[發明專利]用于預測能源負荷的方法及裝置

在審

• 申請號: 202110023502.6
• 申請日: 2021-01-08
• 公開（公告）號: CN112734106A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王祥;武占俠;于同偉;閆振宏;原義棟;崔文朋;盧巖;董之微;史兵;陸欣;冷安輝;何曉榮;李長柏;李奇
• 申請（專利權）人: 深圳市國電科技通信有限公司;國網遼寧省電力有限公司電力科學研究院;北京智芯微電子科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京潤平知識產權代理有限公司 11283
• 代理人: 陳瀟瀟

1.一種用于預測能源負荷的方法，其特征在于，包括：

獲取能源負荷的時間序列歷史數據；

對所述時間序列歷史數據進行預處理，以得到訓練數據集和測試數據集；

根據所述訓練數據集和所述測試數據集，訓練循環神經網絡；

利用訓練好的循環神經網絡對所述能源負荷進行預測。

2.根據權利要求1所述的方法，其特征在于，所述對所述時間序列歷史數據進行預處理，以得到訓練數據集和測試數據集，包括：

將多元的所述時間序列歷史數據重構為單步或多步的監督學習數據集；

使用差分方法以平穩所述時間序列歷史數據；

將所述時間序列歷史數據標準化，以得到標準化時間序列歷史數據；

將所述時間序列歷史數據按時間劃分為訓練數據集和測試數據集。

3.根據權利要求1所述的方法，其特征在于，所述根據所述訓練數據集和所述測試數據集，訓練循環神經網絡，包括：

構建基于長短期記憶的循環神經網絡的模型；

根據所述訓練數據集，確定所述基于長短期記憶的循環神經網絡的模型的最優超參數；

根據所述測試數據集，得到所述基于長短期記憶的循環神經網絡的模型的泛化誤差。

4.根據權利要求3所述的方法，其特征在于，所述基于長短期記憶的循環神經網絡的模型包括輸入層、至少一隱藏層和輸出層；所述隱藏層包括以下至少一種：

卷積單元、池化單元、循環單元、長短期記憶單元。

5.根據權利要求3所述的方法，其特征在于，所述根據所述訓練數據集，確定所述基于長短期記憶的循環神經網絡的模型的最優超參數，包括：

將所述訓練數據集輸入超參數不同的多組基于長短期記憶的循環神經網絡的模型；

根據每個基于長短期記憶的循環神經網絡的模型輸出的損失函數圖像，確定最優超參數。

6.一種用于預測能源負荷的裝置，其特征在于，包括：

數據采集模塊，被配置成獲取能源負荷的時間序列歷史數據；

預處理模塊，被配置成對所述時間序列歷史數據進行預處理，以得到訓練數據集和測試數據集；

訓練模塊，被配置成根據所述訓練數據集和所述測試數據集，訓練循環神經網絡；

預測模塊，被配置成利用訓練好的循環神經網絡進行預測。

7.根據權利要求6所述的裝置，其特征在于，所述預處理模塊被配置成：

將多元的所述時間序列歷史數據重構為單步或多步的監督學習數據集；

使用差分方法以平穩所述時間序列歷史數據；

將所述時間序列歷史數據標準化，以得到標準化時間序列歷史數據；

將所述時間序列歷史數據按時間劃分為訓練數據集和測試數據集。

8.根據權利要求6所述的裝置，其特征在于，所述訓練模塊被配置成：

構建基于長短期記憶的循環神經網絡的模型；

根據所述訓練數據集，確定所述基于長短期記憶的循環神經網絡的模型的最優超參數；

根據所述測試數據集，得到所述基于長短期記憶的循環神經網絡的模型的泛化誤差。

9.根據權利要求8所述的裝置，其特征在于，所述基于長短期記憶的循環神經網絡的模型包括輸入層、至少一隱藏層和輸出層；所述隱藏層包括以下至少一種：

卷積單元、池化單元、循環單元、長短期記憶單元。

10.根據權利要求8所述的裝置，其特征在于，所述訓練模塊還被配置成：

將所述訓練數據集輸入超參數不同的多組基于長短期記憶的循環神經網絡的模型；

根據每個基于長短期記憶的循環神經網絡的模型輸出的損失函數圖像，確定最優超參數。