[发明专利]神经网络的生成方法、功率预测方法、装置和存储介质

说明书

本发明公开了一种神经网络的生成方法、功率预测方法、装置和存储介质，该生成方法包括：获取用于表征耗电功率的时间序列{X₀,X₁,...,X_t‑1,X_t,X_t+1}，其中，X_i和X_i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X₀,X₁,...,X_t‑1,X_t}并生成Y_t+1，所述鉴别器用于接收{X₀,X₁,...,X_t‑1,X_t}、X_t+1和Y_t+1，且能够输出以{X₀,X₁,...,X_t‑1,X_t}作为条件时、得到Y_t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。从而能够生成用于超短期负荷预测的神经网络。

技术领域

本发明涉及计算机领域，尤其涉及神经网络的生成方法、功率预测方法、装置和存储介质。

背景技术

超短期负荷预测是指未来1至2小时以内的负荷预测，预测结果的分辨率一般为分钟级，主要用于安全监视、预防性控制和紧急状态处理，主要用于电力系统实时调度提供决策依据。超短期预测在储能行业有较大的应用，储能系统的用户分为工商业用户和户用用户，工商业用户每月支付的基础费用由负荷峰值功率决定，利用储能设备在负荷高峰时放电，可以降低从电网用电的峰值功率，从而降低企业基础电费，为企业带来经济收益。根据企业历史负荷时间序列数据，在给定系统设备基本属性的前提下，对企业未来分钟级的负荷情况进行超短期负荷预测，并得到相应最优需量值。

超短期负荷预测通常采用的思路是利用负荷数据的周期性,基于最近数日负荷数据在相同时段内变化的相近特性,分析预测时刻负荷和前面若干时刻负荷的内在规律,构成相关特性。其中最近数日可以扩展为相似日。预测时刻负荷和前面若干时刻负荷的内在规律可通过线性、非线性回归、模型辨识、神经网络逼近等方法获得。这样就形成了各种不同的预测算法,如线性外推法、时间序列法、卡尔曼滤波法、人工神经网络法等。近年来国内外学者在以上传统超短期负荷预测方法的基础上,又提出了许多改进的超短期负荷预测方法取得了良好的效果。

因此，设计一种用于超短期负荷预测的方法，就成为一个亟待解决的问题。

发明内容

有鉴于此，本发明的主要目的在于提供神经网络的生成方法、功率预测方法、装置和存储介质。

为达到上述目的，本发明的技术方案是这样实现的：一种用于超短期负荷预测的神经网络的生成方法，包括以下步骤：获取用于表征耗电功率的时间序列{X₀,X₁,...,X_t-1,X_t,X_t+1}，其中，X_i和X_i+1之间的时间间隔小于等于一分钟，i和t为自然数，0≤i≤t；创建对抗生成神经网络，所述对抗生成神经网络包含有生成器和鉴别器，所述生成器用于接收{X₀,X₁,...,X_t-1,X_t}并生成Y_t+1，所述鉴别器用于接收{X₀,X₁,...,X_t-1,X_t}、X_t+1和Y_t+1，且能够输出以{X₀,X₁,...,X_t-1,X_t}作为条件时、得到Y_t+1的概率P，基于所述概率P得到损失值，基于所述损失值对所述生成器和鉴别器进行改进。