System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据处理,尤其涉及一种电力设备能耗预测模型的训练方法及装置。
技术介绍
1、能耗预测不仅可以提高电力使用的效率,还可以辅助电网公司进行合理的电力调度和维护策略,因此为确保电力系统的稳定运行和优化资源配置,对电力设备的能耗进行准确预测至关重要。
2、在实际的生产生活中,虽然电力设备所面临的环境复杂多变并且电力设备的配置数据、运行数据等均会对电力设备的能耗产生影响,但是现有技术中对电力设备的能耗预测却过于依赖某一项电力设备数据,例如只考虑电力设备的配置数据,没有全面地融合多种数据来源,导致对电力设备的能耗预测不准确。
3、另外,现有技术中用于对电力设备的能耗进行预测的分类模型通常仅为一个神经网络,通过一个神经网络中的不同层分别承担特征提取任务和特征分类任务;但是根据实际操作经验可知,该神经网络的特征提取层和特征分类层在训练时会发生相互干扰的现象。具体地,训练使用损失函数在用于确定特征分类层的参数时,可能会对特征提取层的参数也产生较大影响,导致训练好的特征提取层所能提取的特征不再是最优的,进而影响特征分类层的性能,由此可知,特征提取层和特征分类层在训练过程中的相互干扰可能使得神经网络难以达到最优状态。
4、此外,现有技术中通常使用梯度下降法来辅助损失函数确定神经网络的参数,但是根据实际操作经验可知,使用梯度下降法的过程中存在下降速度慢、依赖梯度信息等应用局限,此外还可能出现梯度爆炸现象,导致严重影响神经网络的参数的准确性。
技术实现思路
1、
2、第一方面,本申请提供了一种电力设备能耗预测模型的训练方法,用于对能耗预测模型中执行特征提取任务的第一神经网络进行训练,所述方法包括:
3、获取训练样本集;所述训练样本集中的样本包括:电力设备的历史配置数据、历史维护数据、历史运行数据和历史能耗数据;
4、根据所述训练样本集,通过所述第一神经网络得到当前预测误差和当前第一损失函数值;
5、根据所述当前预测误差和所述当前第一损失函数值,确定调整参数的当前调整值;所述调整参数为构造的用于指示所述第一神经网络的第一结构参数的当前值在进行调整时的调整方向、调整范围;
6、根据所述调整参数的当前调整值对所述第一神经网络的第一结构参数的当前值进行调整得到训练后的所述能耗预测模型。
7、第二方面,本申请提供了一种分类模型的训练装置,用于对能耗预测模型中执行特征提取任务的第一神经网络进行训练,所述装置包括:样本模块、模型模块、计算模块和更新模块;
8、所述样本模块,用于获取训练样本集;所述训练样本集中的样本包括:电力设备的历史配置数据、历史维护数据、历史运行数据和历史能耗数据;
9、所述模型模块,用于根据所述训练样本集,通过所述第一神经网络得到当前预测误差和当前第一损失函数值;
10、所述计算模块,用于根据所述当前预测误差和所述当前第一损失函数值,确定调整参数的当前调整值;所述调整参数为构造的用于指示所述第一神经网络的第一结构参数的当前值在进行调整时的调整方向、调整范围;
11、所述更新模块,用于根据所述调整参数的当前调整值对所述第一神经网络的第一结构参数的当前值进行调整得到训练后的所述能耗预测模型。
12、有益效果:
13、综上可知,本申请提供了一种对执行特征提取任务的第一神经网络的第一结构参数进行更新的方法,第一,由于本申请的样本中包括数据来源非常丰富,例如历史配置数据、历史维护数据、历史运行数据和历史能耗数据,使得训练得到的能耗预测模型的能耗预测值更为准确;第二,由于本申请中的能耗预测模型中执行特征提取任务的第一神经网络是单独训练的,所以能够避免现有的仅应用一个能够执行特征提取和特征分类的神经网络在训练时会导致神经网络中的特征提取层、特征分类层发生相互干扰的现象;第三,由于本申请中对第一神经网络的第一结构参数的优化方式是通过构造的第一结构参数确定的,所以本申请提供了一个与传统梯度下降方法不同的优化方式,能够有效避免传统的应用梯度下降法可能存在的梯度爆炸等现象的出现;综上可知,本申请能够解决现有的电力设备的能耗预测模型存在能耗预测不准确、神经网络难以达到最优状态以及神经网络的参数不准确的技术问题。
本文档来自技高网...【技术保护点】
1.一种电力设备能耗预测模型的训练方法,其特征在于,用于对能耗预测模型中执行特征提取任务的第一神经网络进行训练,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前预测误差和所述当前第一损失函数值,确定调整参数的当前调整值,包括:
3.根据权利要求2所述的方法,其特征在于,所述调整参数包括:第一调整参数;所述根据所述当前第一损失函数值、所述当前适应值,确定所述调整参数的当前调整值,包括:
4.根据权利要求3所述的方法,其特征在于,所述调整参数还包括:第二调整参数;所述根据所述当前第一损失函数值、所述当前适应值,确定所述调整参数的当前调整值,还包括:
5.根据权利要求4所述的方法,其特征在于,所述第一神经网络中的每个网络层均对应一个所述第一调整参数、所述第二调整参数;所述根据所述调整参数的当前调整值对所述第一神经网络的第一结构参数的当前值进行调整得到训练后的所述能耗预测模型,包括:
6.根据权利要求5所述的方法,其特征在于,所述通过第一结构参数更新公式得到所述目标网络层的所述第一结构参数的更新值之后,
7.根据权利要求1所述的方法,其特征在于,所述获取训练样本集,包括:
8.根据权利要求7所述的方法,其特征在于,所述生成对抗网络在训练过程中所应用的对抗损失函数如下所示:
9.根据权利要求1所述的方法,其特征在于,还用于对能耗预测模型中执行特征分类任务的第二神经网络进行训练,所述方法还包括:
10.一种分类模型的训练装置,其特征在于,用于对能耗预测模型中执行特征提取任务的第一神经网络进行训练,所述装置包括:样本模块、模型模块、计算模块和更新模块;
...【技术特征摘要】
1.一种电力设备能耗预测模型的训练方法,其特征在于,用于对能耗预测模型中执行特征提取任务的第一神经网络进行训练,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前预测误差和所述当前第一损失函数值,确定调整参数的当前调整值,包括:
3.根据权利要求2所述的方法,其特征在于,所述调整参数包括:第一调整参数;所述根据所述当前第一损失函数值、所述当前适应值,确定所述调整参数的当前调整值,包括:
4.根据权利要求3所述的方法,其特征在于,所述调整参数还包括:第二调整参数;所述根据所述当前第一损失函数值、所述当前适应值,确定所述调整参数的当前调整值,还包括:
5.根据权利要求4所述的方法,其特征在于,所述第一神经网络中的每个网络层均对应一个所述第一调整参数、所述第二调整参数;所述根据所述...
【专利技术属性】
技术研发人员:吕峰,于云霞,秦立刚,李茂轩,公志国,刘杨,庄斌,
申请(专利权)人:国网山东省电力公司蒙阴县供电公司,
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。