一种基于图神经网络的企业能耗预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于图神经网络的企业能耗预测方法及装置，通过获取历史数据构建样本数据集，并根据每个企业的所属行业和用能类型计算邻接矩阵M和权重矩阵W，以构建基于图神经网络的预测模块。本发明专利技术提供的技术方案，针对现有技术的缺点，不仅考虑历史能耗数据与未来预测结果的时序变化关系，同时考虑到企业能耗类型和行业信息，以此计算邻接矩阵M和权重矩阵W来构建图神经网络，从而提高了预测精度，通过提供一个更加灵活的预测框架，既可以从更细的尺度预测单个企业的能耗情况，也可以得到不同行业或不同区域的能耗预测结果。同行业或不同区域的能耗预测结果。同行业或不同区域的能耗预测结果。

【技术实现步骤摘要】
一种基于图神经网络的企业能耗预测方法及装置


[0001]本专利技术涉及电力行业能耗预测
，尤其涉及一种基于图神经网络的企业能耗预测方法及装置。

技术介绍

[0002]电力行业是我国能源消耗和污染排放的主要行业之一。在工业化的快速发展过程中，我国的电力需求规模也随之扩大，此过程带来的能源消耗和环境污染等问题也日益突出。当前的企业能耗监督、管理过程中，由于企业能耗信息上报存在一定的滞后，无法及时获取当月的企业能耗总体情况，为了应对这一问题，需要进行企业能耗的阶段性预测方法研究。在当前节能减排的政策下，及时准确的企业能耗预测有利于优化电力行业结构和资源配置，对能耗监管方面有重要意义。
[0003]目前主要的能耗预测方法有三类，第一类是融合了专家知识和物理规律的经济学模型，但此类方法需要的输入数据类型较多，成本高昂且建模过程较为繁琐。第二类是依据电力数据可实时获取，时间上没有滞后，并假设电力消耗与不同类型的能耗之间具有相关性，使用历史的电力数据与能耗数据建立多项式进行最小二乘拟合，然后使用拟合后的模型进行能耗预测。但这种方法具有较大的局限本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的企业能耗预测方法，其特征在于，包括：S1、从数据源中获取预定历史周期内多个企业的企业数据，所述企业数据划分为待预测变量和历史输入变量；S2、利用所述企业数据，构建样本数据集，将所述样本数据集划分为训练数据集、验证数据集和测试数据集；S3、获取待预测月份前t个月各企业的历史输入变量，利用其中每个企业的所属行业和用能类型计算邻接矩阵M和权重矩阵W；S4、构建基于图卷积神经网络的预测模型，并将所述邻接矩阵M和权重矩阵W输入所述图卷积神经网络的预测模型中；S5、采用所述训练数据集中的样本对所述预测模型进行训练，并采用所述验证数据集验证所述预测模型的精度，直至采用测试数据集测试输出的预测结果满足精度要求；S6、采用所述预测模型进行企业能耗预测。2.根据权利要求1所述的方法，其特征在于，所述步骤S1还包括：将各变量转换为近似正态分布，并计算各个变量对数转换后的均值μ和标准差σ。3.根据权利要求2所述的方法，其特征在于，所述构建样本数据集，包括：S21、获取待预测月份前t个月各企业的历史输入变量，所述历史输入变量包括16种产值能耗信息，并对每个企业的所属行业和用能类型进行编码；根据所得到的编码，计算邻接矩阵M和权重矩阵W；S22、获取待预测月份前预定月数各企业的历史输入变量，以得到单个样本的输入特征X，该输入特征X的维度为n
×
t
×
c
i
；其中，n为企业数量，t为历史月数，c
i
为输入特征数量；S23、获取待预测月份的待预测变量，得到单个样本的标签Y，该标签Y的维度为n
×
c
o
，c
o
为输出特征数量；S24、对所述输入特征X和标签Y进行标准化处理；S25、遍历所述预定历史周期中所有的历史月份，重复所述步骤S21
‑
S24，得到所述样本数据集的所有样本，所述样本的数据结构包括邻接矩阵M、权重矩阵W、输入特征X和标签Y。4.根据权利要求3所述的方法，其特征在于，所述步骤S24中，对所述输入特征X和标签Y进行标准化处理，包括：其中，y为标准化前的值，V
′
为标准化后的值。5.根据权利要求3所述的方法，其特征在于，所述利用所述历史输入变量计算邻接矩阵M和权重矩阵W，包括：所述历史输入变量包括16种产值能耗信息，对每个企业的所属行业和用能类型进行编码，根据所得到的编码，计算邻接矩阵M和权重矩阵W。6.根据权利要求5所述的方法，其特征在于：所述计算邻接矩阵M，包括：S311、计算两个企业间的Jaccard距离d
J
(i，j)：
其中，A
i
和A
...

【专利技术属性】
技术研发人员：王鑫磊，左欣，徐崇斌，吴俣，孙晓敏，陈前，杨勇，
申请(专利权)人：北京航天创智科技有限公司，
类型：发明
国别省市：