[發明專利]基于自編碼器和元學習策略的負荷預測方法及裝置

有效

• 申請號: 201910267480.0
• 申請日: 2019-04-03
• 公開（公告）號: CN110084406B
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 宋英豪
• 申請（專利權）人: 新奧數能科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F16/2458
• 代理公司: 北京嘉科知識產權代理事務所(特殊普通合伙) 11687
• 代理人: 楊波

1.一種基于自編碼器和元學習策略的負荷預測方法，其特征在于，包括：

接收目標能源系統待預測的目標時間；

獲取所述目標能源系統在所述目標時間之前的歷史數據，并采用自編碼器提取所述歷史數據的時間序列特征，所述時間序列特征包括由K個編碼向量構建成的一個特征向量，所述K為預設值，所述自編碼器的輸入層和輸出層神經元數目和特征向量的維度一樣；

根據分類模型計算多個算法模型分別與所述時間序列特征的匹配度，選擇匹配度最高的一個算法模型作為負荷預測算法；

使用所述負荷預測算法輸出所述目標能源系統在所述目標時間的負荷值；

在根據分類模型從多個算法模型中選擇與所述時間序列特征匹配的負荷預測算法之前，所述方法還包括：

確定包括多個時間序列預測算法模型的算法池，以及包括多個時間序列集合的元學習訓練集；

采用自編碼器提取所述元學習訓練集中每個時間序列的時間序列特征；

遍歷所述算法池中的多個算法模型，得到所述元學習訓練集中的每個時間序列的最優算法，并把每個時間序列的最優算法作為標簽信息；

以每個時間序列特征為輸入，對應的標簽信息為輸出，訓練得到所述分類模型；

采用自編碼器提取所述元學習訓練集中每個時間序列的時間序列特征包括：

針對每個時間序列，獲取距離樣本日期最近的K天的歷史數據的編碼向量，其中，所述樣本日期為所述時間序列的待預測的日期。

2.根據權利要求1所述的方法，其特征在于，將所述K個編碼向量構建成一個特征向量包括：

確定所述K個編碼向量中每個編碼向量的起始位置和終止位置；

將所述K個編碼向量按照樣本日期的時序依次將前一個編碼向量的終止位置連接下一個編碼向量的起始位置，并構建成一個特征向量。

3.根據權利要求1所述的方法，其特征在于，采用自編碼器提取所述歷史數據的時間序列特征包括以下之一：

將所述歷史數據輸入自編碼器，輸出所述歷史數據的時間序列特征；

將所述歷史數據中距離當前時間最近的K天數據，輸入自編碼器，得到K個編碼向量，組合所述K個編碼向量得到所述時間序列特征，所述K為所述時間序列特征的預設維度。

4.一種基于自編碼器和元學習策略的負荷預測裝置，其特征在于，包括：

接收模塊，用于接收目標能源系統待預測的目標時間；

獲取模塊，用于獲取所述目標能源系統在所述目標時間之前的歷史數據，并采用自編碼器提取所述歷史數據的時間序列特征，所述時間序列特征包括由K個編碼向量構建成的一個特征向量，所述K為預設值，所述自編碼器的輸入層和輸出層神經元數目和特征向量的維度一樣；

選擇模塊，用于根據分類模型計算多個算法模型分別與所述時間序列特征的匹配度，選擇匹配度最高的一個算法模型作為負荷預測算法；

輸出模塊，用于使用所述負荷預測算法輸出所述目標能源系統在所述目標時間的負荷值；

所述裝置還包括：

確定模塊，用于在所述選擇模塊根據分類模型從多個算法模型中選擇與所述時間序列特征匹配的負荷預測算法之前，確定包括多個算法模型的算法池，以及包括多個時間序列集合的元學習訓練集；

提取模塊，用于采用自編碼器提取所述元學習訓練集中每個時間序列的時間序列特征；

處理模塊，用于遍歷所述算法池中的多個算法模型，得到所述元學習訓練集中的每個時間序列的最優算法，并為每個時間序列的最優算法作為其標簽信息；

訓練模塊，用于以每個時間序列特征為輸入，對應的標簽信息為輸出，訓練得到所述分類模型；

采用自編碼器提取所述元學習訓練集中每個時間序列的時間序列特征包括：

針對每個時間序列，獲取距離樣本日期最近的K天的歷史數據的編碼向量，其中，所述樣本日期為所述時間序列的待預測的日期。

5.一種存儲介質，其特征在于，所述存儲介質中存儲有計算機程序，其中，所述計算機程序被設置為運行時執行所述權利要求1至3任一項中所述的方法。

6.一種電子裝置，包括存儲器和處理器，其特征在于，所述存儲器中存儲有計算機程序，所述處理器被設置為運行所述計算機程序以執行所述權利要求1至3任一項中所述的方法。