[发明专利]一种负荷预测的方法、装置及电子设备

权利要求书

1.一种负荷预测的方法，其特征在于，所述方法包括：

获取时间系列数据和能源特征数据；

对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；

构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；

基于所述训练数据对所述第一预测模型进行训练，得到第二负荷预测模型；

将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。

2.根据权利要求1所述的方法，其特征在于，所述测试数据包括任一时间序列数据和每个时间序列对应的负荷真实值，

所述方法还包括：

将所述任一时间序列数据作为所述第二负荷预测模型的输入数据，得到测试值；

针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值；

根据所述误差值调节所述第二负荷预测模型。

3.根据权利要求2所述的方法，其特征在于，所述针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值，包括：

针对任一时间序列数据，计算负荷真实值和所述测试值的均方根误差，得到均方根误差值；

其中，所述均方根误差通过如下公式计算：

其中，n表示时间序列数据的个数，y_i表示第i个所述时间序列数据的负荷真实值，表示第i个所述时间序列数据对应的测试值。

4.根据权利要求1所述的方法，其特征在于，所述对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据，包括：

提取所述时间系列数据的预设时间段的所述能源数据为特征数据；

以所述时间序列数据作为标签数据；

将所述特征数据和所述标签数据按照预设比例划分为所述训练数据和所述测试数据。

5.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据对所述第一预测模型进行训练，得到第二负荷预测模型，包括：

将所述训练数据输入深度信念网络的输入层，以提取数据特征值；

用预设算法回归层对所述数据特征值进行回归运算，以得到回归值；

将所述回归值和所述标签数据对所述深度信念网络进行参数调整，以得到抽象特征值；

将所述抽象特征值输入到长短期记忆模型算法中，以得到算法处理结果；

基于所述算法处理结果和所述标签数据对所述长短期记忆模型算法的参数进行调整，以得到所述第二负荷预测模型。

6.根据权利要求5所述的方法，其特征在于，所述将所述抽象特征值输入到长短期记忆模型算法中，以得到算法处理结果，包括：

将所述抽象特征值输入到长短期记忆模型算法的第一预设层进行处理的得到第一处理结果；

将所述第一处理结果输入到长短期记忆模型算法的第二预设层进行处理得到第二处理结果，所述第二处理结果为所述算法处理结果，其中，所述第二预设层为BP神经网络层。

7.根据权利要求2所述的方法，其特征在于，所述将所述任一时间序列数据作为所述第二负荷预测模型的输入数据，得到测试值，包括：

将所述任一时间序列数据输入所述第二负荷预测模型，得到预测的该时间序列的能源特征数据，该能源特征数据为所述测试值。

8.一种负荷预测的装置，其特征在于，所述装置包括：

获取模块，用于获取时间系列数据和能源特征数据；

预处理模块，用于对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；

模型构建模块，用于构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；

训练模块，用于基于所述训练数据对所述第一预测模型进行训练，得到第二负荷预测模型；

预测模块，用于将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。