本申请涉及时间序列预测技术领域，特别涉及一种基于单变量时序的超短期农业电力负荷预测方法及装置，其中，方法包括：获取待预测的农业电力负荷时间序列数据；对农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；将派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。本申请实施例可以基于单变量时序数据进行集合经验模态分解，通过双阶段注意力机制循环神经网络获取农业电力负荷的预测结果，充分利用农业电力负荷的历史数据，动态选择特征以实现有利信息全局捕捉，从而提升了农业电力负荷预测的精确度，可靠性与实用性更强。靠性与实用性更强。靠性与实用性更强。
【技术实现步骤摘要】
基于单变量时序的超短期农业电力负荷预测方法及装置
[0001]本申请涉及时间序列预测
，特别涉及一种基于单变量时序的超短期农业电力负荷预测方法及装置。
技术介绍
[0002]随着现代农业的发展，对能耗监测的要求也随之提高，农村电网结构薄弱，难以应对温室停电、农电负荷过载等连锁风险。
[0003]相关技术中，可通过电力负荷时间序列预测帮助农村电网合理配置发电与配电，可划分为单变量和多变量时序预测。其中，单变量时序预测考虑单个变量随时间演变的过程，而多变量时序则预测考虑多个变量随时间演变的过程以及变量之间的相关性。
[0004]然而，相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降，亟待解决。
技术实现思路
[0005]本申请提供一种基于单变量时序的超短期农业电力负荷预测方法及装置，以解决相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降等问题。
[0006]本申请第一方面实施例提供一种基于单变量时序的超短期农业电力负荷预测方法，包括以下步骤：获取待预测的农业电力负荷时间序列数据；对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
[0007]可选地，在本申请的一个实施例中，所述对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列，包括：对所述农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；根据所述有限个本征模函数和所述残差分量确定所述派生变量序列。
[0008]可选地，在本申请的一个实施例中，在将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，还包括：基于所述待预测的农业电力负荷时间序列数据进行验证，确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数；根据所述最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取所述训练后的集成双阶段注意力机制的循环神经网络。
[0009]可选地，在本申请的一个实施例中，所述根据所述最佳超参数，在确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，包括：基于所述最佳超参数，以均
方误差为目标函数的标准反向传播进行参数学习。
[0010]可选地，在本申请的一个实施例中，所述最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。
[0011]本申请第二方面实施例提供一种基于单变量时序的超短期农业电力负荷预测装置，包括：获取模块，用于获取待预测的农业电力负荷时间序列数据；处理模块，用于对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；预测模块，用于将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。
[0012]可选地，在本申请的一个实施例中，所述处理模块包括：处理单元，用于对所述农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；确认单元，用于根据所述有限个本征模函数和所述残差分量确定所述派生变量序列。
[0013]可选地，在本申请的一个实施例中，所述装置还包括：确认模块，用于在将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，基于所述待预测的农业电力负荷时间序列数据进行验证，确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数；训练模块，用于根据所述最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取所述训练后的集成双阶段注意力机制的循环神经网络。
[0014]可选地，在本申请的一个实施例中，所述训练模块包括：学习单元，用于在确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，基于所述最佳超参数，以均方误差为目标函数的标准反向传播进行参数学习。
[0015]可选地，在本申请的一个实施例中，所述最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。
[0016]本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于单变量时序的超短期农业电力负荷预测方法。
[0017]本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于单变量时序的超短期农业电力负荷预测方法。
[0018]本申请实施例可以基于单变量时序数据进行集合经验模态分解，通过双阶段注意力机制循环神经网络获取农业电力负荷的预测结果，充分利用农业电力负荷的历史数据，动态选择特征以实现有利信息全局捕捉，从而提升了农业电力负荷预测的精确度，可靠性与实用性更强。由此，解决了相关技术中，因农业电力负荷的影响因素不确定性强且难以量化，导致多变量时序预测的计算压力与难度升高，且难以满足农业电力负荷预测的高时间分辨率需求，而现有单变量时序预测未针对农业电力历史负荷数据中特征信息进行深度挖掘，使农业电力负荷的预测结果准确性与针对性不足，预测的可靠程度下降等问题。
[0019]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0020]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得
明显和容易理解，其中：
[0021]图1为根据本申请实施例提供的一种基于单变量时序的超短期农业电力负荷预测方法的流程图；
[0022]图2为本申请一个实施例的集合经验模态分解和双阶段注意力机制循环神经网络的超短期农业电力负荷预测的流程示意图；
[0023]图3为本申请一个实施例的集合经验模态分解的结果示意图；
[0024]图4为本申请一个实施例的集合经验模态分解和双阶段注意力机制循环神经网络的方法预测值和真实值对比示意图；
[0025]图5为本申请一个实施例的注意力权重的分布示意图；
[0026]图6为根据本申请实施例的基于单变量时序的超短期农业电力负荷预测装置的结构示意图；
[0027]图7为根据本申请实施例的电子设备的结构示意图。
具体实施方式
[0028]下面详细描述本申请的实施例，实施例的示例在附图中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于单变量时序的超短期农业电力负荷预测方法，其特征在于，包括以下步骤：获取待预测的农业电力负荷时间序列数据；对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列；以及将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络，以获取预设时间步下的农业电力负荷预测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述农业电力负荷时间序列数据进行集合经验模态分解，获取派生变量序列，包括：对所述农业电力负荷时间序列数据进行集合经验模态分解，得到有限个本征模函数和残差分量；根据所述有限个本征模函数和所述残差分量确定所述派生变量序列。3.根据权利要求1所述的方法，其特征在于，在将所述派生变量序列输入训练后的集成双阶段注意力机制的循环神经网络之前，还包括：基于所述待预测的农业电力负荷时间序列数据进行验证，确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数；根据所述最佳超参数，使用小批量随机梯度下降和Adam优化器进行模型训练，获取所述训练后的集成双阶段注意力机制的循环神经网络。4.根据权利要求3所述的方法，其特征在于，在确定所述预设集成双阶段注意力机制的循环神经网络的最佳超参数之后，包括：基于所述最佳超参数，以均方误差为目标函数的标准反向传播进行参数学习。5.根据权利要求3所述的方法，其特征在于，所述最佳超参数包含：训练神经网络所需的超参数、时间窗、每个注意模块中的隐层大小和时间步长。6.一种基于单变量时序的超短期农业电力负荷预测装置，其特征在于，包括：获取模块，用于获...
【专利技术属性】
技术研发人员：付学谦，杨菲菲，
申请(专利权)人：中国农业大学，
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。