一种电动设备负荷预测方法、装置、可存储介质及计算设备制造方法及图纸

本发明专利技术公开了一种电动设备负荷预测方法、装置、可存储介质及计算设备，该方法以当前温度和日期数据构建相关时间序列数据集，并输入至训练好的基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型，对电动设备负荷进行预测。本发明专利技术在一定程度上解决了神经网络在时间序列上常见的梯度爆炸问题。在时间序列上常见的梯度爆炸问题。在时间序列上常见的梯度爆炸问题。

【技术实现步骤摘要】
一种电动设备负荷预测方法、装置、可存储介质及计算设备


[0001]本专利技术公开了一种电动设备负荷预测方法、装置、可存储介质及计算设备，属于电网负荷规划


技术介绍

[0002]随着电动汽车的高速发展，大规模的电动汽车作为新型负荷类型接入电网，这对电网用电规划以及电动汽车负荷的预测都带来了极大的挑战。传统电动汽车负荷预测方法有回归分析法、灰色模型预测、蒙特卡洛法以及组合模型法等方法。但传统方法，存在影响因素考虑不全面、模型建立较难、预测逻辑不严谨等缺点。目前，双向长短期记忆网络(Bi
‑
directional Long Short
‑
Term Memory，BiLSTM)作为比较普及的智能预测方法之一，该方法通过对数据集进行训练建立负荷预测模型，利用预测模型进行负荷预测。这一技术的使用，克服了传统方法存在的部分问题，并在一定程度上解决了卷积神经网络(Convolutional Neural Network，CNN)无法长期记忆的问题。目前长短期记忆网络(Long Short
‑
Term Memory，LSTM)预测方法被国内外普遍认为是时间序列预测的基本方法。目前电动汽车负荷预测中，存在负荷数据范围大、时间序列较长的特点，则基于单一LSTM神经网络的负荷预测会出现收敛速度下降、精确度降低等问题。

技术实现思路

[0003]本专利技术为解决单一LSTM神经网络不能获得良好的预测准确度，提供一种电动设备负荷预测方法、装置、可存储介质及计算设备，通过使用Attention机制改进BiLSTM网络，提高电动设备负荷预测的准确度。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]本专利技术提供一种电动设备负荷预测方法，包括：
[0006]获取电动设备当前温度和日期数据，构成相关时间序列数据集，并对所述相关时间序列数据集进行预处理；
[0007]将预处理后的相关时间序列数据集输入至训练好的基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型，对电动设备负荷进行预测。
[0008]进一步的，对所述相关时间序列数据集进行预处理包括：
[0009]对所述相关时间序列数据集进行数据清洗、归一化及标准化。
[0010]进一步的，训练电动设备负荷预测模型，包括：
[0011]获取电动设备历史负荷、温度及日期数据，建立相关时间序列样本集，并对所述相关时间序列样本集进行预处理；
[0012]将所述预处理后的相关时间序列样本集分为训练集和测试集；
[0013]采用BiLSTM双向神经网络对所述训练集进行训练，并基于Attention机制更新网络训练参数，得到训练好的基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型。
[0014]进一步的，采用split函数将所述相关时间序列样本集分为训练集和测试集。
[0015]进一步的，所述训练基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型还包括：
[0016]初始化BiLSTM双向神经网络的参数，包括：最大训练次数、输入层神经元个数、隐藏层神经元个数、输出层神经元个数、数据集训练批次、学习率、单一批次训练集大小、训练时使用的优化器、损失函数和准确率评测标准。
[0017]进一步的，所述采用BiLSTM双向神经网络对所述训练集进行训练，并基于Attention机制更新网络训练参数，包括：
[0018]将训练集中的数据作为BiLSTM双向神经网络的输入，通过各层激活函数及忘记门对输入数据进行选择记忆或忘记，得到BiLSTM双向神经网络最底层隐藏层的输出值；
[0019]将所述BiLSTM双向神经网络最底层隐藏层的输出值作为Attention机制层的输入值，根据权重值和偏置得到负荷预测值；
[0020]基于得到的所述负荷预测值和负荷实际值获得误差值，基于所述误差值更新每层BiLSTM双向神经网络的权重值和偏置值；
[0021]基于更新后的权重值和偏置值继续进行训练直到达到设置的最大训练次数及训练批次，得到各批次的预测模型；
[0022]从各批次的预测模型中选取误差值最小的预测模型作为电动设备负荷预测模型。
[0023]进一步的，所述基于所述误差值更新每层BiLSTM双向神经网络的权重值和偏置值，包括：
[0024]根据所述误差值基于所选取的损失函数计算权重值和偏置值，通过反向传播算法利用梯度下降法逐层传递给各个神经元，更新每层网络的权重值和偏置值。
[0025]进一步的，所述电动设备为电动汽车。
[0026]本专利技术第二方面提供一种电动设备负荷预测装置，包括：
[0027]采样模块，用于获取电动设备当前温度和日期数据，构成相关时间序列数据集，并对所述相关时间序列数据集进行预处理；
[0028]以及，
[0029]预测模块，用于将预处理后的相关时间序列数据集输入至训练好的基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型，对电动设备负荷进行预测。
[0030]进一步的，所述采样模块具体用于，
[0031]对采样得到的相关时间序列数据集进行数据清洗、归一化及标准化。
[0032]进一步的，还包括训练模块，
[0033]所述训练模块用于，
[0034]获取电动设备历史负荷、温度及日期数据，建立相关时间序列样本集，并对所述相关时间序列样本集进行预处理；
[0035]将所述预处理后的相关时间序列样本集分为训练集和测试集；
[0036]采用BiLSTM双向神经网络对所述训练集进行训练，并基于Attention机制更新网络训练参数，得到训练好的电动设备负荷预测模型。
[0037]进一步的，所述训练模块还用于，
[0038]初始化BiLSTM双向神经网络的参数，包括：最大训练次数、输入层神经元个数、隐
藏层神经元个数、输出层神经元个数、数据集训练批次、学习率、单一批次训练集大小、训练时使用的优化器、损失函数和准确率评测标准。
[0039]进一步的，所述训练模块具体用于，
[0040]将训练集中的数据作为BiLSTM双向神经网络的输入，通过各层激活函数及忘记门对输入数据进行选择记忆或忘记，得到BiLSTM双向神经网络最底层隐藏层的输出值；
[0041]将所述BiLSTM双向神经网络最底层隐藏层的输出值作为Attention机制层的输入值，根据权重值和偏置得到负荷预测值；
[0042]基于所述得到的负荷预测值和负荷实际值获得误差值，基于所述误差值更新每层BiLSTM双向神经网络的权重值和偏置值；
[0043]基于更新后的权重值和偏置值继续进行训练直到达到设置的最大训练次数及训练批次，得到各批次的预测模型；
[0044]从各批次的预测模型中选取误差值最小的预测模型作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动设备负荷预测方法，其特征在于，包括：获取电动设备当前温度和日期数据，构成相关时间序列数据集，并对所述相关时间序列数据集进行预处理；将预处理后的相关时间序列数据集输入至训练好的基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型，对电动设备负荷进行预测。2.根据权利要求1所述的一种电动设备负荷预测方法，其特征在于，对所述相关时间序列数据集进行预处理包括：对所述相关时间序列数据集进行数据清洗、归一化及标准化。3.根据权利要求1所述的一种电动设备负荷预测方法，其特征在于，训练基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型，包括：获取电动设备历史负荷、温度及日期数据，建立相关时间序列样本集，并对所述相关时间序列样本集进行预处理；将所述预处理后的相关时间序列样本集分为训练集和测试集；采用BiLSTM双向神经网络对所述训练集进行训练，并基于Attention机制更新网络训练参数，得到训练好的基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型。4.根据权利要求3所述的一种电动设备负荷预测方法，其特征在于，采用split函数将所述相关时间序列样本集分为训练集和测试集。5.根据权利要求3所述的一种电动设备负荷预测方法，其特征在于，所述训练基于Attention机制的BiLSTM双向神经网络电动设备负荷预测模型还包括：初始化BiLSTM双向神经网络的参数，包括：最大训练次数、输入层神经元个数、隐藏层神经元个数、输出层神经元个数、数据集训练批次、学习率、单一批次训练集大小、训练时使用的优化器、损失函数和准确率评测标准。6.根据权利要求5所述的一种电动设备负荷预测方法，其特征在于，所述采用BiLSTM双向神经网络对所述训练集进行训练，并基于Attention机制更新网络训练参数，包括：将训练集中的数据作为BiLSTM双向神经网络的输入，通过各层激活函数及忘记门对输入数据进行选择记忆或忘记，得到BiLSTM双向神经网络最底层隐藏层的输出值；将所述BiLSTM双向神经网络最底层隐藏层的输出值作为Attention机制层的输入值，根据权重值和偏置得到负荷预测值；基于得到的所述负荷预测值和负荷实际值获得误差值，基于所述误差值更新每层BiLSTM双向神经网络的权重值和偏置值；基于更新后的权重值和偏置值继续进行训练直到达到设置的最大训练次数及训练批次，得到各批次的预测模型；从各批次的预测模型中选取误差值最小的预测模型作为电动设备负荷预测模型。7.根据权利要求6所述的一种电动设备负荷预测方法，其特征在于，所述基于所述误差值更新每层BiLSTM双向神经网络的权重值和偏置值，包括：根据所述误差值基于所选取的损失函数计算权重值和偏置值，通过反向传播算法利用梯度下降法逐层传递给各个神经元，更新每层网络的权重值和偏置值。8.根据权利要求1至7任意一项所述的一种电动设备负荷预测方法，其特征在于，所述电动设备为电动汽车。

【专利技术属性】
技术研发人员：方鑫，潘益，袁晓冬，肖小龙，苏伟，周心雨，张开宇，方陈，
申请(专利权)人：国网上海市电力公司江苏省电力试验研究院有限公司，
类型：发明
国别省市：