CN114819425A - 一种区域用电量智能预测方法、***及存储介质 - Google Patents
一种区域用电量智能预测方法、***及存储介质 Download PDFInfo
- Publication number
- CN114819425A CN114819425A CN202210758598.5A CN202210758598A CN114819425A CN 114819425 A CN114819425 A CN 114819425A CN 202210758598 A CN202210758598 A CN 202210758598A CN 114819425 A CN114819425 A CN 114819425A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- training
- regional power
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims description 16
- 238000012549 training Methods 0.000 claims abstract description 144
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 230000010354 integration Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种区域用电量智能预测方法,包括以下具体步骤:根据电网***中记录的区域用电量历史数据进行基于一维卷积网络的区域用电量模型训练,得到基于一维卷积网络的区域用电量模型;结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型;通过自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测。
Description
技术领域
本申请涉及能源互联网领域中的区域用电量智能预测领域,具体涉及一种基于短数据集驱动与自适应训练窗口选择的区域用电量智能预测方法、***及存储介质。
背景技术
随着传统电网与物联网的结合,电网中的发电、电力传输、和电力分布均朝着智能控制的领域发展,相关电力***的决策开始逐渐依赖数据驱动的方式。同时,为应对传统不可再生能源日益枯竭与其对气候环境带来的负面影响,需要从需求侧实际用电量需求来管理电力输送。而电网***中现有较大的历史用电量数据时间较久远,但在实际中,用电量数据呈现出逐年递增的趋势,现有的较大历史数据作用较小,且电网***的不同区域会经历不同程度的改造,没有较为充足的区域用电量历史数据。为此,本申请提出的一种基于短数据集驱动与自适应训练窗口选择的区域用电量智能预测方法,能够基于较短的数据训练得到区域用电量预测模型,且提出的基于自适应训练窗口选择方法能够得到不同数据集下的最优窗口大小,实现准确的区域用电量预测。
现有的区域用电量预测较依赖大数据集,在小数据集情况下预测精度较差,且对于不同大小的数据集无法自适应选择训练窗口大小,在新的数据集下需要重复调参,造成了时间的浪费与预测结果的不准确。
发明内容
本申请实施例的目的在于提供一种区域用电量智能预测方法、***及存储介质,提高电网***中区域用电量预测的准确率,减少模型训练时间。
为实现上述目的,本申请提供如下技术方案:
第一方面,本申请实施例提供一种区域用电量智能预测方法,包括以下具体步骤:
根据电网***中记录的区域用电量历史数据进行基于一维卷积网络的区域用电量模型训练,得到基于一维卷积网络的区域用电量模型;
结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;
依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型;
通过自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测。
所述基于一维卷积网络的区域用电量模型的训练中,区域用电量历史数据为单一变量的时间序列数据,表示为,其中表示这组数据的长度,表示在时刻的区域用电量数据,预测得到的区域用电量数据为,其中表示为预测时间序列的长度,且根据历史数据得到预测数据的关系表示为:
为使所述最小化,实现根据历史数据得到准确的预测数据,采用结合一维全连接层与因果卷积的网络结构,具体结构包含8个一维卷积网络,1个池化层和2个维全连接层,通过将原始数据输入到网络结构中,通过训练得到基于短数据驱动的一维卷积网络的区域用电量预测模型。
所述结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集具体为:
在区域用电量历史数据中增加气候、温度、星期、风向这些多维度特征;
将原始区域用电量历史数据中的时间索引去除掉,在每一段不同长度的区域用电量历史数据中增加序列长度和最优训练窗口大小两个特征;
将原始区域用电量历史数据打乱,并从中随机选取其中的20%作为重组数据集;
根据以上步骤,将得到输出值为最优训练窗口大小,输入特征值为气候、温度、序列长度的重组数据集。
所述依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型具体为:
重组后的数据集包括气候、温度、序列长度这些输入特征,表示为,为所有的特征值集合,表示其中的一项特征,输出值为最优训练窗口大小,表示为,且是一个具体的值,则基于轻量化的梯度集成方法的模型训练为回归问题,则基于轻量化的梯度集成方法模型的自适应训练窗口模型可以表示为:
第二方面,本申请实施例提供一种区域用电量智能预测***,包括区域用电预测模块、最优训练窗口数据获取模块、自适应训练窗口选择模块以及结果输出模块,
所述区域用电预测模块根据电网***中记录的区域用电量历史数据进行基于一维卷积网络的区域用电量模型训练,得到基于一维卷积网络的区域用电量模型;
所述最优训练窗口数据获取模块结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;
所述自适应训练窗口选择模块依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型;
所述结果输出模块通过自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的区域用电量智能预测方法的步骤。
与现有技术相比,本发明的有益效果是:
解决了短数据集下区域用电量预测准确率不高的问题,提供了一种基于短数据驱动的一维卷积网络(1D-CNN)的区域用电量预测模型,有效提高了区域用电量预测准确率。
解决了针对不同长度的数据集,需要重复调参且单一模型造成预测准确率较低的问题,在提高模型泛化能力的同时,提高了区域用电量预测的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例的区域用电量智能预测方法流程图;
图2为本申请实施例的区域用电量智能预测***原理框图;
图3中(a)为1D-CNN模型训练过程的损失值变化曲线,(b) 为LGBM模型训练过程的损失值变化曲线;
图4为数据集长度为7天的区域用电量实际值与预测值曲线;
图5为数据集长度为14天的区域用电量实际值与预测值曲线;
图6为数据集长度为31天的区域用电量实际值与预测值曲线。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来,而不能理解为指示或暗示相对重要性,也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
参照图1和图2,本申请实施例提供的一种区域用电量智能预测方法,具体为一种基于短数据集驱动与自适应训练窗口选择的区域用电量智能预测方法主要包含基于短数据驱动的一维卷积网络(1D-CNN)的区域用电量预测模型、基于不同长度数据集的最优训练窗口的数据集重组方法和基于轻量化的梯度集成方法(LGBM)的自适应训练窗口选择模型三个环节。
一种区域用电量智能预测方法,包括以下具体步骤:
S1.根据电网***中记录的区域用电量历史数据进行基于一维卷积网络的区域用电量模型训练,得到基于一维卷积网络的区域用电量模型;
S2.结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;
S3.依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型;
S4.通过自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测。
训练窗口本质上是区域用电量预测模型的一个参数输入,这个结合实质上就是将训练窗口作为一个变量输入到区域用电量模型中,从而进行训练。
本申请的实施方法中,首先利用电网***中的历史数据进行基于1D-CNN的区域用电量预测模型训练,得到预测准确率较高的区域用电量预测模型;其次,结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;最后,结合前一步得到的重组后的数据集,利用LGBM进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型。
在实施实例中,如图3中的(a),基于1D-CNN的区域用电量预测模型训练及其预测方法如下:模型的输入数据为区域用电量数据的历史数据,是单一变量的时间序列数据,表示为,其中表示这组数据的长度,表示在时刻的区域用电量数据,预测得到的区域用电量数据为,其中表示为预测时间序列的长度,且根据历史数据得到预测数据的关系表示为:
为使(2)中的最小化,实现根据历史数据得到准确的预测数据,本申请采用结合一维全连接层(One Dimensional Fully Convolutional Layer, 1D-FCL)与因果卷积的网络结构,具体结构包含8个1D-CNN(padding方式为casual),1个池化层(采用maxpooling,确保不会发生过拟合现象)和2个1D-FCL,通过将原始数据输入到网络结构中,通过训练得到基于短数据驱动的1D-CNN的区域用电量预测模型。
在本实例中,结合遍历方式得到的最优训练集窗口大小得到重组数据集的实现方法如下:
重组数据集严重依赖于不同输入长度的历史数据下的最优窗口大小。由于重组后的数据集应该具有一般性,这里的数据集与用于1D-CNN区域用电量预测的时间序列数据集不同,首先增加“气候”、“温度”、“星期”、“风向”等多维度特征;其次,将原始数据中的时间索引去除掉,在每一段不同长度的历史数据中增加“序列长度”,“最优训练窗口大小”两个特征;最后,将原始数据打乱,并从中随机选取其中的20%作为重组数据集。
根据以上步骤,将得到输出值为“最优训练窗口大小”,输入特征值为“气候”、“温度”、“序列长度”等的重组数据集。
在本实例中,如图3中的(b),基于LGBM的自适应训练窗口选择模型训练方式如下:基于前一步得到的重组后的数据集,将“气候”、“温度”、“序列长度”等作为输入特征,表示为,为所有的特征值集合,表示其中的一项特征。输出值为“最优训练窗口大小”,表示为,且是一个具体的值,则基于LGBM的模型训练为回归问题,则基于LGBM模型的自适应训练窗口模型可以表示为:
针对当前的区域用电量训练数据,通过得到的LGBM自适应窗口选择模型进行当前最优训练窗口选择,并将该训练窗口输出,送入一维卷积网络的区域用电量模型进行训练,则可以表示为:
则将自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测,且较少了模型训练时间。
如图2所示,本申请实施例提供一种区域用电量智能预测***,包括区域用电预测模块1、最优训练窗口数据获取模块2、自适应训练窗口选择模块3以及结果输出模块4,
所述区域用电预测模块1根据电网***中记录的区域用电量历史数据进行基于一维卷积网络的区域用电量模型训练,得到基于一维卷积网络的区域用电量模型;
所述最优训练窗口数据获取模块2结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;
所述自适应训练窗口选择模块3依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型;
所述结果输出模块4通过自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测。
如图4-图6所示,图4为数据集长度为7天的区域用电量实际值与预测值曲线,图5为数据集长度为14天的区域用电量实际值与预测值曲线,图6为数据集长度为31天的区域用电量实际值与预测值曲线,采用本申请的区域用电量智能预测方法,对比数据集长度为7天、数据集长度为14天以及数据集长度为31天的区域用电量实际值与预测值曲线,可以明显看出,区域用电量预测曲线与实际值曲线重合率高,从而证明本申请的区域用电量智能预测方法区域用电量预测的准确率较高。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的区域用电量智能预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种区域用电量智能预测方法,其特征在于,包括以下具体步骤:
根据电网***中记录的区域用电量历史数据进行基于一维卷积网络的区域用电量模型训练,得到基于一维卷积网络的区域用电量模型;
结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;
依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型;
通过自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测。
4.根据权利要求1所述的一种区域用电量智能预测方法,其特征在于,所述结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集具体为:
在区域用电量历史数据中增加气候、温度、星期、风向这些多维度特征;
将原始区域用电量历史数据中的时间索引去除掉,在每一段不同长度的区域用电量历史数据中增加序列长度和最优训练窗口大小两个特征;
将原始区域用电量历史数据打乱,并从中随机选取其中的20%作为重组数据集;
根据以上步骤,将得到输出值为最优训练窗口大小,输入特征值为气候、温度、序列长度的重组数据集。
5.根据权利要求1所述的一种区域用电量智能预测方法,其特征在于,所述依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型具体为:
重组后的数据集包括气候、温度、序列长度这些输入特征,表示为,为所有的特征值集合,表示其中的一项特征,输出值为最优训练窗口大小,表示为,且是一个具体的值,则基于轻量化的梯度集成方法的模型训练为回归问题,则基于轻量化的梯度集成方法模型的自适应训练窗口模型可以表示为:
此时基于轻量化的梯度集成方法模型的训练过程同样是需要保证减少真实值与预测值之间的差异,则训练过程中的目标方程表示为:
6.一种区域用电量智能预测***,其特征在于,包括区域用电预测模块、最优训练窗口数据获取模块、自适应训练窗口选择模块以及结果输出模块,
所述区域用电预测模块根据电网***中记录的区域用电量历史数据进行基于一维卷积网络的区域用电量模型训练,得到基于一维卷积网络的区域用电量模型;
所述最优训练窗口数据获取模块结合遍历得到的不同训练集长度下的最优训练集窗口大小,获得重组后的窗口选择数据集;
所述自适应训练窗口选择模块依据重组后的数据集,利用轻量化的梯度集成方法进行自适应训练窗口选择模型训练,得到自适应训练窗口选择模型;
所述结果输出模块通过自适应训练窗口选择模型结合基于一维卷积网络的区域用电量模型,从而实现准确的区域用电量预测。
7.一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存储有程序代码,所述程序代码被处理器执行时,实现如权利要求1至5任一项所述的区域用电量智能预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210758598.5A CN114819425A (zh) | 2022-06-30 | 2022-06-30 | 一种区域用电量智能预测方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210758598.5A CN114819425A (zh) | 2022-06-30 | 2022-06-30 | 一种区域用电量智能预测方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819425A true CN114819425A (zh) | 2022-07-29 |
Family
ID=82522409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210758598.5A Pending CN114819425A (zh) | 2022-06-30 | 2022-06-30 | 一种区域用电量智能预测方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819425A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874625A (zh) * | 2024-01-22 | 2024-04-12 | 国网湖北省电力有限公司信息通信公司 | 基于ai和知识库的电力***数据智能处理***与方法 |
-
2022
- 2022-06-30 CN CN202210758598.5A patent/CN114819425A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874625A (zh) * | 2024-01-22 | 2024-04-12 | 国网湖北省电力有限公司信息通信公司 | 基于ai和知识库的电力***数据智能处理***与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544618B2 (en) | Automatic multi-threshold feature filtering method and apparatus | |
US11580441B2 (en) | Model training method and apparatus | |
KR101749427B1 (ko) | 다양한 특성을 갖는 인공 신경망에 기초한 풍속 예측 방법 및 그 방법을 이용한 장치 | |
CN115049169B (zh) | 基于频域和空域结合的区域用电量预测方法、***及介质 | |
CN111191783B (zh) | 一种自适应量化方法及装置、设备、介质 | |
CN114817500B (zh) | 一种基于量化的长文本问答推理方法、设备及介质 | |
Godinho et al. | Comparative performance of AI methods for wind power forecast in Portugal | |
CN114819425A (zh) | 一种区域用电量智能预测方法、***及存储介质 | |
Wang et al. | Short-term load forecasting of power system based on time convolutional network | |
CN114528924A (zh) | 一种图像分类模型的推理方法、装置、设备及介质 | |
JP6935868B2 (ja) | 画像認識装置、画像認識方法、およびプログラム | |
CN111159192B (zh) | 基于大数据的数据入库方法、装置、存储介质和处理器 | |
CN115545361B (zh) | 一种电网传输线路气候环境预测方法、***及介质 | |
CN117785834A (zh) | 一种数据库结构与索引的优化方法、设备及介质 | |
CN111027693A (zh) | 一种基于去权重剪枝的神经网络压缩方法及*** | |
CN115600666A (zh) | 面向输配电线路缺陷检测模型的自学习方法及装置 | |
CN115579887B (zh) | 一种传输线路动态增容方法、***及介质 | |
CN112131569B (zh) | 一种基于图网络随机游走的风险用户预测方法 | |
CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
Han et al. | Predicting energy use in construction using Extreme Gradient Boosting | |
Yang et al. | Practical large scale classification with additive kernels | |
CN115496002B (zh) | 一种多维特征交互的线路动态增容方法、***及介质 | |
CN117391752A (zh) | 一种基于自适应的专家拟合数据量预测方法、设备及介质 | |
CN116436067A (zh) | 动态图神经网络节点聚合优化方法、***、设备及介质 | |
CN107451662A (zh) | 优化样本向量的方法及装置、计算机设备 |
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 |