【技术实现步骤摘要】
电力消耗预测模型训练方法、预测方法及装置
[0001]本申请涉及计算机
,具体而言,涉及一种电力消耗预测模型训练方法、预测方法及装置。
技术介绍
[0002]火力发电至今仍是一种主要的发电方式,这种发电方式会浪费大量的不可再生的资源。在中国,发电厂每年消耗5000万吨的煤炭,燃烧使用的煤炭需要上亿年的形成时间,且不是取之不尽用之不竭的。在给发电的汽轮机冷却时需要使用大量水资源,一座1000MW的火力发电厂每日的耗水量约为十万吨。为了确保日常用电,火力发电厂还会产生多余的电能,剩余不能得到充分利用的电力则会被浪费。中国是一个人口大国,资源的浪费不容忽视。另外,火力发电还会造成严重的环境污染。发电燃烧的煤炭造成大量的碳排放和粉尘污染,粉尘与二氧化硫、氧化氮等有害气体结合会进一步危害环境和人类身体健康,造成雾霾及酸雨等自然灾害。
[0003]目前的电力消耗预测模型还存在预测精度较低、泛化性差、预测滞后等问题。但是为了实现可持续发展,我们急需一种准确的预测方法去保证充足的电力供应的同时可以做到节约资源。在预测电力消耗方 ...
【技术保护点】
【技术特征摘要】
1.一种电力消耗预测模型训练方法,其特征在于,包括:采集多个用电主体的电力消耗数据,所述电力消耗数据为按照时间顺序记录的各个时段数据;对所述电力消耗数据进行预处理,并将预处理后的电力消耗数据通过奇异谱分析分成噪声含量不同的多个子序列,每个子序列长度与电力消耗数据的长度相同;基于所述多个子序列确定训练集、验证集以及测试集;基于所述训练集、所述验证集以及所述测试集,对初始电力消耗预测模型进行训练,得到训练好的电力消耗预测模型进行训练。2.根据权利要求1所述的方法,其特征在于,所述基于所述多个子序列确定训练集、验证集以及测试集,包括:基于预设的滑动时间窗将所述多个子序列从单维的时间序列数据拓展成多维数据;将所述多维数据划分为82%训练集、5%验证集和13%测试集。3.根据权利要求1所述的方法,其特征在于,电力消耗预测模型为单通道LSTM深度学习模型,所述单通道LSTM深度学习模型包括四个并行任务模块,每个任务模块对应一个子序列;每个所述任务模块由一个LSTM神经网络层和一个全连接层组成;所述电力消耗预测模型的损失函数为MSE,并以最小化平均绝对误差MAE、均方根误差RMSE、平均绝对百分比误差MAPE指标和最优化确定系数R2指标为目标进行设计和优化。4.根据权利要求3所述的方法,其特征在于,MAE基于如下公式确定:RMSE基于如下公式确定:MAPE基于如下公式确定:R2基于如下公式确定:其中,n为总的数据个数,y表示实际数据值;是预测值;是实际数据的平均值。MAE、RMSE和MAPE用于评估预测误差的水平,R2用于评估拟合的良好性。5.根据权利要求1所述的方法,其特征在于,所述对所述电力消耗数据进行预处理,包括:对所述电力消耗数据放缩成平均值为0,标准差为1的预处理后的电力消耗数据。6.一种电力消耗预测方法,其特征在于,包括:
采集待预测用电...
【专利技术属性】
技术研发人员:严珂,黄晶,钟宜国,张伟,陈青海,
申请(专利权)人:杭州经纬信息技术股份有限公司,
类型:发明
国别省市:
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。