机器负荷预测方法、装置、电子设备及可读存储介质制造方法及图纸

本申请提供一种机器负荷预测方法、装置、电子设备及可读存储介质，涉及计算机技术领域。该方法通过获取机器在目标预测时段对应的相似负荷序列以及目标预测时段之前的第四负荷序列，将其输入到机器学习模型，以提高模型预测精度。该相似负荷序列在时间上、数值上和分布趋势上，与待预测序列存在较大的相似性，能够体现负荷变化的规律性和周期性，将其作为模型的输入，模型能够自适应学习、提取出负荷变化的相似性规律，进而预测得到更准确的负荷序列。序列。序列。

【技术实现步骤摘要】
机器负荷预测方法、装置、电子设备及可读存储介质


[0001]本申请涉及计算机
，具体而言，涉及一种机器负荷预测方法、装置、电子设备及可读存储介质。

技术介绍

[0002]随着用电结构的升级及新能源如水电、风电、核电等的规模化并网，电网逐渐实施了更为精细化的调度，新能源因天气、地域等原因扰动较大，对火电机组的统筹调控也逐步加强。
[0003]火电机组中各个设备(如发电机、锅炉)负荷的预测，不仅有利于电厂的内部调度和经济化运行，更为烟气治理(如脱硝、除尘、脱硫等)提供了强有力的参考。
[0004]目前针对火电机组中各个设备负荷的预测方式，主要是由工作人员，基于历史的负荷数据，并结合自身经验，对各个设备的负荷进行预测。这种方式依赖于人为主观经验，准确度不高。

技术实现思路

[0005]本申请实施例的目的在于提供一种机器负荷预测方法、装置、电子设备及可读存储介质，用以改善现有技术中依赖人为经验进行负荷预测，使得准确性不高的问题。
[0006]第一方面，本申请实施例提供了一种机器负荷预测方法，所述方法包括：
[0007]获取机器在目标预测时段对应的相似负荷序列以及所述目标预测时段之前的第四负荷序列，所述相似负荷序列包括所述机器在所述目标预测时段前一天同时段的第一负荷序列、所述机器在所述目标预测时段前一周同一天同时段的第二负荷序列、从所述机器的历史负荷序列中确定的相似度大于设定值的第三负荷序列这三者中的至少一种；
[0008]将所述相似负荷序列以及所述第四负荷序列输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列。
[0009]在上述实现过程中，通过获取机器在目标预测时段对应的相似负荷序列以及所述目标预测时段之前的第四负荷序列，该相似负荷序列在时间上、数值上和分布趋势上，与待预测序列(目标预测时段对应的负荷序列)存在较大的相似性，能够体现负荷变化的规律性和周期性，所以将该相似负荷序列以及第四负荷序列输入到对应的机器学习模型中进行预测，使得模型能够自适应学习、提取出负荷变化的相似性规律，进而预测得到更准确的负荷序列。
[0010]可选地，所述方法还包括：
[0011]获取其他外部环境特征；
[0012]所述将所述相似负荷序列以及所述第四负荷序列输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列，包括：
[0013]将所述相似负荷序列、所述第四负荷序列以及所述其他外部环境特征输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列。
[0014]在上述实现过程中，通过结合其他外部环境特征进行负荷预测，充分考虑到对预测结果有影响的外部因素，从而能够让模型提取到更多对预测有用的信息，预测更准确。
[0015]可选地，通过以下方式从所述机器的历史负荷序列中确定相似度大于设定值的第三负荷序列：
[0016]获取根据所述历史负荷序列构建的相似搜索空间，所述相似搜索空间包括多个样本数据，每个样本数据包括一个时刻之前的历史时段的负荷序列和该时刻之后的预测时段的负荷序列；
[0017]获取所述目标预测时段之前的第五负荷序列；
[0018]将所述第五负荷序列与所述相似搜索空间中每个样本数据中的历史时段的负荷序列进行相似度匹配，获得相似度大于设定值的目标样本数据中的预测时段的负荷序列；
[0019]其中，所述目标样本数据中的预测时段的负荷序列为所述第三负荷序列。
[0020]在上述实现过程中，通过从相似搜索空间中获取相似度大于设定值的负荷序列，能够获得变化趋势更相似的负荷序列，使得输入模型的数据能够融入更多的负荷变化的相似性规律，以提高模型的预测准确性。
[0021]可选地，通过以下方式获取所述历史负荷序列：
[0022]获取初始历史负荷序列；
[0023]判断所述初始历史负荷序列是否在时间上是连续的；
[0024]若不是连续的，则获取缺失部分的时间长度，并判断所述时间长度是否大于设定阈值；
[0025]若大于所述设定阈值，则对所述初始历史负荷序列进行分块，获得多个负荷序列块；
[0026]对每个负荷序列块进行插值处理，获得在时间上连续的负荷序列块，所述历史负荷序列包括多个在时间上连续的负荷序列块。
[0027]在上述实现过程中，通过对不连续的负荷序列进行分块后插值处理，可确保获得的数据在时间上是连续的，便于后续构建相似搜索空间的样本数据。
[0028]可选地，若所述目标样本数据为多个，还包括：
[0029]将多个所述目标样本数据中的预测时段的负荷序列进行加权求和，获得最终负荷序列；
[0030]其中，所述最终负荷序列为所述第三负荷序列。
[0031]在上述实现过程中，将负荷序列进行加权求和后输入模型中，这样可以降低模型的输入数据的维度，减少模型处理数据的复杂度，提高处理效率。
[0032]可选地，通过以下方式对所述机器学习模型进行训练：
[0033]获取训练样本，所述训练样本包括机器在各个时刻对应的相似负荷序列样本以及各个时刻之前的第四负荷序列样本，所述相似负荷序列样本包括机器在各个时刻前一天同时段的第一负荷序列样本、机器在各个时刻前一周同一天同时段的第二负荷序列样本、从机器的历史负荷序列中确定的相似度大于设定值的第三负荷序列样本这三者中的至少一种；所述训练样本的标签数据包括各个时刻之后的预测时段的目标负荷序列；
[0034]将所述训练样本输入初始机器学习模型中，获得所述初始机器学习模型的输出；
[0035]根据所述输出和所述标签数据计算获得损失值；
[0036]根据所述损失值对所述初始机器学习模型的网络参数进行更新，在达到训练结束条件时，获得训练好的机器学习模型；
[0037]其中，针对不同的训练样本获得对应的机器学习模型。
[0038]在上述实现过程中，通过采用三种相似负荷序列样本以及第四负荷序列样本对机器学习模型进行训练，从而使得模型能够更好地学习到负荷序列的变化趋势，提高预测精度。
[0039]可选地，所述通过以下方式获得所述训练样本的标签数据：
[0040]获取历史负荷序列样本；
[0041]提取所述历史负荷序列样本中的多个序列样本，每个序列样本包括一个时刻之前的历史时段的负荷序列和该时刻之后的预测时段的负荷序列；
[0042]计算获得表征每个序列样本中的预测时段的负荷序列的变化程度的数值，其中，所述数值越大表征变化程度越大；
[0043]筛选出所述数值大于预设值的目标序列样本，其中，所述目标序列样本中的预测时段的负荷序列为所述训练样本的标签数据。
[0044]在上述实现过程中，根据变化程度对序列样本进行筛选，这样可以筛选出变化程度较大的序列样本作为标签数据，从而使得模型能够更多地学习到变成程度较大的负荷序列的变化趋势，进而提高对变化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器负荷预测方法，其特征在于，所述方法包括：获取机器在目标预测时段对应的相似负荷序列以及所述目标预测时段之前的第四负荷序列，所述相似负荷序列包括所述机器在所述目标预测时段前一天同时段的第一负荷序列、所述机器在所述目标预测时段前一周同一天同时段的第二负荷序列、从所述机器的历史负荷序列中确定的相似度大于设定值的第三负荷序列这三者中的至少一种；将所述相似负荷序列以及所述第四负荷序列输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取其他外部环境特征；所述将所述相似负荷序列以及所述第四负荷序列输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列，包括：将所述相似负荷序列、所述第四负荷序列以及所述其他外部环境特征输入对应的机器学习模型中，通过所述机器学习模型预测获得所述目标预测时段对应的负荷序列。3.根据权利要求1所述的方法，其特征在于，通过以下方式从所述机器的历史负荷序列中确定相似度大于设定值的第三负荷序列：获取根据所述历史负荷序列构建的相似搜索空间，所述相似搜索空间包括多个样本数据，每个样本数据包括一个时刻之前的历史时段的负荷序列和该时刻之后的预测时段的负荷序列；获取所述目标预测时段之前的第五负荷序列；将所述第五负荷序列与所述相似搜索空间中每个样本数据中的历史时段的负荷序列进行相似度匹配，获得相似度大于设定值的目标样本数据中的预测时段的负荷序列；其中，所述目标样本数据中的预测时段的负荷序列为所述第三负荷序列。4.根据权利要求3所述的方法，其特征在于，通过以下方式获取所述历史负荷序列：获取初始历史负荷序列；判断所述初始历史负荷序列是否在时间上是连续的；若不是连续的，则获取缺失部分的时间长度，并判断所述时间长度是否大于设定阈值；若大于所述设定阈值，则对所述初始历史负荷序列进行分块，获得多个负荷序列块；对每个负荷序列块进行插值处理，获得在时间上连续的负荷序列块，所述历史负荷序列包括多个在时间上连续的负荷序列块。5.根据权利要求3所述的方法，其特征在于，若所述目标样本数据为多个，还包括：将多个所述目标样本数据中的预测时段的负荷序列进行加权求和，获得最终负荷序列；其中，所述最终负荷序列为所述第三负荷序列。6.根据权利要求1
‑
5任一所述的方法...

【专利技术属性】
技术研发人员：廖强，陈俊，王向勇，李辰，刘正一，罗磊，
申请(专利权)人：成都佳华物链云科技有限公司，
类型：发明
国别省市：