电力负荷预测模型的训练方法、装置及电力负荷预测方法与流程

1.本发明涉及电力预测技术领域，尤其涉及一种电力负荷预测模型的训练方法、装置及电力负荷预测方法。


背景技术：

2.随着社会经济的高速健康发展带来的用电量的不断增长，电网和用户对电力系统安全调度和运行策略等方面内容愈发关注，而负荷预测是电网调度和平稳运行的基础之一。


技术实现要素：

3.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种电力负荷预测模型的训练方法，利用该训练方法得到的电力负荷预测模型可处理大体量的时间序列数据，且具有预测精准度高的优点。
4.本发明的第二个目的在于提出电力负荷预测方法。
5.本发明的第三个目的在于提出电力负荷预测模型的训练装置。
6.本发明的第四个目的在于提出电力负荷预测装置。
7.本发明的第五个目的在于提出计算机可读存储介质。
8.本发明的第六个目的在于提出电子设备。
9.为达到上述目的，本发明第一方面实施例提出了一种电力负荷预测模型的训练方法，所述训练方法：对电力负荷预测模型进行多次周期性的训练，其中，所述电力负荷预测模型包括全卷积神经网络fcn和长短期记忆网络lstm，针对每次训练周期，执行以下操作：获取当前训练周期的训练数据集，其中，所述训练数据集包括历史负荷的时间序列数据；将所述训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；基于所述当前训练周期的电力负荷预测值和所述当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；根据所述当前训练周期的损失函数调整所述当前训练周期的电力负荷预测模型的参数。
10.根据本发明实施例的电力负荷预测模型的训练方法，将时间序列数据输入包括全卷积神经网络fcn和长短期记忆网络lstm的电力负荷预测模型，对电力负荷预测模型进行训练，使训练得到的电力负荷预测模型具有预测精度高的优点。
11.另外，根据本发明上述实施例提出的电力负荷预测模型的训练方法还可以具有如下附加的技术特征：
12.根据本发明的一个实施例，获取训练数据集，包括：确定预测周期，并根据所述预测周期确定训练数据来源；获取与所述训练数据来源对应的电力负荷数据，其中，所述电力负荷数据为时间序列数据；对所述电力负荷数据进行预处理，并对预处理后的电力负荷数据进行清洗转换，以及采用滑动窗口对清洗转换后的电力负荷数据进行重构；从重构后的电力负荷数据中划分出训练数据，组成所述训练数据集。
13.根据本发明的一个实施例，将所述训练数据集中的时间序列数据输入电力负荷预测模型，得到预测值，包括：将所述时间序列数据分别输入至全卷积神经网络fcn和长短期记忆网络lstm，得到所述全卷积神经网络fcn输出的第一特征和所述长短期记忆网络lstm输出的第二特征；将所述第一特征和所述第二特征输入融合层，通过所述融合层输出所述预测值。
14.根据本发明的一个实施例，所述全卷积神经网络fcn包括依次连接的第一fcn层、第二fcn层和第三fcn层，所述第一fcn层、所述第二fcn层均包括依次连接的卷积层、批标准化层、激活层、senet层，所述第三fcn层包括依次连接的卷积层、批标准化层和激活层；所述第三fcn层之后连接有全局池化层；所述长短期记忆网络lstm之前连接有维度混洗dimension shuffle层，所述长短期记忆网络lstm之后连接有dropout层；所述融合层之后连接有softmax层。
15.根据本发明的一个实施例，所述预处理包括缺失值处理、异常值处理、归一化处理中的任一者。
16.根据本发明的一个实施例，所述训练方法还包括：从所述重构后的电力负荷数据中划分出测试数据和验证数据，组成测试数据集和验证数据集，其中，所述训练数据的数量大于所述测试数据的数量，所述测试数据的数量大于所述验证数据的数量；在训练过程中，利用所述测试数据集对所述负荷预测模型进行测试，以测试所述负荷预测模型的训练效果；在训练结束后，利用所述验证数据集对所述训练好的负荷预测模型进行验证，以得到满足预设要求的负荷预测模型。
17.根据本发明的一个实施例，所述损失函数采用平均绝对误差、均方误差、均方根误差、平均绝对百分比误差、判决系数中的任一者。
18.根据本发明的一个实施例，所述训练方法，还包括：初始化所述电力负荷预测模型的超参数；根据所述电力负荷预测模型的结构特征，确定所述超参数的子空间；在根据所述当前训练周期的损失函数调整所述当前训练周期的电力负荷预测模型的参数时，搜索所述子空间，确定目标子空间，调整所述目标子空间中的超参数。
19.为达到上述目的，本发明第二方面实施例提出了一种电力负荷预测方法，所述预测方法包括：获取待预测电力负荷数据；将所述待预测电路负荷数据输入至训练好的电力负荷预测模型，得到相应的电力负荷预测值，其中，所述电力负荷预测模型利用如本发明第一方面实施例提出的电力负荷预测模型的训练方法训练得到。
20.为达到上述目的，本发明第三方面实施例提出了一种电力负荷预测模型的训练装置，所述训练装置包括：数据获取单元、模型预测单元、函数计算单元和参数调整单元，其中，所述数据获取单元、所述模型预测单元、所述函数计算单元和所述参数调整单元使用训练数据集对电力负荷预测模型进行多次周期性的训练，其中，所述电力负荷预测模型包括全卷积神经网络fcn和长短期记忆网络lstm，针对每次训练周期：所述数据获取单元，用于获取当前训练周期的训练数据集，其中，所述训练数据集包括历史负荷的时间序列数据；所述模型预测单元，用于将所述训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；所述函数计算单元，用于基于所述当前训练周期的电力负荷预测值和所述当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；所述参数调整单元，用于根据所述当前训练周期的损失函数调整所述当前训练周
期的电力负荷预测模型的参数。
21.为达到上述目的，本发明第四方面实施例提出了一种电力负荷预测装置，所述预测装置包括：获取模块，用于获取待预测电力负荷数据；预测模块，用于将所述待预测电力负荷数据输入至训练好的电力负荷预测模型，得到相应的电力负荷预测值，其中，所述电力负荷预测模型利用如本发明第一方面实施例提出的电力负荷预测模型的训练方法训练得到。
22.为达到上述目的，本发明第五方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明第一方面实施例提出的电力负荷预测模型的训练方法，或，如本发明第二方面实施例提出的电力负荷预测方法。
23.为达到上述目的，本发明第六方面实施例提出了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如本发明第一方面实施例提出的电力负荷预测模型的训练方法，或，如本发明第二方面实施例提出的电力负荷预测方法。
24.本发明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，或通过本发明的实践了解到。
附图说明
25.图1是本发明一个实施例的电力负荷预测模型的训练方法的流程图；
26.图2是本发明一个实施例的获取训练数据集的流程图；
27.图3是本发明一个实施例的获取预测值的流程图；
28.图4是本发明一个实施例的电力负荷预测模型的示意图；
29.图5是本发明一个实施例的调节电力负荷预测模型参数的流程图；
30.图6是本发明一个实施例的电力负荷预测方法的流程图；
31.图7是本发明一个实施例的电力负荷预测模型的训练装置的示意图；
32.图8是本发明一个实施例的电力负荷预测装置的示意图。
具体实施方式
33.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
34.下面将结合说明书附图1-8以及具体的实施方式对本发明实施例的电力负荷预测模型的训练方法、装置及电力负荷预测方法进行详细地说明。
35.图1是本发明一个实施例的电力负荷预测模型的训练方法的流程图。本发明实施例的电力负荷预测模型的训练方法：对电力负荷预测模型进行多次周期性的训练，其中，电力负荷预测模型包括可全卷积神经网络fcn和长短期记忆网络lstm，针对每次训练周期，执行以下操作，参见图1：
36.s1，获取当前训练周期的训练数据集，其中，训练数据集包括历史负荷的时间序列数据。
37.在本发明的实施例中，如图2所示，获取训练数据集，可包括：
38.s11，确定预测周期，并根据预测周期确定训练数据来源；
39.s12，获取与训练数据来源对应的电力负荷数据，其中，电力负荷数据为时间序列数据；
40.s13，对电力负荷数据进行预处理，并对预处理后的电力负荷数据进行清洗转换，以及采用滑动窗口对清洗转换后的电力负荷数据进行重构；
41.s14，从重构后的电力负荷数据中划分出训练数据，组成训练数据集。
42.在本发明的实施例中，预测周期可分为三种类型：长期、中期和短期。其中，长期负荷的预测主要是以年度为一个周期对其进行预测，时间范围从5年到10年，主要适合于电力部门对各类电力系统实施的规划和建设，比如电网增容改造扩建、年度检修方案等。中期负荷预测的主要是以月度或周度为一个周期对其进行预测，主要功能作用是确定月度检修方案，科学调度发电送电。短期负荷预测的主要是以一天内时间为一个周期对其进行预测，主要功能作用是安全分析和实时显示、调度。
43.需要说明的是，年度的负荷/电量统计，负荷变化单调，总体趋势明显。周度或月度的负荷/电量统计，周期内增长，周度或月度数据具有相似规律。一天内的负荷/电量，近几日和月同期、年同期等数据具有相似性。
44.在进行电力负荷预测时，根据预测需求确定预测周期，根据预测周期确定训练数据中历史负荷的历史时间。如，对于长期负荷的预测，训练数据中的历史负荷数据可为10-20年的历史数据，电力负荷预测模型学习近10-20年的历史数据的变化规律，以对未来一年或几年内的用电负荷进行预测。对于中期负荷预测，训练数据中的历史负荷数据可为近几年的月、周的历史数据，电力负荷预测模型学习近几年的月、周的历史数据的变化规律，以对未来几周或几月内的用电负荷进行预测。对于短期负荷预测，训练数据中的历史负荷数据可为小时的历史数据，获取对应历史时间的电力负荷数据，电力负荷预测模型学习近几月或近几周的历史数据的变化规律，以对未来几小时内的用电负荷进行预测。根据不同预测周期需要，获取不同的数据来源，用以训练电力负荷预测模型，得到目标预测周期的电力负荷预测值。
45.电力负荷数据可为电力计量终端，如智能电表、集中器，以预设时间间隔，如15min(分钟)采集的电力负荷数据。电力计量终端采集的电力负荷数据为时间序列数据。电力计量终端采集的电力负荷数据可为电能量数据。电能量是电力采集系统中最为常用的低频特征，也是负荷预测的主要预测对象。因此，采用电能量数据作为电力负荷数据，可以得到更精准的电力负荷预测值。
46.由于在电力计量终端的数据采集过程中，会有诸多情况导致数据采集异常。常见原因有智能电表安装接线问题、载波信号通讯功能失效、主站通信效率差或信号不良、表内存储数据突变等。这些问题会导致采集到的历史负荷数据存在缺失值：部分数据未正常记录，表现为数据表内为空值；突变值：由于某些原因导致负荷变化范围超出正常的波峰波谷，负荷表现为突然急剧增大或减小；待补足数据：由于设备自身原因或者已知因素如设备检修、计量表损坏。最终都会影响负荷预测中原始数据集的准确性、有效性。因此，有必要对采集得到的数据进行一定的预处理。
47.在本发明的实施例中，预处理可包括缺失值处理、异常值处理、归一化处理中的任一者。
48.为了避免训练数据中的历史负荷数据中存在的异常数据比例较多，影响电力负荷预测模型的预测的结果。针对以上常见的数据异常有如下处理方法：
49.针对缺失值，根据经验或者负荷曲线趋势进行删除或置换。针对突变值，将其与相邻时刻数据进行对比并修正，或者将其与相邻日的同一时刻数据进行对比和修正。对采集到的历史负荷数据的缺失值和突变值进行处理后，还可采用概率统计法，对其余异常数据进行处理。具体地，可通过经验对历史负荷数据进行初次修正，再根据负荷曲线的波动范围分时段确定置信区间，进一步完成对其余异常数据的辨识。
50.进一步地，还可采用小波分析法等信号分析方法对历史负荷数据进行异常数据处理。小波可以描述信号时域和频域的局部特性。采用小波变换给出历史负荷数据信号的时间-频率表示，可在任意的时域中分析信号。此外，为防止变量间数量级不同影响模型精度，还需对数据进行归一化处理。
51.采集到的电力负荷数据通过上述预处理后，还需要通过清洗转换等数据分析方法排除异常数据，降低时间序列的随机性和提高其平稳性。再以滑动时间窗口方式对清洗转换后的电力负荷数据进行重构，得到可以输入监督学习下神经网络即电力负荷预测模型的数据集。
52.需要说明的是，时间序列是一组按照时间点排序的有序数值序列。监督式学习给定输入变量(x)和输出变量(y)，电力负荷预测模型能学习如何根据输入变量预测输出变量。采用滑动窗口法来重构上述清洗转换后的电力负荷数据，以对时间进行重组，以便于使用上一个时间段的值来预测下一个时间段的值。本发明实施例中的电力负荷预测采用单变量预测即使用电能量单一特征，故可采用一步预测，使用滞后观察(比如t-1)作为输入变量来预测当前(t)或未来时间(t+1)输出量。
53.在训练电力负荷预测模型时，从重构后的电力负荷数据中划分出训练数据，组成训练数据集，用以训练电力负荷预测模型。示例性的，可将重构后的电力负荷数据划分为80％的训练数据集。
54.在训练电力负荷预测模型时，可基于tensorflow框架训练构建的电力负荷预测模型，并按初始超参数迭代。
55.s2，将训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值。
56.具体地，电力负荷预测模型可包括全卷积神经网络fcn和长短期记忆网络lstm。本发明实施例的电力负荷预测模型，使用lstm-fcn混合神经网络，充分融合lstm的长程关联优势和fcn的捕捉局部特征优势，对电力负荷的时间序列数据进行特征提取，获取电力负荷预测值。
57.在本发明的实施例中，如图3所述，将训练数据集中的时间序列数据输入电力负荷预测模型，得到预测值，可包括：
58.s21，将时间序列数据分别输入至全卷积神经网络fcn和长短期记忆网络lstm，得到全卷积神经网络fcn输出的第一特征和长短期记忆网络lstm输出的第二特征；
59.s22，将第一特征和第二特征输入融合层，通过融合层输出预测值。
60.具体地，全卷积神经网络(fully convolutional networks，fcn)能够充分提取数据之间的特征。长短期记忆网络(long short-term memory，lstm)能够提取连续时间序列
的特征。将时间序列数据分别输入全卷积神经网络fcn和长短期记忆网络lstm，得到全卷积神经网络fcn提取的第一特征，和长短期记忆网络lstm提取的第二特征，再将第一特征和第二特征输入融合层，以得到预测值。
61.进一步具体地，长短期记忆网络lstm是对循环神经网络的一种改进，主要加强了数据间的长程联系，克服了循环神经网络的梯度爆炸和梯度消失问题。lstm的主要核心部件有输入门、门控单元、短期记忆单元、长时记忆单元、输出门，其中门控单元负责对记忆单元的修改、遗忘。
62.循环神经网络的数据形式为：
[0063][0064]ot
＝f(vh
t
)
[0065][0066][0067]
其中，u，v，w含义是循环神经网络参数。f表示激活函数，如relu、sigmoid和tanh等非线性函数。x
t
表示t时刻的输入，h
t
表示t时刻网络的隐藏状态，h
t-1
表示t-1时刻网络的隐藏状态，o
t
表示t时刻的输出。c
t
表示t时刻的长期记忆，c
t-1
表示t-1时刻的长期记忆，表示t时刻的短期记忆。f
t
表示lstm的遗忘门数据，i
t
表示lstm的输入，o
t
表示lstm的输出值。相比于循环神经网络，lstm的状态更新方式为加性增量更新。
[0068]
进一步具体地，全卷积神经网络fcn内部采用权值共享、局部连接的结构。全卷积神经网络fcn的作用是高效地融合lstm层输出的特征，将特征长度转换成合适的维度，便于模型的输出层计算损失。fcn网络内部主要由卷积层和池化层组成，卷积层负责对数据进行卷积计算并提取潜在特征，池化层对网络参数进行采样和压缩。
[0069]
作为一具体的实施方式，如图4所示，全卷积神经网络fcn可包括依次连接的第一fcn层、第二fcn层和第三fcn层，第一fcn层、第二fcn层均包括依次连接的卷积层、批标准化层、激活层、senet层，第三fcn层包括依次连接的卷积层、批标准化层和激活层；第三fcn层之后连接有全局池化层；长短期记忆网络lstm之前连接有维度混洗dimension shuffle层，长短期记忆网络lstm之后连接有dropout层；融合层之后连接有softmax层。
[0070]
具体地，时间序列数据依次输入第一fcn层128维的卷积层、第二fcn层256维的卷积层和第三fcn层128维的卷积层。需要说明的是，每一卷积层之后的批标准化层用于对每一卷积层提取的特征进行规范化，激活层用于加入非线性因素来用于提高模型的表达能力。第一fcn层和第二fcn层中的senet层起到压缩模型的作用。全局池化层(global pooling)对fcn的参数进行采样和压缩。
[0071]
具体地，时间序列数据输入维度混洗dimension shuffle层，将变换后的时间序列数据输入长短期记忆网络lstm，长短期记忆网络lstm提取变换后的时间序列数据的时间特征，得到第二特征，第二特征经过dropout层后输入融合层。
[0072]
融合层对第一特征和第二特征进行特征融合，融合层特征经过softmax后，输出预测值。
[0073]
s3，基于当前训练周期的电力负荷预测值和当前训练周期的电力负荷真实值，确定当前训练周期的损失函数。
[0074]
在本发明的实施例中，损失函数可采用平均绝对误差、均方误差、均方根误差、平均绝对百分比误差、判决系数中的任一者。
[0075]
在本发明的实施例中，平均绝对误差(mean absolute error，mae)的表达式为：
[0076][0077]
其中，e
mae
(t)表示误差值，代表负荷预测值，y(t)代表负荷真实值。
[0078]
在本发明的实施例中，均方误差(mean square error，mse)的表达式为：
[0079][0080]
其中，e
mse
(t)表示误差值，代表负荷预测值，y(t)代表负荷真实值。
[0081]
在本发明的实施例中，均方根误差(root mean square error，rmse)的表达式为：
[0082][0083]
其中，e
rmse
(t)表示误差值，代表负荷预测值，y(t)代表负荷真实值。
[0084]
mae、mse和rmse的误差范围均为[0,+∞)，误差越大，e(t)值越大，三者误差差别在于数量级的表观上不同，可根据进行选择。
[0085]
在本发明的实施例中，平均绝对百分比误差(mean absolute percentage error，mape)的表达式为：
[0086][0087]
其中，e
mae
(t)表示百分比误差值，代表负荷预测值，y(t)代表负荷真实值。
[0088]
在本发明的实施例中，判决系数(r-square，r2)的表达式为：
[0089][0090]
其中，r2表示判决系数，y代表负荷真实值，代表负荷预测值，代表负荷平均值。
[0091]
其中，mape是评判误差的相对值，能更好判断模型性能。r2是判决系数，也称拟合系数，通过计算预测值的总变差与真实值的总变差的比值来衡量回归模型的拟合程度。
[0092]
s4，根据当前训练周期的损失函数调整当前训练周期的电力负荷预测模型的参数。
[0093]
具体地，在模型训练过程中，可采用adam等优化函数，计算输出负荷预测结果与真实值的均方误差mse等损失函数值，依据损失函数逐代调整优化函数、学习率衰减方式、迭代次数等参数。当损失函数收敛至最小时，对应的电力负荷预测模型为训练好的电力负荷预测模型。
[0094]
在本发明的实施例中，如图5所示，电力负荷预测模型的训练方法，还可包括：
[0095]
s51，初始化电力负荷预测模型的超参数；
[0096]
s52，根据电力负荷预测模型的结构特征，确定超参数的子空间；
[0097]
s53，在根据当前训练周期的损失函数调整当前训练周期的电力负荷预测模型的参数时，搜索子空间，确定目标子空间，调整目标子空间中的超参数。
[0098]
具体地，在训练电力负荷预测模型之前，为了便于在训练电力负荷预测模型时，调整电力负荷预测模型的参数。可初始化电力负荷预测模型的网络模型超参数。同时，依据所建立模型结构的特征，确定超参数子空间，以方便搜索出合适的超参数进行模型调优。由于不同超参数对网络收敛速度影响程度不同，需要选择不同的搜索范围，以加快参数选择效率。
[0099]
超参数搜索空间如表1所列。lstm层激活函数选择softmax，fcn层激活函数选择relu，输出层激活函数选择sigmoid。并添加dropout层防止过拟合，比率设为0.5。优化函数可选择adam、sgd等，初始学习率设为0.001，设置为训练过程线性衰减。
[0100]
表1超参数搜索空间
[0101][0102][0103]
在本发明的实施例中，电力负荷预测模型的训练方法还可包括：从重构后的电力负荷数据中划分出测试数据和验证数据，组成测试数据集和验证数据集，其中，训练数据的数量大于测试数据的数量，测试数据的数量大于验证数据的数量；在训练过程中，利用测试数据集对负荷预测模型进行测试，以测试负荷预测模型的训练效果；在训练结束后，利用验证数据集对训练好的负荷预测模型进行验证，以得到满足预设要求的负荷预测模型。
[0104]
具体地，从重构后的电力负荷数据中划分出测试数据，组成测试数据集，从重构后的电力负荷数据中划分出验证数据，组成验证数据集。示例性的，在将重构后的电力负荷数据划分为80％的训练数据集的基础上，将重构后的电力负荷数据划分为10％的测试数据集，10％的验证数据集。
[0105]
在训练过程中，利用测试数据集对负荷预测模型进行测试，以测试负荷预测模型的训练效果。对达到目标训练效果的负荷预测模型，再利用验证数据集对训练好的负荷预测模型进行验证，检测训练好的负荷预测模型进行验证是否满足预设要求，对于不满足预设要求的负荷预测模型，进行再训练。对于满足预设要求的负荷预测模型，则可以进行目标预测周期的电力负荷预测。
[0106]
对利用上述电力负荷预测模型的训练方法得到的电力负荷预测模型进行实验评估。该实验采用mae、mape、r2三个评价指标评估了不同网络结果和不同超参数(迭代次数)情况下的电力负荷预测模型性能。
[0107]
表2负荷预测结果测试比较
[0108]
网络模型maemaper2fcn4.2920.2870.89lstm2.7110.180.949fcn-lstm(100)2.2040.1450.955fcn-lstm(500)1.5710.1050.971fcn-lstm(1000)1.8270.1240.966
[0109]
从如上表2可以看出，fcn和lstm融合模型的表现会优于单一的深度学习网络模型。
[0110]
本发明实施例的电力负荷预测模型的训练方法，将时间序列数据输入包括全卷积神经网络fcn和长短期记忆网络lstm的电力负荷预测模型，对电力负荷预测模型进行训练，使训练得到的电力负荷预测模型可处理大体量的时间序列数据，且具有预测精度高的优点。
[0111]
本发明还提出了一种电力负荷预测方法。
[0112]
图6是本发明一个实施例的电力负荷预测方法的流程图。如图6所示，电力负荷预测方法可包括：
[0113]
s61，获取待预测电力负荷数据；
[0114]
s62，将待预测电路负荷数据输入至训练好的电力负荷预测模型，得到相应的电力负荷预测值，其中，电力负荷预测模型利用如上述电力负荷预测模型的训练方法训练得到。
[0115]
需要说明的是，待预测电力负荷数据为时间序列数据。
[0116]
需要说明的是，本发明实施例的电力负荷预测方法的其他具体实施方式可参见本发明上述实施例的电力负荷预测模型的训练方法的具体实施方式。
[0117]
本发明实施例的电力负荷预测方法，通过获取待预测电力负荷数据，将待预测电力负荷数据输入训练好的电力负荷预测模型，以得到相应的电力负荷预测值，具有电力负荷预测值准确度高的优点。
[0118]
本发明还提出了一种电力负荷预测模型的训练装置。
[0119]
图7是本发明一个实施例的电力负荷预测模型的训练装置的示意图。如图7所示，电力负荷预测模型的训练装置100包括：数据获取单元11、模型预测单元12、函数计算单元13和参数调整单元14，其中，数据获取单元、模型预测单元、函数计算单元和参数调整单元使用训练数据集对电力负荷预测模型进行多次周期性的训练，其中，电力负荷预测模型包括全卷积神经网络fcn和长短期记忆网络lstm，针对每次训练周期：
[0120]
数据获取单元11用于获取当前训练周期的训练数据集，其中，训练数据集包括历史负荷的时间序列数据；模型预测单元12用于将训练数据集中的时间序列数据输入当前训练周期的电力负荷预测模型，得到当前训练周期的电力负荷预测值；函数计算单元13用于基于当前训练周期的电力负荷预测值和当前训练周期的电力负荷真实值，确定当前训练周期的损失函数；参数调整单元14用于根据当前训练周期的损失函数调整当前训练周期的电力负荷预测模型的参数。
[0121]
需要说明的是，本发明实施例的电力负荷预测模型的训练装置的其他具体实施方式可参见本发明上述实施例的电力负荷预测模型的训练方法的具体实施方式。
[0122]
本发明实施例的电力负荷预测模型的训练装置，将时间序列数据输入包括全卷积神经网络fcn和长短期记忆网络lstm的电力负荷预测模型，对电力负荷预测模型进行训练，使训练得到的电力负荷预测模型可处理大体量的时间序列数据，且具有预测精度高的优点。
[0123]
本发明还提出了一种电力负荷预测装置。
[0124]
图8是本发明一个实施例的电力负荷预测装置的示意图。如图8所示，电力负荷预测装置200包括：获取模块21和预测模块22。
[0125]
其中，获取模块21用于获取待预测电力负荷数据；预测模块22用于将待预测电力负荷数据输入至训练好的电力负荷预测模型，得到相应的电力负荷预测值，其中，电力负荷预测模型利用如上述电力负荷预测模型的训练方法训练得到。
[0126]
需要说明的是，本发明实施例的电力负荷预测装置的其他具体实施方式可参见本发明上述实施例的电力负荷预测模型的训练方法的具体实施方式。
[0127]
本发明实施例的电力负荷预测装置，通过获取待预测电力负荷数据，将待预测电力负荷数据输入训练好的电力负荷预测模型，以得到相应的电力负荷预测值，具有电力负荷预测值准确度高的优点。
[0128]
本发明还提出了一种计算机可读存储介质。
[0129]
在该实施例中，计算机可读存储介质上存储有计算机程序，计算机程序对应上述的电力负荷预测模型的训练方法，或，电力负荷预测方法，其被处理器执行时，实现如上述的电力负荷预测模型的训练方法，或，电力负荷预测方法。
[0130]
本发明还提出了一种电子设备。
[0131]
在该实施例中，电子设备包括处理器、存储器以及存储在存储器上的计算机程序，处理器执行计算机程序时，实现上述的电力负荷预测模型的训练方法，或，电力负荷预测方法。
[0132]
在该实施例中，电子设备可包括电力边缘终端。
[0133]
电力负荷预测模型的部署过程，主要是将训练并优化好的电力负荷预测模型植入嵌入式电力终端设备中，在边缘终端侧实施推理计算，进行负荷预测等功能。
[0134]
推理计算的过程如下：用于电力负荷预测系统的嵌入式电力终端设备如电力计量装置，对数据进行读取和存储后，汇总并进行预处理之后，将其传至电力负荷预测模型内，进行数学计算，得出数据后在终端显示屏上显示，缩小了数据上传的流量，节省了工作人员的工作时间，简化了工作的难度，方便的对预测数据的集中处理，提高了工作的效率。
[0135]
电力负荷预测模型的部署无需再考虑如何修改训练方式或者修改网络结构以提高模型精度，更多的是需要明确部署的场景、部署方式(中心服务化还是本地终端部署)、模型的优化指标，以及如何提高吞吐率和减少延迟。
[0136]
本发明主要部署于电力边缘终端设备。边缘部署主要用于嵌入式设备，主要通过将电力负荷预测模型打包封装到sdk，集成到嵌入式设备，数据的处理和电力负荷预测模型推理都在终端设备上执行。以c++等语言实现一套高效的前后处理和推理引擎库(高效推理模式下的operation/layer/module的实现)，用于提供高性能推理能力。此种方式需要考虑模型转换(动态图静态化)、模型联合编译等进行深度优化。
[0137]
电力终端设备有内存和速度的考虑，要求模型尽量小，同时保证一定的吞吐率。上
述人工设计适合于嵌入式设备的模型的同时，还通过nas(neural architecture search)自动搜索小模型，以及通过蒸馏/剪枝的方式压缩模型，并使用量化来达到减小模型规模和加速的目的。
[0138]
量化的过程主要是将原始浮点fp32训练出来的模型压缩到定点int8的模型，其模型规模可以直接降为原来的1/4。量化的技术主要分为量化训练(qat,quantization aware training)和离线量化(ptq,post training quantization)。量化训练是通过对模型插入伪量化算子，通过梯度下降等优化方式在原始浮点模型上进行微调，通过调整参数得到符合预期精度的模型。离线量化是通过少量校准数据集获得网络的activation分布，通过统计手段或者优化浮点和定点输出的分布来获得量化参数，从而获取最终部署的模型。
[0139]
在该实施例中，电力终端设备可为电力计量装置、集中器、配变终端等。
[0140]
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0141]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0142]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0143]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0144]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0145]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0146]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0147]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。