CN116911414A - 用电量预测方法、装置、设备以及计算机存储介质 - Google Patents
用电量预测方法、装置、设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN116911414A CN116911414A CN202211335389.6A CN202211335389A CN116911414A CN 116911414 A CN116911414 A CN 116911414A CN 202211335389 A CN202211335389 A CN 202211335389A CN 116911414 A CN116911414 A CN 116911414A
- Authority
- CN
- China
- Prior art keywords
- prediction
- electricity consumption
- user
- predicted
- data
- 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
- 230000005611 electricity Effects 0.000 claims abstract description 295
- 238000012549 training Methods 0.000 claims abstract description 76
- 230000006399 behavior Effects 0.000 claims description 55
- 238000012937 correction Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 16
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
Abstract
本发明实施例涉及计算机数据处理技术领域,公开了一种用电量预测方法,该方法包括:获取待预测用户所在的用户群组对应的用电量预测模型;用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;历史预测模型的损失函数根据预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及目标用户占用户群组的权重信息确定;预测期前预测用电数据为历史预测模型输出的目标用户在预测期的预测用电数据;预测期真实数据为目标用户在预测期的真实用电数据;将待预测用户的历史用电数据输入用电量预测模型,得到待预测用户的预测用电数据。通过上述方式,本发明实施例提高了用电量预测的准确率。
Description
技术领域
本发明实施例涉及计算机数据处理技术领域,具体涉及一种用电量预测方法、装置、设备以及计算机存储介质。
背景技术
随着人口增长以及工商业活动的进行,对于电力的需求不断增加。因此,对于用电量的预测也就成为了电力供应过程中的关键。
本申请的发明人在实施本方法实施例的过程中发现:现有的用电量预测只是对采集的稳态统计数据和暂态数据进行归一化后,根据与用电量相关的特征信息来预测,其存在预测的准确率较低的问题。
发明内容
鉴于上述问题,本发明实施例提供了一种用电量预测方法,用于解决现有技术中存在的用电量预测的准确率较低的问题。
根据本发明实施例的一个方面,提供了一种用电量预测方法,所述方法包括:
获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;
将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
在一种可选的方式中,所述方法还包括:
确定所述预测期前预测用电数据以及预测期真实数据之间的交叉熵;
根据所述用电行为特征以及所述权重信息确定所述用户群组对应的交叉熵修正参数;
根据所述交叉熵、交叉熵修正参数以及预设的交叉熵阈值确定所述损失函数。
在一种可选的方式中,所述交叉熵修正参数包括第一修正参数;所述方法还包括:
根据所述用电行为特征确定所述目标用户的采集数据极值以及均值信息;
根据所述采集数据极值以及均值信息确定所述第一修正参数。
在一种可选的方式中,所述交叉熵修正参数包括第二修正参数;所述目标用户包括所述用户群组中用电量以及数据采集能力满足预设条件的用户;所述方法还包括:
根据所述目标用户占所述用户群组的用户总数的比例确定所述权重信息;
根据权重信息确定所述第二修正参数。
在一种可选的方式中,所述方法还包括:
根据所述交叉熵修正参数对所述交叉熵进行修正,得到修正后交叉熵;
根据所述修正后交叉熵与所述交叉熵阈值的比较结果确定所述损失函数。
在一种可选的方式中,所述用户群组为多个可选群组中的一个;所述多个可选群组根据所述用户特征画像对所述目标区域内的所有用户进行划分得到;所述历史预测模型包括更新后全局模型;所述方法还包括:
将初始预测模型下发至各个所述可选群组对应的边缘侧服务器;
针对每一个所述可选群组,通过所述边缘侧服务器根据所述可选群组对应的所述预测期前预测用电数据以及预测期真实数据对所述初始预测模型进行训练,得到所述可选群组对应的更新后群组模型;
对所有所述边缘侧服务器返回的所述更新后群组模型按照所述可选群组的群组特征信息进行聚合,得到所述更新后全局模型;
将所述更新后全局模型下发至各个所述边缘服务器,以使得所述边缘服务器对所述更新后全局模型进行下一轮训练。
在一种可选的方式中,所述方法还包括:
根据所述群组特征信息确定所述可选群组对应的群组数据参考权重以及各个可选群组之间的相似度;
根据所述相似度以及所述群组数据参考权重对所述更新后群组模型进行聚合,得到所述更新后全局模型。
根据本发明实施例的另一方面,提供了一种用电量预测装置,包括:
获取模块,用于获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户相对于所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;
预测模块,用于将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
根据本发明实施例的另一方面,提供了一种用电量预测设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如前述任一项用电量预测方法实施例的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使用电量预测设备执行任一项用电量预测方法实施例的操作。
本发明实施例通过获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;其中,目标用户可以是用户群组中的满足预设的用电量以及数据采集条件的用户,用于表征整个用户群组的用电量特征,通过从挑选出的目标用户采集到的用电数据对历史预测模型进行训练,在保证模型训练效果的同时,提高模型训练的效率。进一步地,考虑到选取的目标用户对于模型训练的影响,可以根据目标用户的用电行为特征以及所述目标用户占所述用户群组的权重对预测期前预测用电数据、预测期真实数据之间的差距进修正,根据修正后的差距计算损失函数,从而对用电量预测模型进行优化。目标用户的用电行为特征以及其占所在的用户群组的所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据,区别于现有技术中选取电网中全量的稳态数据进行用电量预测,其效率较低并且忽视了用户用电行为对于模型预测结果的影响,本发明实施例通过将电网用户根据用户属性划分为多个用户群组,每个用户群组对应于一个特定的用电量预测模型,并且根据能够该用户群组内选取的目标用户的用电行为特征以及其与整个群组之间的关系对模型训练的结果经修正,从而提高用电量预测的效率和准确率。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的用电量预测方法的流程示意图;
图2示出了本发明实施例提供的用电量预测装置的结构示意图;
图3示出了本发明实施例提供的用电量预测设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
在进行本发明实施例的说明之前,对现有技术以及其存在的问题进行进一步说明:
用电量预测受多种因素影响,现有技术方案只对采集的稳态统计数据和暂态数据进行归一化后,再用来进行预测工作,而忽略了用电量极大值与极小值对于预测的影响;此外,现有技术方案未将整体预测地区内的不同子区域按消费类型进行划分,同时也未将各子区域监测设备量占区域总设备量的比例纳入考虑范围;最后,用电量预测与用户的行为紧密相关,现有技术方案虽然利用联邦学习技术保证了用户隐私问题,但针对预测用电量与实际用电量的关系,缺乏准确有效的参数指标进行衡量,这就导致了模型效果无法进行较好的评估。
相关名词简要说明:
边缘计算技术是在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的分布式开放平台,就近提供边缘智能服务,满足电力行业在敏捷联接、实时业务、数据优化、应用智能等方面的关键需求。
联邦学习技术支持在多个设备或服务器上,以分布式的方法,进行模型的学习、训练及预测工作。同时在上述过程中,所有的模型训练数据均可保存在本地设备上,而无须遵循传统机器学习的模式,将数据存储在集中式实体上,充分保证了信息安全。
图1示出了本发明实施例提供的用电量预测方法的流程图,该方法由计算机处理设备执行。该计算机处理设备可以包括手机、笔记本电脑等。如图1所示,该方法包括以下步骤:
步骤10:获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据。
具体地,用户群组根据用户特征画像对电网用户进行划分得到,如可以根据对一组具有相似用户特征属性,如具有地理临近性的用户,合并创建为用户群组。目标用户是待预测用户所在的用户群组中选取的多个用于表征该用户群组的边缘侧设备,通过收集目标用户的用电数据进行该用户群组对应的用电量预测模型的训练。因此,目标用户可以是能够满足用电数据采集量充裕,且可满足扩大训练数据规模的用电终端,如智能电表。
预测期可以是模型训练过程所针对的一段特定时间区间,历史预测模型会在预测期前对目标用户在预测期的用电数据进行预测。其中,用电数据可以包括用电量、用电频次以及峰值等信息。
历史预测模型可以是上一训练周期训练得到的用电量预测模型,也可以是初始预测模型。可选地,历史预测模型还可以是电网中包括的多个用户群组进行联邦学习得到的,其中,各个用户群组利用本地采集到的特定客户端的用电数据对模型采用边缘计算的方式进行训练,并将训练结果上传到云服务器,云服务器对所有用户群组的训练结果进行汇总和聚合,得到更新后的全局模型,将更新后的全局模型作为新一轮训练过程的初始预测模型下发到各个用户群组对应的边缘侧服务器上,以使得各个边缘侧服务器再根据本地新采集到的数据对初始预测模型进行训练,得到该群组对应的用电量预测模型。
用电量预测模型的优化目标是其输出的预测期前预测用电数据无限接近于预测期真实数据。因此,历史预测模型的损失函数可以根据预测期前预测用电数据与预测期真实数据之间的差距来表征,进一步,该差距可以用交叉熵表征。进一步地,考虑到为了提高用户群组对应的用电量预测模型的训练效率,从用户群组中选取部分具有代表性的目标用户,根据目标用户采集的用电数据进行模型的训练,具体地,目标用户可以是用电量达到一定水平并且数据采集能力符合要求的用户,从而保证有足量和持续的数据可以用于模型训练。
考虑到目标用户的选取决定了其用户水平的用电行为对于整个用户群组的代表性,因此,在评估模型的训练效果时,需要进一步考虑目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息,根据用电行为特征以及权重信息对于前述预测期前预测用电数据与预测期真实数据之间的差距进行修正,使其更符合整个用户群组的实际用电情况。其中,权重信息用于表征目标用户对于其所在的用户群组的代表性,可以根据目标用户占用户群组的数量比例以及目标用户的用户重要等级等确定。
因此,在本发明的一个实施例中,在步骤10之前还包括:
步骤101:确定所述预测期前预测用电数据以及预测期真实数据之间的交叉熵。
具体地,交叉熵的计算方式可以参考现有的计算方式,在一种可选的方式中,结合电力***评估中采用的蒙特卡洛法,可以分别先对预测期前预测用电数以及预测期真实数据进行抽样,分别得到其对应的概率密度函数,根据概率密度函数进一步计算交叉熵。
步骤102:根据所述用电行为特征以及所述权重信息确定所述用户群组对应的交叉熵修正参数。
具体地,交叉熵修正参数包括第一修正参数以及第二修正参数。考虑到在根据采集到的用户历史用电数据对模型进行训练时,数据中的异常情况,如较为偶发、偏离用电平均水平的极端用电数据会对模型训练的收敛效率造成影响,因此需要根据用户行为特征筛选出目标用户用电数据中的极端数据,根据该极端用电数据对交叉熵的影响程度确定第一修正参数。可选地,根据可以权重信息确定目标用户的采集数据对于交叉熵的影响权重,得到第二修正参数。其中,权重信息可以根据目标用户的数量与目标用户所在的用户群组内的用户总数的比例确定。
因此,在本发明的再一个实施例中,步骤102还包括:
步骤1021:根据所述用电行为特征确定所述目标用户的采集数据极值以及均值信息。
区别于现有技术中在对用电量进行预测时,只考虑较为稳定的历史用电数据,而忽略了所选取的数据采集对象的用电数据的极大值与极小值对于模型训练效率和预测准确率的影响,本发明实施例中根据目标用户的用电行为特征确定目标用户的采集数据的平均值为以及最大值和最小值分别为pmax和pmin。
步骤1022:根据所述采集数据极值以及均值信息确定所述第一修正参数。
具体地,第一修正参数RA1可以按如下方式计算:
在本发明的再一个实施例中,除了目标用户自身的用电行为特征中的极端情况会影响该目标用户对其所在用户群组的表征可靠度外,目标用户与用户群组的用户数量比等也会影响目标用户的数据权重。
因此,可选地,所述交叉熵修正参数包括第二修正参数;所述目标用户包括所述用户群组中用电量以及数据采集能力满足预设条件的用户;如前所述,为了提高边缘侧的用户群组对于用电量预测模型训练的效率,可以选取一部分具有代表性和数据量丰富的用户作为模型训练用样本数据的采集对象。
步骤102还包括:
步骤1023:根据所述目标用户占所述用户群组的用户总数的比例确定所述权重信息。
具体地,以用户群组A为例,考虑群组A的目标用户对应的设备量占群组A所在区域的整体设备量的比例,并将该比例视作目标用户的用电数据对于用户群组A的整体用电数据的代表性的表征,从而针对此比例的计算结果,对交叉熵进行适当的修正。容易理解的是,在本发明的可选的实施例中,目标用户的权重信息还可以根据目标用户自身的用户画像特征确定,如用户的重要等级,其中重要等级可以根据用户的用电规模确定。
步骤1024:根据权重信息确定所述第二修正参数。
具体地,可以将比例直接确定为第二修正参数。即定义群组A监测设备量为NA,群组A所在区域整体监测设备量为N,定义SA为第二修正参数,则公式如下所示:
步骤103:根据所述交叉熵、交叉熵修正参数以及预设的交叉熵阈值确定所述损失函数。
具体地,可以根据交叉熵修正参数对交叉熵进行修正,以使得修正后的交叉熵能够反映作为训练模型的样本数据的采集对象的目标用户的选择对于模型训练效果的影响。再将修正后的交叉熵与交叉熵阈值进行比较,交叉熵阈值用于表征预测精准度达到模型训练完成要求的交叉熵的值,因此,可以将修正后的交叉熵与交叉熵阈值之间的差值确定损失函数。
在本发明的再一个实施例中,步骤103还包括:
步骤1031:根据所述交叉熵修正参数对所述交叉熵进行修正,得到修正后交叉熵。
具体地,结合交叉熵参数的计算方式,可以将交叉熵修正参数与交叉熵的乘积确定为修正后交叉熵,其中,交叉熵参数可以为前述的第一修正参数、第二修正参数或第一修正参数与第二修正参数的乘积。
步骤1032:根据所述修正后交叉熵与所述交叉熵阈值的比较结果确定所述损失函数。
具体地,可以将修正后交叉熵与交叉熵阈值的差确定为损失函数的函数值,其中,修正后交叉熵越小,则损失函数越小,越接近用电量预测模型的优化目标。
在本发明的再一个实施例中,所述用户群组为多个可选群组中的一个;所述多个可选群组根据所述用户特征画像对所述目标区域内的所有用户进行划分得到;所述历史预测模型包括更新后全局模型;步骤10还包括:
步骤110:将初始预测模型下发至各个所述可选群组对应的边缘侧服务器。
具体地,初始预测模型可以是云服务器随机生成的或者根据公开可用的的历史用电量数据对预设的全局模型进行预先的训练得到的,作为整体预测工作的基础。具体地,历史用电量数据可以是多个历史时刻采集的功率数值o={o1,o2,···on},数据量须保证在20个数值以上,这种监测频率能够为用电量监测的精准度实现了充分的技术保障。其中,考虑到边缘侧服务器的数据存储量有限,因此,云服务器可以作为数据汇总以及数据存储的中心,云服务器中存储有所有用户群组的历史预测用电数据以及历史用电量预测模型的模型参数。
步骤111:针对每一个所述可选群组,通过所述边缘侧服务器根据所述可选群组对应的所述预测期前预测用电数据以及预测期真实数据对所述初始预测模型进行训练,得到所述可选群组对应的更新后群组模型。
具体地,边缘服务器对初始预测模型训练的过程可以参考前述步骤10,即初始预测模型训练目标是预测期前预测用电数据无限接近预测期真实数据,初始预测模型的损失函数根据预测期前预测用电数据以及预测期真实数据的交叉熵与预设的交叉熵阈值之间的差值确定,其中,交叉熵根据可选群组的训练样本采集对象的用电行为特征以及占该可选群组的权重进行修正。
步骤112:对所有所述边缘侧服务器返回的所述更新后群组模型按照所述可选群组的群组特征信息进行聚合,得到所述更新后全局模型。
具体地,可以通过云服务器收集所有边缘侧服务器返回的更新后群组模型的模型参数,根据群组特征信息对可选群组进行聚类,对同一群组类对应的模型参数进行聚合,从而通过相似的用户群组之间的模型参数的共享和协同训练,进一步提高模型训练的效率。
因此,在本发明的再一个实施例中,步骤112还包括:
步骤1121:根据所述群组特征信息确定所述可选群组对应的群组数据参考权重以及各个可选群组之间的相似度。
具体地,群组特征信息包括可选群组内的用户特征信息,如地域信息、用电设备类型以及用电量规模等。根据群组特征信息确定该可选群组的用户的用电保障的需求高低以及用户规模,根据确定群组数据参考权重。容易理解的是,群组的用电规模越大、用电保障的需求越高,该群组的群组数据参考权重就越大。如针对大型居民小区对应的群组或者针对数据中心、核心基站等较为重要的用电单位,其群组数据参考权重较大,从而保证该群组的用电量预测的准确率,为后续用电规划以及保障提供有效依据。根据群组特征信息对所有可选群组进行聚类分析,得到各个可选群组之间的相似度。
步骤1122:根据所述相似度以及所述群组数据参考权重对所述更新后群组模型进行聚合,得到所述更新后全局模型。
具体地,可以将相似度高于预设相似度阈值的可选群组归到一个群组类,根据群组类的可选群组对应的更新后群组模型的模型参数按照群组数据参考权重进行加权投票,得到更新后全局模型。
步骤113:将所述更新后全局模型下发至各个所述边缘服务器,以使得所述边缘服务器对所述更新后全局模型进行下一轮训练。
具体地,通过云服务器将更新后全局模型下发至各个所述边缘服务器。边缘服务器根据前述步骤对更新后全局模型进行新一轮的训练,并在训练完成后,将当前轮得到的模型再次上传至云服务器进行训练结果和预测结果的聚合,从而通过多个可选群组在本地利用边缘计算技术进行模型训练,并且利用联邦学习技术将所有可选群组的训练结果进行聚合,提高用电量预测模型训练的效率和效果。
步骤20:将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
具体地,考虑到一个用户群组内的用户在用电行为特征上存在相似性,因此,用电量预测模型可以对一个用户群组中的用户进行用电量预测,预测用电数据中包括待预测用户的预测用电量。
在本发明的再一个实施例中,进行用电量预测的过程还可以包括如下:
结合预测先前一段时间内,去除短时剧烈天气波动以及换季因素影响的,较为稳定的用电量监测数据,对一组具有相似属性(例如,地理临近性)的用户,合并创建为用户群组。对于用户群组的联邦学习过程,我们通过部署在电网末端用户侧的边缘设备(例如,智能电表等)提供的基础数据来进行开展。通过上述方法,我们可建立一种在智能电网中使用边缘设备的联邦学习试验与训练使能结构,同时通过计算交叉熵参数的方法,来评估用电量预测的准确性。
步骤1:在各用户群组的边缘侧服务器上,根据公开可用的的历史用电量数据对初始化全局模型进行预先的训练,或者随机产生一个初始化全局模型,作为整体预测工作的基础。全局模型的定义是某一时刻的功率数值o={o1,o2,···on},数据量须保证在20个数值以上,这种监测频率为用电量监测的精准度实现了充分的技术保障。
步骤2:在每个指定的训练轮次中,各用户群组边缘侧服务器将上面的全局模型发送到用电数据采集量充裕,且可满足扩大训练数据规模这两个要求的客户端上,这一步的目的是让我们有足量的数据,来体现用户群组用电量的情况。
步骤3:对于用电采集数据的定义,是在某一时刻采集到的功率数值p={p1,p2,···pn},基于用电情况易出现不确定性的特点,数据量须保证在20个数值以上,这种监测频率为用电量监测的精准度实现了充分的技术保障。
步骤4:假设用户群组A有一客户端,根据它采集的用电量数据,利用批梯度下降算法(BGD)计算平均梯度GA1以及学习率kA1,得到更新后的模型LA1。
步骤5:该客户端在更新模型LA1后,发送到所在用户群组A的边缘侧服务器上,并得到全新的并适用于该用户群组的模型。
步骤6:将全新的模型,与最终统计的真实用电数据,进行交叉熵数值计算。交叉熵是判断两信息源之间相互支持程度,并根据相互支持程度的大小确定信息源的权重。进一步的,我们通过建立概率密度函数形成交叉熵目标函数,进而确定权重参数,然后根据权重参数对模型进行迭代,使得模型不断逼近真实的用电量数值。
步骤7:对模型LA1的样本进行抽样,其期望被定义为EA1(F)
密度函数参数。
步骤8:此处定义gA1(x;u),它和FA1(x)具有相同的分布,但它是参数不同的概率密度函数,进一步的,我们定义fA1(x;u)与gA1(x;u)的比值为似然比函数WA1(x;u)为:
步骤9:将步骤8中的式子代入步骤7中,并定义新的期望值JA1,可以将式子改写为:
步骤10:当1次预测后可达到JA1的真实值,即JA1的方差为0时,gA1(x;u)满足以下条件:
在上式中,被定义为gA1(x;u)的最优抽样概率函数,其中,v为最优抽样概率函数对应的参数。
步骤11:由于JA1为未知量,也无法直接得到,故我们使用计算交叉熵的方法进行求解。交叉熵的值越小,说明对模型LA1用电量的预测精度就越精准。
步骤12:考虑到之前用电量只考虑较为稳定的数据,而忽略了极大值与极小值对于预测的影响,我们设采集的一组功率数值的平均值为而其中的最大值和最小值分别为pmax和pmin。因此,针对该预测模型,定义RA1为交叉熵的均值修正参数(即前述第一修正参数),公式如下所示:
步骤13:除去功率极大值与极小值的影响外,我们再次考虑群组A监测设备量占群组A所在区域整体监测设备量的比例,并针对此比例的计算结果,对交叉熵进行适当的修正工作,我们定义群组A监测设备量为NA,群组A所在区域整体监测设备量为N,定义SA为交叉熵的监测设备比例修正参数(即前述第二修正参数),则公式如下所示:
步骤14:在得到上面两个交叉熵修正参数之后,我们基于交叉熵的基本定义,再考虑修正参数的情况,得到gA1(x;u)和的交叉熵如下所示:
步骤15:这一项为常数。在上述用电量预测的过程中,我们会根据交叉熵的上限ε,以及通过SA,RA1以及/>这三项的值,计算出交叉熵/>并与ε进行比较,来判断预测值的精确度是否符合要求。如果最终得到的交叉熵结果小于ε,则说明预测值的精确度符合要求,可结束联邦学习过程,并将群组A的预测用电量以及对应的预测模型参数上报至相应边缘侧服务器。
步骤16:如果最终得到的交叉熵结果大于等于ε,则说明预测值的精确度不符合要求。此时需要进行进一步的迭代,即重复步骤4到步骤15全部的过程,直至最终得到的交叉熵结果小于ε。在准确度符合要求后,再将群组A的预测用电量上报至相应边缘侧服务器。
步骤17:在群组A所在的预测区域中,以群组A的预测过程作为参考,分别对群组B、群组C、群组D等进行相同的用电量预测过程,并将群组B、群组C、群组D等得到的用电量预测结果,分别上报至它们相对应的边缘侧服务器,从而实现对所在区域内各群组用电量的初步汇总。
步骤18:全部边缘侧服务器在完成初步汇总后,再将用电量预测数据发送至云服务器上。云服务器在一段时间内,累积足量的各群组用电量数据,并进行区域内各群组初始化全局模型的更新工作。在完成更新工作后,云服务器再次将各群组的初始化全局模型分发至各边缘测服务器上,再通过相应群组收集的用电量数据,利用批梯度下降算法(BGD)计算平联均梯度以及学习率,得到更新后的模型,并通过边缘计算和邦学习技术,以及改进交叉熵算法,去判断用电量预测值与真实用电数据的贴近程度,即重复进行新一轮的预测工作。待各群组均符合要求后,再次将更新后的数据发送至云服务器上,进行全局模型的更新工作,进而形成一个闭环的流程。
本发明实施例通过获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;其中,目标用户可以是用户群组中的满足预设的用电量以及数据采集条件的用户,用于表征整个用户群组的用电量特征,通过从挑选出的目标用户采集到的用电数据对历史预测模型进行训练,在保证模型训练效果的同时,提高模型训练的效率。进一步地,考虑到选取的目标用户对于模型训练的影响,可以根据目标用户的用电行为特征以及所述目标用户占所述用户群组的权重对预测期前预测用电数据、预测期真实数据之间的差距进修正,根据修正后的差距计算损失函数,从而对用电量预测模型进行优化。目标用户的用电行为特征以及其占所在的用户群组的所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据,区别于现有技术中选取电网中全量的稳态数据进行用电量预测,其效率较低并且忽视了用户用电行为对于模型预测结果的影响,本发明实施例通过将电网用户根据用户属性划分为多个用户群组,每个用户群组对应于一个特定的用电量预测模型,并且根据能够该用户群组内选取的目标用户的用电行为特征以及其与整个群组之间的关系对模型训练的结果经修正,从而提高用电量预测的效率和准确率。
图2示出了本发明实施例提供的用电量预测装置的结构示意图。如图2所示,该装置30包括:获取模块301和预测模块302。
其中,获取模块301,用于获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户相对于所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;
预测模块302,用于将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
本发明实施例提供的用电量预测装置的执行过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的用电量预测装置通过获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;其中,目标用户可以是用户群组中的满足预设的用电量以及数据采集条件的用户,用于表征整个用户群组的用电量特征,通过从挑选出的目标用户采集到的用电数据对历史预测模型进行训练,在保证模型训练效果的同时,提高模型训练的效率。进一步地,考虑到选取的目标用户对于模型训练的影响,可以根据目标用户的用电行为特征以及所述目标用户占所述用户群组的权重对预测期前预测用电数据、预测期真实数据之间的差距进修正,根据修正后的差距计算损失函数,从而对用电量预测模型进行优化。目标用户的用电行为特征以及其占所在的用户群组的所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据,区别于现有技术中选取电网中全量的稳态数据进行用电量预测,其效率较低并且忽视了用户用电行为对于模型预测结果的影响,本发明实施例通过将电网用户根据用户属性划分为多个用户群组,每个用户群组对应于一个特定的用电量预测模型,并且根据能够该用户群组内选取的目标用户的用电行为特征以及其与整个群组之间的关系对模型训练的结果经修正,从而提高用电量预测的效率和准确率。
图3示出了本发明实施例提供的用电量预测设备的结构示意图,本发明具体实施例并不对用电量预测设备的具体实现做限定。
如图3所示,该用电量预测设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述用于用电量预测方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机可执行指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。用电量预测设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,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。
程序410具体可以被处理器402调用使用电量预测设备执行以下操作:
获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;
将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
本发明实施例提供的用电量预测设备的执行过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的用电量预测设备通过获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;其中,目标用户可以是用户群组中的满足预设的用电量以及数据采集条件的用户,用于表征整个用户群组的用电量特征,通过从挑选出的目标用户采集到的用电数据对历史预测模型进行训练,在保证模型训练效果的同时,提高模型训练的效率。进一步地,考虑到选取的目标用户对于模型训练的影响,可以根据目标用户的用电行为特征以及所述目标用户占所述用户群组的权重对预测期前预测用电数据、预测期真实数据之间的差距进修正,根据修正后的差距计算损失函数,从而对用电量预测模型进行优化。目标用户的用电行为特征以及其占所在的用户群组的所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据,区别于现有技术中选取电网中全量的稳态数据进行用电量预测,其效率较低并且忽视了用户用电行为对于模型预测结果的影响,本发明实施例通过将电网用户根据用户属性划分为多个用户群组,每个用户群组对应于一个特定的用电量预测模型,并且根据能够该用户群组内选取的目标用户的用电行为特征以及其与整个群组之间的关系对模型训练的结果经修正,从而提高用电量预测的效率和准确率。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在用电量预测设备上运行时,使得所述用电量预测设备执行上述任意方法实施例中的用电量预测方法。
可执行指令具体可以用于使得用电量预测设备执行以下操作:
获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;
将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
本发明实施例提供的计算机可读存储介质存储的可执行指令的执行过程与前述方法实施例大致相同,不再赘述。
本发明实施例提供的计算机可读存储介质存储的可执行指令通过获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;其中,目标用户可以是用户群组中的满足预设的用电量以及数据采集条件的用户,用于表征整个用户群组的用电量特征,通过从挑选出的目标用户采集到的用电数据对历史预测模型进行训练,在保证模型训练效果的同时,提高模型训练的效率。进一步地,考虑到选取的目标用户对于模型训练的影响,可以根据目标用户的用电行为特征以及所述目标用户占所述用户群组的权重对预测期前预测用电数据、预测期真实数据之间的差距进修正,根据修正后的差距计算损失函数,从而对用电量预测模型进行优化。目标用户的用电行为特征以及其占所在的用户群组的所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据,区别于现有技术中选取电网中全量的稳态数据进行用电量预测,其效率较低并且忽视了用户用电行为对于模型预测结果的影响,本发明实施例通过将电网用户根据用户属性划分为多个用户群组,每个用户群组对应于一个特定的用电量预测模型,并且根据能够该用户群组内选取的目标用户的用电行为特征以及其与整个群组之间的关系对模型训练的结果经修正,从而提高用电量预测的效率和准确率。
本发明实施例提供一种用电量预测装置,用于执行上述用电量预测方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使用电量预测设备执行上述任意方法实施例中的用电量预测方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的用电量预测方法。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种用电量预测方法,其特征在于,所述方法包括:
获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户占所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;
将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
2.根据权利要求1所述的方法,其特征在于,在所述获取待预测用户所在的用户群组对应的用电量预测模型之前,进一步包括:
确定所述预测期前预测用电数据以及预测期真实数据之间的交叉熵;
根据所述用电行为特征以及所述权重信息确定所述用户群组对应的交叉熵修正参数;
根据所述交叉熵、交叉熵修正参数以及预设的交叉熵阈值确定所述损失函数。
3.根据权利要求2所述的方法,其特征在于,所述交叉熵修正参数包括第一修正参数;所述根据所述用电行为特征以及所述权重信息确定所述用户群组对应的交叉熵修正参数,进一步包括:
根据所述用电行为特征确定所述目标用户的采集数据极值以及均值信息;
根据所述采集数据极值以及均值信息确定所述第一修正参数。
4.根据权利要求2所述的方法,其特征在于,所述交叉熵修正参数包括第二修正参数;所述目标用户包括所述用户群组中用电量以及数据采集能力满足预设条件的用户;所述根据所述用电行为特征以及所述权重信息确定所述用户群组对应的交叉熵修正参数,进一步包括:
根据所述目标用户占所述用户群组的用户总数的比例确定所述权重信息;
根据权重信息确定所述第二修正参数。
5.根据权利要求2所述的方法,其特征在于,所述根据所述交叉熵、交叉熵修正参数以及预设的交叉熵阈值确定所述损失函数,进一步包括:
根据所述交叉熵修正参数对所述交叉熵进行修正,得到修正后交叉熵;
根据所述修正后交叉熵与所述交叉熵阈值的比较结果确定所述损失函数。
6.根据权利要求1所述的方法,其特征在于,所述用户群组为多个可选群组中的一个;所述多个可选群组根据所述用户特征画像对所述目标区域内的所有用户进行划分得到;所述历史预测模型包括更新后全局模型;在所述获取待预测用户所在的用户群组对应的用电量预测模型之前,进一步包括:
将初始预测模型下发至各个所述可选群组对应的边缘侧服务器;
针对每一个所述可选群组,通过所述边缘侧服务器根据所述可选群组对应的所述预测期前预测用电数据以及预测期真实数据对所述初始预测模型进行训练,得到所述可选群组对应的更新后群组模型;
对所有所述边缘侧服务器返回的所述更新后群组模型按照所述可选群组的群组特征信息进行聚合,得到所述更新后全局模型;
将所述更新后全局模型下发至各个所述边缘服务器,以使得所述边缘服务器对所述更新后全局模型进行下一轮训练。
7.根据权利要求6所述的方法,其特征在于,所述对所有所述边缘侧服务器返回的所述更新后群组模型按照所述可选群组的群组特征信息进行聚合,得到所述更新后全局模型,进一步包括:
根据所述群组特征信息确定所述可选群组对应的群组数据参考权重以及各个可选群组之间的相似度;
根据所述相似度以及所述群组数据参考权重对所述更新后群组模型进行聚合,得到所述更新后全局模型。
8.一种用电量预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测用户所在的用户群组对应的用电量预测模型;所述用电量预测模型根据预测期前预测用电数据以及预测期真实数据对历史预测模型进行训练得到;所述历史预测模型的损失函数根据所述预测期前预测用电数据、预测期真实数据、目标用户的用电行为特征以及所述目标用户相对于所述用户群组的权重信息确定;所述预测期前预测用电数据为所述历史预测模型输出的所述目标用户在预测期的预测用电数据;所述预测期真实数据为所述目标用户在所述预测期的真实用电数据;
预测模块,用于将所述待预测用户的历史用电数据输入所述用电量预测模型,得到所述待预测用户的预测用电数据。
9.一种用电量预测设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的用电量预测方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在用电量预测设备上运行时,使得用电量预测设备执行如权利要求1-7任意一项所述的用电量预测方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335389.6A CN116911414A (zh) | 2022-10-28 | 2022-10-28 | 用电量预测方法、装置、设备以及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211335389.6A CN116911414A (zh) | 2022-10-28 | 2022-10-28 | 用电量预测方法、装置、设备以及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911414A true CN116911414A (zh) | 2023-10-20 |
Family
ID=88353618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211335389.6A Pending CN116911414A (zh) | 2022-10-28 | 2022-10-28 | 用电量预测方法、装置、设备以及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911414A (zh) |
-
2022
- 2022-10-28 CN CN202211335389.6A patent/CN116911414A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
WO2020248228A1 (zh) | 一种Hadoop平台计算节点负载预测方法 | |
CN107886160B (zh) | 一种bp神经网络区间需水预测方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及*** | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN106776925B (zh) | 一种移动终端用户性别的预测方法、服务器和*** | |
CN111198808A (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
WO2016188498A1 (zh) | 一种无线网络吞吐量的评估方法及装置 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN108989092A (zh) | 一种无线网络预测方法、电子设备及存储介质 | |
CN111537884A (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN116933318A (zh) | 一种基于联邦学习的用电数据隐私保护方法 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
Hartmann et al. | Suspicious electric consumption detection based on multi-profiling using live machine learning | |
CN117408394B (zh) | 电力***的碳排放因子预测方法、装置及电子设备 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN109816165A (zh) | 风电超短期功率预测方法及*** | |
CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、***、计算机设备及存储介质 | |
CN116610416A (zh) | 基于Kubernetes的负载预测型弹性伸缩***及方法 | |
CN115616333A (zh) | 一种配电网线损预测方法及*** | |
CN116911414A (zh) | 用电量预测方法、装置、设备以及计算机存储介质 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 |
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 |