【技术实现步骤摘要】
本申请涉及电力负荷预测领域，具体而言，涉及一种模型训练方法、装置及电力负荷的预测方法。
技术介绍
1、近年来，随着“智能家居”、“新能源汽车”、“5g技术”的快速增长趋势，也带动了电力市场的快速发展。对电力进行预测，能够帮助企业进行提前规划，避免在供电不足时影响居民的正常生活和企业的经营生产，供电过剩时导致资源浪费。对电力进行预测，是保障供电稳定运行和经济健康发展的重要举措。由于电力需求的直线上升，且受多因素的联合影响，电力数据非线性特征表现的更为明显，其预测难度显著提升，基于传统的电力负荷分析和预测将难以满足用户的用电需求。
2、随着学者研究的深入，越来越多的算法被应用到电力负荷预测中。在20世纪早期，自回归滑动平均系列模型备受人们关注，成为当时的研究热点。对于线性平稳性的电力负荷数据，这一模型可以取得较为理想的结果。它为解决线性平稳性相关的问题提供了有效的途径和方法，在当时的研究领域中占据着重要地位。但是实际生活中的电力负荷数据，往往呈现非平稳和非线性的特征，具有较高的时间复杂度。
3、21世纪以来，由于科学技术逐步发展并走向成熟，神经网络备受学者们的广泛瞩目，进而被引入到电力负荷的预测范畴。神经网络拥有突出的自学习与自适应能力，能够较为出色地应对电力负荷数据的非线性和非平稳问题。如传统的bp神经网络对电力负荷数据进行预测，然后该网络在训练时采用梯度下降算法来更新权值和阈值。但是，在该预测方法中，若初始值未能正确选择，该网络则易于陷入局部个体极值点，进而降低预测精度。同时电力负荷数据往往有较高的时间复
4、针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
1、本申请提供了一种模型训练方法、装置及电力负荷的预测方法，以至少解决相关技术对电力负荷的预测精度较低的技术问题。
2、根据本申请的一个方面，提供了一种模型训练方法，包括：获取电力负荷数据，其中，电力负荷数据划分为训练集和测试集；对训练集中的电力负荷数据进行分解处理，得到多个本征模态函数imf分量，根据imf分量的排列熵，对imf分量进行合并及叠加处理，得到多个目标imf分量；通过自适应双中心的领导者协作粒子群算法对神经网络模型中的模型参数进行更新，得到目标神经网络模型；利用目标神经网络模型对目标imf分量进行预测，得到多个预测结果，将多个预测结果进行融合处理，得到电力负荷数据对应的目标预测结果；确定目标预测结果与测试集之间的误差，在误差小于预设阈值的情况下，确定神经网络模型完成训练。
3、可选地，对训练集中的电力负荷数据进行分解处理，得到多个本征模态函数imf分量，包括：步骤s1，在训练集中的电力负荷数据中添加噪声，得到第一电力负荷数据；步骤s2，对第一电力负荷数据进行分解处理，得到多个第1分量；计算多个第1分量的平均值，得到第1imf分量；步骤s3，将训练集中的电力负荷数据与第1imf分量的差值确定为第1余量信号；在第1余量信号中添加噪声，得到第1目标余量信号；对第1目标余量信号进行分解处理，得到多个第2模态分量；计算多个第2模态分量的平均值，得到第2imf分量；步骤s4，将第(k-1)余量信号与第kimf分量之间的差值确定为第k余量信号；在第k余量信号中添加噪声，得到第k目标余量信号；对第k目标余量信号进行分解处理，得到多个第(k+1)模态分量；计算多个第(k+1)模态分量的平均值，得到第(k+1)imf分量，其中，k为大于1的正整数；步骤s5，按照k由小到大的顺序，依次执行步骤s4，直至余量信号无法被分解，得到多个imf分量。
4、可选地，根据imf分量的排列熵，对imf分量进行合并及叠加处理，得到多个目标imf分量，包括：对imf分量进行相空间重构，得到多个子向量；根据每个子向量的索引值，对多个子向量进行排序，得到目标序列；确定目标序列对应的多个符号序列，并确定每个符号序列出现的概率；根据每个符号序列出现的概率，确定目标序列的初始排列熵；对初始排列熵进行归一化处理，得到imf分量对应的目标排列熵；将目标排列熵在预设阈值内的imf分量重新进行合并及叠加处理，得到多个目标imf分量。
5、可选地，通过自适应双中心的领导者协作粒子群算法对神经网络模型中的模型参数进行更新，得到目标神经网络模型，包括：对神经网络模型中的模型参数进行初始化处理，并获取神经网络模型中的输入神经元的数量以及储备池中的神经元的数量；根据神经网络模型中的输入神经元的数量以及储备池中的神经元的数量，确定粒子群中粒子的目标维度；对基于自适应双中心的领导者协作粒子群算法中的粒子群进行初始化，并确定每个粒子的初始位置和初始速度；根据初始位置和初始速度，确定个体极值和群体极值；根据目标维度和个体极值，确定粒子群中的第一中心粒子的第一位置；根据目标维度和多个不同粒子的位置，确定粒子群中的第二中心粒子的第二位置；通过自适应权重更新第一位置和第二位置；在更新后的第一位置、第二位置以及粒子群中各粒子的位置中确定目标群体极值；将目标群体极值对应的目标粒子作为领导者，更新粒子群中各粒子的位置和速度，直至满足预设停止条件；将神经网络模型中的模型参数设置为满足预设停止条件之后得到的群体极值的各项参数，得到目标神经网络模型。
6、可选地，将目标群体极值对应的目标粒子作为领导者，更新粒子群中各粒子的位置和速度，包括：检测领导者的预设寿命，在领导者的预设寿命耗尽时，在粒子群中随机生成挑战者；获取挑战者的领导力指标以及挑战者的领导力指标，将挑战者的领导力指标与挑战者的领导力指标进行比较；若挑战者的领导力指标大于领导者领导力指标，使用挑战者替代领导者，更新粒子群中各粒子的位置和速度。
7、可选地，若挑战者的领导力指标大于领导者领导力指标，使用挑战者替代领导者，包括：使用挑战者在预设时长内预替代领导者进行参数迭代若干次，若在任意一次迭代过程中，任意一个粒子的个体极值发生更新，使用挑战者正式替代领导者。
8、可选地，将挑战者的领导力指标与挑战者的领导力指标进行比较之后，方法还包括：若挑战者的领导力指标等于领导者的领导力指标，在目标维度中随机选取一个维度，更新挑战者，并将更新后的挑战者的领导力指标与领导者的领导力指标进行比较。
9、根据本申请的再一方面，还提供了一种电力负荷的预测方法，包括：获取待处理电力负荷数据；将待处理电力负荷数据输入神经网络模型中，得到神经网络模型输出的未来时刻的预测电力负荷，其中，神经网络模型为通过以上的模型训练方法进行训练所得到的。
10、根据本申请的再一方面，还提供了一种模型训练装置，包括：获取模块，用于获取电力负荷数据，其中，电力负荷数据划分为训练集和测试集；处理模块，用于对训练集中的电力负荷数据进行分解处理，得到多个本征模态函数imf分量，根据imf分量的排列熵，对imf分量进行合并及叠加处理，得到多个目标imf分量；更新模块，用于通过自适应双中心的领导者协作粒子群算法对神经网络本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，对所述训练集中的电力负荷数据进行分解处理，得到多个本征模态函数IMF分量，包括：
3.根据权利要求1或2所述的方法，其特征在于，根据所述IMF分量的排列熵，对所述IMF分量进行合并及叠加处理，得到多个目标IMF分量，包括：
4.根据权利要求1所述的方法，其特征在于，通过自适应双中心的领导者协作粒子群算法对神经网络模型中的模型参数进行更新，得到目标神经网络模型，包括：
5.根据权利要求4所述的方法，其特征在于，将所述目标群体极值对应的目标粒子作为领导者，更新所述粒子群中各粒子的位置和速度，包括：
6.根据权利要求5所述的方法，其特征在于，若所述挑战者的领导力指标大于所述领导者领导力指标，使用所述挑战者替代所述领导者，包括：
7.根据权利要求5所述的方法，其特征在于，将所述挑战者的领导力指标与所述挑战者的领导力指标进行比较之后，所述方法还包括：
8.一种电力负荷的预测方法，其特征在于，包括：
9.一种模型训
10.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的模型训练方法。
11.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的模型训练方法。
12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的模型训练方法。
...【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，对所述训练集中的电力负荷数据进行分解处理，得到多个本征模态函数imf分量，包括：
3.根据权利要求1或2所述的方法，其特征在于，根据所述imf分量的排列熵，对所述imf分量进行合并及叠加处理，得到多个目标imf分量，包括：
4.根据权利要求1所述的方法，其特征在于，通过自适应双中心的领导者协作粒子群算法对神经网络模型中的模型参数进行更新，得到目标神经网络模型，包括：
5.根据权利要求4所述的方法，其特征在于，将所述目标群体极值对应的目标粒子作为领导者，更新所述粒子群中各粒子的位置和速度，包括：
6.根据权利要求5所述的方法，其特征在于，若所述挑战者的领导力指标大于所述领导者领导力指标，使用所述挑战者替代所述领导者，包...
【专利技术属性】
技术研发人员：程露，周浩然，
申请(专利权)人：中国电信股份有限公司，
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。