用于能源总需求量的预测方法/系统、存储介质及设备技术方案

本发明专利技术公开了一种用于能源总需求量的预测方法/系统、存储介质及设备，利用相关系数最大化的最大化矩阵按关联程度排列用户能源使用量数据，并利用该最大化矩阵训练神经网络提取各用户能源使用量序列内部与之间的关联性等特征，能够使得构建的预测模型能更精准的预测各用户的能源总需求量。

【技术实现步骤摘要】
用于能源总需求量的预测方法/系统、存储介质及设备
本专利技术涉及数据处理领域，尤其涉及一种用于能源总需求量的预测方法/计算系统、存储介质及设备。
技术介绍
能源生产商通常通过统计各能源使用用户的能源需求量，合计得到能源总需求量，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断供的责任风险。
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用于能源总需求量的预测方法/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：一种用于能源总需求量的预测方法，包括：获取已有数据，并输出最大化矩阵；将所述最大化矩阵输入到预先构建的神经网络中，并输出各用户的能源总需求量预测结果；其中，所述已有数据包括各用户的历史使用量，输出所述最大化矩阵的方法包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。可选的，计算并筛选出所述序列矩阵中相关系数最大的所述最大化矩阵的方法包括：先计算任意两个用户的所述历史使用序列之间的相关系数，再根据任意两个用户的所述历史使用序列之间的相关系数计算每个所述序列矩阵的相关系数。可选的，任意两个用户的所述历史使用序列之间的相关系数计算公式为：其中，i表示当前天数，n表示指总天数，x表示其中任一个用户，表示用户x在1～n天的平均使用量，y表示除x以外的任一个用户，表示用户y在1～n天的平均使用量，rx,y表示用户x和用户y的相关系数。若i的取值为1～n中的任一天，则用户x在1～n天期间的历史使用量序列为(x1,x2,····,xn)，用户y在1～n天期间的历史使用量序列为(y1,y2,····,yn)。可选的，计算所述序列矩阵的相关系数的方法包括：忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数。可选的，所述序列矩阵的相关系数计算公式为：其中，N表示指单个用户在序列矩阵中的排列顺序。可选的，若忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数后，两个或两个以上的所述序列矩阵之间的相关系数相等，则重新计算各序列矩阵的相关系数，并在重新计算时依序递增所述序列矩阵中距离大于3的历史使用序列之间的相关系数。可选的，计算筛选所述最大化矩阵的方法包括暴力穷举算法。可选的，计算筛选所述最大化矩阵的方法包括贪心算法。可选的，在配置序列矩阵前，验证每个用户的历史使用量序列是否满足正态分布，若不满足，则需进行数据调整使所述历史使用量序列满足正态分布。可选的，进行数据调整使所述历史使用量序列满足正态分布的方法包括对数变换和/或平方根变换。可选的，所述序列矩阵包括二维矩阵或多维矩阵。可选的，所述序列矩阵为多维矩阵，所述已有数据还包括各用户的历史能源预订量数据、各用户的检修日数据和各用户节假日数据中的一种或多种，配置形成所述序列矩阵的方法，还包括添加各用户的预定量序列、检修日序列和节假日序列中的一种或多种，一个所述预订量序列通过将单个用户的历史能源预订量按时序排列形成，一个所述检修日序列通过将单个用户的检修安排按时序排列形成，还包括添加各用户的节假日序列，一个所述节假日序列通过将单个用户的放假安排按时序排列形成。可选的，所述历史使用量序列中的数据大于50个。可选的，所述的能源总需求量预测方法，还包括对所述神经网络进行训练，训练方法包括：设定所述神经网络的参数，在所述最大化矩阵中，随机截取一连续时间段内各用户的历史能源使用量作为训练样本；将所述训练样本依次输入至所述神经网络中，并根据所述神经网络基于所述训练样本的输出结果，对参数进行调整，直至所述输出结果的误差度低于预期的阈值。可选的，所述神经网络包括卷积神经网络和循环神经网络，将所述训练样本依次输入所述神经网络进行训练的方法包括：将所述训练样本输入所述卷积神经网络提取局部特征；所述局部特征输入所述循环神经网络提取时序特征，并输出结果。可选的，所述神经网络的参数包括：所述连续时间段的天数；所述卷积神经网络的层数、卷积大小及网络构架中的一种或多种；及所述循环神经网络中的隐藏层层数、神经元个数及网络结构中的一种或多种。可选的，所述循环神经网络包括长短期记忆网络、门控循环神经网络、神经图灵机中的一种。可选的，将所述最大化矩阵输入预先构建的所述神经网络进行训练的方法还包括：利用损失函数和/或梯度优化算法优化所述神经网络。本专利技术还提供一种用于能源总需求量的预测系统，包括：最大化矩阵计算单元，其用于获取已有数据，并输出最大化矩阵，神经网络，其用于获取所述最大化矩阵，并输出各用户的能源总需求量预测结果；其中，所述已有数据包括各用户的历史使用量，所述最大化矩阵计算单元输出所述最大化矩阵的操作包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。可选的，所述神经网络包括：输入矩阵生成单元，其用于截取所述最大化矩阵中一连续时间段内各用户的历史能源使用量数据，形成输入矩阵；卷积神经网络，其用于提取所述输入矩阵的局部特征；及循环神经网络，其用于从所述卷积神经网络的输出结果中提取时序特征，输出预测结果。一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求3～20中的任一项所述用于能源总需求量的预测方法。一种设备，包括处理器及存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求3～20中的任一项所述的用于能源总需求量的预测方法。本专利技术的用于能源总需求量的预测方法/系统、存储介质及设备，利用相关系数最大化的最大化矩阵按关联程度排列用户能源使用量数据识别各用户之间能源使用量的关联性，并利用该最大化矩阵训练神经网络提取各用户能源使用量序列内部与之间的关联性等特征，能够使得构建的预测模型能更精准的预测各用户的能源总需求量。附图说明图1显示为本专利技术的能源总需求量预测系统的结构框图；图2显示为本专利技术中神经网络的网络结构图；图3显示为本专利技术的能源总需求量预测的流程图；图4显示为本专利技术中进行神经网络训练的流程图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面结本文档来自技高网...

【技术保护点】
1.一种用于能源总需求量的预测方法，其特征在于，包括/n获取已有数据，并输出最大化矩阵；/n将所述最大化矩阵输入到预先构建的神经网络中，并输出各用户的能源总需求量预测结果；/n其中，所述已有数据包括各用户的历史使用量，输出所述最大化矩阵的方法包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。/n

【技术特征摘要】
1.一种用于能源总需求量的预测方法，其特征在于，包括
获取已有数据，并输出最大化矩阵；
将所述最大化矩阵输入到预先构建的神经网络中，并输出各用户的能源总需求量预测结果；
其中，所述已有数据包括各用户的历史使用量，输出所述最大化矩阵的方法包括：将各用户的历史使用量按时序排列配置成历史使用量序列，将各用户的历史使用量序列按照区别于单一所述历史使用量序列的方向随机排序配置形成若干序列矩阵，计算并筛选出所述序列矩阵中的相关系数最大的所述最大化矩阵。


2.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于，计算并筛选出所述序列矩阵中相关系数最大的所述最大化矩阵的方法包括：先计算任意两个用户的所述历史使用序列之间的相关系数，再根据任意两个用户的所述历史使用序列之间的相关系数计算每个所述序列矩阵的相关系数。


3.根据权利要求2所述的用于能源总需求量的预测方法，其特征在于，任意两个用户的所述历史使用序列之间的相关系数计算公式为：



其中，i表示当前天数，n表示指总天数，x表示其中任一个用户，表示用户x在1～n天的平均使用量，y表示除x以外的任一个用户，表示用户y在1～n天的平均使用量，rx,y表示用户x和用户y的相关系数。若i的取值为1～n中的任一天，则用户x在1～n天期间的历史使用量序列为(x1,x2,····,xn)，用户y在1～n天期间的历史使用量序列为(y1,y2,····,yn)。


4.根据权利要求3所述的用于能源总需求量的预测方法，其特征在于，计算所述序列矩阵的相关系数的方法包括：忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数。


5.根据权利要求4所述的用于能源总需求量的预测方法，其特征在于：所述序列矩阵的相关系数计算公式为：



其中，N表示指单个用户在序列矩阵中的排列顺序。


6.根据权利要求4所述的用于能源总需求量的预测方法，其特征在于：若忽略所述序列矩阵中距离大于3的所述历史使用序列之间的相关系数后，两个或两个以上的所述序列矩阵之间的相关系数相等，则重新计算各序列矩阵的相关系数，并在重新计算时依序递增所述序列矩阵中距离大于3的历史使用序列之间的相关系数。


7.根据权利要求2所述的用于能源总需求量的预测方法，其特征在于：计算筛选所述最大化矩阵的方法包括暴力穷举算法。


8.根据权利要求2所述的用于能源总需求量的预测方法，其特征在于：计算筛选所述最大化矩阵的方法包括贪心算法。


9.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于：在配置序列矩阵前，验证每个用户的历史使用量序列是否满足正态分布，若不满足，则需进行数据调整使所述历史使用量序列满足正态分布。


10.根据权利要求9所述的用于能源总需求量的预测方法，其特征在于：进行数据调整使所述历史使用量序列满足正态分布的方法包括对数变换和/或平方根变换。


11.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于：所述序列矩阵包括二维矩阵或多维矩阵。


12.根据权利要求1所述的用于能源总需求量的预测方法，其特征在于：所述序列矩阵为多维矩阵，所述已有数据还包括各用户的历史能源预订量数据、各用户的检修日数据和各用户节假日数据中的一种或多种，配置形成所述序列矩阵的方法，还包括添加各用户的预...

【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