【技术实现步骤摘要】
本申请实施例涉及模型训练，具体涉及一种电力负荷数据预测模型组训练方法、装置、设备及计算机可读存储介质。
技术介绍
1、随着当今社会高速发展，人们对电力的依赖越来越大，在许多领域的生产中都需要使用到电力，工厂需要电力驱动设备进行持续生产，民众在家需要电力驱动电灯、洗衣机和空调等家用设备，为生活带来便利。
2、对于发电厂来说，对电力负荷数据进行预测是非常重要的，发电厂可以根据预测得到的电力负荷数据来对供电工作进行较为精细的管理，有助于发电厂或电力公司根据预测结果做出合理的发电计划和资源配置，并且预测得到的电力负荷数据对于发电厂或电力公司对电力资源进行合理分配起着重要作用，有助于提高电力系统的稳定性。
3、然而，电力负荷数据存在随机性和波动性较强的特点，目前常见的用于对电力负荷数据进行预测的预测模型难以对电力负荷数据进行较为准确的预测，影响电力系统的安全运行和电力调度计划的准确实施。
技术实现思路
1、鉴于上述问题，本申请实施例提供了一种电力负荷数据预测模型组训练方法、装置、设备及计算机可读存储介质，用于解决现有的预测模型对电力负荷数据的预测不够准确的问题。
2、根据本申请实施例的一个方面，提供了一种电力负荷数据预测模型组训练方法，包括：获取历史电力负荷数据序列以及多种原始数据序列，多种原始数据序列均与历史电力负荷数据序列存在相关性；对历史电力负荷数据序列进行模态分解，得到多条模态分量序列；确定多种原始数据序列中与任意一条模态分量序列满足相关性要求的目
3、在一种可选的方式中，确定多种原始数据序列中与任意一条模态分量序列满足相关性要求的目标原始数据序列，包括：分别计算每种原始数据序列与第n条模态分量序列之间的协方差，得到多个协方差数据，其中，n=1；分别计算每种原始数据序列的标准差与第n条模态分量序列的标准差的乘积，得到多个标准差乘积数据；以协方差数据为被除数，分别计算每个协方差数据与每个对应的标准差乘积的商，得到每种原始数据序列与第n条模态分量序列之间的相关系数，其中，每个协方差数据与对应的标准差乘积均根据同一原始数据序列计算得到；将n设为n+1，并跳转至分别计算每种原始数据序列与第n条模态分量序列之间的协方差的步骤，直至遍历全部模态分量序列；分别判断每种原始数据序列与任意一条模态分量序列之间的相关系数是否大于或等于第一预设阈值；将相关系数大于或等于第一预设阈值的原始数据序列确定为该条模态分量序列对应的目标原始数据序列。
4、在一种可选的方式中，对历史电力负荷数据序列进行模态分解，得到多条模态分量序列，包括：建立第一约束模型，在第一约束模型中，多个输入序列之和与历史电力负荷数据序列相等；建立第二约束模型，在第二约束模型中，多个输入序列的带宽之和小于或等于第二预设阈值；将历史电力负荷数据序列分解为k个子模态分量，其中，k=1；判断k个子模态分量是否同时满足第一约束模型与第二约束模型；若是，则将k个子模态分量作为多条模态分量序列；若否，则将k设为k+1，并跳转至将历史电力负荷数据序列分解为k个子模态分量的步骤。
5、在一种可选的方式中，获取历史电力负荷数据序列以及多种原始数据序列，包括：获取多种人员活动相关数据序列和多种气象相关数据序列中的至少两种数据序列作为多种原始数据序列。
6、在一种可选的方式中，多种人员活动相关数据序列包括人流量数据序列，多种气象相关数据序列包括降水量数据序列、气温数据序列、气压数据序列和云量数据序列。
7、在一种可选的方式中，将每条模态分量序列分别和与其对应的目标原始数据序列结合并共同作为训练样本进行模型训练，生成电力负荷数据预测模型组，包括：将每条模态分量序列分别与其对应的目标原始数据序列结合并共同作为训练样本进行长短时记忆网络模型训练，得到由多个长短时记忆网络模型组成的电力负荷数据预测模型组。
8、根据本申请实施例的一个方面，提供了一种电力负荷数据预测方法，包括：获取多条模态分量序列，其中，多条模态分量序列通过对历史电力负荷数据序列进行模态分解得到；获取目标原始数据序列，其中，目标原始数据序列为与任意一条模态分量序列满足相关性要求的原始数据序列；利用电力负荷数据预测模型组中的多个预测模型分别对其所对应的一条模态分量序列进行预测，得到多个分量预测结果，电力负荷数据预测模型组是通过上述任意一项实施例的电力负荷数据预测模型组训练方法训练得到的，电力负荷数据预测模型组包括多个预测模型；将多个分量预测结果进行线性相加，得到电力负荷数据预测结果。
9、根据本申请实施例的另一方面，提供了一种电力负荷数据预测模型组训练装置，包括：获取模块、计算模块、确定模块和模型训练模块。获取模块用于获取历史电力负荷数据序列以及多种原始数据序列，多种原始数据序列均与历史电力负荷数据序列存在相关性；计算模块用于对历史电力负荷数据序列进行模态分解，得到多条模态分量序列；确定模块用于确定多种原始数据序列中与任意一条模态分量序列满足相关性要求的目标原始数据序列；模型训练模块用于将每条模态分量序列分别和与其对应的目标原始数据序列结合并共同作为训练样本进行模型训练，生成电力负荷数据预测模型组，其中，电力负荷数据预测模型组包括分别与每一条模态分量序列对应的多个预测模型。
10、根据本申请实施例的另一方面，提供了一种电力负荷数据预测模型组设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一程序，程序使处理器执行如上任意一项的电力负荷数据预测模型组训练方法的操作。
11、根据本申请实施例的又一方面，提供了一种计算机可读存储介质，存储介质中存储有可执行指令，可执行指令使电力负荷数据预测模型组训练设备执行如上任意一项的电力负荷数据预测模型组训练方法的操作。
12、通过将每条模态分量序列分别和与其对应的目标原始数据序列结合并共同作为训练样本进行模型训练，使得电力负荷数据预测模型组中的每个预测模型在训练时都能够考虑到目标原始数据序列对其对应的模态分量序列的影响，由于多条模态分量序列由历史电力负荷数据序列进行模态分解得到，因此每种目标原始数据序列对其对应的模态分量序列的影响即为目标原始数据序列对历史电力负荷数据序列在一个维度上的影响，使得得到的电力负荷数据预测模型组能够结合多种目标原始数据序列来对多条模态分量序列进行预测，相比于仅采用历史电力负荷数据序列作为训练样本得到的预测模型，本申请实施例提供的电力负荷数据预测模型组训练方法所得到的预测模型能够做出更加准确的预测。
13、上述说明仅是本申请实施例技术方案的概述，为了能够更清楚了解本申请实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本申请实施例的上本文档来自技高网...
【技术保护点】
1.一种电力负荷数据预测模型组训练方法，其特征在于，包括：
2.根据权利要求1所述的电力负荷数据预测模型组训练方法，其特征在于，所述确定所述多种原始数据序列中与任意一条模态分量序列满足相关性要求的目标原始数据序列，包括：
3.根据权利要求1所述的电力负荷数据预测模型组训练方法，其特征在于，所述对所述历史电力负荷数据序列进行模态分解，得到多条模态分量序列，包括：
4.根据权利要求1所述的电力负荷数据预测模型组训练方法，其特征在于，所述获取历史电力负荷数据序列以及多种原始数据序列，包括：
5.根据权利要求4所述的电力负荷数据预测模型组训练方法，其特征在于，所述多种人员活动相关数据序列包括人流量数据序列，所述多种气象相关数据序列包括降水量数据序列、气温数据序列、气压数据序列和云量数据序列。
6.根据权利要求1所述的电力负荷数据预测模型组训练方法，其特征在于，所述将每条模态分量序列分别和与其对应的目标原始数据序列结合并共同作为训练样本进行模型训练，生成电力负荷数据预测模型组，包括：
7.一种电力负荷数据预测方法，其特
8.一种电力负荷数据预测模型组训练装置，其特征在于，包括：
9.一种电力负荷数据预测模型组训练设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有可执行指令，所述可执行指令在电力负荷数据预测模型组训练设备上运行时，使得电力负荷数据预测模型组训练设备执行如权利要求1-6中任意一项所述的电力负荷数据预测模型组训练方法的操作。
...【技术特征摘要】
1.一种电力负荷数据预测模型组训练方法，其特征在于，包括：
2.根据权利要求1所述的电力负荷数据预测模型组训练方法，其特征在于，所述确定所述多种原始数据序列中与任意一条模态分量序列满足相关性要求的目标原始数据序列，包括：
3.根据权利要求1所述的电力负荷数据预测模型组训练方法，其特征在于，所述对所述历史电力负荷数据序列进行模态分解，得到多条模态分量序列，包括：
4.根据权利要求1所述的电力负荷数据预测模型组训练方法，其特征在于，所述获取历史电力负荷数据序列以及多种原始数据序列，包括：
5.根据权利要求4所述的电力负荷数据预测模型组训练方法，其特征在于，所述多种人员活动相关数据序列包括人流量数据序列，所述多种气象相关数据序列包括降水量数据序列、气温数据序列、气压数据序列和云量数据序列。
6...
【专利技术属性】
技术研发人员：李虹锐，卢秀兰，卓清锋，
申请(专利权)人：深圳国瑞协创储能技术有限公司，
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。