CN117313953A - 一种负荷预测方法、装置、电子设备以及存储介质 - Google Patents
一种负荷预测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN117313953A CN117313953A CN202311427758.9A CN202311427758A CN117313953A CN 117313953 A CN117313953 A CN 117313953A CN 202311427758 A CN202311427758 A CN 202311427758A CN 117313953 A CN117313953 A CN 117313953A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- historical
- load prediction
- neural network
- 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 80
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000002776 aggregation Effects 0.000 claims abstract description 34
- 238000004220 aggregation Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种负荷预测方法、装置、电子设备以及存储介质,在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;将待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取待使用负荷数据的特征信息;将特征信息输入至预先训练好的负荷预测模型中,得到以当前时刻为起始点未来预设时间段内的预测负荷数据。本申请基于图神经网络提取负荷数据以及相应的环境数据的特征信息,可以更加精准的提取数据特征,从而提高预测准确性,使用聚合引擎和组合引擎作为特征提取加速器,综合提升了负荷预测计算速度,提高了负荷预测效率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种负荷预测方法、装置、电子设备以及存储介质。
背景技术
负荷预测是对未来电力负荷需求进行预测和估计的过程。准确的负荷预测是电力***规划和运营的基础。通过预测负荷需求,可以合理安排发电和输电的能力,保持电力***的平衡和稳定运行,优化电力资源的配置和调度。同时,负荷预测对新能源的消纳和能源资源的合理规划至关重要。
目前,负荷预测的主要依赖于深度学习方法。虽然深度学习方法具有较强的非线性建模能力和泛化能力,但受限于其建模方式,其对于不同预测点(台区等)之间关系特征提取能力较弱,无法很好的捕捉负荷数据之间的依赖和影响,存在负荷预测效率低,预测准确率低的技术问题。
发明内容
本发明提供了一种负荷预测方法、装置、电子设备以及存储介质,以提高负荷预测准确性,综合提升负荷预测计算速度,提高负荷预测效率。
根据本发明的第一方面,提供了一种负荷预测方法,该方法包括:
在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;
将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;
将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。
根据本发明的第二方面,提供了一种负荷预测装置,该装置包括:
数据获取模块,用于在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;
特征信息确定模块,用于将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;
预测数据确定模块,用于将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。
根据本发明的第三方面,提供了一种电子设备,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计算机程序,所述计算机程序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本发明任一实施例所述的负荷预测方法。
根据本发明的第四方面,提供了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计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的负荷预测方法。
本发明实施例的技术方案,在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。本申请通过历史负荷数据和相应的历史环境数据构建图神经网络,以基于图神经网络提取负荷数据以及相应的环境数据的特征信息,可以更加精准的提取数据特征,从而提高预测准确性;使用聚合引擎和组合引擎作为特征提取加速器,综合提升了负荷预测计算速度,提高了负荷预测效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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发明的一些实施例,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他的附图。
图1是根据本发明实施例一提供的一种负荷预测方法的流程图;
图2是根据本发明实施例二提供的一种负荷预测方法的流程图;
图3是根据本发明实施例三提供的一种负荷预测方法的流程图;
图4是根据本发明实施例四提供的一种负荷预测装置的结构示意图;
图5是实现本发明实施例的负荷预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在介绍本技术方案之前,可以先对应用场景进行示例性说明。负荷预测是对未来电力负荷需求进行预测和估计的过程,通过预测负荷需求,可以合理安排发电和输电的能力,保持电力***的平衡和稳定运行。当前,负荷预测的主要方法包括统计方法、机器学习方法和深度学习方法。
统计方法是最早被使用的预测方法之一,它基于历史负荷数据进行分析和建模。常用的统计方法包括移动平均法、指数平滑法和回归分析等。这些方法简单易用,适合处理稳定的负荷数据,但对于非线性和非稳态的负荷变化预测效果较差。
机器学习方法利用历史数据训练模型,通过学习数据中的模式和规律来预测未来的负荷。常用的机器学习方法包括支持向量机、随机森林和人工神经网络等。这些方法能够更好地应对负荷数据的非线性和非稳态性,但需要大量的数据和模型调参,且对特征工程较为敏感。
深度学***稳和非线性负荷数据有较好的预测性能。但深度学习方法需要大量的计算资源和训练时间,并且模型解释性较差。当前深度学习方法虽然具有较强的非线性建模能力和泛化能力,但受限于其建模方式,其对于不同预测点(台区等)之间关系特征提取能力较弱,无法很好的捕捉负荷数据之间的依赖和影响,且深度学习方法需要大量的计算资源和训练时间,效率较低。
实施例一
图1是本发明实施例一提供的一种负荷预测方法的流程图,本实施例可适于对未来电力负荷需求进行预测和估计的情况,该方法可以由负荷预测装置来执行,该负荷预测装置可以采用硬件和/或软件的形式实现,该负荷预测装置可配置于终端和/或服务器中。如图1所示,该方法包括:
S110、在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据。
其中,负荷预测条件为预先设定的,用于触发获取待使用负荷数据以及相应的待使用环境数据的条件。预设时长为预先设定的时间长度。例如,预设时长为1小时。
其中,待使用负荷数据为当前时刻之前预设时长内的实际用电负荷数据,例如,可以是实际用电负荷功率。环境数据用于表征采集待使用负荷数据时所对应的环境情况,例如,待使用环境数据可以包括温度数据、湿度数据、天气数据等。
可选的,负荷预测条件包括下述至少一种:周期性的确定待使用负荷数据以及相应的待使用环境数据,所述周期性对应的周期时长为第一预设时长;检测到触发确定预测负荷数据的控件;检测到采集了预设数量的待使用负荷数据。
其中,第一预设时长为预先预定的时间长度,例如,第一预设时长为5分钟。
在实际应用过程中,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据的触发条件包括以下三种。第一种是每隔预设时长周期性的获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据。例如,可以依据预先设置的定时任务,每隔5分钟,获取当前时刻之前1小时的待使用负荷数据以及相应的待使用环境数据。第二种是预先开发用于触发确定预测负荷数据的控件,当检测到触发所述控件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据。第三种是当检测到已经采集到了预设数量的待使用负荷数据时,获取待使用负荷数据以及相应的待使用环境数据。
具体的,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据,可以通过以下方式获取:获取当前时刻之前预设时长内每个离散时段所对应的待使用负荷数据以及相应的待使用环境数据。
在本实施例中,由于负荷预测通常是预测一段时间内的用电负荷量,因此,可获取当前时刻之前预设时长内每个离散时段所对应的待使用负荷数据以及相应的待使用环境数据。
示例性的,预设时长为1小时,当前时刻t0为3:00,预设时长内每隔10分钟为一个时间单位,当前时刻之前预设时长的1小时可以划分为6各历史时间段,分别是T1(2:00-2:10)、T2(2:10-2:20)、T3(2:20-2:30)、T4(2:30-2:40)、T5(2:40-2:50)和T6(2:50-3:00)。基于此,可以获取T1、T2、T3、T4、T5和T6各历史时间段对应的待使用负荷数据以及相应的待使用环境数据,得到T1时间段对应的待使用负荷数据X1以及相应的待使用环境数据Y1,T2时间段对应的待使用负荷数据X2以及相应的待使用环境数据Y2,…,T6时间段对应的待使用负荷数据X6以及相应的待使用环境数据Y6,获取到的待使用负荷数据以及相应的待使用环境数据如表1所示。特别的,在实际应用中,可以获取更多数量的待使用负荷数据以及相应的待使用环境数据,表1为获取6组数据的示例性说明。
表1待使用负荷数据以及相应的待使用环境数据示例
S120、将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息。
其中,时间矩阵用于表征各个待使用负荷数据以及相应的待使用环境对应时间段的集合。在上述示例性的基础上,时间矩阵可以表示为[T1,T2,T3,T4,T5,T6]。
其中,图神经网络为预先训练好的图网络模型。图神经网络(Graph NeuralNetwork,GNN)是指使用神经网络来学习图结构数据,提取和发掘图结构数据中的特征和模式,满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。图神经网络模型可以包括图卷积网络、图采样网络、图注意力网络、图自编码器、图生成网络、图循环网络等模型结构。
图卷积网络(Graph Convolutional Network,GCN)进行卷积操作主要有三种方法:一种是基于谱分解,即谱分解图卷积;一种是基于节点空间变换,即空间图卷积;还有一种是将卷积神经网路泛化到图数据上,提出两种并列的图卷积模型——谱分解图卷积和空间图卷积。空间图卷积从图结构数据的空间特征出发,探讨邻居节点的表示形式,使得每个节点的邻居节点表示变得统一和规整,方便卷积运算。空间图卷积方法主要有三个关键问题,一是中心节点的选择;二是感受域的大小,即邻居节点个数的选取;三是如何处理邻居节点的特征,即构建合适的邻居节点特征聚合函数。
图采样网络GraphSage(Graph Sample and aggregate)是一种基于图的inductive(归纳)学习方法。利用节点特征信息和结构信息,从顶点的局部邻居采样并聚合邻居节点和顶点的特征,获取到顶点的Graph Embedding。相比已有的结果,可以为未见过的顶点生成embedding。除此之外,对于节点分类和链接预测问题的表现也比较突出。GraphSAGE不是试图学习一个图上所有node的embedding,而是学习一个为每个node产生embedding的映射。GraphSage框架中包含两个很重要的操作:Sample采样和Aggregate聚合。这也是其名字GraphSage(Graph SAmple and aggreGatE)的由来。GraphSAGE主要分两步:采样、聚合。GraphSAGE的采样方式是邻居采样,邻居采样的意思是在某个节点的邻居节点中选择几个节点作为原节点的一阶邻居,之后对在新采样的节点的邻居中继续选择节点作为原节点的二阶节点,以此类推。
注意力机制可以让一个神经网络只关注任务学习所需要的信息,它能够选择特定的输入。在GNN中引入注意力机制可以让神经网络关注对任务更加相关的节点和边,提升训练的有效性和测试的精度,由此形成图注意力网络(Graph Attention Network,GAT)。
基于自编码器的GNN被称为图自编码器(Graph Auto-encoder,GAE),可以半监督或者无监督地学习图节点信息。在深度学习领域,自编码器(Auto-encoder,AE)是一类将输入信息进行表征学习的人工神经网络。
图生成网络(Graph Generative Network,GGN)是一类用来生成图数据的GNN,其使用一定的规则对节点和边进行重新组合,最终生成具有特定属性和要求的目标图。
图循环网络(Graph Recurrent Network,GRN)是最早出现的一种GNN模型。相较于其他的GNN算法,GRN通常将图数据转换为序列,在训练的过程中序列会不断地递归演进和变化。GRN模型一般使用双向循环神经网络(Bidirectional RNN,Bi-RNN)和长短期记忆网络(Long Short-Term Memory Network,LSTM)作为网络架构。
在本实施例中,聚合引擎和组合引擎数共同构成了数模混合异构加速网络。聚合引擎用于执行基于图结构的遍历和聚合相邻顶点的特征向量。后者组合引擎用于执行密集和常规的加速矩阵向量乘法操作,适用于CPU、GPU等异构计算资源的加速。
在本实施例中,预先构建图神经网络和数模混合异构加速网络。其中,数模混合异构加速网络包括聚合引擎和组合引擎。图神经网络和数模混合异构加速网络组合作为特征提取网络模型,以基于上一步骤获取到的数据中提取特征,得到待使用负荷数据的特征信息,用于进行负荷预测。
可选的,基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息,具体通过以下方式实现:依据所述时间矩阵,并基于所述聚合引擎遍历所述图神经网络中的至少一个顶点,以及聚合相邻顶点的特征向量,得到待处理矩阵;基于所述组合引擎对所述待处理矩阵进行操作,得到所述待使用负荷数据的特征信息。
可以理解的是,图神经网络具有图数据的不规则内存访问和神经网络的密集计算特性。在每个图卷积层中,依据图结构聚合顶点的特征向量,这个阶段称为聚合;通过将特征向量应用于权重矩阵来线性改变聚合结果,这个阶段称为组合。
在本实施例中,聚合引擎旨在减少图形结构的不规则数据访问,并有效地在顶点之间执行聚合操作。为了减少数据映射到交叉阵列的延迟,本实施例采用缓冲区来临时存储输入数据,以便可以部分重叠数据获取和处理的延迟。同时,为了提高数据并行性,根据顶点的度数和特征向量的维度在聚合引擎中设计了顶点调度器,将数据映射到相应的聚合子引擎,从而得到待处理矩阵。
优选的,基于组合引擎对所述待处理矩阵进行操作,得到所述待使用负荷数据的特征信息,具体包括以下内容:将待处理矩阵映射为电导率矩阵;基于数模转换器将电导率矩阵转换为模拟域中的电压矢量;基于电导率矩阵以及电压矢量,得到目标矩阵;基于模数转换器将目标矩阵处理为数字信号,并将数字信号作为待使用负荷数据的特征信息。
在本实施例中,采用基尔霍夫电路定律来加速矩阵向量乘法操作,可以在一个周期内执行阵列级的矩阵向量乘法操作。具体操作过程为:首先,将待处理矩阵映射到表示电导率矩阵(G)的RAM阵列中,得到电导率矩阵。进而,通过使用数模转换器(DACs),将电导率矩阵转换为模拟域中的电压矢量(V)。随后,RAM阵列通过计算输出电流I=G×V来执行矩阵向量乘法操作,得到目标矩阵。最后,利用模数转换器(ADC)将目标矩阵处理转化为数字信号,并将数字信号作为待使用负荷数据的特征信息。
S130、将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。
其中,负荷预测模型为预先训练好的具有预测功能的神经网络模型,例如,负荷预测模型可以是但不限于循环神经网络(RNN)、多层感知机网络(MLP)、LSTM网络、BP神经网络、Hopfield网络、BLSTM网络ART网络、Kohonen网络、或GRU网络模型。
其中,预测未来时间段为预先设定的时间长度。示例性的,预测未来时间段可以是未来1小时,未来1小时中每10分钟为一个时间单位,最终得到未来1小时,每10分钟对应的预测负荷数据。还可以是,未来预设时间段是未来10分钟,最终得到未来10分钟对应的预测负荷数据。
具体的,将特征信息作为模型的输入量,输入至预先训练好的负荷预测模型中,负荷预测模型可以输出当前时刻为起始点未来预设时间段内的预测负荷数据。
在上述示例性的基础上,负荷预测模型输出的预测负荷数据至少可以是下述两种形式。可以理解的是,负荷预测模型输出的预测负荷数据的具体形式与负荷预测模型在训练阶段的输入数据以及输出结果是对应的。
第一种形式:假设当前时刻t0为3:00,预测未来时间段为未来1小时,未来1小时中每10分钟为一个时间单位,负荷预测模型输出的结果为每10分钟对应的预测负荷数据。例如,得到的最终结果为t1(3:00-3:10)、t2(3:10-3:20)、t3(3:20-3:30)、t4(3:30-3:40)、t5(3:40-3:50)和t6(3:50-4:00)各时间段对应预测负荷数据。
第二种形式:当前时刻t0为3:00,预测未来时间段为未来10分钟,负荷预测模型输出的结果为未来10分钟对应的预测负荷数据。例如,得到的最终结果为ts(3:00-3:10)时间段对应预测负荷数据。
本发明实施例的技术方案,在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。本申请通过历史负荷数据和相应的历史环境数据构建图神经网络,以基于图神经网络提取负荷数据以及相应的环境数据的特征信息,可以更加精准的提取数据特征,从而提高预测准确性;使用聚合引擎和组合引擎作为特征提取加速器,综合提升了负荷预测计算速度,提高了负荷预测效率。
实施例二
图2是本发明实施例二提供的一种负荷预测方法的流程图,本发明实施例在上述实施例的基础上,本发明实施例在上述实施例的基础上,详细介绍训练数据集的构建以及负荷预测模型的训练过程,本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示,负荷预测方法包括如下步骤:
如图2所示,该方法包括:
S210、获取历史负荷数据以及产生所述历史负荷数据时所对应的待处理历史环境数据。
其中,所述待处理历史环境数据包括历史温度数据、历史湿度数据以及历史天气数据中的至少一种。历史负荷数据为当前时刻之前的实际用电负荷数据。待处理历史环境数据为当前时刻之前的实际环境数据。
示例性的,当前时刻为2020年3月1日3:00,则获取2020年3月1日3:00之前所能够得到的实际用电负荷数据作为历史负荷数据。获取2020年3月1日3:00之前的实际环境数据作为待处理历史环境数据。
在本实施例中,历史负荷数据可以从电能输出设备中直接获取得到。待处理历史环境数据可以通过温度传感器、湿度传感器、天气记录设备中获取得到。基于此,可以理解的是,历史负荷数据以及产生所述历史负荷数据时所对应的待处理历史环境数据可以从关联设备中直接获取。
S220、对所述待处理历史环境数据进行预处理,得到参与构建所述图神经网络、负荷预测模型的历史环境数据。
在本实施例中,由于获取到的待处理历史环境数据中可能存在无关数据,因此,需要对待处理历史环境数据进行清洗预处理,剔除掉无关数据。
可选的,对待处理历史环境数据进行预处理,具体可以包括:依据所述历史温度数据、所述历史湿度数据以及所述历史天气数据的时间戳进行数据对齐并剔除未对齐的关联数据,得到所述历史环境数据。
在本实施例中,可以根据历史温度数据、历史湿度数据以及历史天气数据的时间戳,将这三个维度的数据进行对齐处理,仅保留对应时间戳可以对齐的待处理历史环境数据,将对应时间戳无法对齐的待处理历史环境数据剔除掉,得到历史环境数据。
S230、基于各历史负荷数据和相应的历史环境数据,构建历史数据集。
在本实施例中,为了得到可以准确的进行特征提取的图神经网络,以及,预测准确率高的负荷预测模型,需要基于大量的历史数据构建图神经网络,并基于大量的历史数据对初始负荷预测模型进行训练,因此,构建历史数据集是至关重要的。
在本实施例中,历史数据集包括多组训练样本。每组训练样本中包括一个历史时间段内的历史负荷数据和相应的历史温度数据、历史湿度数据以及历史天气数据。例如,每组训练样本集中包括10分钟时间段对应的历史负荷数据和该10分钟内的历史环境数据。
S240、基于所述历史数据集构建所述图神经网络,以基于所述图神经网络进行特征提取。
其中,图神经网络的每个节点表示时间段,两个节点之间的边表示时间上的邻接关系。
在本实施例中,将历史数据集输入至初始参数的图神经网络结构模型,从而构建图神经网络。
S250、基于所述历史数据集训练待训练负荷预测模型,得到负荷预测模型。
其中,待训练负荷预测模型为模型参数是初始参数的负荷预测模型。待训练负荷预测模型的模型结构可以是但不限于循环神经网络(RNN)、多层感知机网络(MLP)、LSTM网络、BP神经网络、Hopfield网络、BLSTM网络ART网络、Kohonen网络、或GRU网络模型。
可以理解的是,可以将三分之二的历史数据集作为训练集;将三分之一的历史数据集作为测试集,用于后续测试训练完成的负荷预测模型。
在本实施例中,在得到历史数据集的基础上,基于历史数据集对待训练负荷预测模型进行训练,确定负荷预测模型,具体包括以下步骤:
(1)将所述历史数据集中的历史环境数据输入至所述图神经网络中,得到与所述历史环境数据相对应的历史负荷特征。
其中,历史负荷特征为图神经网络从历史环境数据中提取的数值化特征。
在本实施例中,历史数据集包括历史环境数据和历史负荷数据。将历史环境数据作为输入量,输入至上述步骤构建好的图神经网络中,得到与历史环境数据相对应的历史负荷特征。
(2)将所述历史负荷特征输入至待训练负荷预测模型中,得到历史预测负荷。
在本实施例中,将历史负荷特征作为模型输入量,输入至待训练负荷预测模型中,待训练负荷预测模型可以输出与历史负荷特征相对应的历史预测负荷。
(3)基于所述历史预测负荷和预测时间段内的历史实际负荷,确定损失值,以基于所述损失值对所述待训练负荷预测模型中的模型参数进行修正。
需要说明的是,在对待训练负荷预测模型进行训练之前可以将训练参数设置为默认值。在对待训练负荷预测模型训练时,可以基于待训练负荷预测模型的输出结果修正模型中的训练参数,也就是说,可以通过对待训练负荷预测模型中的损失函数进行修正,来得到负荷预测模型。每一个历史预测负荷都存在一个与其相对应的损失值,该损失值是基于历史预测负荷和预测时间段内的历史实际负荷确定的,进一步的,可以采用反向传递法修正待训练负荷预测模型中的模型参数。
(4)将所述待训练负荷预测模型中的损失函数收敛作为训练目标,得到所述负荷预测模型。
其中,负荷预测模型为最终训练得到的,用于确定预测负荷数据。
具体的,可以将损失函数的训练误差,即损失参数作为检测损失函数当前是否达到收敛的条件,比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定,或者当前的迭代次数是否等于预设次数。若检测达到收敛条件,比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定,表明待训练负荷预测模型训练完成,此时可以停止迭代训练。若检测到当前未达到收敛条件,可以进一步获取历史数据集对待训练负荷预测模型进行训练,直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时,可以将待训练负荷预测模型作为负荷预测模型。
S260、在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据。
S270、将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息。
S280、将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。
本发明实施例的技术方案,预先构建历史数据集,以基于历史数据集构建图神经网络,基于历史数据集训练待训练负荷预测模型,从而在具体应用时,可以基于构建完成的图神经网络提取特征信息,基于训练好的负荷预测模型确定预测负荷数据,进一步提高负荷预测的效率和准确性。
实施例三
在本发明实施例中,以一个具体的实施方式介绍负荷预测方法,图3为本发明实施例三提供的一种负荷预测方法的结构示意图,该方法具体实现步骤包括:
(1)数据准备:收集和整理历史负荷数据以及相关环境变量,如温度数据、湿度数据、天气数据等,并以时间唯独对齐进行清洗与补全,构建历史数据集。
(2)模型构建:选择合适的图神经网络结构,如(Graph Convolutional Network,GCN)、GraphSAGE、GAT等,构建图神经网络结构,每个节点表示一个时间段,每个节点之间的边表示时间上的邻接关系。
(3)添加数模混合异构加速网络:数模混合异构加速网络由聚合引擎和组合引擎组成。聚合引擎用于执行基于图结构的遍历和聚合相邻顶点的特征向量;组合引擎用于执行密集和常规的加速矩阵向量乘法操作,适用于CPU、GPU等异构计算资源的加速。
(4)训练负荷预测模型:通过图卷积神经网络和数模混合异构加速网络对历史负荷数据进行学习和特征提取。GCN考虑了负荷数据之间的拓扑结构,能够自动地学习节点之间的相互影响,并提取特征表示。为了考虑时间上的变化趋势,可以将时间作为另一个维度引入图数据中。通过添加时间维度的节点和边,可以对时间序列数据进行建模,使模型能够捕捉时间的序列性和动态变化。
(5)基于模型进行负荷预测:根据经过图卷积神经网络学习和提取的特征表示,可以使用各种预测模型进行负荷预测。例如,可以使用循环神经网络(RNN)进行序列预测,或者使用多层感知机(MLP)进行回归预测。
本发明实施产生的技术效果包括:(1)捕捉节点间的关系。图神经网络能够学习并利用节点之间的拓扑结构和连接关系,从而更好地捕捉负荷数据之间的依赖和影响。这使得负荷预测模型可以更准确地反映负荷数据的相互作用,提高预测的准确性。(2)处理非线性和非稳态数据。负荷数据往往具有非线性和非稳态特性,传统的深度学习方法可能无法很好地对其进行建模和预测。而图神经网络可以更好地处理这些非线性和非稳态数据,通过学习节点之间的动态关系和迭代更新,提高模型的泛化能力。(3)考虑时间因素。负荷预测需要考虑时间的序列性和动态变化。图神经网络可以通过添加时间维度的节点和边来捕捉时间相关的特征,在预测过程中充分考虑负荷数据随时间的演变规律,提高预测的准确性和时序性。(4)适应不完整数据。负荷数据中常常存在数据缺失或不完整的情况。图神经网络能够灵活地处理不完整数据。(5)提升推理速度。通过加速矩阵向量乘法(MVM)操作和加速非MVM聚合操作,综合提升负荷预测计算速度。
实施例四
图4是本发明实施例四提供的一种负荷预测装置的结构示意图。如图4所示,该装置包括:数据获取模块410、特征信息确定模块420以及刀预测数据确定模块430。
其中,数据获取模块410,用于在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;
特征信息确定模块420,用于将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;
预测数据确定模块430,用于将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。
本发明实施例的技术方案,在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。本申请通过历史负荷数据和相应的历史环境数据构建图神经网络,以基于图神经网络提取负荷数据以及相应的环境数据的特征信息,可以更加精准的提取数据特征,从而提高预测准确性;使用聚合引擎和组合引擎作为特征提取加速器,综合提升了负荷预测计算速度,提高了负荷预测效率。
可选的,负荷预测装置还包括历史数据集构建模块,包括:
历史数据获取单元,用于获取历史负荷数据以及产生所述历史负荷数据时所对应的待处理历史环境数据;其中,所述待处理历史环境数据包括历史温度数据、历史湿度数据以及历史天气数据中的至少一种;
数据预处理单元,用于对所述待处理历史环境数据进行预处理,得到参与构建所述图神经网络、负荷预测模型的历史环境数据;
数据集构建单元,用于第一特征确定单元,用于基于各历史负荷数据和相应的历史环境数据,构建历史数据集。
可选的,数据预处理单元具体用于:依据所述历史温度数据、所述历史湿度数据以及所述历史天气数据的时间戳进行数据对齐并剔除未对齐的关联数据,得到所述历史环境数据。
可选的,负荷预测装置还包括图神经网络构建模块,具体用于基于所述历史数据集构建所述图神经网络,以基于所述图神经网络进行特征提取;其中,所述图神经网络的每个节点表示时间段,两个节点之间的边表示时间上的邻接关系。
可选的,图神经网络构建模块,还包括:
负荷特征确定单元,用于将所述历史数据集中的历史环境数据输入至所述图神经网络中,得到与所述历史环境数据相对应的历史负荷特征;
历史负荷预测单元,用于将所述历史负荷特征输入至待训练负荷预测模型中,得到历史预测负荷;
模型修正单元,用于基于所述历史预测负荷和预测时间段内的历史实际负荷,确定损失值,以基于所述损失值对所述待训练负荷预测模型中的模型参数进行修正;
模型训练单元,用于将所述待训练负荷预测模型中的损失函数收敛作为训练目标,得到所述负荷预测模型。
可选的,特征信息确定模块420,包括:
聚合引擎处理单元,用于依据所述时间矩阵,并基于所述聚合引擎遍历所述图神经网络中的至少一个顶点,以及聚合相邻顶点的特征向量,得到待处理矩阵;
组合引擎处理单元,用于基于所述组合引擎对所述待处理矩阵进行操作,得到所述待使用负荷数据的特征信息。
可选的,组合引擎处理单元,具体用于将所述待处理矩阵映射为电导率矩阵;基于数模转换器将所述电导率矩阵转换为模拟域中的电压矢量;基于所述电导率矩阵以及所述电压矢量,得到目标矩阵;基于模数转换器将所述目标矩阵处理为数字信号,并将所述数字信号作为所述待使用负荷数据的特征信息。
本发明实施例所提供的负荷预测装置可执行本发明任意实施例所提供的负荷预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如负荷预测方法。
在一些实施例中,负荷预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的负荷预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行负荷预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程负荷预测装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种负荷预测方法,其特征在于,包括:
在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;
将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;
将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取历史负荷数据以及产生所述历史负荷数据时所对应的待处理历史环境数据;其中,所述待处理历史环境数据包括历史温度数据、历史湿度数据以及历史天气数据中的至少一种;
对所述待处理历史环境数据进行预处理,得到参与构建所述图神经网络、负荷预测模型的历史环境数据;
基于各历史负荷数据和相应的历史环境数据,构建历史数据集。
3.根据权利要求2所述的方法,其特征在于,所述对所述待处理历史环境数据进行预处理,包括:
依据所述历史温度数据、所述历史湿度数据以及所述历史天气数据的时间戳进行数据对齐并剔除未对齐的关联数据,得到所述历史环境数据。
4.根据权利要求2所述的方法,其特征在于,还包括:
基于所述历史数据集构建所述图神经网络,以基于所述图神经网络进行特征提取;
其中,所述图神经网络的每个节点表示时间段,两个节点之间的边表示时间上的邻接关系。
5.根据权利要求4所述的方法,其特征在于,还包括:
将所述历史数据集中的历史环境数据输入至所述图神经网络中,得到与所述历史环境数据相对应的历史负荷特征;
将所述历史负荷特征输入至待训练负荷预测模型中,得到历史预测负荷;
基于所述历史预测负荷和预测时间段内的历史实际负荷,确定损失值,以基于所述损失值对所述待训练负荷预测模型中的模型参数进行修正;
将所述待训练负荷预测模型中的损失函数收敛作为训练目标,得到所述负荷预测模型。
6.根据权利要求1所述的方法,其特征在于,所述基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息,包括:
依据所述时间矩阵,并基于所述聚合引擎遍历所述图神经网络中的至少一个顶点,以及聚合相邻顶点的特征向量,得到待处理矩阵;
基于所述组合引擎对所述待处理矩阵进行操作,得到所述待使用负荷数据的特征信息。
7.根据权利要求6所述的方法,其特征在于,所述基于所述组合引擎对所述待处理矩阵进行操作,得到所述待使用负荷数据的特征信息,包括:
将所述待处理矩阵映射为电导率矩阵;
基于数模转换器将所述电导率矩阵转换为模拟域中的电压矢量;
基于所述电导率矩阵以及所述电压矢量,得到目标矩阵;
基于模数转换器将所述目标矩阵处理为数字信号,并将所述数字信号作为所述待使用负荷数据的特征信息。
8.一种负荷预测装置,其特征在于,包括:
数据获取模块,用于在检测到满足负荷预测条件时,获取当前时刻之前预设时长内的待使用负荷数据以及相应的待使用环境数据;
特征信息确定模块,用于将所述待使用负荷数据、待使用环境数据以及时间矩阵输入至预先训练好的图神经网络中,并基于聚合引擎和组合引擎,提取所述待使用负荷数据的特征信息;
预测数据确定模块,用于将所述特征信息输入至预先训练好的负荷预测模型中,得到以所述当前时刻为起始点未来预设时间段内的预测负荷数据。
9.一种电子设备,其特征在于,电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如权利要求1-7任一项的负荷预测方法。
10.一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一项的负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311427758.9A CN117313953A (zh) | 2023-10-30 | 2023-10-30 | 一种负荷预测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311427758.9A CN117313953A (zh) | 2023-10-30 | 2023-10-30 | 一种负荷预测方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313953A true CN117313953A (zh) | 2023-12-29 |
Family
ID=89273708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311427758.9A Pending CN117313953A (zh) | 2023-10-30 | 2023-10-30 | 一种负荷预测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117996755A (zh) * | 2024-04-01 | 2024-05-07 | 湖南华夏特变股份有限公司 | 变压器运行控制方法、装置、计算机设备及存储介质 |
-
2023
- 2023-10-30 CN CN202311427758.9A patent/CN117313953A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117996755A (zh) * | 2024-04-01 | 2024-05-07 | 湖南华夏特变股份有限公司 | 变压器运行控制方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000556A1 (zh) | 一种工业设备剩余有效寿命预测方法、***及电子设备 | |
Nichiforov et al. | Deep learning techniques for load forecasting in large commercial buildings | |
CN117032938B (zh) | 一种算子的并行调度方法、装置、电子设备及存储介质 | |
CN113780662B (zh) | 一种流量预测方法、装置、设备和介质 | |
CN117131974A (zh) | 一种模型的训练方法、功率预测方法及设备 | |
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
CN116109004A (zh) | 一种绝缘子泄漏电流的预测方法、装置、设备及介质 | |
Lu et al. | An adaptive neural architecture search design for collaborative edge-cloud computing | |
CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
CN117236571B (zh) | 一种基于物联网的规划方法和*** | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及*** | |
Naoui et al. | Integrating iot devices and deep learning for renewable energy in big data system | |
CN116885711A (zh) | 一种风电功率预测方法、装置、设备和可读存储介质 | |
CN117313953A (zh) | 一种负荷预测方法、装置、电子设备以及存储介质 | |
CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
CN114611609A (zh) | 一种图网络模型节点分类方法、装置、设备及存储介质 | |
Zhang et al. | Wind energy forecasting framework based on new perspective | |
Li et al. | Distributed computing framework of intelligent sensor network for electric power internet of things | |
Sun et al. | Traffic Flow Prediction via Spatial-Temporal Geometric Graph Convolutional Network | |
Reddy et al. | Solar Irradiance Forecasting Using Machine Learning | |
Subramaniam et al. | Automated Resource Scaling in Kubeflow through Time Series Forecasting | |
CN117422259A (zh) | 一种分布式资源预测聚合方法、装置、设备及存储介质 | |
Rupesh et al. | Load Forecasting using Machine Learning Model |
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 |