[发明专利]能耗预测网络的训练、能耗预测方法、装置和计算机设备

权利要求书

1.一种能耗预测网络的训练方法，其特征在于，所述能耗预测网络包括待训练的第一特征提取网络、待训练的第二特征提取网络、待训练的特征融合网络和待训练的特征分类网络，所述方法包括：

获取训练样本数据；所述训练样本数据包括历史能耗数据和标签时刻的实际能耗值；所述历史能耗数据为所述标签时刻之前的能耗数据时间序列；

将所述历史能耗数据输入至所述待训练的第一特征提取网络，得到第一能耗特征，以及，将所述历史能耗数据输入至所述待训练的第二特征提取网络，得到第二能耗特征；其中，所述第一能耗特征为卷积特征；所述第二能耗特征为深度分离卷积特征；

将所述第一能耗特征和所述第二能耗特征输入至所述待训练的特征融合网络，得到融合能耗特征；所述融合能耗特征为所述待训练的特征融合网络通过最大化所述第一能耗特征和所述第二能耗特征间的相关关系得到的；

将所述融合能耗特征输入至所述待训练的特征分类网络，得到预测能耗值；

基于所述预测能耗值与所述实际能耗值之间的差异，调整所述能耗预测网络的网络参数，直至得到训练好的能耗预测网络；所述训练好的能耗预测网络包括训练好的第一特征提取网络、训练好的第二特征提取网络、训练好的特征融合网络和训练好的特征分类网络。

2.根据权利要求1所述的方法，其特征在于，所述基于所述预测能耗值与所述实际能耗值之间的差异，调整所述能耗预测网络的网络参数，直至得到训练好的能耗预测网络，包括：

基于所述预测能耗值与所述实际能耗值之间的差异，获取所述能耗预测网络的网络损失值；

若所述网络损失值不在预设的阈值范围内，则根据所述网络损失值调整所述能耗预测网络的网络参数，直至所述网络损失值低于预设阈值时，将网络参数调整后的能耗预测网络作为所述训练好的能耗预测网络。

3.根据权利要求2所述的方法，其特征在于，所述根据所述网络损失值调整所述能耗预测网络的网络参数，包括：

采用反向传播的方法，基于所述网络损失值，确定所述能耗预测网络中各个网络节点的梯度；

采用随机梯度下降的方法，按照所述梯度对所述各个网络节点的参数进行更新，得到所述网络参数调整后的能耗预测网络。

4.根据权利要求1所述的方法，其特征在于，所述待训练的特征融合网络包括特征调整层、特征融合层和全连接层，所述将所述第一能耗特征和所述第二能耗特征输入至所述待训练的特征融合网络，得到融合能耗特征，包括：

通过所述特征调整层，对所述第一能耗特征和所述第二能耗特征进行调整，以使调整后的第一能耗特征与调整后的第二能耗特征之间的相关关系最大化；

通过所述特征融合层，对所述调整后的第一能耗特征与所述调整后的第二能耗特征进行融合处理，得到初始融合特征；

通过所述全连接层，对所述初始融合特征进行全连接处理，得到所述融合能耗特征。

5.根据权利要求1所述的方法，其特征在于，所述获取训练样本数据，包括：

获取原始能耗数据；

对所述原始能耗数据进行去冗余处理，得到去冗余能耗数据；所述去冗余能耗数据的特征冗余程度小于预设阈值；

对所述去冗余能耗数据进行归一化处理，得到所述训练样本数据。

6.根据权利要求5所述的方法，其特征在于，所述原始能耗数据包括多个能耗变量，所述对所述原始能耗数据进行去冗余处理，得到去冗余能耗数据，包括：

基于互信息的特征提取方法，确定各个所述能耗变量对应的互信息量；

基于各个所述互信息量的大小，对各个所述能耗变量进行排序，得到排序后的能耗变量；

在所述排序后的能耗变量中，确定目标能耗变量；所述目标能耗变量的互信息量大于所述排序后的能耗变量中除所述目标能耗变量以外的能耗变量；

将所述目标能耗变量对应的特征数据，作为所述去冗余能耗数据。