CN113610174A - 基于Phik特征选择的电网主机负载预测方法、设备及介质 - Google Patents
基于Phik特征选择的电网主机负载预测方法、设备及介质 Download PDFInfo
- Publication number
- CN113610174A CN113610174A CN202110931677.7A CN202110931677A CN113610174A CN 113610174 A CN113610174 A CN 113610174A CN 202110931677 A CN202110931677 A CN 202110931677A CN 113610174 A CN113610174 A CN 113610174A
- Authority
- CN
- China
- Prior art keywords
- phik
- power grid
- grid host
- feature
- correlation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例中提供了一基于Phik特征选择的电网主机负载预测方法、设备及介质,属于电学技术领域,具体包括:提取目标电网主机对应的历史数据,并将历史数据分为训练集和测试集;利用Person相关系数法对训练集的初始特征进行Person相关性分析得到多个时序分量,并选取与标签值均值相关性符合预设条件的时序分量作为第一特征集;根据Phik相关系数法对训练集中预测变量与辅变量之间的相关性,生成第二特征集;分别将第一特征集和第二特征集各输入一个GRU模型,然后将两个GRU模型的输出值输入特征融合层,得到目标电网主机对应的预测模型;根据预测模型和测试集,得到目标电网主机对应的负载预测区间。通过本公开的方案,提高了运行效率、适应性和预测精度。
Description
技术领域
本公开实施例涉及电学技术领域,尤其涉及一种基于Phik特征选择的电网主机负载预测方法、设备及介质。
背景技术
目前,随着社会的发展,工业化场景和人类生活用电场景的增加,电网的负载也逐渐增大,如何对电网主机的负载进行预测,以避免负载过大导致故障成了关键问题,现有的预测方法主要为基于统计模型预测主机负载,但由于负载数据的非线性和随机性,它不太可能准确地进行主机性能预测。或者基于机器学习算法的主机负载预测,但对参数和核函数选择敏感。或者数据驱动的方法如深度学习,但是,传统的卷积神经网络(ConvolutionalNeural Network,简称CNN)模型只能提取空间信息,无法捕捉序列关系。亦或者循环神经网络(Recurrent Neural Network,简称RNN)序列模型,RNN序列模型包含具有闭环的隐藏层,从而捕获非线性时间序列问题。然而,由于反向传播过程中的梯度消失问题,使得RNN的链式结构无法训练具有长时滞的时间序列数据。梯度消失问题是神经网络的一个固有问题,它是由一个长短期神经网络(Long Short-Term Memory,简称LSTM)来解决的。LSTM通过赋予记忆单元记忆或遗忘某些信息的能力,对时间序列问题建立长期依赖模型,并确定最优时滞。因此,LSTM已被用于负载预测。尽管LSTM具有记忆负载预测的长期相关性的能力,但它的结构复杂,训练时间长。
可见,亟需一种运行时间短,适应性和预测精度更高的基于Phik特征选择的电网主机负载预测方法。
发明内容
有鉴于此,本公开实施例提供一种基于Phik特征选择的电网主机负载预测方法、设备及介质,至少部分解决现有技术中存在运行时间长,适应性和预测精度较差的问题。
第一方面,本公开实施例提供了一种基于Phik特征选择的电网主机负载预测方法,包括:
提取目标电网主机对应的历史数据,并将所述历史数据分为训练集和测试集;
利用Person相关系数法对所述训练集的初始特征进行Person相关性分析得到多个时序分量,并选取与标签值均值相关性符合预设条件的时序分量作为第一特征集;
根据所述Phik相关系数法对所述训练集中预测变量与辅变量之间的相关性,生成第二特征集;
分别将所述第一特征集和所述第二特征集各输入一个GRU模型,然后将两个所述GRU模型的输出值输入特征融合层,得到所述目标电网主机对应的预测模型;
根据所述预测模型和所述测试集,得到所述目标电网主机对应的负载预测区间。
根据本公开实施例的一种具体实现方式,所述根据所述初始预测模型和所述Phik相关系数法生成第二特征集的步骤,包括:
根据所述Phik相关系数法计算所述初始预测模型内的静态变量和影响变量对应的目标函数;
通过Brent法对所述目标函数求解,形成所述第二特征集。
根据本公开实施例的一种具体实现方式,所述通过Brent法对所述目标函数求解,形成所述第二特征集的步骤,包括:
根据中值定理对所述目标函数进行迭代,计算驻点;
将全部所述驻点形成所述第二特征集。
根据本公开实施例的一种具体实现方式,所述提取目标电网主机对应的历史数据,并将所述历史数据分为训练集和测试集的步骤之后,所述方法还包括:
采用KNN插值法对所述训练集和所述测试集中的缺失点数据进行补全。
根据本公开实施例的一种具体实现方式,所述特征融合层包括闸门机制和多层感知器。
第二方面,本公开实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于Phik特征选择的电网主机负载预测方法。
第三方面,本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于Phik特征选择的电网主机负载预测方法。
第四方面,本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于Phik特征选择的电网主机负载预测方法。
本公开实施例中的基于Phik特征选择的电网主机负载预测方案,包括:提取目标电网主机对应的历史数据,并将所述历史数据分为训练集和测试集;利用Person相关系数法对所述训练集的初始特征进行Person相关性分析得到多个时序分量,并选取与标签值均值相关性符合预设条件的时序分量作为第一特征集;根据所述Phik相关系数法对所述训练集中预测变量与辅变量之间的相关性,生成第二特征集;分别将所述第一特征集和所述第二特征集各输入一个GRU模型,然后将两个所述GRU模型的输出值输入特征融合层,得到所述目标电网主机对应的预测模型;根据所述预测模型和所述测试集,得到所述目标电网主机对应的负载预测区间。
本公开实施例的有益效果为:通过本公开的方案,Person相关系数从时间维度选择出的与预测时刻相关程度更高的第一特征集,Phik相关系数从时序维度对历史数据中的非线性依赖数据进行捕获得到第二特征集,然后将两个特征集经由特征融合层输出后,结合测试集得到负载预测区间,提高了运行效率、适应性和预测精度。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于Phik特征选择的电网主机负载预测方法的流程示意图;
图2为本公开实施例提供的一种基于Phik特征选择的电网主机负载预测方法涉及的Person相关性分析结果示意图;
图3为本公开实施例提供的一种基于Phik特征选择的电网主机负载预测方法涉及的Phik相关性分析结果示意图;
图4为本公开实施例提供的一种基于Phik特征选择的电网主机负载预测方法涉及的融合层结构示意图;
图5和图6为本公开实施例提供的一种基于Phik特征选择的电网主机负载预测方法涉及的预测区间示意图;
图7为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
目前,随着社会的发展,工业化场景和人类生活用电场景的增加,电网的负载也逐渐增大,如何对电网主机的负载进行预测,以避免负载过大导致故障成了关键问题。现有的预测方法主要为:
基于统计模型预测主机负载。常见的模型有ARIMA、SARIMA等。这些基于参数的模型已经广泛应用于时序数据的预测。然而,在动态CPU负载变化下,统计模型参数的准确估计并不容易。ARIMA模型假设均值和方差为常数时,时间序列数据是平稳的。尽管ARIMA模型在负载预测方面表现出可接受的性能,但由于负载数据的非线性和随机性,它不太可能准确地进行主机性能预测。
基于机器学习算法也被应用于主机负载预测。例如,将支持向量机(SVM)模型应用于CPU负载的预测。支持向量机是一种基于有监督学习的线性分类模型,可以找到给定数据的空间边界。尽管支持向量机适合于二值分类,但它对参数和核函数选择敏感。
数据驱动的方法,如深度学习,开创了主机负载预测的新纪元。深度学习是机器学习的一个子领域,它使用人工神经网络从数据中学习表示。神经网络的深度学习模型从训练数据中自动获得权重参数的最优值。它可以准确地表示数据中更复杂的非线性关系。但是,传统的卷积神经网络(Convolutional Neural Network,简称CNN)模型只能提取空间信息,无法捕捉序列关系。
循环神经网络(Recurrent Neural Network,简称RNN)序列模型,RNN序列模型包含具有闭环的隐藏层,从而捕获非线性时间序列问题。然而,由于反向传播过程中的梯度消失问题,使得RNN的链式结构无法训练具有长时滞的时间序列数据。梯度消失问题是神经网络的一个固有问题,它是由一个长短期神经网络(Long Short-Term Memory,简称LSTM)来解决的。LSTM通过赋予记忆单元记忆或遗忘某些信息的能力,对时间序列问题建立长期依赖模型,并确定最优时滞。因此,LSTM已被用于负载预测。尽管LSTM具有记忆负载预测的长期相关性的能力,但它的结构复杂,训练时间长。
本公开实施例提供一种基于Phik特征选择的电网主机负载预测方法,所述方法可以应用于电力供需场景的电网主机负载预测过程。
参见图1,为本公开实施例提供的一种基于Phik特征选择的电网主机负载预测方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
S101,提取目标电网主机对应的历史数据,并将所述历史数据分为训练集和测试集;
具体实施时,考虑到所述目标电网主机在工作时,负载数据会对应存储,可以提取到对应的历史数据,例如,当需要对A地区的电网主机未来某段时间负载进行预测时,可以先提取A地区的电网主机的历史数据,具体的,若需要对A地区的的电网主机未来9点至12点的负载进行预测,则可以提取A地区的电网主机过去几天9点至12点的负载历史数据,然后将所述历史数据分为训练集和测试集,以便于后续处理流程。
S102,利用Person相关系数法对所述训练集的初始特征进行Person相关性分析得到多个时序分量,并选取与标签值均值相关性符合预设条件的时序分量作为第一特征集;
具体实施时,如图2所示,所述Pearson相关系数法描述了两个变量之间的平均线性依赖关系,得到所述训练集后,可以利用所述Person相关系数法对所述训练集的初始特征进行Person相关性分析得到多个时序分量,然后选取与标签值均值相关性符合预设条件的时序分量作为第一特征集,其中,所述标签值可以为预先选定的样本点,然后计算全部样本点的均值作为所述标签值均值。
S103,根据所述Phik相关系数法对所述训练集中预测变量与辅变量之间的相关性,生成第二特征集;
具体实施时,如图3所示,可以按照DeepAR模型的全局特征生成方式,生成分层时间戳如周、月和年等为预测变量和不可知时间戳假日或特殊事件等为辅变量,然后添加与预测特征相关的影响因素,包括两个业务端口的流量特征,同时应用Phik相关系数度量预测变量与辅变量之间的相关性,筛选出相关性更高的变量形成所述第二特征集。
S104,分别将所述第一特征集和所述第二特征集各输入一个GRU模型,然后将两个所述GRU模型的输出值输入特征融合层,得到所述目标电网主机对应的预测模型;
具体实施时,考虑到所述第一特征集和所述第二特征集为不同维度的特征数据,可以先分别将所述第一特征集和所述第二特征集各输入一个GRU模型,在充分利用历史信息的前提下,将庞大的历史信息特征抽取为较为简单高效的特征输入。当然,也可以将历史值时间节点附近的k个邻居的均值也输入GRU模型,以保留局部信息,然后将两个所述GRU模型的输出值输入如图4所示的特征融合层,得到所述目标电网主机对应的预测模型,提高了所述预测模型的预测精度。
S105,根据所述预测模型和所述测试集,得到所述目标电网主机对应的负载预测区间。
例如,当需要对所述目标电网主机未来一段时间的负载预测,在得到所述预测模型后,可以将所述测试集输入所述预测模型,得到所述目标电网主机对应的预测区间,当然,还可以在后续数据分析中将所述预测区间与实际区间进行对比分析,如图5和图6所示。
本实施例提供的基于Phik特征选择的电网主机负载预测方法,通过Person相关系数从时间维度选择出的与预测时刻相关程度更高的第一特征集,Phik相关系数从时序维度对历史数据中的非线性依赖数据进行捕获得到第二特征集,然后将两个特征集经由特征融合层输出后,结合测试集得到负载预测区间,提高了运行效率、适应性和预测精度。
在上述实施例的基础上,步骤S103所述的,根据所述初始预测模型和所述Phik相关系数法生成第二特征集,包括:
根据所述Phik相关系数法计算所述初始预测模型内的静态变量和影响变量对应的目标函数;
通过Brent法对所述目标函数求解,形成所述第二特征集。
具体实施时,对于未绑定的区间变量,对每个变量应用一个区间间隔。合理的间隔通常是用例规范。作为默认设置,每个变量有10个统一的间隔。填写所选变量对的列联表,该列联表包含N条记录,有r行和k列。使用Pearson的x2检验统计量和统计相关频率估计来评估x2偶然性检验。将x2解释为来自无统计推断的双变量正态分布
c)ρ的解被定义为相关系数Phik。
通过使用多变量高斯函数代替双变量高斯函数,该方法可以推广到更多的变量。
卡方检验即可以分析一个变量的拟合程度,如拟合优度检验(二项分布、泊松分布和正态分布)还可以用来分析两个变量间的关系:是否相互独立,是否来自一个总体。针对两个变量A和B,使用列联表的表格来进行分析。其中A变量有c类,B变量有r类。常用i表示行,用j表示列,则i=1,2,…,r;j=1,2,...,c;nij表示第i行和第j列的频数,n表示总的频数,即样本容量。
Pearson x2检验公式为:oij表示实际第i行j列的实际频数,而Eij的计算公式为:间隔ij区域内二元正态分布的积分为:其中,和是样本均值。值得注意的是,ρ在x和y上是对称的,并且ρ∈[-1,1]。
其中,σx(σy)是x(y)中概率分布的宽度,相关参数ρ表示x和y之间的线性关联。
考虑到需要对噪声进行解释,可以引入一个样本特定性的基准pedestal,与双变量样本的有效自由度数nsdof简单估计有关:
nsdof=(r-1)(k-1)-nempty(expected),其中,empty(expected)为样本相关频率估计的空间隔数,Pedestal被定义为:
极限测试的最大可能x2值为:
进一步的,所述通过Brent法对所述目标函数求解,形成所述第二特征集的步骤,包括:
根据中值定理对所述目标函数进行迭代,计算驻点;
将全部所述驻点形成所述第二特征集。
具体的,Brent法(Brent's method)是二分法,割线法同逆二次插值法的组合。在每一次迭代,Brent法会决定此三者中何种的效果最好,然后使用该种方法运行一次迭代。例如,根据所述中值定理,对所述目标函数f进行迭代,若所述目标函数f两个端点a,b的函数值f(a)f(b)<0,则(a,b)之间必然存在一个驻点(导数为0),我们可以不断迭代最终求得驻点,然后将全部所述主端行所述第二特征集。
可选的,所述提取目标电网主机对应的历史数据,并将所述历史数据分为训练集和测试集的步骤之后,所述方法还包括:
采用KNN插值法对所述训练集和所述测试集中的缺失点数据进行补全。
具体实施时,考虑到各种干扰因素会导致历史数据中可能会存在数据缺失,可以根据数据缺失情况,采用所述KNN插值法对所述训练集和所述测试集中的缺失点数据进行补全,提高后续的预测精度。
可选的,所述特征融合层包括闸门机制和多层感知器。
具体实施时,可以采用所述闸门机制和所述多层感知层组成所述特征融合层,可以对所述第一特征集和所述第二特征集进行更高效精准的数据融合处理,以使得得到所述预测模型内的参数精度更高。
参见图7,本公开实施例还提供了一种电子设备70,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于Phik特征选择的电网主机负载预测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于Phik特征选择的电网主机负载预测方法。
本公开实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于Phik特征选择的电网主机负载预测方法。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备70的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备70可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备70操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备70与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备70,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,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。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、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)、光纤、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。在本公开中,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***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读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该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读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该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(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,图示了按照本公开各种实施例的***、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于Phik特征选择的电网主机负载预测方法,其特征在于,包括:
提取目标电网主机对应的历史数据,并将所述历史数据分为训练集和测试集;
利用Person相关系数法对所述训练集的初始特征进行Person相关性分析得到多个时序分量,并选取与标签值均值相关性符合预设条件的时序分量作为第一特征集;
根据所述Phik相关系数法对所述训练集中预测变量与辅变量之间的相关性,生成第二特征集;
分别将所述第一特征集和所述第二特征集各输入一个GRU模型,然后将两个所述GRU模型的输出值输入特征融合层,得到所述目标电网主机对应的预测模型;
根据所述预测模型和所述测试集,得到所述目标电网主机对应的负载预测区间。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始预测模型和所述Phik相关系数法生成第二特征集的步骤,包括:
根据所述Phik相关系数法计算所述初始预测模型内的静态变量和影响变量对应的目标函数;
通过Brent法对所述目标函数求解,形成所述第二特征集。
3.根据权利要求2所述的方法,其特征在于,所述通过Brent法对所述目标函数求解,形成所述第二特征集的步骤,包括:
根据中值定理对所述目标函数进行迭代,计算驻点;
将全部所述驻点形成所述第二特征集。
4.根据权利要求1所述的方法,其特征在于,所述提取目标电网主机对应的历史数据,并将所述历史数据分为训练集和测试集的步骤之后,所述方法还包括:
采用KNN插值法对所述训练集和所述测试集中的缺失点数据进行补全。
5.根据权利要求1所述的方法,其特征在于,所述特征融合层包括闸门机制和多层感知器。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的基于Phik特征选择的电网主机负载预测方法。
7.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-5中任一项所述的基于Phik特征选择的电网主机负载预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931677.7A CN113610174A (zh) | 2021-08-13 | 2021-08-13 | 基于Phik特征选择的电网主机负载预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110931677.7A CN113610174A (zh) | 2021-08-13 | 2021-08-13 | 基于Phik特征选择的电网主机负载预测方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610174A true CN113610174A (zh) | 2021-11-05 |
Family
ID=78340724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110931677.7A Pending CN113610174A (zh) | 2021-08-13 | 2021-08-13 | 基于Phik特征选择的电网主机负载预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610174A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779910A (zh) * | 2021-11-10 | 2021-12-10 | 海光信息技术股份有限公司 | 产品性能分布预测方法及装置、电子设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109378835A (zh) * | 2018-11-01 | 2019-02-22 | 三峡大学 | 基于互信息冗余性最优的大规模电力***暂态稳定评估*** |
CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110135630A (zh) * | 2019-04-25 | 2019-08-16 | 武汉数澎科技有限公司 | 基于随机森林回归和多步寻优的短期负荷需求预测方法 |
CN110135058A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 |
CN110298509A (zh) * | 2019-06-28 | 2019-10-01 | 佰聆数据股份有限公司 | 一种结合短期负荷预测的大工业行业用电优化方法 |
CN110969374A (zh) * | 2019-12-25 | 2020-04-07 | 平安国际智慧城市科技股份有限公司 | 参数自动调节方法、装置及计算机可读存储介质 |
CN112418545A (zh) * | 2020-12-04 | 2021-02-26 | 国网湖南省电力有限公司 | 一种基于负荷特征及模型融合的售电量预测方法及*** |
CN112614010A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法及装置、存储介质及电子装置 |
CN112799064A (zh) * | 2020-12-30 | 2021-05-14 | 内蒙古工业大学 | 柱面孔径非线性渐进式相位迭代成像的方法及装置 |
CN112862274A (zh) * | 2021-01-26 | 2021-05-28 | 平衡机器科技(深圳)有限公司 | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 |
-
2021
- 2021-08-13 CN CN202110931677.7A patent/CN113610174A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109378835A (zh) * | 2018-11-01 | 2019-02-22 | 三峡大学 | 基于互信息冗余性最优的大规模电力***暂态稳定评估*** |
CN109657844A (zh) * | 2018-11-28 | 2019-04-19 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110135630A (zh) * | 2019-04-25 | 2019-08-16 | 武汉数澎科技有限公司 | 基于随机森林回归和多步寻优的短期负荷需求预测方法 |
CN110135058A (zh) * | 2019-05-14 | 2019-08-16 | 北京工业大学 | 基于多模态特征子集选择性集成建模的磨机负荷参数预测方法 |
CN110298509A (zh) * | 2019-06-28 | 2019-10-01 | 佰聆数据股份有限公司 | 一种结合短期负荷预测的大工业行业用电优化方法 |
CN110969374A (zh) * | 2019-12-25 | 2020-04-07 | 平安国际智慧城市科技股份有限公司 | 参数自动调节方法、装置及计算机可读存储介质 |
CN112418545A (zh) * | 2020-12-04 | 2021-02-26 | 国网湖南省电力有限公司 | 一种基于负荷特征及模型融合的售电量预测方法及*** |
CN112614010A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 负荷预测方法及装置、存储介质及电子装置 |
CN112799064A (zh) * | 2020-12-30 | 2021-05-14 | 内蒙古工业大学 | 柱面孔径非线性渐进式相位迭代成像的方法及装置 |
CN112862274A (zh) * | 2021-01-26 | 2021-05-28 | 平衡机器科技(深圳)有限公司 | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 |
Non-Patent Citations (2)
Title |
---|
M.BAAK等: ""A new correlation coefficient between categorical,ordinal and interval variables with pearson characteristics"", 《COMPUTATIONAL STATISTICS AND DATA ANALYSIS》 * |
薛琳等: ""基于条件互信息的低冗余短期负荷预测特征选择"", 《东北电力大学学报》, vol. 39, no. 2, pages 30 - 38 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779910A (zh) * | 2021-11-10 | 2021-12-10 | 海光信息技术股份有限公司 | 产品性能分布预测方法及装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
Gupta et al. | Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks | |
Mehmani et al. | Predictive quantification of surrogate model fidelity based on modal variations with sample density | |
Tencaliec et al. | Flexible semiparametric generalized Pareto modeling of the entire range of rainfall amount | |
US20230238801A1 (en) | Dynamic hosting capacity analysis framework for distribution system planning | |
CN114721835A (zh) | 边缘数据中心服务器能耗预测方法、***、设备及介质 | |
Freschi et al. | Bootstrap based uncertainty propagation for data quality estimation in crowdsensing systems | |
CN115085196A (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
Sundararajan et al. | Nonparametric change point detection in multivariate piecewise stationary time series | |
Neto et al. | Building energy consumption models based on smartphone user’s usage patterns | |
CN114330935A (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
CN115225520A (zh) | 一种基于元学习框架的多模态网络流量预测方法及装置 | |
US20170299424A1 (en) | Measuring and diagnosing noise in an urban environment | |
CN113610174A (zh) | 基于Phik特征选择的电网主机负载预测方法、设备及介质 | |
CN113949644A (zh) | 基于LSTM-prophet的网站访问量预测方法及*** | |
CN113723712B (zh) | 风电功率预测方法、***、设备及介质 | |
CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
KR20190109194A (ko) | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 | |
CN115169155A (zh) | 发动机故障预测方法、装置、计算机设备和存储介质 | |
CN115827705A (zh) | 用于反事实解释的数据处理方法和装置 | |
Rao et al. | Investigating impact of the heterogeneity of trajectory data distribution on origin‐destination estimation: a spatial statistics approach | |
CN111027680A (zh) | 基于变分自编码器的监控量不确定性预测方法及*** | |
Hluchy et al. | Hydro-meteorological scenarios using advanced data mining and integration | |
CN117057681B (zh) | 软件质量评估方法、装置、设备和存储介质 | |
CN110796262B (zh) | 机器学习模型的测试数据优化方法、装置及电子设备 |
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 |