[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)和特征篩選的用電負荷模型訓(xùn)練方法

有效

• 申請?zhí)枺?/td>: 202211330610.9
• 申請日: 2022-10-27
• 公開（公告）號: CN115392594B
• 公開（公告）日: 2023-03-24
• 發(fā)明（設(shè)計）人: 羅敏;周尚禮;李鵬;趙偉;郭楊運;向睿;賴雨辰;楊景旭;陳敏娜;杜錦陽
• 申請（專利權(quán)）人: 南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F18/2113;G06N3/0442;G06N3/084;H02J3/00
• 代理公司: 華進聯(lián)合專利商標代理有限公司 44224
• 代理人: 胡雪

本申請涉及一種基于神經(jīng)網(wǎng)絡(luò)和特征篩選的用電負荷模型訓(xùn)練方法。方法包括：獲取訓(xùn)練樣本數(shù)據(jù)；獲取針對各候選用電特征組合對應(yīng)的特征選擇變量，并采用梯度下降的方法，從各候選用電特征組合中篩選出目標用電特征組合；將目標用電特征組合輸入至待訓(xùn)練的電力負荷預(yù)測模型中，得到用戶用電負荷預(yù)測數(shù)據(jù)；基于用戶用電負荷預(yù)測數(shù)據(jù)和目標用電特征組合所對應(yīng)的用戶用電負荷樣本數(shù)據(jù)之間的差異，獲取待訓(xùn)練的電力負荷預(yù)測模型對應(yīng)的模型損失值；根據(jù)模型損失值調(diào)整待訓(xùn)練的電力負荷預(yù)測模型的模型參數(shù)，直至模型損失值低于預(yù)設(shè)閾值，將模型參數(shù)調(diào)整后的待訓(xùn)練的電力負荷預(yù)測模型作為訓(xùn)練好的電力負荷預(yù)測模型。本方法能提高用戶用電負荷預(yù)測的精度。

技術(shù)領(lǐng)域

本申請涉及計算機技術(shù)領(lǐng)域，特別是涉及一種基于神經(jīng)網(wǎng)絡(luò)和特征篩選的用電負荷模型訓(xùn)練方法。

背景技術(shù)

隨著計算機技術(shù)的發(fā)展，出現(xiàn)了人工智能技術(shù)，該技術(shù)是一個以計算機科學(xué)（Computer Science）為基礎(chǔ)，由計算機、心理學(xué)、哲學(xué)等多學(xué)科交叉融合的交叉學(xué)科、新興學(xué)科，研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)，企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

傳統(tǒng)技術(shù)中，現(xiàn)有技術(shù)方案多采用基于多層前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，該方案通過構(gòu)建一個由多層神經(jīng)元組成的前饋神經(jīng)網(wǎng)絡(luò)，將大量（相關(guān)因素，預(yù)測負荷）訓(xùn)練樣本對送入該神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)，使得該神經(jīng)網(wǎng)絡(luò)掌握負荷與其相關(guān)因素之間的規(guī)律，從而對未來電力用戶負荷進行預(yù)測。多層前饋網(wǎng)絡(luò)主要用于建模相關(guān)因素與負荷之間的相關(guān)關(guān)系，電力用戶負荷是一種時間序列，其不僅與溫度、濕度等短期氣象因素相關(guān)，也受經(jīng)濟、社會等長期因素影響，負荷發(fā)展亦符合長期慣性特征，現(xiàn)有技術(shù)對于負荷內(nèi)部自身發(fā)展的長期規(guī)律往往難以考慮，導(dǎo)致用戶電力負荷預(yù)測準確度低下。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠提高用戶電力負荷預(yù)測準確度的一種基于神經(jīng)網(wǎng)絡(luò)和特征篩選的用電負荷模型訓(xùn)練方法。

第一方面，本申請?zhí)峁┝艘环N基于神經(jīng)網(wǎng)絡(luò)和特征篩選的用電負荷模型訓(xùn)練方法。所述方法包括：獲取訓(xùn)練樣本數(shù)據(jù)；所述訓(xùn)練樣本數(shù)據(jù)包括至少一個用戶用電負荷樣本數(shù)據(jù)，以及，各所述用戶用電負荷樣本數(shù)據(jù)對應(yīng)的各候選用電特征組合；獲取針對各所述候選用電特征組合對應(yīng)的特征選擇變量，并采用梯度下降的方法，從各所述候選用電特征組合中篩選出目標用電特征組合；將所述目標用電特征組合輸入至待訓(xùn)練的電力負荷預(yù)測模型中，得到用戶用電負荷預(yù)測數(shù)據(jù)；基于所述用戶用電負荷預(yù)測數(shù)據(jù)和所述目標用電特征組合所對應(yīng)的用戶用電負荷樣本數(shù)據(jù)之間的差異，獲取所述待訓(xùn)練的電力負荷預(yù)測模型對應(yīng)的模型損失值；根據(jù)所述模型損失值調(diào)整所述待訓(xùn)練的電力負荷預(yù)測模型的模型參數(shù)，直至所述模型損失值低于預(yù)設(shè)閾值，將所述模型參數(shù)調(diào)整后的待訓(xùn)練的電力負荷預(yù)測模型作為訓(xùn)練好的電力負荷預(yù)測模型。

在其中一個實施例中，所述獲取針對各所述候選用電特征組合對應(yīng)的特征選擇變量，并采用梯度下降的方法，從各所述候選用電特征組合中篩選出目標用電特征組合，包括：對各所述用戶用電負荷樣本數(shù)據(jù)，以及各所述用戶用電負荷樣本數(shù)據(jù)對應(yīng)的候選用電特征組合開展亞線性擬合，得到亞線性擬合結(jié)果；根據(jù)所述亞線性擬合結(jié)果和所述訓(xùn)練樣本數(shù)據(jù)進行殘差計算，得到所述亞線性擬合結(jié)果對應(yīng)的殘差值；基于所述候選用電特征組合對應(yīng)的特征選擇變量，按照所述殘差值所指示的梯度下降方向，在各所述候選用電特征組合，篩選出所述目標用電特征組合。

在其中一個實施例中，所述根據(jù)所述亞線性擬合結(jié)果和所述訓(xùn)練樣本數(shù)據(jù)進行殘差計算，得到所述亞線性擬合結(jié)果對應(yīng)的殘差值，包括：

；

其中，s為所述特征選擇變量{0，1}^D，y為所述用戶用電負荷樣本數(shù)據(jù)，y^T為所述用戶用電負荷樣本數(shù)據(jù)的轉(zhuǎn)置，N為所述目標用電特征組合的數(shù)量，x’為所述目標用電特征組合。