CN116108960A - 多类型能源需求预测模型训练方法及装置 - Google Patents
多类型能源需求预测模型训练方法及装置 Download PDFInfo
- Publication number
- CN116108960A CN116108960A CN202211534854.9A CN202211534854A CN116108960A CN 116108960 A CN116108960 A CN 116108960A CN 202211534854 A CN202211534854 A CN 202211534854A CN 116108960 A CN116108960 A CN 116108960A
- Authority
- CN
- China
- Prior art keywords
- energy demand
- data
- encoder
- type energy
- self
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多类型能源需求预测模型训练方法及装置,所述方法包括:获取第一能源需求影响数据集及对应的多类型能源需求数据集;利用已训练的自编码器的编码器对所述第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集;利用所述第二能源需求影响数据集及所述多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型。本发明多类型能源需求预测模型训练方法及装置,可以有效地提高对模型的训练效率,提升模型泛化能力。
Description
技术领域
本发明涉及能源需求技术领域,特别是涉及一种多类型能源需求预测模型训练方法及装置。
背景技术
能源需求预测对于能源行业的发展以及能源需求的供给服务而言,具有重要的意义,目前,大多能源需求预测方法都较为简单,且采用的模型的训练较为低效,泛化能力较差,由此导致了最终预测的能源需求数据不够准确。
发明内容
本发明的目的是:提供一种多类型能源需求预测模型训练、多类型能源需求预测方法、装置、计算机设备及存储介质,可以有效地提高对模型的训练效率,提升模型泛化能力,从而可以使得最终预测的能源需求数据更为准确。
为了实现上述目的,第一方面,本发明提供了一种多类型能源需求预测模型训练方法,包括:
获取第一能源需求影响数据集及对应的多类型能源需求数据集;
利用已训练的自编码器的编码器对所述第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集;
利用所述第二能源需求影响数据集及所述多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型。
在本发明较佳的实施方式中,在所述获取第一能源需求影响数据集及对应的多类型能源需求数据集之后,所述利用已训练的自编码器的编码器对所述第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集之前,所述方法还包括:
利用所述第一能源需求影响数据集对待训练的自编码器进行训练,所述自编码器包括编码器和解码器;
将所述自编码器中的所述解码器拆解。
在本发明较佳的实施方式中,所述利用所述第一能源需求影响数据集对待训练的自编码器进行训练,包括:
将所述第一能源需求影响数据集中的数据分别输入待训练的自编码器进行迭代训练;
在每次迭代训练中,
所述自编码器的编码器将输入数据进行特征提取,得到特征向量;
所述自编码器的解码器将所述特征向量进行重构,得到重构数据;
利用预定的损失函数对所述自编码器的参数进行更新,所述预定的损失函数根据所述重构数据与所述输入数据的距离定义得到。
在本发明较佳的实施方式中,所述利用预定的损失函数对所述自编码器的参数进行更新,包括:
利用梯度下降法,向预定的损失函数下降的方向对所述自编码器的参数进行更新。
在本发明较佳的实施方式中,所述第一能源需求影响数据集中的数据包括气象数据、时间数据、电力能源数据、电网调度数据、社会经济数据、碳排放数据。
第二方面,本发明提供了一种多类型能源需求预测方法,包括:
获取待预测能源需求影响数据;
利用已训练的自编码器的编码器对所述待预测能源需求影响数据进行特征提取,得到目标能源需求影响数据;
将所述目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据。
第三方面,本发明提供了一种多类型能源需求预测模型训练装置,包括:
获取模块,用于获取第一能源需求影响数据集及对应的多类型能源需求数据集;
特征提取模块,用于利用已训练的自编码器的编码器对所述第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集;
训练模块,用于利用所述第二能源需求影响数据集及所述多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型。
第四方面,本发明提供了一种多类型能源需求预测装置,包括:
获取模块,用于获取待预测能源需求影响数据;
特征提取模块,用于利用已训练的自编码器的编码器对所述待预测能源需求影响数据进行特征提取,得到目标能源需求影响数据;
能源需求预测模块,用于将所述目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据。
第五方面,本发明提供了一种计算机设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行上述的多类型能源需求预测模型训练方法,或上述的多类型能源需求预测方法。
第六方面,本发明提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的多类型能源需求预测模型训练方法,或上述的多类型能源需求预测方法。
本发明实施例多类型能源需求预测模型训练、多类型能源需求预测方法、装置、计算机设备及存储介质,与现有技术相比,其有益效果在于:
本发明实施例通过已训练的自编码器的编码器对获取的第一能源需求影响数据集进行特征提取,提取了数据的有效特征,得到第二能源需求影响数据集;进而在利用第二能源需求影响数据集及获取的多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型时,可以有效地提高对多类型能源需求预测模型的训练效率,提升模型泛化能力,从而可以使得最终预测的能源需求数据更为准确,并且在模型训练时采用的是能源需求影响数据及多类型能源需求数据,进而最终可以预测得到多类型能源需求数据,大大提升能源需求预测的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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发明的某些实施例,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是本发明实施例一提供的多类型能源需求预测模型训练方法的流程示意图;
图2是本发明实施例一提供的自编码器的示意图;
图3是本发明实施例二提供的多类型能源需求预测模型训练装置的结构框图;
图4是本发明实施例三提供的多类型能源需求预测方法的流程示意图;
图5是本发明实施例四提供的多类型能源需求预测装置的结构框图;
图6是本发明实施例五提供的计算机设备的内部结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
目前,大多能源需求预测方法都较为简单,且采用的模型的训练较为低效,泛化能力较差,由此导致了最终预测的能源需求数据不够准确。
针对上述现有技术中的问题,本发明实施例提供了一种多类型能源需求预测模型训练、多类型能源需求预测方法、装置、计算机设备及存储介质,可以有效地提高对多类型能源需求预测模型的训练效率,提升模型泛化能力,从而可以使得最终预测的能源需求数据更为准确,并且在模型训练时采用的是能源需求影响数据及多类型能源需求数据,进而最终可以预测得到多类型能源需求数据,大大提升能源需求预测的效果。
实施例一
参见图1,图1是本发明实施例提供的多类型能源需求预测模型训练方法的流程示意图。
本发明实施例中下述的多类型能源需求预测模型训练方法可应用于服务器等计算机设备。
在一个实施方式中,本发明提供一种多类型能源需求预测模型训练方法,包括如下步骤:
步骤S110,获取第一能源需求影响数据集及对应的多类型能源需求数据集。
在一个实施方式中,获取的第一能源需求影响数据集中的数据可包括气象数据、时间数据、电力能源数据、电网调度数据、社会经济数据、碳排放数据等数据;可选地,第一能源需求影响数据集中的每一数据为采集到该数据时当下时间对应的数据,也即气象数据、时间数据、电力能源数据、电网调度数据、社会经济数据、碳排放数据等数据是采集到每个数据时当下时间对应的数据;
其中,气象数据可包括最高气温、最低气温、平均气温、平均降水量、平均相对湿度、风速、平均气压等数据中的至少一种;电力能源数据可包括煤机、核电、气电、水电等并网装机容量、出力数据,风光发电利用小时数、能源消费数据(比如单位GDP电耗、单位生产总值能耗、第一产业能耗、人均煤炭消费量等)等数据中的至少一种;社会经济数据可包括GDP、人均收入、城镇化率、第一产业增长率、第二产业增长率、第三产业增长率、人口数、一二三产业占比、分产业GDP等数据中的至少一种;碳排放数据可包括单位生产总值二氧化碳排放等数据。
在一个实施方式中,获取的多类型能源需求数据集中的数据可包括电力需求数据、煤需求数据、石油需求数据、天然气需求数据等能源需求数据;多类型能源需求数据集中的数据与第一能源需求影响数据集中的数据相对应。
在一个实施方式中,第一能源需求影响数据集及对应的多类型能源需求数据集可以是按照时间进行排序,并进行归一化处理的。
在一个实施方式中,计算机设备可通过工作人员输入的能源需求影响数据及对应的多类型能源需求数据,获取得到第一能源需求影响数据集及对应的多类型能源需求数据集。
在一个实施方式中,第一能源需求影响数据集用于作为输入数据集,对应的多类型能源需求数据集用于作为输出数据集。
在一个实施方式中,第一能源需求影响数据集中的数据包括的数据类型较多且全面,可以较为便于时序预测模型的训练,使得到的多类型能源需求预测模型具有更为准确地预测能源需求数据的能力。
步骤S120,利用已训练的自编码器的编码器对第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集。
在一个实施方式中,在上述步骤S120之前,本发明多类型能源需求预测模型训练方法,还可包括如下步骤:
利用第一能源需求影响数据集对待训练的自编码器进行训练,自编码器包括编码器和解码器;
将自编码器中的解码器拆解。
在本实施方式中,自编码器利用卷积神经网络构建得到,自编码器分为编码器和解码器,本实施方式自编码器的示意图如图2所示,其中图2中省略了Conv1D层后的Maxpooling层及Dropout层;
对于自编码器中的编码器,其作用是数据特征的提取,自编码器中的解码器的作用是将数据进行还原重构,重构数据越接近原数据越好;通过上述的方式可以使自编码器较好地学习数据中的特征,具有较优的学习数据特征及特征提取的能力,在达到能力后将自编码器中的解码器拆解,以使自编码器能更好地应用。
在本实施方式中,计算机设备利用第一能源需求影响数据集对待训练的自编码器进行训练时,可:
将第一能源需求影响数据集中的数据分别输入待训练的自编码器进行迭代训练;
在每次迭代训练中,
自编码器的编码器将输入数据进行特征提取,得到特征向量;
自编码器的解码器将特征向量进行重构,得到重构数据;
利用预定的损失函数对自编码器的参数进行更新,预定的损失函数根据重构数据与输入数据的距离定义得到;
具体地,对于上述过程可参见图2,其中,第一能源需求影响数据集即作为图2中的多能源输入样本数据集,重构数据集即作为图2中的重构后多能源输入样本数据集;
可选地,在利用第一能源需求影响数据集对待训练的自编码器进行训练前,可按照预定划分比例将第一能源需求影响数据集划分成训练集、验证集及测试集;在自编码器的训练过程中,每一个epoch(表示所有的数据送入网络中,完成了一次前向计算和反向传播的过程)应用验证集进行验证,并在训练结束后使用测试集对自编码器性能以及拟合程度进行评估;
自编码器的编码器将输入数据进行特征提取,得到特征向量时,可以将输入数据进行特征提取,并压缩至特征向量,特征向量可看作输入数据的表征;
预定的损失函数可以表示如下:
其中,Xi表示第i个输入数据,χi表示第i个输入数据对应的重构数据,N表示输入数据的数量;
在本实施方式中,在利用预定的损失函数对自编码器的参数进行更新时,可利用梯度下降法,向预定的损失函数下降的方向对自编码器的参数进行更新;可选地,可将自编码器的参数先进行初始化,进而再利用梯度下降法,以L为损失函数对自编码器进行训练,使自编码器中的参数向着损失函数L下降的方向不断迭代更新,并使得重构数据与输入数据的距离越来越相近。
在本实施方式中,通过上述的方式可以更好地对自编码器进行训练,缩短训练时间及次数,提升训练的效果,并可以使自编码器较好地学习数据中的特征,具有较优的学习数据特征及特征提取的能力。
步骤S130,利用第二能源需求影响数据集及多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型。
在一个实施方式中,待训练的时序预测模型可以是基于LSTM(LongShort-TermMemory,长短期记忆网络)的时序预测模型。
在本实施方式中,基于LSTM的时序预测模型的输入数据为序列数据,维度为(N,T,D),其中,N为输入数据数量,T为时间长度,D为单个输入数据维度(即特征向量维度);基于LSTM的时序预测模型可根据当前时间及过去时间(t-n,t-1)输入的序列数据,输出未来时间(t+1,t+n)的多类型能源需求数据,其中正整数n为步长;在某一时间的单个多类型能源需求数据的维度为d,d为能源类型数量,如果是单一维度,单一维度的数据为对应能源类型的需求数据;
可选地,在利用第二能源需求影响数据集及多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型时,可按照预定划分比例将第二能源需求影响数据集及多类型能源需求数据集划分成训练集、验证集及测试集;在时序预测模型的训练过程中,每一个epoch(表示所有的数据送入网络中,完成了一次前向计算和反向传播的过程)应用验证集进行验证,直至模型收敛,最终使用测试集对模型性能及拟合程度进行评估;
可选地,在时序预测模型训练时,可将时序预测模型的参数先进行初始化,进而再利用梯度下降法,使用平均绝对误差作为损失函数对时序预测模型进行训练。
在一个实施方式中,通过上述的方式可以更好地对时序预测模型进行训练,使得到的多类型能源需求预测模型具有更好的泛化能力,使模型具有更为准确地预测能源需求数据的能力,提升模型的预测效果。
上述多类型能源需求预测模型训练方法,通过已训练的自编码器的编码器对获取的第一能源需求影响数据集进行特征提取,提取了数据的有效特征,得到第二能源需求影响数据集;进而在利用第二能源需求影响数据集及获取的多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型时,可以有效地提高对多类型能源需求预测模型的训练效率,提升模型泛化能力,以使模型具有更为准确地预测能源需求数据的能力,并且在模型训练时采用的是能源需求影响数据及多类型能源需求数据,进而最终可以使得模型具有预测得到多类型能源需求数据的能力,大大提升模型的预测效果。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种多类型能源需求预测模型训练装置。
参见图3,图3是本发明实施例提供的多类型能源需求预测模型训练装置的结构框图。
在一个实施方式中,本发明的多类型能源需求预测模型训练装置,包括:
获取模块210,用于获取第一能源需求影响数据集及对应的多类型能源需求数据集;
特征提取模块220,用于利用已训练的自编码器的编码器对第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集;
训练模块230,用于利用第二能源需求影响数据集及多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型。
上述多类型能源需求预测模型训练装置,通过已训练的自编码器的编码器对获取的第一能源需求影响数据集进行特征提取,提取了数据的有效特征,得到第二能源需求影响数据集;进而在利用第二能源需求影响数据集及获取的多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型时,可以有效地提高对多类型能源需求预测模型的训练效率,提升模型泛化能力,以使模型具有更为准确地预测能源需求数据的能力,并且在模型训练时采用的是能源需求影响数据及多类型能源需求数据,进而最终可以使得模型具有预测得到多类型能源需求数据的能力,大大提升模型的预测效果。
在一个实施方式中,训练模块230,还可用于:
利用第一能源需求影响数据集对待训练的自编码器进行训练;
本发明的多类型能源需求预测模型训练装置,还可包括:
拆解模块,用于将自编码器中的编码器拆解。
在一个实施方式中,训练模块230,可具体用于:
将第一能源需求影响数据集中的数据分别输入待训练的自编码器进行迭代训练;
在每次迭代训练中,
自编码器的编码器将输入数据进行特征提取,得到特征向量;
自编码器的解码器将特征向量进行重构,得到重构数据;
利用预定的损失函数对自编码器的参数进行更新,预定的损失函数根据重构数据与输入数据的距离定义得到。
在一个实施方式中,训练模块230在利用预定的损失函数对自编码器的参数进行更新时,可:
利用梯度下降法,向预定的损失函数下降的方向对自编码器的参数进行更新。
上述的多类型能源需求预测模型训练装置可实施上文中的多类型能源需求预测模型训练方法。上述的多类型能源需求预测模型训练装置实施例的具体限定及其余内容可参见上文中多类型能源需求预测模型训练方法的内容,实施例中不再进行赘述。
实施例三
参见图4,图4是本发明实施例提供的多类型能源需求预测方法的流程示意图。
本发明实施例中下述的多类型能源需求预测方法可应用于服务器等计算机设备。
在一个实施方式中,本发明提供一种多类型能源需求预测方法,包括如下步骤:
步骤S310,获取待预测能源需求影响数据。
在一个实施方式中,获取的待预测能源需求影响数据可包括气象数据、时间数据、电力能源数据、电网调度数据、社会经济数据、碳排放数据等数据;可选地,气象数据、时间数据、电力能源数据、电网调度数据、社会经济数据、碳排放数据等数据是采集到待预测能源需求影响数据时当下时间对应的数据。
在一个实施方式中,计算机设备可通过工作人员的输入,获取得到待预测能源需求影响数据。
步骤S320,利用已训练的自编码器的编码器对待预测能源需求影响数据进行特征提取,得到目标能源需求影响数据。
可以理解地,已训练的自编码器即为上述实施例一中已训练的自编码器。
步骤S330,将目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据。
可以理解地,多类型能源需求预测模型即为上述实施例一中通过训练得到的多类型能源需求预测模型。
在一个实施方式中,目标多类型能源需求数据可包括电力需求数据、煤需求数据、石油需求数据、天然气需求数据等能源需求数据。
对于多类型能源需求预测模型,可参见上述实施例一中的内容,实施例中不再进行赘述。
上述多类型能源需求预测方法,通过已训练的自编码器的编码器对获取的待预测能源需求影响数据进行特征提取,提取了数据的有效特征,得到目标能源需求影响数据;将目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据,由于多类型能源需求预测模型具有较好的泛化能力及更为准确地预测能源需求数据的能力,从而可以使得最终预测的能源需求数据更为准确,并且模型具有预测得到多类型能源需求数据的能力,进而最终可以预测得到多类型能源需求数据,大大提升能源需求预测的效果。
实施例四
为了执行上述实施例三对应的方法,以实现相应的功能和技术效果,下面提供一种多类型能源需求预测装置。
参见图5,图5是本发明实施例提供的多类型能源需求预测装置的结构框图。
在一个实施方式中,本发明的多类型能源需求预测装置,包括:
获取模块410,用于获取待预测能源需求影响数据;
特征提取模块420,用于利用已训练的自编码器的编码器对待预测能源需求影响数据进行特征提取,得到目标能源需求影响数据;
能源需求预测模块430,用于将目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据。
上述多类型能源需求预测装置,通过已训练的自编码器的编码器对获取的待预测能源需求影响数据进行特征提取,提取了数据的有效特征,得到目标能源需求影响数据;将目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据,由于多类型能源需求预测模型具有较好的泛化能力及更为准确地预测能源需求数据的能力,从而可以使得最终预测的能源需求数据更为准确,并且模型具有预测得到多类型能源需求数据的能力,进而最终可以预测得到多类型能源需求数据,大大提升能源需求预测的效果。
上述的多类型能源需求预测装置可实施上文中的多类型能源需求预测方法。上述的多类型能源需求预测装置实施例的具体限定及其余内容可参见上文中多类型能源需求预测方法的内容,实施例中不再进行赘述。
实施例五
在一个实施方式中,本发明提供一种计算机设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行上述的多类型能源需求预测模型训练方法,或上述的多类型能源需求预测方法。
可选地,上述计算机设备可以是服务器。
在一个实施方式中,本发明的计算机设备的内部结构可以如图6所示。
在一个实施方式中,本发明提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的多类型能源需求预测模型训练方法,或上述的多类型能源需求预测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动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。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例而已,并不用于限制本发明的保护范围,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。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。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定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。而且,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。
Claims (10)
1.一种多类型能源需求预测模型训练方法,其特征在于,包括:
获取第一能源需求影响数据集及对应的多类型能源需求数据集;
利用已训练的自编码器的编码器对所述第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集;
利用所述第二能源需求影响数据集及所述多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型。
2.根据权利要求1所述的多类型能源需求预测模型训练方法,其特征在于,在所述获取第一能源需求影响数据集及对应的多类型能源需求数据集之后,所述利用已训练的自编码器的编码器对所述第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集之前,所述方法还包括:
利用所述第一能源需求影响数据集对待训练的自编码器进行训练,所述自编码器包括编码器和解码器;
将所述自编码器中的所述解码器拆解。
3.根据权利要求2所述的多类型能源需求预测模型训练方法,其特征在于,所述利用所述第一能源需求影响数据集对待训练的自编码器进行训练,包括:
将所述第一能源需求影响数据集中的数据分别输入待训练的自编码器进行迭代训练;
在每次迭代训练中,
所述自编码器的编码器将输入数据进行特征提取,得到特征向量;
所述自编码器的解码器将所述特征向量进行重构,得到重构数据;
利用预定的损失函数对所述自编码器的参数进行更新,所述预定的损失函数根据所述重构数据与所述输入数据的距离定义得到。
4.根据权利要求3所述的多类型能源需求预测模型训练方法,其特征在于,所述利用预定的损失函数对所述自编码器的参数进行更新,包括:
利用梯度下降法,向预定的损失函数下降的方向对所述自编码器的参数进行更新。
5.根据权利要求1所述的多类型能源需求预测模型训练方法,其特征在于,所述第一能源需求影响数据集中的数据包括气象数据、时间数据、电力能源数据、电网调度数据、社会经济数据、碳排放数据。
6.一种多类型能源需求预测方法,其特征在于,包括:
获取待预测能源需求影响数据;
利用已训练的自编码器的编码器对所述待预测能源需求影响数据进行特征提取,得到目标能源需求影响数据;
将所述目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据。
7.一种多类型能源需求预测模型训练装置,其特征在于,包括:
获取模块,用于获取第一能源需求影响数据集及对应的多类型能源需求数据集;
特征提取模块,用于利用已训练的自编码器的编码器对所述第一能源需求影响数据集进行特征提取,得到第二能源需求影响数据集;
训练模块,用于利用所述第二能源需求影响数据集及所述多类型能源需求数据集对待训练的时序预测模型进行训练,得到多类型能源需求预测模型。
8.一种多类型能源需求预测装置,其特征在于,包括:
获取模块,用于获取待预测能源需求影响数据;
特征提取模块,用于利用已训练的自编码器的编码器对所述待预测能源需求影响数据进行特征提取,得到目标能源需求影响数据;
能源需求预测模块,用于将所述目标能源需求影响数据输入至多类型能源需求预测模型,预测得到目标多类型能源需求数据。
9.一种计算机设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至5中任一项所述的多类型能源需求预测模型训练方法,或权利要求6所述的多类型能源需求预测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的多类型能源需求预测模型训练方法,或权利要求6所述的多类型能源需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534854.9A CN116108960A (zh) | 2022-12-01 | 2022-12-01 | 多类型能源需求预测模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534854.9A CN116108960A (zh) | 2022-12-01 | 2022-12-01 | 多类型能源需求预测模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116108960A true CN116108960A (zh) | 2023-05-12 |
Family
ID=86256981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534854.9A Pending CN116108960A (zh) | 2022-12-01 | 2022-12-01 | 多类型能源需求预测模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108960A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
-
2022
- 2022-12-01 CN CN202211534854.9A patent/CN116108960A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
CN117077871B (zh) * | 2023-10-17 | 2024-02-02 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091233B (zh) | 一种风电场短期风电预测建模方法 | |
Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
Xiong et al. | A short-term wind power forecast method via xgboost hyper-parameters optimization | |
CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
CN116108960A (zh) | 多类型能源需求预测模型训练方法及装置 | |
CN116151459B (zh) | 基于改进Transformer的电网防汛风险概率预测方法和*** | |
CN110766215B (zh) | 基于特征自适应选择和wdnn的风电爬坡事件预测方法 | |
CN115994325A (zh) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 | |
CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及*** | |
CN111193254B (zh) | 一种住宅日用电负荷预测方法和设备 | |
CN116596169A (zh) | 一种电力***预测方法、装置及存储介质 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN105469601A (zh) | 一种基于lzw编码的道路交通空间数据压缩方法 | |
CN105427583A (zh) | 一种基于lzw编码的道路交通数据压缩方法 | |
CN114897260A (zh) | 基于lstm神经网络的短期风速预测模型建模方法及预测方法 | |
CN113159437A (zh) | 一种短期光伏发电输出功率的预测方法 | |
CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 | |
CN115860281B (zh) | 基于跨实体注意力的能源***多实体负载预测方法和装置 | |
CN117556262B (zh) | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 | |
CN115310657A (zh) | 基于lstm神经网络的在线分布式光伏发电预测方法 | |
CN117725481A (zh) | 风电功率概率区间预测的方法、装置及介质 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN118134021A (zh) | 一种大风极端天气下的风电功率预测方法及*** |
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 |