[發明專利]基于深度學習的中長期基數分解電量預測方法及系統

在審

• 申請號: 202211208181.8
• 申請日: 2022-09-30
• 公開（公告）號: CN115660149A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 汪佳偉;李婉嘉;高樂;耿福海;許曉林
• 申請（專利權）人: 上海能源科技發展有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/063;G06Q50/06;G06N3/048;G06N3/08;G06F18/10;G06F18/2135;H02J3/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 于鳳洋

1.基于深度學習的中長期基數分解電量預測方法，其特征在于，訓練步驟包括：

獲取歷史交易數據，采集影響基數分解電量的指標的歷史時序數據，并進行預處理；

將指標歷史時序數據整合成歷史特征指標和歷史基數分解電量相映射的時間序列；

構建深度神經網絡模型，將特征指標樣本與對應的基數分解電量樣本序列輸入至深度神經網絡模型中，并采用自適應動量的隨機優化方法自動更新網絡神經元參數，最終輸出預測結果。

2.如權利要求1所述的基于深度學習的中長期基數分解電量預測方法，其特征在于，影響指標包括申報交易電量、新能源出力預測、水電出力預測、地區統調負荷預測、重要線路可用容量、燃料價格波動。

3.如權利要求1所述的基于深度學習的中長期基數分解電量預測方法，其特征在于，所述預處理的步驟包括數據拼接、數據缺失值處理、數據異常值處理、指標數據歸一化、數據排列以及時間序列特定格式化處理。

4.如權利要求1所述的基于深度學習的中長期基數分解電量預測方法，其特征在于，對預處理的數據按照需求進行劃分為訓練集、驗證集以及測試集。

5.如權利要求1所述的基于深度學習的中長期基數分解電量預測方法，其特征在于，神經網絡模型包括輸入層、輸出層和隱藏層。

6.如權利要求5所述的基于深度學習的中長期基數分解電量預測方法，其特征在于，所述隱藏層包括以relu函數為激活函數的全連接層，同時選取BatchNormalization和Dropout項組合防止模型提早出現過擬合。

7.基于深度學習的中長期基數分解電量預測系統，其特征在于，包括：

數據采集模塊，用于獲取歷史交易數據，采集影響基數分解電量的指標的歷史時序數據，并進行預處理；

數據處理模塊，用于將指標歷史時序數據整合成歷史特征指標和歷史基數分解電量相映射的時間序列；

模型預測模塊，用于構建深度神經網絡模型，將特征指標樣本與對應的基數分解電量樣本序列輸入至深度神經網絡模型中，并采用自適應動量的隨機優化方法自動更新網絡神經元參數，最終輸出預測結果。

8.如權利要求7所述的基于深度學習的中長期基數分解電量預測系統，其特征在于，所述預處理的步驟包括數據拼接、數據缺失值處理、數據異常值處理、指標數據歸一化、數據排列以及時間序列特定格式化處理。

9.一種計算機可讀存儲介質，其特征是：其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行權利要求1-6中任一項所述的基于深度學習的中長期基數分解電量預測方法。

10.一種終端設備，其特征是：包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行如權利要求1-6中任一項所述的基于深度學習的中長期基數分解電量預測方法。