学习，升维提取预处理后的能耗预测数据集的高维特征数据；
预测模块，用于将提取出的高维特征数据输入至LSTM网络，LSTM根据预处理后的能耗预测数据集中数据的关系进行时序分析和预测，得到用户的能耗预测结果；
逆向运算模块，用于将用户的能耗预测结果进行逆向运算，得到用户最终的能耗预测结果。
一种处理器，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述能耗智能预测方法对应的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述能耗智能预测方法对应的步骤。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明将DNN及LSTM结合在一起，充分考虑到数据的高复杂性和时序特征，重新分析数据的上下文关系，提升能耗预测的准确率，使得准确率达到90％以上。
2、本发明在通过LSTM获取历史能耗之间的时序关系之前，引入DNN网络对历史能耗数据进行升维处理，增加相邻能耗值间的过程信息(当前能耗到下一个能耗的变化趋势)，使得能耗预测更准确，可以广泛应用于能耗预测领域中。
附图说明
图1是本发明一实施例提供的流程图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。
为了便于理解本发明实施例的内容，下面对本发明实施例中出现的缩略语和关键术语进行解释。
DNN：深度神经网络，狭义上的DNN指的是由几十甚至成百上千层全连接层组成的神经网络结构，广义上的DNN指的是由多层神经网络(不限于全连接层)组成的深度神经网络结构。
LSTM：一种基于RNN(循环神经网络)实现的神经网络结构，在RNN原理的基础之上，实现对时间序列的选择性记忆。
本发明提供了一种基于DNN和LSTM级联的实时精确能耗预测的解决方案，在通过LSTM获取历史能耗之间的时序关系之前，引入DNN网络对历史能耗数据进行升维处理，增加相邻能耗值间的过程信息(变化趋势)，可以实现高速和高准确率的能耗预测。
实施例1
如图1所示，本实施例提供一种能耗智能预测方法，包括以下步骤：
1)获取用户的历史时序能耗数据。
2)对获取的历史时序能耗数据进行预处理，具体为：
2.1)对获取的历史时序能耗数据按照时间进行排序。
2.2)以预先设定的天数(例如每15天)为一个序列，将排序后的数据组成能耗预测数据集，其中，天数根据数据收集难度(生产环境收集数据的准确性和难度)和预测的准确性(数据长度太短难以分析到时序信息，太长又具有很多不相关信息)确定。
2.3)对能耗预测数据集进行预处理，得到预处理后的能耗预测数据集，具体为：
2.3.1)对能耗预测数据集进行异常点剔除，即将大于能耗预测数据集中所有数据均值10倍的数据认为是异常数据，对其进行剔除。
2.3.2)对异常点剔除后的能耗预测数据集进行缺失值填充，即将能耗预测数据集中缺失的数据填充为相邻值的均值。
2.3.3)对缺失值填充后的能耗预测数据集进行标准化：
2.3.3.1)取出缺失值填充后的能耗预测数据集中的最大值和最小值。
2.3.3.2)将最大值减去最小值得到能耗预测数据集的最大差值。
2.3.3.3)将能耗预测数据集中的所有数据均除以该最大差值，得到标准化后的能耗预测数据集。
3)采用DNN网络，对预处理后的能耗预测数据集进行无监督学习，升维提取预处理后的能耗预测数据集的高维特征数据，具体为：
3.1)采用DNN网络的对称模式，将输入数据作为输出数据的参照，网络的输出数据减去输入数据为误差，对预处理后的能耗预测数据集进行无监督学习。
3.2)在DNN网络进行无监督学习后，将DNN网络从对称轴部分一分为二，DNN网络对称轴的前半部分即为训练好的DNN网络，即特征提取器。
3.3)通过特征提取器提取预处理后的能耗预测数据集的高维特征数据，其中，高维特征数据包括数据的关键特征和相邻能耗值间的过程信息，关键特征包括峰值、谷值等，相邻能耗值间的过程信息为相邻能耗值间的变化趋势。
4)将采用DNN网络从预处理后的能耗预测数据集提取出的高维特征数据输入至LSTM网络，LSTM根据预处理后的能耗预测数据集中数据的关系进行时序分析和预测，得到用户的能耗预测结果。
LSTM网络的基本结构由输入门、输出门和遗忘门组成，输入门用于决定单元状态中保存哪些新信息，输出门用于决定输出数据，遗忘门用于决定哪些信息从单元状态中抛弃。因此在LSTM网络的原始结构中可以选择性的记住数据中所需的信息，因为记忆与时间相关，且数据与时间，所以称为时序分析。预测过程则采用全连接层实现，为神经网络的基本原理，具体过程在此不多做赘述。
5)将用户的能耗预测结果根据归一化原理进行逆向运算，即将能耗预测结果乘以能耗预测数据集的最大差值再加上能耗预测数据集的最小值，得到用户最终的能耗预测结果。
本发明在使用时，可以持续迭代进行，持续预测用户未来的能耗，实际一次预测结果即为某一天的能耗值。本发明可用于设备用能估算和预警，主要实现对设备将来使用能源的估计，进而进行超过阈值预警，达到提醒用户提前缴费或者采取其他措施的目的。
实施例2
本实施例提供一种能耗智能预测***，包括：
数据获取模块，用于获取多用户的历史时序能耗数据并进行预处理；
特征提取模块，用于采用DNN网络，对预处理后的能耗预测数据集进行无监督学习，升维提取预处理后的能耗预测数据集中数据的关键特征和相邻能耗值间的过程信息；
预测模块，用于将提取出的高维特征数据输入至LSTM网络，LSTM根据预处理后的能耗预测数据集中数据的关系进行时序分析和预测，得到用户的能耗预测结果；
逆向运算模块，用于将用户的能耗预测结果进行逆向运算，得到用户最终的能耗预测结果。
实施例3
本实施例提供一种与本实施例1所提供的能耗智能预测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的识别方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的能耗智能预测方法。
在一些实现中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实现中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。
实施例4
本实施例1的基于时空信息融合的声纹识别方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的能耗智能预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (10)
1.一种能耗智能预测方法，其特征在于，包括以下内容：
1)获取用户的历史时序能耗数据并进行预处理；
2)采用DNN网络，对预处理后的能耗预测数据集进行无监督学习，升维提取预处理后的能耗预测数据集的高维特征数据；
3)将提取出的高维特征数据输入至LSTM网络，LSTM根据预处理后的能耗预测数据集中数据的关系进行时序分析和预测，得到用户的能耗预测结果；
4)将用户的能耗预测结果进行逆向运算，得到用户最终的能耗预测结果。
2.如权利要求1所述的一种能耗智能预测方法，其特征在于，所述步骤1)的具体过程为：
1.1)获取用户的历史时序能耗数据；
1.2)对获取的历史时序能耗数据按照时间进行排序；
1.3)以预先设定的天数为一个序列，将排序后的数据组成能耗预测数据集；
1.4)对能耗预测数据集进行预处理，得到预处理后的能耗预测数据集。
3.如权利要求2所述的一种能耗智能预测方法，其特征在于，所述步骤1.4)的具体过程为：
1.4.1)对能耗预测数据集进行异常点剔除；
1.4.2)对异常点剔除后的能耗预测数据集进行缺失值填充，将能耗预测数据集中缺失的数据填充为相邻值的均值；
1.4.3)对缺失值填充后的能耗预测数据集进行标准化。
4.如权利要求3所述的一种能耗智能预测方法，其特征在于，所述步骤1.4.3)的具体过程为：
A)取出缺失值填充后的能耗预测数据集中的最大值和最小值；
B)将最大值减去最小值得到能耗预测数据集的最大差值；
C)将能耗预测数据集中的所有数据均除以该最大差值，得到标准化后的能耗预测数据集。
5.如权利要求1所述的一种能耗智能预测方法，其特征在于，所述步骤2)的具体过程为：
2.1)采用DNN网络的对称模式，将输入数据作为输出数据的参照，网络的输出数据减去输入数据为误差，对预处理后的能耗预测数据集进行无监督学习；
3.2)在DNN网络进行无监督学习后，将DNN网络从对称轴部分一分为二，DNN网络对称轴的前半部分即为训练好的DNN网络；
3.3)通过训练好的DNN网络提取预处理后的能耗预测数据集的高维特征数据。
6.如权利要求5所述的一种能耗智能预测方法，其特征在于，所述高维特征数据包括数据的关键特征和相邻能耗值间的过程信息。
7.如权利要求4所述的一种能耗智能预测方法，其特征在于，所述步骤4)中的逆向运算为将能耗预测结果乘以能耗预测数据集的最大差值再加上能耗预测数据集的最小值。
8.一种能耗智能预测***，其特征在于，包括：
数据获取模块，用于获取用户的历史时序能耗数据并进行预处理；
特征提取模块，用于采用DNN网络，对预处理后的能耗预测数据集进行无监督学习，升维提取预处理后的能耗预测数据集的高维特征数据；
预测模块，用于将提取出的高维特征数据输入至LSTM网络，LSTM根据预处理后的能耗预测数据集中数据的关系进行时序分析和预测，得到用户的能耗预测结果；
逆向运算模块，用于将用户的能耗预测结果进行逆向运算，得到用户最终的能耗预测结果。
9.一种处理器，其特征在于，包括计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的能耗智能预测方法对应的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的能耗智能预测方法对应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011517942.9A CN112668713A (zh) | 2020-12-21 | 2020-12-21 | 一种能耗智能预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011517942.9A CN112668713A (zh) | 2020-12-21 | 2020-12-21 | 一种能耗智能预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668713A true CN112668713A (zh) | 2021-04-16 |
Family
ID=75406684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011517942.9A Pending CN112668713A (zh) | 2020-12-21 | 2020-12-21 | 一种能耗智能预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668713A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910497A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种中文词语发音预测方法及装置 |
| CN107481048A (zh) * | 2017-08-08 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种基于混合模型的金融品种价格预测方法及*** |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
| CN111783947A (zh) * | 2020-06-24 | 2020-10-16 | 上海凯营新能源技术有限公司 | 一种基于lstm神经网络的能耗预测方法 |
-
2020
- 2020-12-21 CN CN202011517942.9A patent/CN112668713A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106910497A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种中文词语发音预测方法及装置 |
| CN107481048A (zh) * | 2017-08-08 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种基于混合模型的金融品种价格预测方法及*** |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
| CN111783947A (zh) * | 2020-06-24 | 2020-10-16 | 上海凯营新能源技术有限公司 | 一种基于lstm神经网络的能耗预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| TAE-YOUNG KIM ET AL.: "Predicting residential energy consumption using CNN-LSTM neural networks", 《ENERGY》, vol. 182, 1 September 2019 (2019-09-01), pages 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368890A (zh) | 故障检测方法及装置、信息物理融合*** | |
| CN109326353B (zh) | 预测疾病终点事件的方法、装置及电子设备 | |
| Che et al. | Hierarchical deep generative models for multi-rate multivariate time series | |
| CN113962294B (zh) | 多类型事件预测模型 | |
| Hassan et al. | A HMM-based adaptive fuzzy inference system for stock market forecasting | |
| Tan et al. | Network fault prediction based on CNN-LSTM hybrid neural network | |
| Xu et al. | A parallel GRU recurrent network model and its application to multi-channel time-varying signal classification | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
| CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
| Kumar et al. | An adaptive transformer model for anomaly detection in wireless sensor networks in real-time | |
| CN117856204A (zh) | 配电网超短期负荷功率区间的预测方法、***及存储介质 | |
| CN112668713A (zh) | 一种能耗智能预测方法及*** | |
| Zhang et al. | Which app is going to die? a framework for app survival prediction with multitask learning | |
| CN117421638A (zh) | 负荷监控网络模型的构建方法、负荷监控方法及*** | |
| Bhardwaj et al. | Pattern‐Similarity‐Based Model for Time Series Prediction | |
| CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
| CN116384574A (zh) | 一种基于w-lstm的非参数负荷区间预测方法 | |
| CN116736130A (zh) | 一种锂电池剩余使用寿命预测方法及*** | |
| CN111026741A (zh) | 基于时间序列相似性的数据清洗方法及装置 | |
| CN115730845A (zh) | 一种电力***动态估计方法、装置、设备和可读存储介质 | |
| CN114239750A (zh) | 告警数据处理方法、装置、存储介质和设备 | |
| Rao et al. | Time series anomaly detection based on CEEMDAN and LSTM | |
| Gallicchio et al. | A preliminary application of echo state networks to emotion recognition | |
| Auber et al. | Identification of AR time‐series based on binary data | |
| Muros Anguita et al. | Air passenger demand forecast through the use of Artificial Neural Network algorithms |
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 |