【技术实现步骤摘要】
本专利技术涉及数据预测，尤其涉及一种能耗预测模型训练方法、预测方法、装置、介质及设备。
技术介绍
1、现有的能耗预测方法，主要包括物理模型和数据驱动的方法。基于物理模型的能耗预测方法虽然在预测结果上有良好的可解释性，但是该方法需要详细的建筑物理参数和环境参数等详细的先验信息，模型的精度高度依赖于基于物理的模型的准确性，且建立的物理模型不具备可扩展性；基于数据驱动的能耗预测方法由于仅依赖于历史数据，具有操作简单、非线性逼近能力强等优势，被广泛应用于能耗预测领域，但现有的能耗预测方法均没能达到对能耗数据长期稳定的预测。目前能耗预测的主要难点在于：时序数据由于受到人为和诸多外部因素的影响，存在不规则波动和突变，导致时序预测模型无法提供足够准确和可靠的预测结果。
2、现有的信号分解方法可以在某种程度上缓解不规则时序数据带来的影响，但大多数研究仅将其用于噪声去除，没有进一步挖掘深层次的时序信息。此外，没有研究子序列数对时序预测精度的影响，无法根据数据集的特点自适应的选取最佳的子序列个数，从而丧失了部分精度。
3、因此，如何能根据数据集特点自适应信号分解，并实现长期稳定能耗预测，是本专利技术要解决的关键问题。
技术实现思路
1、为了解决
技术介绍
中提到的至少一个技术问题，本专利技术的目的在于提供一种能耗预测模型训练方法、预测方法、装置、介质及设备，可以根据数据集特点自适应确定最佳信号分解子序列数，并实现长期稳定能耗预测。
2、为实现上述目的，本专利技术提供如下
3、第一方面，本专利技术实施例提供了一种能耗预测模型训练方法，包括：
4、s101，获取能耗数据，所述能耗数据包括多个用电主体电力消耗的时序数据；
5、s102，对所述能耗数据进行预处理，所述预处理包括异常值剔除、缺失值补全、归一化处理；
6、s103，针对预处理后的所述能耗数据，通过fft转换为频域得到频谱图，并基于阈值的峰值检测算法，从所述频谱图中得到候选子序列数区间，对所述候选子序列数区间内的子序列数进行超参数搜索，确定各自的最佳子序列数；
7、s104，利用奇异谱分析算法将预处理后的所述能耗数据分解为由多个子序列构成的数据，其中，所述多个子序列的数量与s103中确定的所述最佳子序列数相等；
8、s105，基于分解后的所述由多个子序列构成的数据进行数据集划分，确定训练集、测试集和验证集，并基于所述训练集、所述测试集和所述验证集，对初始的能耗预测模型进行训练，得到训练好的能耗预测模型。
9、进一步的，所述能耗预测模型为itransformer模型，所述itransformer模型包括嵌入层、投影层和多个可堆叠的trmblock模块；所述itransformer模型的损失函数为mseloss，并以最小化平均绝对误差mae、平均绝对百分比误差mape、均方根误差rmse指标和最优化确定系数r2指标为目标进行设计和优化；
10、其中，mae基于以下公式确定：
11、；
12、mape基于以下公式确定：
13、；
14、rmse基于以下公式确定：
15、；
16、r2基于以下公式确定：
17、；
18、其中，n为总的数据个数，y表示实际数据值，是预测值；是实际数据的平均值；mae、mape和rmse用于评估预测误差的水平，r2用于评估拟合的良好性。
19、进一步的，所述异常值剔除包括删除小于0的值；所述缺失值补全的步骤包括：
20、对于所述能耗数据的两个有效值之间的缺失值使用线性插值法进行补全；
21、对于所述能耗数据的序列开头的缺失值，使用下游的第一个有效值进行补全；
22、对于所述能耗数据的序列末尾的缺失值，使用上游的第一个有效值进行补全。
23、进一步的，所述数据集划分按照87.5%的比例划分为原始训练集，12.5%的比例划分为原始测试集，从所述原始训练集中抽取5%作为原始验证集。
24、第二方面，本专利技术实施例提供了一种能耗预测方法，包括：
25、采集待预测用电主体的能耗数据，所述能耗数据为电力消耗的时序数据；
26、对所述能耗数据进行预处理后，所述预处理包括异常值剔除、缺失值补全、归一化处理，通过fft转换为频域得到频谱图，并基于阈值的峰值检测算法，从所述频谱图中得到候选子序列数区间，对所述候选子序列数区间内的子序列数进行超参数搜索，确定最佳子序列数；
27、通过奇异谱分析算法将所述能耗数据分解为由多个子序列构成的数据，其中，所述多个子序列的数量等于所述最佳子序列数；
28、将所述多个子序列中的每个所述子序列输入到上述训练好的能耗预测模型中，得到各所述子序列的预测结果；其中，所述子序列的预测结果为向量；
29、将各所述子序列的预测结果的每个向量分量对应相加，再进行反归一化处理，得到所述待预测用电主体的能耗预测结果。
30、第三方面，本专利技术实施例提供了一种能耗预测装置，包括：
31、采集单元，用于采集待预测用电主体的能耗数据，所述能耗数据为电力消耗的时序数据；
32、最佳子序列数确定单元，用于对所述能耗数据进行异常值剔除和缺失值补全处理后，通过fft转换为频域得到频谱图，并基于阈值的峰值检测算法，从所述频谱图中得到候选子序列数区间，对所述候选子序列数区间内的子序列数进行超参数搜索，确定最佳子序列数；
33、分解单元，用于通过奇异谱分析算法将所述能耗数据分解为由多个子序列构成的数据，其中，所述多个子序列的数量等于所述最佳子序列数；
34、预测单元，用于将所述多个子序列中的每个所述子序列输入到上述训练好的能耗预测模型中，得到各所述子序列的预测结果；其中，所述子序列的预测结果为向量；
35、计算单元，用于将各所述子序列的预测结果的每个向量分量对应相加，再进行反归一化处理，得到所述待预测用电主体的能耗预测结果。
36、第四方面，本专利技术实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的任一能耗预测模型训练方法。
37、第五方面，本专利技术实施例还提供了一种终端设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的任一能耗预测模型训练方法。
38、与现有技术相比，本专利技术的有益效果是：
39、利用快速傅里叶变换和超参数搜索，针对不同待测用电主体的能耗数据自适应地确定信号分解的最佳子序列数，通过奇异谱分析将能耗数据分解为由多个子序列构成的数据，其中，多个子序列的数量等于最佳子序列数，将每个子序列输入到itransformer模型中，建模变量之间的相关性，并使用线性前馈网络提取深层次的时序信息，从而提高预测精度，实本文档来自技高网...
【技术保护点】
1.一种能耗预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的能耗预测模型训练方法，其特征在于，所述能耗预测模型为iTransformer模型，所述iTransformer模型包括嵌入层、投影层和多个可堆叠的TrmBlock模块；
3.根据权利要求1所述的能耗预测模型训练方法，其特征在于，所述异常值剔除包括删除小于0的值；所述缺失值补全的步骤包括：
4.根据权利要求1所述的能耗预测模型训练方法，其特征在于，所述数据集划分按照87.5%的比例划分为原始训练集，12.5%的比例划分为原始测试集，从所述原始训练集中抽取5%作为原始验证集。
5.一种能耗预测方法，其特征在于，包括：
6.一种能耗预测装置，其特征在于，包括：
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任意一项所述的方法。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至
...【技术特征摘要】
1.一种能耗预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的能耗预测模型训练方法，其特征在于，所述能耗预测模型为itransformer模型，所述itransformer模型包括嵌入层、投影层和多个可堆叠的trmblock模块；
3.根据权利要求1所述的能耗预测模型训练方法，其特征在于，所述异常值剔除包括删除小于0的值；所述缺失值补全的步骤包括：
4.根据权利要求1所述的能耗预测模型训练方法，其特征在于，所述数据集划分按照87.5%的比例划分为原始训练集...
【专利技术属性】
技术研发人员：黄晶，刘仁来，钟宜国，张伟，严珂，
申请(专利权)人：杭州经纬信息技术股份有限公司，
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。