CN117744855A - 基于机器学习的负荷预测***及方法 - Google Patents
基于机器学习的负荷预测***及方法 Download PDFInfo
- Publication number
- CN117744855A CN117744855A CN202311567701.9A CN202311567701A CN117744855A CN 117744855 A CN117744855 A CN 117744855A CN 202311567701 A CN202311567701 A CN 202311567701A CN 117744855 A CN117744855 A CN 117744855A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- feature
- vector
- load
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 237
- 230000005611 electricity Effects 0.000 claims description 165
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能预测领域,其具体地公开了一种基于机器学习的负荷预测***及方法,其通过对历史的天气数据、温度数据、用电量数据和日期数据进行特征提取以得到历史用电负荷的相关特征,再对当天的天气数据、温度数据和日期数据进行特征提取以得到影响用电量的相关数据特征,将上述提取到的特征在高维空间进行关联后通过解码器以得到用于表示当天用电量预测结果的解码值。
Description
技术领域
本申请涉及智能预测领域,且更为具体地,涉及一种基于机器学习的负荷预测***及方法。
背景技术
负荷预测是电力***中一项重要的任务,它旨在准确估计未来某一时间段内的电力需求。这项预测工作对于电力公司和能源供应商来说至关重要,因为它们需要合理安排发电计划、资源分配和电网运行,以确保能够满足用户的需求并保持电力***的稳定运行。
随着社会的发展和人们对电力的需求不断增长,负荷预测变得越来越重要。通过准确预测未来的负荷需求,电力公司可以合理规划发电设备的投入和输出,以确保在高峰期能够满足用户的用电需求。同时,这也有助于避免电力供应不足或过剩,从而提高能源利用效率和降低成本。
因此,需要一种基于机器学习的负荷预测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于机器学习的负荷预测***及方法,其通过对历史的天气数据、温度数据、用电量数据和日期数据进行特征提取以得到历史用电负荷的相关特征,再对当天的天气数据、温度数据和日期数据进行特征提取以得到影响用电量的相关数据特征,将上述提取到的特征在高维空间进行关联后通过解码器以得到用于表示当天用电量预测结果的解码值。
根据本申请的一个方面,提供了一种基于机器学习的负荷预测***,其包括:
数据获取模块,用于获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据;
用电预测特征提取模块,用于将所述当天的天气数据、温度数据、日期数据排列成用电量影响参数矩阵后通过作为特征提取器的第一卷积神经网络模型以得到用电预测特征向量;
历史用电负荷数据编码模块,用于将所述历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器以得到多个历史用电负荷相关数据特征向量;
第一尺度历史用电负荷特征生成模块,用于将所述多个历史用电负荷相关数据特征向量进行级联以得到第一尺度历史用电负荷相关数据特征向量;
第二尺度历史用电负荷特征生成模块,用于将所述多个历史用电负荷相关数据特征向量二维排列成历史用电负荷相关数据语义特征矩阵后通过包含多个混合卷积层的第二卷积神经网络模型以得到第二尺度历史用电负荷相关数据特征向量;
多尺度历史用电负荷特征融合模块,用于将所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量进行融合以得到历史用电负荷数据特征向量;
解码特征生成模块,用于对所述用电预测特征向量和所述历史用电负荷数据特征向量进行基于秩序性的特征工程匹配以得到解码特征向量;
用电预测结果生成模块,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当天用电量的预测值。
在上述基于机器学习的负荷预测***中,所述用电预测特征提取模块,用于:所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述用电预测特征向量,所述第一卷积神经网络模型的第一层的输入为所述用电量影响参数矩阵。
在上述基于机器学习的负荷预测***中,所述历史用电负荷数据编码模块,包括:分词单元,用于对所述历史的天气数据、温度数据、日期数据和用电量数据进行分词处理以获得多个历史用电负荷相关词;词嵌入单元,用于将所述多个历史用电负荷相关词通过所述上下文编码器的嵌入层以将所述多个历史用电负荷相关词中各个历史用电负荷相关词转化为历史用电负荷相关词嵌入向量以得到历史用电负荷相关词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个历史用电负荷相关词进行嵌入编码;上下文语义编码单元,用于将所述历史用电负荷相关词嵌入向量的序列输入所述上下文编码器的转换器以得到所述多个历史用电负荷相关数据特征向量。
在上述基于机器学习的负荷预测***中,所述上下文语义编码单元,包括:序列排列子单元,用于将所述历史用电负荷相关词嵌入向量的序列排列为输入向量;向量转化子单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;自注意关联矩阵生成子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;标准化处理子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;激活子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;注意力施加子单元,用于将所述自注意力特征矩阵与以所述历史用电负荷相关词嵌入向量的序列中各个历史用电负荷相关词嵌入向量作为值向量分别进行相乘以得到所述多个历史用电负荷相关数据特征向量。
在上述基于机器学习的负荷预测***中,所述第二尺度历史用电负荷特征生成模块,用于:所述包含多个混合卷积层的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行:对所述输入数据进行多尺度卷积编码以得到多尺度特征图;对所述多尺度特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的第一层的输入为所述历史用电负荷相关数据语义特征矩阵,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度历史用电负荷相关数据特征向量。
在上述基于机器学习的负荷预测***中,所述第二尺度历史用电负荷特征生成模块,进一步用于:基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图;基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图,其中,所述第二卷积核为具有第一空洞率的空洞卷积核;基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图,其中,所述第三卷积核为具有第二空洞率的空洞卷积核;基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图,其中,所述第四卷积核为具有第三空洞率的空洞卷积核;将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到所述多尺度特征图。
在上述基于机器学习的负荷预测***中,所述多尺度历史用电负荷特征融合模块,用于:使用如下融合函数来融合所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量以得到所述历史用电负荷数据特征向量;其中,所述融合函数表示为:
f(Xi,Xj)=Relu(Wf[θ(Xi),φ(Xj)])
其中,Wf,θ(Xi)和φ(Xj)均表示对输入进行点卷积,Relu为激活函数,[]表示拼接操作,Xi表示所述第一尺度历史用电负荷相关数据特征向量中各个位置的特征值,Xj表示所述第二尺度历史用电负荷相关数据特征向量中各个位置的特征值,f(Xi,Xj)表示所述历史用电负荷数据特征向量。
在上述基于机器学习的负荷预测***中,所述解码特征生成模块,包括:特征工程匹配因子计算单元,用于计算所述用电预测特征向量相对于所述历史用电负荷数据特征向量之间的基于秩序性的特征工程匹配因子;加权单元,用于以所述特征工程匹配因子作为权重,对所述用电预测特征向量进行加权以得到加权后用电预测特征向量;按位置加权和单元,用于以计算所述加权后用电预测特征向量和所述历史用电负荷数据特征向量之间的按位置加权和以得到所述解码特征向量。
在上述基于机器学习的负荷预测***中,所述特征工程匹配因子计算单元,用于:以如下计算公式计算所述用电预测特征向量相对于所述历史用电负荷数据特征向量之间的基于秩序性的特征工程匹配因子;其中,所述计算公式为:
其中,V1表示所述用电预测特征向量,V2表示所述历史用电负荷数据特征向量,T表示向量的转置,||·||F表示矩阵的Frobenius范数,exp(·)表示矩阵的指数运算,log表示以2为底的对数函数值,det表示矩阵的行列式,α表示超参数,w1表示所述特征工程匹配因子。
根据本申请的另一方面,提供了一种基于机器学习的负荷预测方法,其包括:
获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据;
将所述当天的天气数据、温度数据、日期数据排列成用电量影响参数矩阵后通过作为特征提取器的第一卷积神经网络模型以得到用电预测特征向量;
将所述历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器以得到多个历史用电负荷相关数据特征向量;
将所述多个历史用电负荷相关数据特征向量进行级联以得到第一尺度历史用电负荷相关数据特征向量;
将所述多个历史用电负荷相关数据特征向量二维排列成历史用电负荷相关数据语义特征矩阵后通过包含多个混合卷积层的第二卷积神经网络模型以得到第二尺度历史用电负荷相关数据特征向量;
将所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量进行融合以得到历史用电负荷数据特征向量;
对所述用电预测特征向量和所述历史用电负荷数据特征向量进行基于秩序性的特征工程匹配以得到解码特征向量;
将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当天用电量的预测值。
与现有技术相比,本申请提供的基于机器学习的负荷预测***及方法,其通过对历史的天气数据、温度数据、用电量数据和日期数据进行特征提取以得到历史用电负荷的相关特征,再对当天的天气数据、温度数据和日期数据进行特征提取以得到影响用电量的相关数据特征,将上述提取到的特征在高维空间进行关联后通过解码器以得到用于表示当天用电量预测结果的解码值。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于机器学习的负荷预测***的***框图。
图2为根据本申请实施例的基于机器学习的负荷预测***的架构图。
图3为根据本申请实施例的基于机器学习的负荷预测***中历史用电负荷数据编码模块的框图。
图4为根据本申请实施例的基于机器学习的负荷预测***中上下文语义编码单元的框图。
图5为根据本申请实施例的基于机器学习的负荷预测***中解码特征生成模块的框图。
图6为根据本申请实施例的基于机器学习的负荷预测方法的流程图。
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性***
图1为根据本申请实施例的基于机器学习的负荷预测***的***框图。图2为根据本申请实施例的基于机器学习的负荷预测***的架构图。如图1和图2所示,在基于机器学习的负荷预测***100中,包括:数据获取模块110,用于获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据;用电预测特征提取模块120,用于将所述当天的天气数据、温度数据、日期数据排列成用电量影响参数矩阵后通过作为特征提取器的第一卷积神经网络模型以得到用电预测特征向量;历史用电负荷数据编码模块130,用于将所述历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器以得到多个历史用电负荷相关数据特征向量;第一尺度历史用电负荷特征生成模块140,用于将所述多个历史用电负荷相关数据特征向量进行级联以得到第一尺度历史用电负荷相关数据特征向量;第二尺度历史用电负荷特征生成模块150,用于将所述多个历史用电负荷相关数据特征向量二维排列成历史用电负荷相关数据语义特征矩阵后通过包含多个混合卷积层的第二卷积神经网络模型以得到第二尺度历史用电负荷相关数据特征向量;多尺度历史用电负荷特征融合模块160,用于将所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量进行融合以得到历史用电负荷数据特征向量;解码特征生成模块170,用于对所述用电预测特征向量和所述历史用电负荷数据特征向量进行基于秩序性的特征工程匹配以得到解码特征向量;用电预测结果生成模块180,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当天用电量的预测值。
在基于机器学习的负荷预测***100中,所述数据获取模块110,用于获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据。如上述背景技术所言,负荷预测是电力***中的一项至关重要的任务,它对未来的电力需求进行估计,从而使得发电计划得以合理安排,资源得以有效分配。此项任务对于保持电力***的稳定运行,满足用户的电力需求具有举足轻重的意义。同时,准确的负荷预测能够提高能源的使用效率,降低电力***的运行成本,有助于实现电力***的经济、高效、安全运行。因此,期待一种基于机器学习的负荷预测方案。
近年来,深度学***。深度学习以及神经网络的发展为基于机器学习的负荷预测提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据。天气数据和温度数据是负荷预测中重要的影响因素之一。天气条件和温度变化可以对人们的用电行为产生影响。例如,在炎热的夏季,人们可能会使用空调等电器设备增加用电量。日期数据也是一个重要的特征,因为负荷需求通常会随着时间的变化而发生周期性的变化。例如,周末和工作日的用电需求可能存在差异,节假日和季节性变化也会对负荷产生影响。历史的用电量数据是负荷预测中的目标变量,也是模型训练的关键数据。通过将历史用电量数据作为输入,模型可以学习到用电量的趋势和模式,并在预测时基于历史数据进行推断。当天的天气数据、温度数据和日期数据是为了实时预测。在实际应用中,负荷预测通常需要及时更新,以反映当天的情况。因此,获取当天的天气数据、温度数据和日期数据可以提供最新的环境信息,帮助模型进行准确的负荷预测。历史的天气数据和温度数据以及当天的天气数据和温度数据可以从气象局和气象网站上获得,历史的日期数据和当天的日期数据可以从日期库中获取,历史的用电量数据可以从电力公司请求获取。
在基于机器学习的负荷预测***100中,所述用电预测特征提取模块120,用于将所述当天的天气数据、温度数据、日期数据排列成用电量影响参数矩阵后通过作为特征提取器的第一卷积神经网络模型以得到用电预测特征向量。本领域普通技术人员应该知晓,卷积神经网络在特征提取方面表现优异。积层是卷积神经网络最重要的层之一,通过将输入数据与一组可学习的卷积核进行卷积操作来提取输入数据的局部特征,卷积操作通过滑动窗口的方式在输入数据上进行,生成一系列的特征图;池化层用于对特征图进行下采样,减少特征图维度的同时能保留主要特征;激活函数是卷积神经网络中的一个重要组成部分,通过引入非线性变换,增强网络的表达能力和拟合复杂函数的能力。将当天的天气数据、温度数据和日期数据排列成用电量影响参数矩阵,可以将这个矩阵看成是一个二维图像。通过将用电量影响参数矩阵输入到作为特征提取器的卷积神经网络模型中,可以提取到与用电量影响相关的特征,它帮助模型更好地理解当天的环境条件对用电量的影响。
具体地,在基于机器学习的负荷预测***100中,所述用电预测特征提取模块120,用于:所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述用电预测特征向量,所述第一卷积神经网络模型的第一层的输入为所述用电量影响参数矩阵。
在基于机器学习的负荷预测***100中,所述历史用电负荷数据编码模块130,用于将所述历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器以得到多个历史用电负荷相关数据特征向量。嵌入层是一种常用的技术,用于将离散的数据转换为连续的向量表示。历史数据对于理解和预测未来的负荷需求非常重要。通过将历史的天气数据、温度数据、日期数据和用电量数据输入包含嵌入层的上下文编码器中,可以捕捉到这些数据中的上下文信息,并学习到这些数据中不同元素之间的依赖关系。
图3为根据本申请实施例的基于机器学习的负荷预测***中历史用电负荷数据编码模块的框图。如图3所示,所述历史用电负荷数据编码模块130,包括:分词单元131,用于对所述历史的天气数据、温度数据、日期数据和用电量数据进行分词处理以获得多个历史用电负荷相关词;词嵌入单元132,用于将所述多个历史用电负荷相关词通过所述上下文编码器的嵌入层以将所述多个历史用电负荷相关词中各个历史用电负荷相关词转化为历史用电负荷相关词嵌入向量以得到历史用电负荷相关词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个历史用电负荷相关词进行嵌入编码;上下文语义编码单元133,用于将所述历史用电负荷相关词嵌入向量的序列输入所述上下文编码器的转换器以得到所述多个历史用电负荷相关数据特征向量。
图4为根据本申请实施例的基于机器学习的负荷预测***中上下文语义编码单元的框图。如图4所示,所述上下文语义编码单元133,包括:序列排列子单元1331,用于将所述历史用电负荷相关词嵌入向量的序列排列为输入向量;向量转化子单元1332,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;自注意关联矩阵生成子单元1334,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;标准化处理子单元1335,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;激活子单元1336,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;注意力施加子单元1337,用于将所述自注意力特征矩阵与以所述历史用电负荷相关词嵌入向量的序列中各个历史用电负荷相关词嵌入向量作为值向量分别进行相乘以得到所述多个历史用电负荷相关数据特征向量。
在基于机器学习的负荷预测***100中,所述第一尺度历史用电负荷特征生成模块140,用于将所述多个历史用电负荷相关数据特征向量进行级联以得到第一尺度历史用电负荷相关数据特征向量。历史数据的时间序列信息是非常重要的。通过将多个历史用电负荷相关数据特征向量级联在一起,可以将不同时间点的特征信息组合起来,形成一个更长的特征向量。这样做的好处是可以捕捉到历史数据中的时序模式、周期性和趋势等重要特征。
在基于机器学习的负荷预测***100中,所述第二尺度历史用电负荷特征生成模块150,用于将所述多个历史用电负荷相关数据特征向量二维排列成历史用电负荷相关数据语义特征矩阵后通过包含多个混合卷积层的第二卷积神经网络模型以得到第二尺度历史用电负荷相关数据特征向量。历史用电负荷相关数据特征向量包含了不同时间尺度上的历史信息,但仍然是一维的向量表示。为了进一步利用数据中的空间结构和相邻点之间的关系,可以将这些特征向量排列成一个二维矩阵,即历史用电负荷相关数据语义特征矩阵。通过将排列而成的历史用电负荷相关数据语义特征矩阵通过包含多个混合卷积层的卷积神经网络模型,可以捕捉到更高级别的特征表示,以更好地表达历史数据中的模式和相关信息。
具体地,在基于机器学习的负荷预测***100中,所述第二尺度历史用电负荷特征生成模块150,用于:所述包含多个混合卷积层的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行:对所述输入数据进行多尺度卷积编码以得到多尺度特征图;对所述多尺度特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图;对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的第一层的输入为所述历史用电负荷相关数据语义特征矩阵,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度历史用电负荷相关数据特征向量。
在基于机器学习的负荷预测***100中,所述多尺度历史用电负荷特征融合模块160,用于将所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量进行融合以得到历史用电负荷数据特征向量。应可以理解,第一尺度历史用电负荷相关数据特征向量捕捉了不同时间尺度上的历史模式和趋势,可以反映短期内的负荷变化。第二尺度历史用电负荷相关数据特征向量通过混合卷积层提取了更高级别的特征表示,可以捕捉到更长时间尺度上的历史模式和趋势。通过将第一尺度和第二尺度的历史用电负荷相关数据特征向量进行融合,可以将不同时间尺度上的信息相互补充和交叉验证。融合后的历史用电负荷数据特征向量综合考虑了短期和长期的历史模式、趋势和关联性,提供了更全面、更丰富的特征表示。
具体地,在基于机器学习的负荷预测***100中,所述多尺度历史用电负荷特征融合模块160,用于:使用如下融合函数来融合所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量以得到所述历史用电负荷数据特征向量;其中,所述融合函数表示为:
f(Xi,Xj)=Relu(Wf[θ(Xi),φ(Xj)])
其中,Wf,θ(Xi)和φ(Xj)均表示对输入进行点卷积,Relu为激活函数,[]表示拼接操作,Xi表示所述第一尺度历史用电负荷相关数据特征向量中各个位置的特征值,Xj表示所述第二尺度历史用电负荷相关数据特征向量中各个位置的特征值,f(Xi,Xj)表示所述历史用电负荷数据特征向量。
特别地,在本申请技术方案中,考虑到用电预测特征向量和历史用电负荷数据特征向量是基于不同的数据源和处理方式提取得到的。这两种特征向量分别用于用电量的预测和历史用电负荷相关数据的表示。用电预测特征向量是通过将当天的天气数据、温度数据和日期数据排列成用电量影响参数矩阵,并通过作为特征提取器的第一卷积神经网络模型进行处理得到的。该特征向量主要关注当天的天气、温度和日期对用电量的影响。历史用电负荷数据特征向量是通过将历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器进行处理得到的。这些历史数据通过上下文编码器转化为多个历史用电负荷相关数据特征向量,并通过级联操作得到第一尺度的历史用电负荷相关数据特征向量。然后,这些特征向量通过包含多个混合卷积层的第二卷积神经网络模型处理得到第二尺度的历史用电负荷相关数据特征向量。这些特征向量主要关注历史用电负荷数据的时间序列特征和相关性。由于用电预测特征向量和历史用电负荷数据特征向量是基于不同的数据处理方式提取得到的,它们具有不同的特征深度维数和过滤器分辨率。用电预测特征向量主要关注当天的天气、温度和日期信息,而历史用电负荷数据特征向量主要关注历史用电负荷数据的时间序列特征和相关性。这种差异导致了在进行特征向量融合时可能会出现远程关系模糊化。远程关系模糊化意味着用电预测特征向量和历史用电负荷数据特征向量之间的语义关联可能无法准确地建立起来,导致解码特征向量的特征分布结构不一致。这种不一致性可能会影响解码特征向量通过解码器的解码判断的精准度。解码器通常依赖于特征向量的一致性和相关性来进行解码任务,如果解码特征向量的特征分布结构不均衡,那么解码器可能会受到干扰,导致解码判断的准确度下降。
在基于机器学习的负荷预测***100中,所述解码特征生成模块170,用于对所述用电预测特征向量和所述历史用电负荷数据特征向量进行基于秩序性的特征工程匹配以得到解码特征向量。
图5为根据本申请实施例的基于机器学习的负荷预测***中解码特征生成模块的框图。如图5所示,所述解码特征生成模块170,包括:特征工程匹配因子计算单元171,用于计算所述用电预测特征向量相对于所述历史用电负荷数据特征向量之间的基于秩序性的特征工程匹配因子;加权单元172,用于以所述特征工程匹配因子作为权重,对所述用电预测特征向量进行加权以得到加权后用电预测特征向量;按位置加权和单元173,用于以计算所述加权后用电预测特征向量和所述历史用电负荷数据特征向量之间的按位置加权和以得到所述解码特征向量。
具体地,在基于机器学习的负荷预测***100中,所述特征工程匹配因子计算单元171,用于:以如下计算公式计算所述用电预测特征向量相对于所述历史用电负荷数据特征向量之间的基于秩序性的特征工程匹配因子;其中,所述计算公式为:
其中,V1表示所述用电预测特征向量,V2表示所述历史用电负荷数据特征向量,T表示向量的转置,||·||F表示矩阵的Frobenius范数,exp(·)表示矩阵的指数运算,log表示以2为底的对数函数值,det表示矩阵的行列式,α表示超参数,w1表示所述特征工程匹配因子。
应可以理解,在本申请的技术方案中,利用基于秩序性的特征工程匹配因子,将不同特征深度维数和过滤器分辨率的特征向量之间的相对位置嵌入问题转化为一个优化问题,从而采用一种优化技术,来提升特征向量之间的远程关系和概率分布一致性。具体地,首先根据所述不同特征深度维数和过滤器分辨率的特征向量的结构和属性,设计了一种基于秩序性的特征工程匹配因子策略,将不同类别和维度的特征值按照一定的秩序规则进行排序和分组,从而降低了迁移过程中的信息冗余和噪声干扰。进而,利用一种优化技术,通过具有不同特征深度维数和过滤器分辨率的特征向量间的相对位置嵌入来表示参数化模型的隐特征表达,以实现更加光滑的高维特征空间内的远程关系和概率分布一致性。进而,通过基于秩序性的特征工程匹配分析,将优化后的隐特征表达与语义标签进行匹配,从而实现了不同特征深度维数和过滤器分辨率的特征向量相对于语义标签的语义匹配性能,提高了基于优化后隐特征表达的语义匹配能力,以提高语义匹配效果。
在基于机器学习的负荷预测***100中,所述用电预测结果生成模块180,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当天用电量的预测值。解码可以看作是一个逆操作,将解码特征矩阵还原为原始的用电量预测值。通过将解码特征向量输入解码器,可以利用解码器的学习能力和模型参数,将高维的特征表示转换为对应的用电量预测值。解码器可以学习到特征与目标预测值之间的映射关系,从而生成预测结果。基于解码值,可以得到当天用电量的预测值。这样可以将抽象的特征信息转化为具体的预测结果,提供实用的负荷预测值,帮助决策者做出相应的调度和管理决策。
综上所述,基于本申请实施例的基于机器学习的负荷预测***100被阐明,其通过对历史的天气数据、温度数据、用电量数据和日期数据进行特征提取以得到历史用电负荷的相关特征,再对当天的天气数据、温度数据和日期数据进行特征提取以得到影响用电量的相关数据特征,将上述提取到的特征在高维空间进行关联后通过解码器以得到用于表示当天用电量预测结果的解码值。
如上所述,根据本申请实施例的基于机器学习的负荷预测***100可以实现在各种终端设备中,例如用于机器学习的负荷预测的服务器等。在一个示例中,根据本申请实施例的基于机器学习的负荷预测***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于机器学习的负荷预测***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于机器学习的负荷预测***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于机器学习的负荷预测***100与该终端设备也可以是分立的设备,并且该基于机器学习的负荷预测***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图6为根据本申请实施例的基于机器学习的负荷预测方法的流程图。如图6所示,在基于机器学习的负荷预测方法中,包括:S110,获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据;S120,将所述当天的天气数据、温度数据、日期数据排列成用电量影响参数矩阵后通过作为特征提取器的第一卷积神经网络模型以得到用电预测特征向量;S130,将所述历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器以得到多个历史用电负荷相关数据特征向量;S140,将所述多个历史用电负荷相关数据特征向量进行级联以得到第一尺度历史用电负荷相关数据特征向量;S150,将所述多个历史用电负荷相关数据特征向量二维排列成历史用电负荷相关数据语义特征矩阵后通过包含多个混合卷积层的第二卷积神经网络模型以得到第二尺度历史用电负荷相关数据特征向量;S160,将所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量进行融合以得到历史用电负荷数据特征向量;S170,对所述用电预测特征向量和所述历史用电负荷数据特征向量进行基于秩序性的特征工程匹配以得到解码特征向量;S180,将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当天用电量的预测值。
这里,本领域技术人员可以理解,上述基于机器学习的负荷预测方法中的各个步骤的具体操作已经在上面参考图1到图5的基于机器学习的负荷预测***的描述中得到了详细介绍,并因此,将省略其重复描述。
综上所述,基于本申请实施例的基于机器学习的负荷预测方法被阐明,其通过对历史的天气数据、温度数据、用电量数据和日期数据进行特征提取以得到历史用电负荷的相关特征,再对当天的天气数据、温度数据和日期数据进行特征提取以得到影响用电量的相关数据特征,将上述提取到的特征在高维空间进行关联后通过解码器以得到用于表示当天用电量预测结果的解码值。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7为根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于机器学习的负荷预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括当天用电量预测的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于机器学习的负荷预测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于机器学习的负荷预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种基于机器学习的负荷预测***,其特征在于,包括:
数据获取模块,用于获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据;
用电预测特征提取模块,用于将所述当天的天气数据、温度数据、日期数据排列成用电量影响参数矩阵后通过作为特征提取器的第一卷积神经网络模型以得到用电预测特征向量;
历史用电负荷数据编码模块,用于将所述历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器以得到多个历史用电负荷相关数据特征向量;
第一尺度历史用电负荷特征生成模块,用于将所述多个历史用电负荷相关数据特征向量进行级联以得到第一尺度历史用电负荷相关数据特征向量;
第二尺度历史用电负荷特征生成模块,用于将所述多个历史用电负荷相关数据特征向量二维排列成历史用电负荷相关数据语义特征矩阵后通过包含多个混合卷积层的第二卷积神经网络模型以得到第二尺度历史用电负荷相关数据特征向量;
多尺度历史用电负荷特征融合模块,用于将所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量进行融合以得到历史用电负荷数据特征向量;
解码特征生成模块,用于对所述用电预测特征向量和所述历史用电负荷数据特征向量进行基于秩序性的特征工程匹配以得到解码特征向量;
用电预测结果生成模块,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当天用电量的预测值。
2.根据权利要求1所述的基于机器学习的负荷预测***,其特征在于,所述用电预测特征提取模块,用于:所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行:
对所述输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述用电预测特征向量,所述第一卷积神经网络模型的第一层的输入为所述用电量影响参数矩阵。
3.根据权利要求2所述的基于机器学习的负荷预测***,其特征在于,所述历史用电负荷数据编码模块,包括:
分词单元,用于对所述历史的天气数据、温度数据、日期数据和用电量数据进行分词处理以获得多个历史用电负荷相关词;
词嵌入单元,用于将所述多个历史用电负荷相关词通过所述上下文编码器的嵌入层以将所述多个历史用电负荷相关词中各个历史用电负荷相关词转化为历史用电负荷相关词嵌入向量以得到历史用电负荷相关词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个历史用电负荷相关词进行嵌入编码;
上下文语义编码单元,用于将所述历史用电负荷相关词嵌入向量的序列输入所述上下文编码器的转换器以得到所述多个历史用电负荷相关数据特征向量。
4.根据权利要求3所述的基于机器学习的负荷预测***,其特征在于,所述上下文语义编码单元,包括:
序列排列子单元,用于将所述历史用电负荷相关词嵌入向量的序列排列为输入向量;
向量转化子单元,用于将所述输入向量通过可学习嵌入矩阵分别转化为查询向量和关键向量;
自注意关联矩阵生成子单元,用于计算所述查询向量和所述关键向量的转置向量之间的乘积以得到自注意关联矩阵;
标准化处理子单元,用于对所述自注意关联矩阵进行标准化处理以得到标准化自注意关联矩阵;
激活子单元,用于将所述标准化自注意关联矩阵输入Softmax激活函数进行激活以得到自注意力特征矩阵;
注意力施加子单元,用于将所述自注意力特征矩阵与以所述历史用电负荷相关词嵌入向量的序列中各个历史用电负荷相关词嵌入向量作为值向量分别进行相乘以得到所述多个历史用电负荷相关数据特征向量。
5.根据权利要求4所述的基于机器学习的负荷预测***,其特征在于,所述第二尺度历史用电负荷特征生成模块,用于:所述包含多个混合卷积层的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行:
对所述输入数据进行多尺度卷积编码以得到多尺度特征图;
对所述多尺度特征图进行沿通道维度的各个特征矩阵的均值池化处理以得到池化特征图;
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的第一层的输入为所述历史用电负荷相关数据语义特征矩阵,所述第二卷积神经网络模型的最后一层的输出为所述第二尺度历史用电负荷相关数据特征向量。
6.根据权利要求5所述的基于机器学习的负荷预测***,其特征在于,所述第二尺度历史用电负荷特征生成模块,进一步用于:
基于第一卷积核对所述输入数据进行卷积处理以得到第一尺度特征图;
基于第二卷积核对所述输入数据进行卷积处理以得到第二尺度特征图,其中,所述第二卷积核为具有第一空洞率的空洞卷积核;
基于第三卷积核对所述输入数据进行卷积处理以得到第三尺度特征图,其中,所述第三卷积核为具有第二空洞率的空洞卷积核;
基于第四卷积核对所述输入数据进行卷积处理以得到第四尺度特征图,其中,所述第四卷积核为具有第三空洞率的空洞卷积核;
将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行级联以得到所述多尺度特征图。
7.根据权利要求6所述的基于机器学习的负荷预测***,其特征在于,所述多尺度历史用电负荷特征融合模块,用于:使用如下融合函数来融合所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量以得到所述历史用电负荷数据特征向量;
其中,所述融合函数表示为:
f(Xi,Xj)=Relu(Wf[θ(Xi),φ(Xj)])
其中,Wf,θ(Xi)和φ(Xj)均表示对输入进行点卷积,Relu为激活函数,[]表示拼接操作,Xi表示所述第一尺度历史用电负荷相关数据特征向量中各个位置的特征值,Xj表示所述第二尺度历史用电负荷相关数据特征向量中各个位置的特征值,f(Xi,Xj)表示所述历史用电负荷数据特征向量。
8.根据权利要求7所述的基于机器学习的负荷预测***,其特征在于,所述解码特征生成模块,包括:
特征工程匹配因子计算单元,用于计算所述用电预测特征向量相对于所述历史用电负荷数据特征向量之间的基于秩序性的特征工程匹配因子;
加权单元,用于以所述特征工程匹配因子作为权重,对所述用电预测特征向量进行加权以得到加权后用电预测特征向量;
按位置加权和单元,用于以计算所述加权后用电预测特征向量和所述历史用电负荷数据特征向量之间的按位置加权和以得到所述解码特征向量。
9.根据权利要求8所述的基于机器学习的负荷预测***,其特征在于,所述特征工程匹配因子计算单元,用于:以如下计算公式计算所述用电预测特征向量相对于所述历史用电负荷数据特征向量之间的基于秩序性的特征工程匹配因子;
其中,所述计算公式为:
其中,V1表示所述用电预测特征向量,V2表示所述历史用电负荷数据特征向量,T表示向量的转置,||·||F表示矩阵的Frobenius范数,exp(·)表示矩阵的指数运算,log表示以2为底的对数函数值,det表示矩阵的行列式,α表示超参数,w1表示所述特征工程匹配因子。
10.一种基于机器学习的负荷预测方法,其特征在于,包括:
获取历史的天气数据、温度数据、日期数据和用电量数据以及当天的天气数据、温度数据、日期数据;
将所述当天的天气数据、温度数据、日期数据排列成用电量影响参数矩阵后通过作为特征提取器的第一卷积神经网络模型以得到用电预测特征向量;
将所述历史的天气数据、温度数据、日期数据和用电量数据通过包含嵌入层的上下文编码器以得到多个历史用电负荷相关数据特征向量;
将所述多个历史用电负荷相关数据特征向量进行级联以得到第一尺度历史用电负荷相关数据特征向量;
将所述多个历史用电负荷相关数据特征向量二维排列成历史用电负荷相关数据语义特征矩阵后通过包含多个混合卷积层的第二卷积神经网络模型以得到第二尺度历史用电负荷相关数据特征向量;
将所述第一尺度历史用电负荷相关数据特征向量和所述第二尺度历史用电负荷相关数据特征向量进行融合以得到历史用电负荷数据特征向量;
对所述用电预测特征向量和所述历史用电负荷数据特征向量进行基于秩序性的特征工程匹配以得到解码特征向量;
将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当天用电量的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567701.9A CN117744855A (zh) | 2023-11-22 | 2023-11-22 | 基于机器学习的负荷预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567701.9A CN117744855A (zh) | 2023-11-22 | 2023-11-22 | 基于机器学习的负荷预测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117744855A true CN117744855A (zh) | 2024-03-22 |
Family
ID=90251673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311567701.9A Pending CN117744855A (zh) | 2023-11-22 | 2023-11-22 | 基于机器学习的负荷预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744855A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117977587A (zh) * | 2024-04-02 | 2024-05-03 | 南京鼎研电力科技有限公司 | 基于深度神经网络的电力负荷预测***及方法 |
-
2023
- 2023-11-22 CN CN202311567701.9A patent/CN117744855A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117977587A (zh) * | 2024-04-02 | 2024-05-03 | 南京鼎研电力科技有限公司 | 基于深度神经网络的电力负荷预测***及方法 |
CN117977587B (zh) * | 2024-04-02 | 2024-06-07 | 南京鼎研电力科技有限公司 | 基于深度神经网络的电力负荷预测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lindemann et al. | A survey on long short-term memory networks for time series prediction | |
CN115796173B (zh) | 针对监管报送需求的数据处理方法和*** | |
Fan et al. | A novel deep generative modeling-based data augmentation strategy for improving short-term building energy predictions | |
Lang et al. | Short-term load forecasting based on multivariate time series prediction and weighted neural network with random weights and kernels | |
CN117744855A (zh) | 基于机器学习的负荷预测***及方法 | |
CN115880036B (zh) | 一种车位级动态共享智能管控交易平台 | |
Sun et al. | Two-channel attention mechanism fusion model of stock price prediction based on CNN-LSTM | |
CN116151604A (zh) | 一种web环境下办公***流程分析***及其方法 | |
CN115759658A (zh) | 适用于智慧城市的企业能耗数据管理*** | |
CN115878330A (zh) | 线程的运行控制方法及其*** | |
Luo et al. | Multi-task prediction model based on ConvLSTM and encoder-decoder | |
CN116701880B (zh) | 基于时间序列数据的农产品价格预测方法及*** | |
CN117077955A (zh) | 用于光储并网发电***的能量管理***及其方法 | |
CN116186295B (zh) | 基于注意力的知识图谱链接预测方法、装置、设备及介质 | |
Jiang et al. | Mobile traffic prediction in consumer applications: a multimodal deep learning approach | |
CN113554149B (zh) | 神经网络处理单元npu、神经网络的处理方法及其装置 | |
CN115238009A (zh) | 基于血缘分析的元数据管理方法、装置、设备及存储介质 | |
CN114726870A (zh) | 基于可视化拖拽的混合云资源编排方法、***和电子设备 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN113420869A (zh) | 基于全方向注意力的翻译方法及其相关设备 | |
CN113760497A (zh) | 一种调度任务配置方法和装置 | |
CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其*** | |
CN115994668B (zh) | 智慧社区资源管理*** | |
CN117521606B (zh) | 用于财务数据的智能报表生成***及方法 | |
CN118069331B (zh) | 一种基于数字孪生的智能采集任务调度方法及装置 |
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 |