售电数据预测模型训练方法、售电数据预测方法及介质技术

本申请提供一种售电数据预测模型训练方法、售电数据预测方法及介质，训练方法包括：S1、获取原始样本数据；S2、对所述原始样本数据进行数据清洗，得到清洗后数据；S3、对所述清洗后数据进行预处理，得到预处理数据；S4、基于简单循环单元SRU网络构建初始预测模型，通过所述预处理数据对所述初始预测模型进行模型训练，得到训练好的售电数据预测模型。本申请基于SRU网络进行模型构建以得到训练好的售电数据预测模型，由于SRU网络可以进行并行化处理，可以提高模型的训练速度，从而在数据量较大和工期较紧张的情况下，可以有助于提高建模效率。率。率。

【技术实现步骤摘要】
售电数据预测模型训练方法、售电数据预测方法及介质


[0001]本申请涉及售电数据处理
，尤其涉及一种售电数据预测模型训练方法、售电数据预测方法及介质。

技术介绍

[0002]售电量数据分日、月、年数据，是一种常见的时间序列数据。电力部门经常要对售电量数据进行预测，根据得到的预测结果，方便及时调整供电计划，既能保障社会用电，也能合理安排发电情况，避免了能源浪费。
[0003]在售电量预测过程中，以利用循环神经网络(Recurrent Neural Network,RNN)/长短期记忆网络(Long short
‑
term memory,LSTM)两种神经网络模型较常见。在时间较充足的情况下，RNN/LSTM能满足大多数电力部分的要求。
[0004]然而，在RNN/LSTM的网络结构中，当前的层输入为前一层的输出，所有RNN/LSTM比较适合处理时间序列问题，但也正是由于这种前后串行结构，限制了RNN/LSTM模型的训练速度，无法进行并行化处理，在数据量较大和工期较紧张的情况下，严重影响了建模效率。
[0005]因此，如何提高建模效率，成为需要解决的问题。
[0006]在
技术介绍
中公开的上述信息仅用于加强对本申请的背景的理解，因此其可能包含没有形成为本领域普通技术人员所知晓的现有技术的信息。

技术实现思路

[0007]本申请提供一种售电数据预测模型训练方法、售电数据预测方法及介质，用以解决现有技术存在的问题。
[0008]第一方面，本申请提供一种售电数据预测模型的训练方法，包括：
[0009]S1、获取原始样本数据；
[0010]S2、对所述原始样本数据进行数据清洗，得到清洗后数据；
[0011]S3、对所述清洗后数据进行预处理，得到预处理数据；
[0012]S4、基于简单循环单元SRU网络构建初始预测模型，通过所述预处理数据对所述初始预测模型进行模型训练，得到训练好的售电数据预测模型。
[0013]在一些实施例中，S1中，所述原始样本数据包括日期数据、气候文本数据以及售电历史数据；
[0014]其中，所述售电历史数据包括农业用电量历史数据、趸售历史数据、大工业用电历史数据、居民生活用电历史数据、工商业用电历史数据中的至少一种。
[0015]在一些实施例中，S2中，通过一下至少一种数据清洗规则进行数据清洗：
[0016]对空值进行填充或者丢弃；
[0017]对重复数据进行去重处理；
[0018]对范围错误的气候文本数据进行清洗；
[0019]对气候文本数据进行数据验证。
[0020]在一些实施例中，S3，所述预处理包括以下至少一种：
[0021]将日期数据拆分成不同时间单位的数值型数据，所述时间单位包括年、季度、月度、周、日；
[0022]将不同天气类型的气候文本数据进行编码处理，以得到气候文本数据对应的数值型数据；
[0023]对售电历史数据进行单位换算处理。
[0024]在一些实施例中，S4，包括：
[0025]S41、基于SRU网络进行初始预测模型的模型参数设置，所述模型参数包括模型的输入值、隐藏值、模型层数、神经元丢弃率、激活函数、特征权重初始值、偏置中的至少一种；
[0026]S42、将所述预处理数据作为历史特征值输入所述初始预测模型以进行模型训练，并通过损失函数进行模型评估，得到符合要求的售电数据预测模型。
[0027]在一些实施例中，通过损失函数进行模型评估，包括：
[0028]采用均方根误差方程作为损失函数，采用R2_score决定系数作为模型拟合度评估方法，评估模型预测值与真实值之间的损失情况，根据损失评估结果确定训练好的售电数据预测模型。
[0029]在一些实施例中，所述均方根误差方程具体为：
[0030][0031]其中，RMSE为均方根误差，为模型训练过程中历史特征值对应的第i个训练结果，y
i
为历史特征值对应的第i个历史真实值，m为历史特征值的数量。
[0032]在一些实施例中，所述R2_score决定系数通过以下公式计算得到：
[0033][0034]其中，为模型训练过程中历史特征值对应的第i个训练结果，y
i
为历史特征值对应的第i个历史真实值，为所有历史真实值对应的平均值，n为历史特征值的数量。
[0035]第二方面，本申请提供一种售电数据预测方法，包括：
[0036]获取训练好的售电数据预测模型，所述售电数据预测模型通过上述的训练方法训练得到；
[0037]通过所述售电数据预测模型进行售电数据预测，得到售电数据预测结果。
[0038]第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的方法。
[0039]本申请提供的售电数据预测模型训练方法、售电数据预测方法及介质，训练方法包括：S1、获取原始样本数据；S2、对所述原始样本数据进行数据清洗，得到清洗后数据；S3、对所述清洗后数据进行预处理，得到预处理数据；S4、基于简单循环单元SRU网络构建初始预测模型，通过所述预处理数据对所述初始预测模型进行模型训练，得到训练好的售电数
据预测模型。本申请基于SRU网络进行模型构建以得到训练好的售电数据预测模型，由于SRU网络可以进行并行化处理，可以提高模型的训练速度，从而在数据量较大和工期较紧张的情况下，可以有助于提高建模效率。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0041]图1为本申请实施例提供的售电数据预测模型的训练方法的示意图；
[0042]图2为本申请实施例提供的售电数据预测方法的示意图。
[0043]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0044]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0045]在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0046]此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种售电数据预测模型的训练方法，其特征在于，包括：S1、获取原始样本数据；S2、对所述原始样本数据进行数据清洗，得到清洗后数据；S3、对所述清洗后数据进行预处理，得到预处理数据；S4、基于简单循环单元SRU网络构建初始预测模型，通过所述预处理数据对所述初始预测模型进行模型训练，得到训练好的售电数据预测模型。2.根据权利要求1所述的方法，其特征在于，S1中，所述原始样本数据包括日期数据、气候文本数据以及售电历史数据；其中，所述售电历史数据包括农业用电量历史数据、趸售历史数据、大工业用电历史数据、居民生活用电历史数据、工商业用电历史数据中的至少一种。3.根据权利要求2所述的方法，其特征在于，S2中，通过一下至少一种数据清洗规则进行数据清洗：对空值进行填充或者丢弃；对重复数据进行去重处理；对范围错误的气候文本数据进行清洗；对气候文本数据进行数据验证。4.根据权利要求3所述的方法，其特征在于，S3，所述预处理包括以下至少一种：将日期数据拆分成不同时间单位的数值型数据，所述时间单位包括年、季度、月度、周、日；将不同天气类型的气候文本数据进行编码处理，以得到气候文本数据对应的数值型数据；对售电历史数据进行单位换算处理。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，S4，包括：S41、基于SRU网络进行初始预测模型的模型参数设置，所述模型参数包括模型的输入值、隐藏值、模型层数、神经元丢弃率、激活函数、特征权重初始值、偏置中的至少一种；S42、将所述预处理数据...

【专利技术属性】
技术研发人员：文明，潘馨，谭玉东，李文英，黄鸿奕，
申请(专利权)人：国网湖南省电力有限公司经济技术研究院，
类型：发明
国别省市：