本发明专利技术公开了一种电力负荷预测模型的训练方法、装置及电力负荷预测方法。电力负荷预测模型包括全卷积神经网络FCN和长短期记忆网络LSTM，该训练方法包括：获取当前训练周期的训练数据集，其中，训练数据集包括历史负荷的时间序列数据；将训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；基于当前训练周期的电力负荷预测值和当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；根据当前训练周期的损失函数调整当前训练周期的电力负荷预测模型的参数。利用该训练方法得到的电力负荷预测模型可处理大体量的时间序列数据，且具有预测精准度高的优点。且具有预测精准度高的优点。且具有预测精准度高的优点。
【技术实现步骤摘要】
电力负荷预测模型的训练方法、装置及电力负荷预测方法
[0001]本专利技术涉及电力预测
，尤其涉及一种电力负荷预测模型的训练方法、装置及电力负荷预测方法。
技术介绍
[0002]随着社会经济的高速健康发展带来的用电量的不断增长，电网和用户对电力系统安全调度和运行策略等方面内容愈发关注，而负荷预测是电网调度和平稳运行的基础之一。
技术实现思路
[0003]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种电力负荷预测模型的训练方法，利用该训练方法得到的电力负荷预测模型可处理大体量的时间序列数据，且具有预测精准度高的优点。
[0004]本专利技术的第二个目的在于提出电力负荷预测方法。
[0005]本专利技术的第三个目的在于提出电力负荷预测模型的训练装置。
[0006]本专利技术的第四个目的在于提出电力负荷预测装置。
[0007]本专利技术的第五个目的在于提出计算机可读存储介质。
[0008]本专利技术的第六个目的在于提出电子设备。
[0009]为达到上述目的，本专利技术第一方面实施例提出了一种电力负荷预测模型的训练方法，所述训练方法：对电力负荷预测模型进行多次周期性的训练，其中，所述电力负荷预测模型包括全卷积神经网络FCN和长短期记忆网络LSTM，针对每次训练周期，执行以下操作：获取当前训练周期的训练数据集，其中，所述训练数据集包括历史负荷的时间序列数据；将所述训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；基于所述当前训练周期的电力负荷预测值和所述当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；根据所述当前训练周期的损失函数调整所述当前训练周期的电力负荷预测模型的参数。
[0010]根据本专利技术实施例的电力负荷预测模型的训练方法，将时间序列数据输入包括全卷积神经网络FCN和长短期记忆网络LSTM的电力负荷预测模型，对电力负荷预测模型进行训练，使训练得到的电力负荷预测模型具有预测精度高的优点。
[0011]另外，根据本专利技术上述实施例提出的电力负荷预测模型的训练方法还可以具有如下附加的技术特征：
[0012]根据本专利技术的一个实施例，获取训练数据集，包括：确定预测周期，并根据所述预测周期确定训练数据来源；获取与所述训练数据来源对应的电力负荷数据，其中，所述电力负荷数据为时间序列数据；对所述电力负荷数据进行预处理，并对预处理后的电力负荷数据进行清洗转换，以及采用滑动窗口对清洗转换后的电力负荷数据进行重构；从重构后的电力负荷数据中划分出训练数据，组成所述训练数据集。
[0013]根据本专利技术的一个实施例，将所述训练数据集中的时间序列数据输入电力负荷预测模型，得到预测值，包括：将所述时间序列数据分别输入至全卷积神经网络FCN和长短期记忆网络LSTM，得到所述全卷积神经网络FCN输出的第一特征和所述长短期记忆网络LSTM输出的第二特征；将所述第一特征和所述第二特征输入融合层，通过所述融合层输出所述预测值。
[0014]根据本专利技术的一个实施例，所述全卷积神经网络FCN包括依次连接的第一FCN层、第二FCN层和第三FCN层，所述第一FCN层、所述第二FCN层均包括依次连接的卷积层、批标准化层、激活层、SENet层，所述第三FCN层包括依次连接的卷积层、批标准化层和激活层；所述第三FCN层之后连接有全局池化层；所述长短期记忆网络LSTM之前连接有维度混洗Dimension Shuffle层，所述长短期记忆网络LSTM之后连接有Dropout层；所述融合层之后连接有softmax层。
[0015]根据本专利技术的一个实施例，所述预处理包括缺失值处理、异常值处理、归一化处理中的任一者。
[0016]根据本专利技术的一个实施例，所述训练方法还包括：从所述重构后的电力负荷数据中划分出测试数据和验证数据，组成测试数据集和验证数据集，其中，所述训练数据的数量大于所述测试数据的数量，所述测试数据的数量大于所述验证数据的数量；在训练过程中，利用所述测试数据集对所述负荷预测模型进行测试，以测试所述负荷预测模型的训练效果；在训练结束后，利用所述验证数据集对所述训练好的负荷预测模型进行验证，以得到满足预设要求的负荷预测模型。
[0017]根据本专利技术的一个实施例，所述损失函数采用平均绝对误差、均方误差、均方根误差、平均绝对百分比误差、判决系数中的任一者。
[0018]根据本专利技术的一个实施例，所述训练方法，还包括：初始化所述电力负荷预测模型的超参数；根据所述电力负荷预测模型的结构特征，确定所述超参数的子空间；在根据所述当前训练周期的损失函数调整所述当前训练周期的电力负荷预测模型的参数时，搜索所述子空间，确定目标子空间，调整所述目标子空间中的超参数。
[0019]为达到上述目的，本专利技术第二方面实施例提出了一种电力负荷预测方法，所述预测方法包括：获取待预测电力负荷数据；将所述待预测电路负荷数据输入至训练好的电力负荷预测模型，得到相应的电力负荷预测值，其中，所述电力负荷预测模型利用如本专利技术第一方面实施例提出的电力负荷预测模型的训练方法训练得到。
[0020]为达到上述目的，本专利技术第三方面实施例提出了一种电力负荷预测模型的训练装置，所述训练装置包括：数据获取单元、模型预测单元、函数计算单元和参数调整单元，其中，所述数据获取单元、所述模型预测单元、所述函数计算单元和所述参数调整单元使用训练数据集对电力负荷预测模型进行多次周期性的训练，其中，所述电力负荷预测模型包括全卷积神经网络FCN和长短期记忆网络LSTM，针对每次训练周期：所述数据获取单元，用于获取当前训练周期的训练数据集，其中，所述训练数据集包括历史负荷的时间序列数据；所述模型预测单元，用于将所述训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；所述函数计算单元，用于基于所述当前训练周期的电力负荷预测值和所述当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；所述参数调整单元，用于根据所述当前训练周期的损失函数调整所述当前训练周
期的电力负荷预测模型的参数。
[0021]为达到上述目的，本专利技术第四方面实施例提出了一种电力负荷预测装置，所述预测装置包括：获取模块，用于获取待预测电力负荷数据；预测模块，用于将所述待预测电力负荷数据输入至训练好的电力负荷预测模型，得到相应的电力负荷预测值，其中，所述电力负荷预测模型利用如本专利技术第一方面实施例提出的电力负荷预测模型的训练方法训练得到。
[0022]为达到上述目的，本专利技术第五方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如本专利技术第一方面实施例提出的电力负荷预测模型的训练方法，或，如本专利技术第二方面实施例提出的电力负荷预测方法。
[0023]为达到上述目的，本专利技术第六方面实施例提出了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电力负荷预测模型的训练方法，其特征在于，所述训练方法：对电力负荷预测模型进行多次周期性的训练，其中，所述电力负荷预测模型包括全卷积神经网络FCN和长短期记忆网络LSTM，针对每次训练周期，执行以下操作：获取当前训练周期的训练数据集，其中，所述训练数据集包括历史负荷的时间序列数据；将所述训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；基于所述当前训练周期的电力负荷预测值和所述当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；根据所述当前训练周期的损失函数调整所述当前训练周期的电力负荷预测模型的参数。2.根据权利要求1所述的电力负荷预测模型的训练方法，其特征在于，获取训练数据集，包括：确定预测周期，并根据所述预测周期确定训练数据来源；获取与所述训练数据来源对应的电力负荷数据，其中，所述电力负荷数据为时间序列数据；对所述电力负荷数据进行预处理，并对预处理后的电力负荷数据进行清洗转换，以及采用滑动窗口对清洗转换后的电力负荷数据进行重构；从重构后的电力负荷数据中划分出训练数据，组成所述训练数据集。3.根据权利要求1所述的电力负荷预测模型的训练方法，其特征在于，将所述训练数据集中的时间序列数据输入电力负荷预测模型，得到预测值，包括：将所述时间序列数据分别输入至全卷积神经网络FCN和长短期记忆网络LSTM，得到所述全卷积神经网络FCN输出的第一特征和所述长短期记忆网络LSTM输出的第二特征；将所述第一特征和所述第二特征输入融合层，通过所述融合层输出所述预测值。4.根据权利要求3所述的电力负荷预测模型的训练方法，其特征在于，所述全卷积神经网络FCN包括依次连接的第一FCN层、第二FCN层和第三FCN层，所述第一FCN层、所述第二FCN层均包括依次连接的卷积层、批标准化层、激活层、SENet层，所述第三FCN层包括依次连接的卷积层、批标准化层和激活层；所述第三FCN层之后连接有全局池化层；所述长短期记忆网络LSTM之前连接有维度混洗Dimension Shuffle层，所述长短期记忆网络LSTM之后连接有Dropout层；所述融合层之后连接有softmax层。5.根据权利要求2所述的电力负荷预测模型的训练方法，其特征在于，所述预处理包括缺失值处理、异常值处理、归一化处理中的任一者。6.根据权利要求2所述的电力负荷预测模型的训练方法，其特征在于，所述训练方法还包括：从所述重构后的电力负荷数据中划分出测试数据和验证数据，组成测试数据集和验证数据集，其中，所述训练数据的数量大于所述测试数据的数量，所述测试数据的数量大于所述验证数据的数量；
在训练过程中，利用所述测试数据集对所述负荷预测模型进行测试，以测试所述负荷预测模型的训练效果；在训练结束后，利用所述验证数据集对所述训练好的负荷预测模型进行验证，以得到满足预设要求的负荷预测模型。7.根据权...
【专利技术属性】
技术研发人员：王祥，武占侠，魏本海，何晓蓉，郭君，
申请(专利权)人：深圳智芯微电子科技有限公司，
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。