一种能耗预测模型的训练方法、装置、终端设备、存储介质以及能耗预测方法与流程

本发明涉及能耗预测，尤其涉及一种能耗预测模型的训练方法、装置、终端设备、存储介质以及能耗预测方法。

背景技术：

1、随着全球低碳经济和绿色发展目标的推进，准确评估和优化高耗能行业的能源消耗及其碳排放成为推动行业转型的关键任务。高耗能行业不仅是全球碳排放的重要来源，也是能源使用效率提升的重点领域。如何在保障生产效率的前提下，通过高精度的能耗预测和碳排放评估，帮助企业实现节能减排目标，成为了亟待解决的课题。

2、现有技术中多依托基于统计学的时间序列进行能耗预测分析，例如，钢铁、化工等行业常运用自回归模型或自回归移动平均模型进行预测，在这种预测方式下，通常只能基于单一变量的历史数据进行预测，但是实际上能耗通常会受到例如电量数据、外部气候等多因素的影响，因此现有技术存在预测结果精度不足的问题。

技术实现思路

1、本发明提供了一种能耗预测模型的训练方法、装置、终端设备、存储介质以及能耗预测方法，能解决现有技术中仅使用单一变量的历史数据进行能耗预测，存在预测结果精度不足的问题。

2、本发明一实施例提供一种能耗预测模型的训练方法，包括：

3、获取历史电量数据、上述历史电量数据对应的历史环境数据、历史运行数据、历史市场数据、历史能耗数据以及历史时段；

4、根据上述历史能耗数据，对上述历史电量数据、历史环境数据、历史运行数据、历史市场数据以及历史时段进行特征选择，得到训练样本集和评估样本集；

5、根据上述训练样本集对预设初始能耗预测模型进行重复模型优化操作，得到最终的预设能耗预测模型；

6、其中，上述模型优化操作包括：

7、获取当前种群；其中，上述种群包含若干个体，每一个体表示一组模型外层超参数组合，初始时的个体为预设初始个体；

8、针对当前种群中的每一个体，根据当前的模型外层超参数组合构建当前的能耗预测模型，并根据上述训练样本集对当前的能耗预测模型进行迭代训练，直至损失函数收敛，得到更新后的能耗预测模型；根据上述评估样本集计算得到当前个体的适应度；

9、判断当前的模型优化操作次数是否不小于预设优化次数，若是，将适应度最大的当前个体所对应的能耗预测模型，作为上述预设能耗预测模型；

10、否则，根据遗传算法和所有当前个体的适应度对当前种群进行更新。

11、进一步的，在根据上述历史能耗数据，对上述历史电量数据、历史环境数据、历史运行数据、历史市场数据以及历史时段进行特征选择之前，还包括：

12、对上述历史电量数据、历史环境数据、历史运行数据、历史市场数据、历史时段，以及历史能耗数据进行归一化处理，得到归一化后的历史电量数据、归一化后的历史环境数据、归一化后的历史运行数据、归一化后的历史市场数据、归一化后的历史时段，以及归一化后的历史能耗数据；

13、分别计算上述归一化后的历史电量数据、归一化后的历史环境数据、归一化后的历史运行数据、归一化后的历史市场数据、归一化后的历史时段，以及归一化后的历史能耗数据的统计特征值；

14、根据上述统计特征值对对应的归一化后的数据进行标准化处理。

15、进一步的，根据上述训练样本集对当前的能耗预测模型进行迭代训练，直至损失函数收敛，得到更新后的能耗预测模型，包括：

16、将上述训练样本集输入至当前的能耗预测模型中进行迭代训练，直至损失函数收敛，得到更新后的能耗预测模型；

17、其中，在每次迭代训练时，根据当前的训练样本生成当前的能耗预测值；根据当前的能耗预测值以及当前的训练样本所对应的历史能耗数据，计算得到当前损失函数，并判断当前损失函数是否收敛；

18、若收敛，将当前损失函数所对应的能耗预测模型，作为上述更新后的能耗预测模型；

19、否则，根据梯度下降法，对当前损失函数所对应的能耗预测模型中的内层权重参数进行调整后，继续进行迭代训练。

20、进一步的，上述根据当前的训练样本生成当前的能耗预测值，包括：

21、根据当前的训练样本构建得到当前的特征向量；

22、将当前的特征向量输入至更新后的能耗预测模型；其中，上述能耗预测模型包括：输入层、隐藏层以及输出层；

23、通过输入层将当前的特征向量传输至隐藏层；

24、基于隐藏层对当前的特征向量进行特征提取，得到用于表示能耗关联模式的高层特征，并将上述高层特征传输至输出层；

25、根据输出层对上述高层特征进行线性激活，得到当前的能耗预测值。

26、进一步的，上述根据上述评估样本集计算得到当前个体的适应度，包括：

27、获取当前个体所对应的复杂度和正则化系数；

28、将上述评估样本集中的评估样本输入至更新后的能耗预测模型中，得到各上述评估样本对应的预测能耗；

29、根据所有预测能耗、各预测能耗对应的历史能耗数据、复杂度和正则化系数，计算得到当前个体的适应度。

30、进一步的，上述根据遗传算法和所有当前个体的适应度对当前种群进行更新，包括：

31、根据所有当前个体的适应度，计算得到每一当前个体的被选择概率；

32、根据被选择概率以及轮盘赌选择法，从所有当前个体中选定用于交叉配对的若干当前父代个体；

33、对各组当前父代个体进行交叉操作，生成若干当前子代个体；

34、对所有当前子代个体进行变异操作，生成更新后的种群。

35、在上述方法项实施例的基础上，本发明对应提供了装置项实施例；

36、本发明提供了一种能耗预测模型的训练装置，包括：

37、数据获取模块、样本集构建模块以及模型训练模块；

38、上述数据获取模块，用于上述历史电量数据对应的历史环境数据、历史运行数据、历史市场数据、历史能耗数据以及历史时段；

39、上述样本集构建模块，用于根据上述历史能耗数据，对上述历史电量数据、历史环境数据、历史运行数据、历史市场数据以及历史时段进行特征选择，得到训练样本集和评估样本集；

40、上述模型训练模块，用于根据上述训练样本集对预设初始能耗预测模型进行重复模型优化操作，得到最终的预设能耗预测模型；

41、其中，上述模型优化操作包括：

42、获取当前种群；其中，上述种群包含若干个体，每一个体表示一组模型外层超参数组合，初始时的个体为预设初始个体；

43、针对当前种群中的每一个体，根据当前的模型外层超参数组合构建当前的能耗预测模型，并根据上述训练样本集对当前的能耗预测模型进行迭代训练，直至损失函数收敛，得到更新后的能耗预测模型；根据上述评估样本集计算得到当前个体的适应度；

44、判断当前的模型优化操作次数是否不小于预设优化次数，若是，将适应度最大的当前个体所对应的能耗预测模型，作为上述预设能耗预测模型；

45、否则，根据遗传算法和所有当前个体的适应度对当前种群进行更新。

46、在上述方法项实施例的基础上，本发明对应提供了一终端设备项实施例；

47、本发明提供了一种终端设备，包括处理器、存储器以及存储在上述存储器中且被配置为由上述处理器执行的计算机程序，上述处理器执行上述计算机程序时实现本发明任意一实施例上述的一种能耗预测模型的训练方法。

48、在上述方法项实施例的基础上，本发明对应提供了一存储介质项实施例；

49、本发明提供了一种存储介质，包括处理器、存储器以及存储在上述存储器中且被配置为由上述处理器执行的计算机程序，上述处理器执行上述计算机程序时实现本发明任意一实施例上述的一种能耗预测模型的训练方法。

50、本发明另一实施例提供了一种能耗预测方法，包括：

51、获取电量数据、上述电量数据对应的环境数据、运行数据、市场数据以及预测时段；

52、根据上述电量数据、环境数据、运行数据、市场数据以及预测时段，构建输入特征向量；

53、将上述输入特征向量输入至预设能耗预测模型，以使上述预设能耗预测模型根据上述输入特征向量，预测得到能耗预测量；其中，上述预设能耗预测模型，根据上述任意一实施例上述的一种能耗预测模型的训练方法进行训练后得到。

54、本发明的实施例，具有如下有益效果：

55、本发明提供了一种能耗预测模型的训练方法、装置、终端设备、存储介质以及能耗预测方法，上述能耗预测模型的训练方法包括：获取历史电量数据、上述历史电量数据对应的历史环境数据、历史运行数据、历史市场数据、历史能耗数据以及历史时段；随后根据上述历史能耗数据，对上述历史电量数据、历史环境数据、历史运行数据、历史市场数据以及历史时段进行特征选择，得到训练样本集和评估样本集；最后根据上述训练样本集对预设初始能耗预测模型进行重复模型优化操作，得到最终的预设能耗预测模型；其中，上述模型优化操作包括：获取当前种群；其中，上述种群包含若干个体，每一个体表示一组模型外层超参数组合，初始时的个体为预设初始个体；针对当前种群中的每一个体，根据当前的模型外层超参数组合构建当前的能耗预测模型，并根据上述训练样本集对当前的能耗预测模型进行迭代训练，直至损失函数收敛，得到更新后的能耗预测模型；根据上述评估样本集计算得到当前个体的适应度；判断当前的模型优化操作次数是否不小于预设优化次数，若是，将适应度最大的当前个体所对应的能耗预测模型，作为上述预设能耗预测模型；否则，根据遗传算法和所有当前个体的适应度对当前种群进行更新。因此在本发明中获取了包含电量、环境与运行数据，以及时间与市场数据等与能耗预测相关联的多源数据量，并基于这些多源数据进行特征选择，构建用于模型训练的样本集，因此训练得到的模型能学习到样本集所对应的多源数据对能耗预测的关联影响，使得训练好的模型在实际应用时，预测出的结果更为精确。