用电量预测模型的训练方法技术

本发明专利技术公开了一种用电量预测模型的训练方法，方法适于在计算设备上执行，包括步骤：针对多个用电类型中的某一用电类型，获取第一数量个历史用电数据作为该用电类型的训练数据；利用不同用电类型的训练数据训练对应用电类型的用电量预测模型并输出预测值；以及计算每次训练输出的预测值与真实值的误差率，直到误差率小于预设阈值时训练结束，得到训练后的用电量预测模型。本发明专利技术一并公开了用电量预测方法和执行上述方法的计算设备。

Training method for forecasting model of electricity consumption

The present invention discloses a training method of electricity consumption prediction model, which is suitable for execution on a computing device, including steps: obtaining the first number of historical electricity data as training data for the type of electricity for a certain type of electricity in a plurality of power consumption types, and using training data that does not correspond to the type of electricity use. The model of electricity consumption prediction model is given and the prediction value is output, and the error rate between the predicted value and the real value of each training output is calculated until the training end is finished when the error rate is less than the preset threshold, and the prediction model of electricity consumption after training is obtained. The invention discloses a power consumption prediction method and a computing device for carrying out the above method.

【技术实现步骤摘要】
用电量预测模型的训练方法
本专利技术涉及用电量预测
，更具体地，涉及用电量预测模型的训练方法、用电量预测方法及计算设备。
技术介绍
在现有的用电量预测研究中，常采用时间序列方法，根据时间序列所反映出来的发展过程、方向和趋势建立预测模型，进行类推或延伸，预测下一段时间或以后若干年内可能达到的水平。然而，仅通过大致的拟合发展趋势得到的预测模型，在经济发展水平变化等各种因素影响下的预测结果，其准确性和可靠性较低。因此，需要一种具有较强的自学习和自适应能力的用电量预测方案，能够基于用电量的历史数据，准确地测算出未来用电量。
技术实现思路
为此，本专利技术提供了用电量预测模型的训练方法、用电量预测方法及计算设备，以力图解决或者至少缓解上面存在的至少一个问题。根据本专利技术的一个方面，提供了一种用电量预测模型的训练方法，方法适于在计算设备上执行，包括步骤：针对多个用电类型中的某一用电类型，获取第一数量个历史用电数据作为该用电类型的训练数据；利用不同用电类型的训练数据训练对应用电类型的用电量预测模型并输出预测值；以及计算每次训练输出的预测值与真实值的误差率，直到误差率小于预设阈值时训练结束，得到训练后的用电量预测模型。可选地，在根据本专利技术的训练方法中，用电类型包括：第一产业用电、第二产业用电、第三产业用电和居民生活用电。可选地，在根据本专利技术的训练方法中，用电量预测模型为NAR神经网络模型。可选地，在根据本专利技术的训练方法中，用电量预测模型包括输入层、中间层和输出层共三层神经网络，其中，输入层具有第一数量个节点，中间层具有第二数量个节点，输出层只有一个节点。可选地，在根据本专利技术的训练方法中，利用不同用电类型的训练数据训练对应用电类型的用电量预测模型并输出预测值的步骤包括：针对不同用电类型的训练数据，通过激活函数计算出中间层每个节点的输出；以及利用中间层每个节点的输出以线性方式计算出对应用电量预测模型的预测值。可选地，在根据本专利技术的训练方法中，中间层第j个节点的输出Hj为：其中，j＝1,2,3,...,l，n为第一数量，l为第二数量，xi为第i个节点输入的训练数据，wij为输入层第i个节点和中间层第j个节点之间的连接权值，aj为中间层第j个节点的阈值，f(·)为激活函数。可选地，在根据本专利技术的训练方法中，输出的预测值为：其中，Hj为中间层第j个节点的输出，wj为中间层第j个节点与输出层节点之间的连接权值，b为输出层节点阈值。可选地，在根据本专利技术的训练方法中，激活函数为对数S型函数。根据本专利技术的又一方面，提供了一种用电量预测方法，方法适于在计算设备中执行，包括步骤：执行如上所述的训练方法，训练生成不同用电类型的用电量预测模型；以及将对应用电类型下的第一数量个用电数据输入该用电类型的用电量预测模型，输出该用电类型的用电量预测值。可选地，在根据本专利技术的方法中，还包括步骤：将不同用电类型的用电量预测值相加得到预测总用电量。可选地，在根据本专利技术的方法中，用电类型包括：第一产业用电、第二产业用电、第三产业用电和居民生活用电。根据本专利技术的再一方面，提供了一种计算设备，包括：一个或多个处理器；和存储器；一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行如上所述方法中的任一方法的指令。根据本专利技术的再一方面，提供了一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当计算设备执行时，使得计算设备执行如上所述的方法中的任一方法。综上，根据本专利技术的用电量预测方案，针对不同用电类型构建相应的用电量预测模型，通过训练得到相应的用电量预测模型，该用电量预测模型在预测未来居民用电时的逐月误差率均在10％以下，这一误差水平优于传统时间序列预测中采用的ARIMA模型，亦显著优于GM、多项式回归和Logistic方法得到的具有泛用性的用电量预测模型。附图说明为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。图1示出了根据本专利技术一个实施例的计算设备100的构造示意图；图2示出了根据本专利技术一个实施例的用电量预测模型的训练方法200的流程图；图3示出了根据本专利技术一个实施例的用电量预测模型的网络结构图；以及图4示出了根据本专利技术一个实施例的用电量预测方法400的流程图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。图1是示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。取决于期望的配置，处理器104可以是任何类型的处理器，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上利用程序数据124进行操作。在一些实施例中，计算设备100被配置为执行用电量预测模型的训练方法200和/或用电量预测方法400，程序数据124中就包含了用于执行上述方法的指令。计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、图像输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。网络通信链路可以是本文档来自技高网...

【技术保护点】
一种用电量预测模型的训练方法，所述方法适于在计算设备上执行，所述方法包括步骤：针对多个用电类型中的某一用电类型，获取第一数量个历史用电数据作为该用电类型的训练数据；利用不同用电类型的训练数据训练对应用电类型的用电量预测模型并输出预测值；以及计算每次训练输出的预测值与真实值的误差率，直到所述误差率小于预设阈值时训练结束，得到训练后的用电量预测模型。

【技术特征摘要】
1.一种用电量预测模型的训练方法，所述方法适于在计算设备上执行，所述方法包括步骤：针对多个用电类型中的某一用电类型，获取第一数量个历史用电数据作为该用电类型的训练数据；利用不同用电类型的训练数据训练对应用电类型的用电量预测模型并输出预测值；以及计算每次训练输出的预测值与真实值的误差率，直到所述误差率小于预设阈值时训练结束，得到训练后的用电量预测模型。2.如权利要求1所述的训练方法，其中，所述用电类型包括：第一产业用电、第二产业用电、第三产业用电和居民生活用电。3.如权利要求1或2所述的训练方法，其中，所述用电量预测模型为NAR神经网络模型。4.如权利要求3所述的训练方法，其中，所述用电量预测模型包括输入层、中间层和输出层共三层神经网络，其中，所述输入层具有第一数量个节点，所述中间层具有第二数量个节点，所述输出层只有一个节点。5.如权利要求4所述的训练方法，其中，所述利用不同用电类型的训练数据训练对应用电类型的用电量预测模型并输出预测值的步骤包括：针对不同用电类型的训练数据，通过激活函数计算出中间层每个节点的输出...

【专利技术属性】
技术研发人员：严通煜，杨迪珊，项康利，柯圣舟，李喜兰，林红阳，曾鸣，李源非，隆竹寒，闫彤，
申请(专利权)人：国网福建省电力有限公司经济技术研究院，华北电力大学，
类型：发明
国别省市：福建,35