一种负荷预测的方法及装置制造方法及图纸

本发明专利技术公开了一种负荷预测的方法及装置，所述方法包括：获取训练数据集；基于所述训练数据集训练多层降噪自编码器，以得到特征数据；根据所述特征数据训练支持向量回归机；将待预测数据输入所述支持向量回归机，得到预测结果。用了自编码器来增强数据的特征表达，更好的理解数据的特征，并将自编码器和支持向量回归机结合起来，结合两者各自的优点得到更好的数据预测，同时，并将迁移学习的思想应用到其中，解决小数据量数据训练模型困难的问题。

A method and device of load forecasting

【技术实现步骤摘要】
一种负荷预测的方法及装置
本专利技术涉及智慧能源
，尤其涉及一种负荷预测的方法及装置。
技术介绍
在智慧能源系统中，要实现能源系统的智能化，就需要获取能源系统中的多种负荷数据，进而对这些负荷数据进行数据建模、分析和运用，以能够实现能源系统的负荷预测。在负荷预测中，使用大规模样本学习存在学习速度慢、性能较差等问题，而较小的样本学习准确率又可能较低，而影响预测结果的精准度。而提高学习速度、保障性能仍期望采用小样本学习和预测，然而目前没有相关算法在采用小样本学习情况下仍能保障预测结果的准确性。
技术实现思路
本专利技术提供一种负荷预测的方法及装置，结合降噪自编码器和支持向量回归机的优点得到更好的数据预测。第一方面，本专利技术提供了负荷预测的方法，所述方法包括：获取训练数据集；基于所述训练数据集训练多层降噪自编码器，以得到特征数据；根据所述特征数据训练支持向量回归机；将预测数据输入所述支持向量回归机，得到预测结果。第二方面，本专利技术提供了一种负荷预测的装置，所述装置包括：获取模块，用于获取训练数据集；第一训练模块，用于基于所述训练数据集训练多层降噪自编码器，以得到特征数据；第二训练模块，用于根据所述特征数据训练支持向量回归机；第一预测模块，用于将预测数据输入所述支持向量回归机，得到预测结果。本专利技术提供了一种负荷预测的方法及装置，用了自编码器来增强数据的特征表达，更好的理解数据的特征，并将自编码器和支持向量回归机结合起来，结合两者各自的优点得到更好的数据预测，同时，并将迁移学习的思想应用到其中，解决小数据量数据训练模型困难的问题。附图说明为了更清楚地说明本说明书实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一实施例提供的一种负荷预测的方法的流程示意图；图2为本专利技术一实施例提供的一种负荷预测的方法的单层自编码器原理图；图3为本专利技术一实施例提供的一种负荷预测的方法的两层自编码器原理图；图4为本专利技术一实施例提供的一种负荷预测的方法的多层自编码器提取特征中神经网络图；图5为本专利技术一实施例提供的一种负荷预测的方法的测试结果获取图；图6为本专利技术一实施例提供的一种负荷预测的装置的结构示意图。具体实施方式为使本说明书的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本说明书的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。智慧能源系统中，针对同一领域的相似任务，可以用迁移学习的思想来解决问题。比如在对光伏电量的时间序列做负荷预测时，两个时间序列数据可能属于同一领域的相似任务。再有，应用迁移学习可以解决小数据量的问题。图1为本专利技术一实施例提供的一种负荷预测的方法的流程示意图。如图1所示，本专利技术实施例提供的一种负荷预测的方法，可以包括如下步骤：步骤102，获取训练数据集。本专利技术实施例中，训练数据集例如可以为光伏强度、辐射强度、风速、风向、温度、湿度等等。可以将数据集例如分为源域数据和目标域数据。步骤104，基于训练数据集训练多层降噪自编码器，以得到特征数据。示例性地，基于所述源域数据和所述目标域数据训练多层降噪自编码器，分别得到第一特征数据和第二特征数据。其中，第一特征数据用于作为支持向量回归机的训练样本数据，第二特征数据用于作为调节支持向量回归机的调试样本数据。将源域数据输入多层降噪自编码器，经过多层降噪自编码器后得到对应的第一特征数据；以及将目标域数据输入多层降噪自编码器，经过多层降噪自编码器后得到对应的第二特征数据。多层降噪自编码器(MDAE)是由若干个去噪自编码(DAE)组成。其中，单层去噪自编码(DAE)原理可以参考如图2。如图2所示，单层去噪自编码器先对网络输入的数据x进行某种干扰操作(比如加入高斯噪音)得到扰动数据在通过映射函数f对变换得到隐含表示特征y，然后在通过解码映射函数g去重构输出向量z，本专利技术的目标是的输入x和输出z尽量相同。因此，最小化目标函数L(x,z)＝(x-z)2来训练多层降噪自编码器，得到映射函数f来对输入的特征数据进行特征隐藏表达。其中，x：输入的数据；p：对x进行的扰动操作，比如高斯噪音的加入，p操作之后得到的数据；f：特征提取表达函数；g：解码器函数；z：g操作之后得到的数据。此处，x例如对应目标域数据或者目标域数据，而z例如对应第一特征数据或者第二特征数据。以此类推，如图3为两层DAE，多层DAE原理与两层DAE原理相同。图3中的f(2)：特征提取表达函数；p(2)：对数据的扰动操作；其他与图2所示的一致。经过对多层DAE神经网络的训练，我们可以得到多个特征提取函数f,f(2),f(3)···f(n)，利用这些特征提取函数来对数据进行隐含特征表达，神经网络如下图4所示。其中，y(n)：经过f操作得到的隐含表达特征；f(n)：特征提取表达函数。步骤106，根据特征数据训练支持向量回归机。可以实现为：基于所述第一特征数据训练支持向量回归机，得到第一支持向量回归机；以及，基于所述第二特征数据调节所述第一支持向量回归机，得到第二支持向量回归机。在本步骤的基础上，本专利技术还可以包括如下步骤：通过所述训练得到的多层降噪自编码器提取所述待预测数据的特征数据；所述将待预测数据输入所述支持向量回归机，得到预测结果包括：将待预测数据的特征数据输入所述第二支持向量回归机，得到预测结果。步骤108，将预测数据输入支持向量回归机，得到预测结果。示例性地，预测的时间序列数据，取其对应的特征数据，并通过MDAE得到特征数据更抽象的特征表达形式，将抽象特征输入到调节后的得到的第二支持向量回归机中得到输出的预测结果。本专利技术还可以包括如下步骤：通过所述训练得到的多层降噪自编码器提取测试数据集的特征数据；将所述测试数据集的特征数据输入所述第二支持向量回归机，得到预测结果；通过标准误差度量指标对所述预测结果进行测试度量，以确定所述第二支持向量回归机的预测精度。示例性地，5)取目标域测试数据，通过MDAE得到数据的特征表达形式，将特征输入到步骤4微调后的支持向量回归机中得到输出的预测结果，用rmse度量指标对支持向量回归机进行度量：下面再结合图5对本专利技术进行详细说明。如图5所示，通过源域数据(源域大样本训练集)设置训练初始权重来训练多层降噪自编码器和回归支持向量机(支持向量回归机)得到目标域混合预测模型(第二支持向量回归机)，再通过目标域数据(目标域小本文档来自技高网...

【技术保护点】
1.一种负荷预测的方法，其特征在于，所述方法包括：/n获取训练数据集；/n基于所述训练数据集训练多层降噪自编码器，以得到特征数据；/n根据所述特征数据训练支持向量回归机；/n将预测数据输入所述支持向量回归机，得到预测结果。/n

【技术特征摘要】
1.一种负荷预测的方法，其特征在于，所述方法包括：
获取训练数据集；
基于所述训练数据集训练多层降噪自编码器，以得到特征数据；
根据所述特征数据训练支持向量回归机；
将预测数据输入所述支持向量回归机，得到预测结果。


2.根据权利要求1所述的方法，其特征在于，所述训练数据集包括源域数据和目标域数据，
基于所述训练数据集训练多层降噪自编码器，以得到特征数据包括：
基于所述源域数据和所述目标域数据训练多层降噪自编码器，分别得到第一特征数据和第二特征数据，其中，所述第一特征数据用于作为所述支持向量回归机的训练样本数据，所述第二特征数据用于作为调节所述支持向量回归机的调试样本数据。


3.根据权利要求2所述的方法，其特征在于，根据所述特征数据训练支持向量回归机包括：
基于所述第一特征数据训练支持向量回归机，得到第一支持向量回归机；
以及，基于所述第二特征数据调节所述第一支持向量回归机，得到第二支持向量回归机。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
通过所述训练得到的多层降噪自编码器提取所述待预测数据的特征数据；
所述将待预测数据输入所述支持向量回归机，得到预测结果包括：
将待预测数据的特征数据输入所述第二支持向量回归机，得到预测结果。


5.根据权利要求1至4中任一所述的方法，其特征在于，所述方法还包括：
通过所述训练得到的多层降噪自编码器提取测试数据集的特征数据；
将所述测试数据集的特征数据输入所述第二支持向量回归机，得到预测结果；
通过标准误差度量指标对所述预测结果进行测试度量，以确定所述第二支持向量回归机的预测精度。


6.一种负荷预测的装置，其特征在于，所述装置包括...

【专利技术属性】
技术研发人员：刘胜伟，
申请(专利权)人：新奥数能科技有限公司，
类型：发明
国别省市：北京;11