基于回声状态网络的用电预测方法和系统的制作方法
【技术领域】
[0001] 本发明实施例设及采用神经网络模型的计算机系统技术领域，尤其是设及一种基 于回声状态网络的用电预测方法和系统。
【背景技术】
[0002] 随着经济的快速发展，人们对能源的需求不断增大。在现今的国际能源形势下，由 于全球能源的日益紧张，节能管理得到了各国的高度关注，其中尤W建筑节能为甚，而办公 建筑节能在其中具有至关重要的意义。
[0003] -般而言，办公建筑由若干个办公室组成，对各办公室用电进行准确预测能够为 优化整个建筑的能源管理并提高用电效率提供参考。
[0004] 有鉴于此，特提出本发明。
【发明内容】
[0005] 本发明实施例的主要目的在于提供一种基于回声状态网络的用电预测方法，其至 少部分地解决了如何准确地预测用电的技术问题。此外，还提供一种基于回声状态网络的 用电预测系统。
[0006] 为了实现上述目的，根据本发明的一个方面，提供了 W下技术方案：
[0007] -种基于回声状态网络的用电预测方法，所述方法至少包括：
[000引获取用电数据；
[0009] 利用训练后的所述回声状态网络的输出权值矩阵，计算用电的预测结果，其中，所 述回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
[0010] 根据本发明的另一个方面，还提供了一种基于回声状态网络的用电预测系统，所 述系统至少包括：
[0011] 第一获取单元，被配置为获取用电数据；
[0012] 第一计算单元，被配置为利用训练后的所述回声状态网络的输出权值矩阵，计算 用电的预测结果，其中，所述回声状态网络的储备池为自反馈延迟线结构或带反馈的自反 馈延迟线结构。
[0013] 与现有技术相比，上述技术方案至少具有W下有益效果：
[0014] 本发明实施例通过获取用电数据。然后，利用训练后的回声状态网络的输出权值 矩阵，计算用电的预测结果，其中，回声状态网络的储备池为自反馈延迟线结构或带反馈的 自反馈延迟线结构。由此，解决了如何准确地预测用电的技术问题。实现了较高的用电预测 准确性的有益效果，并能进一步为节能提供参考。
[0015] 当然，实施本发明的任一产品不一定需要同时实现W上所述的所有优点。
[0016] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其它优点可通过在所写的说明 书、权利要求书W及附图中所特别指出的方法来实现和获得。
【附图说明】
[0017] 附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性 实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图 仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可W 根据运些附图获得其他附图。在附图中：
[0018] 图1为根据一示例性实施例示出的基于回声状态网络的用电预测方法的流程示意 图；
[0019] 图2为根据一示例性实施例示出的回声状态网络的结构示意图；
[0020] 图3为根据一示例性实施例示出的自反馈延迟线结构的储备池结构示意图；
[0021] 图4为根据一示例性实施例示出的带反馈的自反馈延迟线结构的储备池结构示意 图；
[0022] 图5为根据一示例性实施例示出的办公室在5个工作日内的用电数据示意图；
[0023] 图6为根据一示例性实施例示出的根据图5所示用电数据的基于自反馈延迟线结 构和带反馈的自反馈延迟线结构两种储备池结构的预测结果W及实际测量结果的示意图；
[0024] 图7为根据一示例性实施例示出的基于回声状态网络的用电预测系统的结构示意 图。
[0025] 运些附图和文字描述并不旨在W任何方式限制本发明的构思范围，而是通过参考 特定实施例为本领域技术人员说明本发明的概念。
【具体实施方式】
[0026] 下面结合附图W及具体实施例对本发明实施例解决的技术问题、所采用的技术方 案W及实现的技术效果进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请的一部 分实施例，并不是全部实施例。基于本申请中的实施例，本领域普通技术人员在不付出创造 性劳动的前提下，所获的所有其它等同或明显变型的实施例均落在本发明的保护范围内。 本发明实施例可W按照权利要求中限定和涵盖的多种不同方式来具体化。
[0027] 需要说明的是，在下面的描述中，为了方便理解，给出了许多具体细节。但是很明 显，本发明的实现可W没有运些具体细节。
[0028] 需要说明的是，在没有明确限定或不冲突的情况下，本发明中的各个实施例及其 中的技术特征可W相互组合而形成技术方案。
[0029] 本发明实施例的主要技术构思是利用回声状态网良好的时间序列预测性能对用 电进行预测。尤其是对办公室用电的预测。
[0030] 本发明实施例提供一种基于回声状态网络的用电预测方法。如图1所示，该方法可 W包括步骤SlOO和步骤Sl 10。
[0031] 步骤Sioo:获取用电数据。
[0032] 其中，用电数据可W通过电表采集获得。用电数据反映了不同时间的用电量。
[0033] 优选地，获取用电数据之后还可W包括:对用电数据进行筛选、剔除和补充，W获 得完整的用电数据。
[0034] 具体地，在获取原始用电数据的基础上，根据一定的时间段对原始用电数据进行 筛选，获取该时间段的用电数据。在此基础上，遍历全部用电数据，剔除其中的多余用电数 据并补充缺失的用电数据，从而改善用电数据的质量，进而获取完整的用电数据。
[0035] 步骤SllO:利用训练后的回声状态网络的输出权值矩阵，计算用电的预测结果，其 中，回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
[0036] 其中，回声状态网络是一种神经网络，其模仿大脑中递归连接的神经元(单元）电 路结构，独特之处在于采用由随机稀疏连接的神经元组成的储备池作为隐层，用W对输入 进行高维、非线性的表示。储备池的生成过程独立于回声状态网络的训练过程。储备池是随 机生成的、大规模稀疏连接的递归结构。储备池中神经元之间的连接权值矩阵W及输入信 号对于储备池中神经元的连接权值矩阵全部随机产生，而且产生后保持不变，不需要训练。 因此，只需要采用线性方法训练储备池至输出层的权值，运简化了网络的训练过程，并保证 了权值确定的全局最优性W及良好的网络训练能力和泛化能力，避免了传统神经网络中存 在的训练算法复杂、易陷入局部最小等问题。
[0037] 回声状态网络的典型结构如图2所示，其由输入层、储备池和输出层组成。当回声 状态网络用于时间序列预测问题时，其输出变量和输入变量均为时间序列，运时，可W将回 声状态网络看作为非线性滤波器，实现输入至输出的转换。由此，本发明实施例利用回声状 态网络良好的时间序列预测性能来对用电进行预测。
[0038] 优选地，储备池的结构可W为自反馈延迟线结构（self-fee化ack delay line reservoir,SDLR)，该结构如图3所示。
[0039] 其中，储备池中各单元与下一单元及自身连接。
[0040] 储备池权值矩阵为 werNxn，其中，Wiパ,i二re[0，l]，i = l，…，N-l，Wj,j = de[0， 1 ]，j = 1，…，N，其中，输入权值V e [ 0，1 ]; r为前馈权值，d为自反馈权值，其余元素均为零。 [0041 ] 优选地，储备池的结构还可W为带反馈的自反馈延迟线结构（self-feedback delay line reservoir with feedback connections,SDLRB)，女日图4戶/f示。
[0042]其中，储备池中各单元与前一单元、下一单元及自身连接。
[00创储备池权值矩阵为WeR圆，其中，Wi+l,i=re[0，l]，Wi,i+l = be[0，l]，i = l，…，N-l，Wj,j = de[0，l]，j = l，…，N，其中，输入权值ve[0，l];r为前馈权值，b为反馈权值，d为自 反馈权值，其余元素均为零。
[0044] 在一些可选的实施例中，该方法还可W包括:获取训练样本;根据训练样本，W及 基于自反馈延迟线结构或带反馈的自反馈延迟线结构的储备池权值矩阵，计算回声状态网 络的