[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

本發明實施例提公開了一種用于預測能源負荷的方法及裝置。該方法包括：獲取能源負荷的時間序列歷史數據；對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；根據訓練數據集和測試數據集，訓練循環神經網絡；利用訓練好的循環神經網絡對能源負荷進行預測，從而使得預測能源負荷的誤差較小。

技術領域

本發明涉及計算機技術領域，具體地涉及一種用于預測能源負荷的方法及裝置。

背景技術

能源負荷預測規模上多分為電網層級和用戶層級。電網層級的負荷曲線較平緩，在相同條件下負荷差距不大，較易預測，但針對性不強，對局部區域無法管理。用戶層級精確到戶，但其負荷曲線波動劇烈，具有較大隨機性，不易預測。目前短期能源負荷預測使用的算法多使用傳統的數據分析，如時間序列法、回歸分析法、支持向量機法、模糊預測法等。時間序列法是目前發展較為成熟的算法，但只適用于較平緩的負荷變化，模型對不確定因素辨識不足，預測誤差較大。

發明內容

本發明實施例的目的是提供一種用于預測能源負荷的方法及裝置。用以解決現有的用于預測能源負荷的方法誤差較大的問題。

為了實現上述目的，本發明實施例第一方面提供一種用于預測能源負荷的方法，包括：

獲取能源負荷的時間序列歷史數據；

對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；

根據訓練數據集和測試數據集，訓練循環神經網絡；

利用訓練好的循環神經網絡對能源負荷進行預測。

在本發明的實施例中，對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時間序列歷史數據；

將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。

在本發明的實施例中，根據訓練數據集和測試數據集，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；

根據訓練數據集，確定基于長短期記憶的循環神經網絡的模型的最優超參數；

根據測試數據集，得到基于長短期記憶的循環神經網絡的模型的泛化誤差。

在本發明的實施例中，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；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。

在本發明的實施例中，根據訓練數據集，確定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。

本發明的實施例第二方面提供一種用于預測能源負荷的裝置，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，被配置成根據訓練數據集和測試數據集，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。