本发明专利技术提供了一种基于神经网络的负荷预测方法及装置,其中,该方法包括:接收待预测的时间段;将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;使用所述神经网络模型预测在所述时间段的能源负荷值。通过本发明专利技术,解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题。
【技术实现步骤摘要】
基于神经网络的负荷预测方法及装置
本专利技术涉及通信领域,具体而言,涉及一种基于神经网络的负荷预测方法及装置。
技术介绍
现有技术中,提前进行能源预测可以保证用户的实际用户,同时减少能源的浪费。现有技术中的能源预测使用Arima模型,Arima在平稳时间序列中享有很高的声誉,但是对非平稳序列仍然找不到最佳的p,d,q值,Arima对数据的线性结构拟合的较好,但对非线性结构不好,由此导致单一的负荷预测算法预测准确性欠佳,预测偏差较大,不利于后期调度优化。针对现有技术中存在的上述问题,目前尚未发现有效的解决方案。
技术实现思路
本专利技术实施例提供了一种基于神经网络的负荷预测方法及装置。根据本专利技术的一个实施例,提供了一种基于神经网络的负荷预测方法,包括:接收待预测的时间段;将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;使用所述神经网络模型预测在所述时间段的能源负荷值。可选地,在将所述时间段输入至用于预测能源负荷的神经网络模型之前,所述方法包括:从第三方获取所述神经网络模型;使用样本数据训练得到所述神经网络模型。可选地,使用样本数据训练得到所述神经网络模型包括:确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;对所述原始时间序列进行指定变换,得到平稳时间序列;使用所述平稳时间序列训练得到所述线性预测模型;使用所述线性预测模型进行时间序列预测,得到线性预测数据;使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。可选地,对所述原始时间序列进行指定变换,得到平稳时间序列,包括:对所述原始时间序列进行差分或log变换,得到平稳时间序列。可选地,使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型包括:将原始时间序列减去所述线性预测数据得到残差序列;在所述残差序列中选择第一部分作为训练集,以及在所述残差序列中选择第二部分作为测试集;使用所述训练集训练得到所述非线性预测模型,并使用所述测试集优化所述非线性预测模型。可选地,使用所述训练集训练得到所述非线性预测模型包括:在原始模型中随机分配输入层和隐含层间的连接权值及隐含层神经元的阈值,以及根据经验值设置隐含层神经元的个数,其中,所述非线性预测模型包括:输入层,隐含层,输出层;使用所述训练集基于所述原始模型训练隐含层的输出矩阵,其中,所述输出矩阵的行数为隐含层节点数,列数为输出层节点数。根据本专利技术的另一个实施例,提供了一种基于神经网络的负荷预测装置,包括:接收模块,用于接收待预测的时间段;输入模块,用于将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;预测模块,用于使用所述神经网络模型预测在所述时间段的能源负荷值。可选地,所述装置包括:确定模块,用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前,确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;变换模块,用于对所述原始时间序列进行指定变换,得到平稳时间序列;训练模块,用于使用所述平稳时间序列训练得到所述线性预测模型;预测模块,用于使用所述线性预测模型进行时间序列预测,得到线性预测数据;构建模块,用于使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;合并模块,用于将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。可选地,所述装置包括:获取模块,用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前,从第三方获取所述神经网络模型。可选地,所述变换模块还包括:变换单元,用于对所述原始时间序列进行差分或log变换,得到平稳时间序列。可选地,所述构建模块包括:算法单元,用于将原始时间序列减去所述线性预测数据得到残差序列;选择单元,用于在所述残差序列中选择第一部分作为训练集,以及在所述残差序列中选择第二部分作为测试集;构建单元,用于使用所述训练集训练得到所述非线性预测模型,并使用所述测试集优化所述非线性预测模型。可选地,所述构建单元还用于:在原始模型中随机分配输入层和隐含层间的连接权值及隐含层神经元的阈值,以及根据经验值设置隐含层神经元的个数,其中,所述非线性预测模型包括:输入层,隐含层,输出层;使用所述训练集基于所述原始模型训练隐含层的输出矩阵,其中,所述输出矩阵的行数为隐含层节点数,列数为输出层节点数。根据本专利技术的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本专利技术的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。通过本专利技术,通过使用由线性预测模型和非线性预测模型组成的神经网络模型预测能源负荷值,实现了线性预测和非线性预测的互补,解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题,缩小了预测偏差,提高了预测能源负荷的准确率。附图说明此处所说明的附图用来提供对本专利技术的进一步理解,构成本申请的一部分,本专利技术的示意性实施例及其说明用于解释本专利技术,并不构成对本专利技术的不当限定。在附图中:图1是本专利技术实施例的一种基于神经网络的负荷预测网络终端的硬件结构框图;图2是根据本专利技术实施例的基于神经网络的负荷预测方法的流程图;图3是根据本专利技术实施例的基于神经网络的负荷预测装置的结构框图。具体实施方式为了使本
的人员更好地理解本专利技术方案,下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分的实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本专利技术保护的范围。需要说明的是,本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。实施例1本申请实施例一所提供的方法实施例可以在服务器,网络终端、计算机终端或者类似的运算装置中执行。以运行在网络终端上为例,图1是本专利技术实施例的一种基于神经网络的负荷预测网络终端的硬件结构框图。如图1所示,网络终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述网络终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人本文档来自技高网...
【技术保护点】
1.一种基于神经网络的负荷预测方法,其特征在于,包括:接收待预测的时间段;将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;使用所述神经网络模型预测在所述时间段的能源负荷值。
【技术特征摘要】
1.一种基于神经网络的负荷预测方法,其特征在于,包括:接收待预测的时间段;将所述时间段输入至用于预测能源负荷的神经网络模型,其中,所述神经网络模型由线性预测模型和非线性预测模型组成;使用所述神经网络模型预测在所述时间段的能源负荷值。2.根据权利要求1所述的方法,其特征在于,在将所述时间段输入至用于预测能源负荷的神经网络模型之前,所述方法还包括:从第三方获取所述神经网络模型;使用样本数据训练得到所述神经网络模型。3.根据权利要求2所述的方法,其特征在于,使用样本数据训练得到所述神经网络模型包括:确定样本数据的原始时间序列,其中,所述原始时间序列是历史能源负荷值按其发生的时间先后顺序排列而成的数列;对所述原始时间序列进行指定变换,得到平稳时间序列;使用所述平稳时间序列训练得到所述线性预测模型;使用所述线性预测模型进行时间序列预测,得到线性预测数据;使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型;将所述线性预测模型和所述非线性预测模型合并为所述神经网络模型。4.根据权利要求3所述的方法,其特征在于,对所述原始时间序列进行指定变换,得到平稳时间序列,包括:对所述原始时间序列进行差分或log变换,得到平稳时间序列。5.根据权利要求3所述的方法,其特征在于,使用所述原始时间序列和所述线性预测数据构建所述非线性预测模型包括:将原始时间序列减去所述线性预测数据得到残差序列;在所述残差序列中选择第一部分作为训练集,以及在所述残差序列中选择第二部分作为测试集;使用所述训练集训练得到所述非线性预测模型,并使用所述测试集优化所述非线性预测模型。6.根据权利要求5所述的方法,其特征在于,使用所述训练集训练得到所述非线性预测模型包...
【专利技术属性】
技术研发人员:黄信,刘胜伟,
申请(专利权)人:新智数字科技有限公司,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。