【技术实现步骤摘要】
能源需求量预测方法/系统、存储介质及设备
本专利技术涉及数据处理领域，尤其涉及一种能源需求量预测方法/系统、存储介质及设备。
技术介绍
能源生产商大多通过统计各能源使用用户的次日能源需求量，合计得到次日的能源总需求量，在统计过程中，各能源使用用户为以备不时之需，申报的能源需求量往往大于实际需求量，当能源生产商为较多能源使用用户供应能源时，各用户的申报总量会远远超出最终的实际总使用量，造成极大的资源浪费，若能源生产商无依据的降低生产量，能源生产用户则需要承担能源工段的责任风险。
技术实现思路
鉴于上述现有技术的缺点，本专利技术的主要目的在于提供一种能源需求量预测方法/系统、存储介质及设备，以提高预测结果的准确性。为实现上述目的及其他相关目的，本专利技术技术方案如下：一种能源需求量预测方法，包括：根据已有数据信息配置至少两种维度不同的时序输入数据，其中，所述已有数据信息包括多种变量的时序数据，其中一种所述变量包括用户的历史能源使用量，所有维度的所述时序输入数据具有相同的时长；将...
【技术保护点】
1.一种能源需求量预测方法，其特征在于，包括：/n根据已有数据信息配置至少两种维度不同的时序输入数据，其中，所述已有数据信息包括多种变量的时序数据，其中一种所述变量包括用户的历史能源使用量，所有维度的所述时序输入数据具有相同的时长；/n将所述时序输入数据依次输入预先构建的卷积神经网络，输出局部数据，其中，所述卷积神经网络包括至少两个种类不同的子卷积网络，一种维度的所述时序输入数据依次对应输入一个所述子卷积网络中；/n将各所述子卷积网络输出的所述局部数据并列输入预先构建的长短期记忆时序神经网络，输出预测结果。/n
【技术特征摘要】
1.一种能源需求量预测方法，其特征在于，包括：
根据已有数据信息配置至少两种维度不同的时序输入数据，其中，所述已有数据信息包括多种变量的时序数据，其中一种所述变量包括用户的历史能源使用量，所有维度的所述时序输入数据具有相同的时长；
将所述时序输入数据依次输入预先构建的卷积神经网络，输出局部数据，其中，所述卷积神经网络包括至少两个种类不同的子卷积网络，一种维度的所述时序输入数据依次对应输入一个所述子卷积网络中；
将各所述子卷积网络输出的所述局部数据并列输入预先构建的长短期记忆时序神经网络，输出预测结果。
2.根据权利要求1所述的能源需求量预测方法，其特征在于：所述变量还包括用户的能源预订量、用户的检修信息、用户的节假日信息及用户的外部环境信息中的一种或多种。
3.根据权利要求2所述的能源需求量预测方法，其特征在于：所述外部环境信息包括温度信息和湿度信息。
4.根据权利要求1所述的能源需求量预测方法，其特征在于，根据已有数据信息配置两种维度不同的时序输入数据的方法包括：
截取待预测期前一连续时间段内所有变量的时序数据，获得总数据集；
依序平均分割所述总数据集，形成多个子数据集，其中，每个子数据集的天数为指定时长；
调整所述子数据集的维度分别形成第一维度时序输入数据和第二维度时序输入数据；
其中，所述第一维度时序输入数据与所述第二维度时序输入数据的维度不同，所述连续时间段的总天数等于所述长短期记忆时序神经网络的步长与所述指定长度的乘积。
5.根据权利要求4所述的能源需求量的预测方法，其特征在于，根据已有数据信息配置两种维度不同的时序输入数据的方法还包括：
调节所述指定时长的天数。
6.根据权利要求1所述的能源需求量预测方法，其特征在于：
所述第一维度数据为单一维度的时序输入序列，所述第二维度数组为多维度的时序输入数组，所述时序输入数组包括所有变量的时序数据；
所述子卷积神经网络包括一维卷积神经网络和二维卷积神经网络，
其中，每种变量的所述时序输入序列对应输入所述一维卷积神经网络中，所述时序输入数组对应输入所述二维卷积神经网络中。
7.根据权利要求1所述的能源需求量预测方法，其特征在于：还包括调整所述子卷积网络的过滤器大小和过滤器个数。
8.根据权利要求1所述的能源需求量预测方法，其特征在于：所述长短期记忆时序神经网络为有状态长短期记忆时序神经网络。
9.根据权利要求1所述的能源需求量预测方法，其特征在于：还包括将已有数据划分为训练集、验证集和测试集，利用所述训练集、验证集和测试集分别配置所述时序输入数据，利用所述训练集联合训练所述卷积神经网络和所述长短期记忆时序神经网络，利用所述验证集调节所述卷积神经网络和所述长短期记忆时序网络的参数，利用所述测试集评估预测效果。
10.根据权利要求1所述的能源需求...
【专利技术属性】
技术研发人员：李梅，宁德军，
申请(专利权)人：中国科学院上海高等研究院，中国科学院大学，
类型：发明
国别省市：上海;31
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。