电量预测方法、装置、设备及可读存储介质与流程
本公开电量预测技术领域，特别涉及一种电量预测的方法、装置、设备及可读存储介质。
背景技术：
随着社会的发展，用户的电能使用情况被越来越重视，其中，用电量的预测是对用户的电能使用情况进行评估的重要方法。
在相关技术中，对于用户的用电量常采用经验估测的估测方法，即将用户的历史用电量根据时间进行分段，根据每个时间段的历史用电量的绝对值以及变化趋势，对未来的目标时间段内的用电量进行预测。在一个示例中，用户通过本年度的用电量对下年度第一季度的用电量进行预测。则用户将本年度的用电量进行分段为本年度四个季度的用电量，并根据本年度四个季度用电量的绝对值以及变化趋势，预测出下年度下一季度的用电量。
然而，相关技术中的预估方式中，仅通过本年度以及根据本年度分段得出的用电量对未来的用电量进行预估，用于参与预估的参数过少，对于未来用电量的预测不准确。
技术实现要素：
本公开关于一种电量预测的方法、装置、设备及可读存储介质，在进行用电量的预测时，通过多种参数，从多个角度出发对目标时间段内的用电量进行预测，提高对用电量的预测的准确值。该技术方案如下：
一方面，提供了一种电量预测的方法，该方法包括：
获取用电设备在历史时间段内生成的参考变量，参考变量中包括离散型参考变量和连续型参考变量，离散型参考变量为在历史时间段内根据预设时长周期采集的变量，连续型参考变量为在历史时间段内持续采集的变量；
通过电量预测模型对参考变量进行特征提取，得到变量特征，电量预测模型是通过标注有样本电量的样本参考变量训练得到的模型，样本参考变量中包括样本离散型变量和样本连续型变量；
通过电量预测模型根据变量特征预测得到目标时间段内的预测电量，目标时间段与历史时间段存在有对应关系。
在一个可选的实施例中，对参考变量进行特征提取，得到变量特征，包括：
通过电量预测模型对离散型参考变量进行特征提取，得到离散变量特征；
通过电量预测模型对连续型参考变量进行特征提取，得到连续变量特征；
结合离散变量特征和连续变量特征得到变量特征。
在一个可选的实施例中，通过电量预测模型对离散型参考变量进行特征提取，得到离散变量特征，包括：
通过电量预测模型在第一预设数据范围内对离散型参考变量进行数据规范化处理，得到规范化离散变量；
根据规范化离散变量建立离散特征矩阵；
结合离散特征矩阵计算得到离散参考变量对应的离散变量特征。
在一个可选的实施例中，通过电量预测模型在第一预设数据范围内对离散型参考变量进行数据规范化处理，得到规范化离散变量，包括：
通过电量预测模型将离散型参考变量映射至第一预设数据范围内，得到规范化离散变量。
在一个可选的实施例中，离散型参考变量包括时间参考变量，季节参考变量、假期参考变量中的至少一种；
时间参考变量中包括历史时间段对应的日期；
季节参考变量中包括历史时间段对应的季节；
假期参考变量中包括历史时间段对应的节假日性质。
在一个可选的实施例中，通过电量预测模型根据连续型参考变量建立连续特征矩阵，包括：
通过电量预测模型在第二预设数据范围内对连续型参考变量进行数据规范化处理，得到规范化连续变量；
根据规范化连续变量建立连续特征矩阵；
对连续特征矩阵进行计算，获得连续参考变量对应的连续变量特征。
在一个可选的实施例中，通过电量预测模型在第二预设数据范围内对连续型参考变量进行数据规范化处理，得到规范化连续变量，包括：
通过电量预测模型将连续型参考变量映射至第二预设数据范围内，得到规范化连续变量。
在一个可选的实施例中，连续型参考变量包括气温参考变量、用电参考变量、湿度参考变量中的至少一种；
气温参考变量用于指示历史时间段内的气温；
用电参考变量用于指示历史时间段内的用电总值；
湿度参考变量用于指示历史时间段内的空气湿度。
另一方面，提供了一种电量预测装置，该装置包括：
获取模块，用于获取历史时间段内生成的参考变量，参考变量中包括离散型参考变量和连续型参考变量，离散型参考变量为在历史时间段内根据预设时长周期采集的变量，连续型参考变量为在历史时间段内持续采集的变量；
提取模块，用于通过电量预测模型对参考变量进行特征提取，得到变量特征；
预测模块，用于通过电量预测模型根据变量特征进行预测，得到目标时间段内的预测电量，目标时间与历史时间段存在有对应关系，电量预测模型是通过标注有样本电量的样本参考变量训练得到的模型，样本参考变量中包括样本离散型变量和样本连续型变量。
在一个可选的实施例中，提取模块，用于通过电量预测模型对离散型参考变量进行特征提取，得到离散变量特征；
提取模块，用于通过电量预测模型对连续型参考变量进行特征提取，得到连续变量特征；
该装置还包括：结合模块，用于结合离散变量特征和连续变量特征得到变量特征。
在一个可选的实施例中，该装置还包括：处理模块，用于通过电量预测模型在第一预设数据范围内对离散型参考变量进行数据规范化处理，得到规范化离散变量，第一预设数据范围指示对离散型参考变量进行数据规范化处理的数据范围；
建立模块，用于根据规范化离散变量建立离散特征矩阵；
计算模块，用于对离散特征矩阵进行计算，获得离散参考变量对应的离散变量特征。
在一个可选的实施例中，该装置还包括：映射模块，用于通过电量预测模型将离散型参考变量映射至第一预设数据范围内，得到规范化离散变量。
在一个可选的实施例中，离散型参考变量包括时间参考变量，季节参考变量、假期参考变量中的至少一种；
时间参考变量中包括历史时间段对应的日期；
季节参考变量中包括历史时间段对应的季节；
假期参考变量中包括历史时间段对应的节假日性质。
在一个可选的实施例中，处理模块，用于通过电量预测模型在第二预设数据范围内对连续型参考变量进行数据规范化处理，得到规范化连续变量；
建立模块，用于根据规范化连续变量建立连续特征矩阵；
计算模块，用于对连续特征矩阵进行计算，获得连续参考变量对应的连续变量特征。
在一个可选的实施例中，映射模块，用于通过电量预测模型将连续型参考变量映射至第二预设数据范围内，得到规范化连续变量。
在一个可选的实施例中，连续型参考变量包括气温参考变量、用电参考变量中的至少一种；
气温参考变量用于指示历史时间段内的气温；
用电参考变量用于指示历史时间段内的用电总值。
另一方面，提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述本公开实施例中提供的电量预测方法。
另一方面，提供了一种计算机可读存储介质，可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述本公开实施例中提供的电量预测方法。
另一方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如上述本公开实施例中任一所述的电量预测方法。
本公开提供的技术方案带来的有益效果至少包括：
通过对历史时间段内包括离散型参考变量与连续型参考变量的参考变量的获取，并对其进行特征提取，将提取到的变量特征通过变量预测模型，输出目标时间段内的预测电量的方法，在进行用电量的预测时，通过多种参数，从多个角度出发对目标时间段内的用电量进行预测，提高对用电量的预测的准确值。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了相关技术中gru的结构示意图；
图2示出了本公开一个示意性实施例提供的电量预测方法的流程图；
图3示出了本公开一个示意性实施例提供的一种对离散型参考变量进行提取，得到离散变量特征的流程图；
图4示出了本公开一个示意性实施例提供的根据离散型参考变量建立离散特征矩阵的方法示意图；
图5示出了本公开一个示意性实施例提供的一种对连续型参考变量进行提取，得到连续变量特征在流程图；
图6示出了本公开一个示意性实施例提供的通过卷积核计算获取连续变量特征的示意图；
图7示出了本公开一个示例性实施例提供的对卷积核进行训练的示意图；
图8示出了本公开一个示意性实施例提供的电量预测方法的流程图；
图9示出了本公开一个示意性实施例提供的将变量特征输入电量预测模型，得到目标时间段内的预测电量的示意图；
图10示出了本公开一个示意性实施例提供的电量预测装置的结构框图；
图11示出了本公开一个示意性实施例提供的服务器的结构图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
首先，对本公开实施例中涉及的名词进行简单的介绍：
人工智能(artificialintelligence，ai)：是指通过计算机程序来呈现人类智能的技术，进一步的，人工智能还可以表示机器对人的智能行为的学习。人工智能是计算机科学的一个分支，是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。其中，人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本实施例中，主要涉及到机器学习技术。
机器学习(machinelearning,ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习主要用于研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。本实施例中，主要涉及到人工神经网络技术。
门控循环单元(gatedrecurrentunit：gru)：是长短期记忆网络(longshort-termmemory，lstm)的一种变体。gru的结构与lstm很相似，lstm有三个门，而gru只有两个门且没有细胞状态，简化了lstm的结构。图1示出了相关技术中gru的结构示意图，请参考图1，gru的两个门是更新门z101和重置门r102，“更新门”的作用是控制前一时刻的单元状态有多少信息数能被带入到当前状态中，“重置门”的作用是控制前一状态能被写入到当前状态的信息数。
随着社会的发展，用户的电能使用情况越来越被重视，其中，对于用电量的预测是对用户的电能使用情况进行评估的重要方法。
然而，相关技术中的预估方式中，用于参与预估的参数过少，甚至仅使用用电总量作为预估的参数，对于未来用电量的预测不准确。
图2示出了本公开一个示意性实施例提供的电量预测方法的流程图，以该方法应用于服务器中为例进行说明，该方法包括：
步骤201，获取用电设备在历史时间段内生成的参考变量，参考变量指示在历史时间段内生成的变量，参考变量中包括离散型参考变量和连续型参考变量。
可选地，用电设备为在历史时间段内使用电能进行工作，并且通过其他设备记录其自身的用电量的设备。
可选地，进行用电量预测的服务器存储了历史时间段内的用电量以及在历史时间段内生成的参考变量。可选地，历史时间段内的用电量指示服务器接收到的，用户在历史时间段内的用电总量。可选地，服务器在一个历史时间段内可以收到多个参考变量，而多个参考变量均指示在该历史时间段内生成的变量。在一个示例中，用户通过智能电表对一个时间段内的用电量进行记录，并同时对用电时的环境温度、用电的日期进行记录，并将记录到的数据发送至服务器中，服务器即对这些数据进行存储。可选地，这些数据以实时更新并且为整段存储的方式存储在服务器中，当用户需要提取某段历史时间段的信息时，服务器即对该段时间段内的数据进行截取，作为历史时间段内的用电量以及在历史时间段内生成的参考变量。
可选地，参考变量中包括离散型参考变量。
可选地，离散型参考变量指示为在历史时间段内根据预设时长周期采集的参考变量。可选地，一个预设时长周期为记录一个离散型参考变量的周期。在一个示例中，预设时长周期为一天，离散型参考变量为日期，则在一个预设时长周期，即一天内，该离散型参考变量只进行一次记录，如记录当天为本月的第10个自然日，在一天之后，该离散型参考变量进行第二次记录，即该日为本月的第11个自然日。
可选地，参考变量中包括连续型参考变量。
可选地，连续型参考变量指示为在历史时间段内持续采集的变量。可选地，连续型参考变量为实时变化的变量，故需要进行实时记录。在一个示例中，连续性参考变量为用于记录用电量的电表周边的温度。由于温度是一个实时变化的变量，故需要实时记录温度的变化。可选地，用户环境温度进行采集后，生成环境温度的变化曲线，并且发送至服务器中。
步骤202，通过电量预测模型对参考变量进行特征提取，得到变量特征，电量预测模型是通过标注有样本电量的样本参考变量训练得到的模型，样本参考变量中包括样本离散型变量和样本连续型变量。
可选地，一个参考变量对应的特征值是源于多个特征维度的，即一个参考变量在不同的特征维度上具有不同的特征值。
可选地，对参考变量进行特征提取的过程在电量预测模型当中实现，电量预测模型是用于获取预测电量的模型。
可选地，在获取了一个参考变量的多个特征维度的特征值后，可以根据多个维度的特征值建立特征矩阵，通过对于特征矩阵的处理获取该参考变量对应的变量特征。在一个示例中，参考变量为连续性参考变量，且参考变量为用于记录用电量的电表周边的温度。则在对该参考变量进行特征提取时，首先提取该变量在服务器预设的多个维度上的特征值。在此实施例中，服务器提取了共20个不同维度的特征值，每个维度的特征值都以数值的形式体现。根据该20个不同维度的特征值建立1行、20列的特征矩阵，该特征矩阵即为对应参考变量为用于记录用电量的电表周边的温度的特征矩阵。通过对该特征矩阵的处理，即可最终获得用于记录用电量的电表周边的温度的变量特征。在本实施例中，对于特征矩阵的处理为将特征矩阵与服务器中预设的一个20行，1列的矩阵进行相乘，最终获得一个数值，该数值即为该参考变量对应的变量特征，即用于记录用电量的电表周边的温度。
可选地，在获取连续变量特征和离散变量特征后，电量预测模型会对其进行赋权加和计算，获取变量特征。可选地，对连续变量特征和离散变量特征的权值是通过预测电量模型的训练获得的。
步骤203，通过电量预测模型根据变量特征预测得到目标时间段内的预测电量，目标时间段内与历史时间段存在有对应关系。
可选地，如步骤202中所述，电量预测模型是用于获取预测电量的模型。可选地，一个目标时间段内包括多个参数变量获得的变量特征，通过进行加权求和的方式，计算出变量特征的数值。可选地，通过变量特征获取变量特征的也可以在电量预测模型中完成，即将一个历史时间段对应的多个变量特征均输入电量预测模型，并在电量预测模型中对这些变量特征进行加权求和后，获取变量特征。
可选地，上述步骤中所述的对于连续变量特征和离散变量特征的权值是通过训练获得的。该训练方法为：根据最小化损失函数获取训练结果，并结合训练结果，通过神经网络反向传播的计算方法对连续变量特征和离散变量特征所对应的权值进行修正。在一个示例中，最小化损失函数如下公式1所示：
公式1：
其中，m为训练的总次数，i为进行训练的次数序号，yi为该次训练输出的样本预测电量，
可选地，目标时间段是未来的时间段，即需要进行预测电量的预估的时间段。可选地，目标时间段与历史时间段之间存在有对应关系。可选地，目标时间段与历史时间段的时间长度相同，在一个示例中，目标时间段与历史时间段均为时间长度为24小时的时间段。可选地，目标时间段和历史时间段处在不同的时间周期内处于同一个阶段。在一个示例中，时间周期为一周，目标时间段为第二周的第三天，历史时间段指示第一周的第三天，历史时间段与目标时间段处在两个不同的时间周期内，即历史时间段和目标时间段处在不同的两周，但历史时间段与目标时间段存在处在不同的时间周期内的同一个时间段。在本示例中，目标时间段为第二周的周三，历史时间段为第一周的周三。当服务器需要对目标时间段的用电量进行预测时，将会对历史时间段的参考变量进行获取。
可选地，电量预测模型为通过多个gru进行连接后，对特征值进行编码与解码的循环记忆神经网络模型。可选地，向一个gru中输入一个变量特征，或向一个gru中输入一个历史时间段内对应的所有的变量特征，即每个gru中输入的变量特征对应一个历史时间范围。可选地，根据至少一个变量特征，电量预测模型可以输出对至少一个目标时间段的预测电量。可选地，目标时间段的数量为至少一个。
可选的，通过一个目标时间段的预测电量可以对后续的目标时间段的预测电量进行预测。在一个示例中，目标时间段的数量有三个，则在获取第一个目标时间段对应的预测电量后，将第一个目标时间段对应的预测电量输入电量预测模型当中，获取第二个目标时间段对应的预测电量，再将第二个目标时间段对应的预测电量输入至电量预测模型当中，获取第三个目标时间段对应的预测电量。即可选地，当存在多个目标时间段时，目标时间段的电量预测顺序为先预测时刻在前的目标时间段对应的预测电量，并根据将时刻在前的目标时间段对应的预测电量重新输入电量预测模型，获得时刻在后的目标时间段对应的预测电量。
可选地，电量预测模型为机器学习模型，且电量预测模型通过标注有样本电量的样本参考变量进行有监督训练。可选地，样本参考变量包括样本离散型变量和样本连续性变量，样本参考型变量与样本连续型变量均对应有样本变量特征，通过将样本变量特征输入电量预测模型的方式对电量预测模型进行训练。可选地，样本参考变量还可以从模拟值当中获取，以对电量预测模型进行初步训练，在进行初步训练之后，再通过历史时间段中的历史真实电量进行进一步训练。
可选地，选取服务器中存储的历史时间段作为样本目标时间段，其对应的用电量作为真实历史电量，并获取该样本目标时间段对应的样本历史时间段以及样本参考变量。可选地，将样本参考变量输入电量预测模型，将获取的样本预测电量与真实历史电量进行比对，通过比对结果对电量预测模型进行训练。可选地，通过将历史真实电量以及样本预测电量代入损失函数的方法，对电量预测模型中的参数进行调整，使样本预测电量的值与历史真实电量的值尽可能接近，以完成对电量预测模型的训练。
可选地，通过样本参考变量进行预测的样本目标时间段内的样本预测电量实际为服务器中存储的历史时间段内的用电量。可选地，选定与样本目标时间段对应的历史时间段的用电量作为样本参考变量进行训练的对比值，通过其与样本预测电量的对比对电量预测模型进行训练。
综上所述，本实施例提供的方法，通过对历史时间段内包括离散型参考变量与连续型参考变量的参考变量的获取，并对其进行特征提取，将提取到的变量特征通过变量预测模型，输出目标时间段内的预测电量的方法，在进行用电量的预测时，通过多种参数，从多个角度出发对目标时间段内的用电量进行预测，提高对用电量的预测的准确值。
图3示出了本公开一个示意性实施例提供的一种对离散型参考变量进行提取，得到离散变量特征的流程图，以该方法应用于服务器中为例进行说明，该方法包括：
步骤301，根据第一预设数据范围对离散型参考变量进行数据规范化处理，得到规范化离散型参考变量。
可选地，本实施例中所述的提取离散变量特征的方法是在如步骤202中所述的电量预测模型中完成的。
如步骤201中所述，离散型参考变量指示为在历史时间段内根据预设时长周期采集的参考变量。
可选地，离散型参考变量包括时间参考变量、季节参考变量、假期参考变量中的至少一种，其中，时间参考变量中包括历史时间段对应的日期；季节参考变量中包括历史时间段对应的季节；假期参考变量中包括历史时间段对应的节假日性质。可选地，在服务器对参考变量进行获取时，可以一次性获取历史时间段对应的多个离散时间变量。在一个示例中，历史时间段为一天的零点至二十四点，在服务器获取其参考变量时，可获取该历史时间段对应的日期、该历史时间段对应的季节以及该历史时间段是否为假期。
在一个示例中，离散型参考变量为假期参考变量，即历史时间段对应的节假日性质生成的离散型参考变量，且假期参考变量包括假日参考量和非假日参考量，则假日参考量和非假日参考量均需有对应的至少一维的特征值。
可选地，由于参考变量的数量数值差较大，从离散型参考变量中提取出的至少以为的特征值数值差也会较大，不便于特征矩阵的建立以及后续的计算，故通过第一预设数据范围对离散型参考变量进行数据规范化处理，得到规范化离散型参考变量。可选地，第一预设数据范围指示对离散型参考变量进行数据规范化处理的数据范围，规范化离散型参考变量为离散型参考变量在第一预设数据范围中的映射。在一个示例中，离散型参考变量为日期参考变量，按照自然日的排布规律，日期参考变量对应的数据值应为1～31，而通过设置第一预设数据范围为0～1，即可对原为1～31的数据值进行数据的规范化处理。可选地，在进行数据规范化处理后，经过处理的规范化离散型参考变量的每个维度的特征值也均为经过了规范化处理的特征值。
步骤302，根据规范化离散型参考变量建立与离散型参考变量对应的特征矩阵。
可选地，根据每个离散型参考变量中变量的每个类型建立与其对应的离散特征矩阵。
可选地，根据规范化离散型参考变量建立与离散型参考变量对应的离散特征矩阵，包括根据经过规范化处理的所有维度的特征值建立离散特征矩阵，或，根据经过规范化处理的部分维度的特征值建立离散特征矩阵。
在一个示例中，离散型参考变量为假期参考变量，即历史时间段对应的节假日性质生成的离散型参考变量，且假期参考变量包括假日参考量和非假日参考量，则假日参考量和非假日参考量均需有对应的至少一维的特征值。根据第一预设数据范围0～1，设定假日参考量的数值为0，非假日参考量的数值为1，并根据其6维特征分别建立离散特征矩阵。图4示出了本公开一个示意性实施例提供的根据离散型参考变量建立离散特征矩阵的方法示意图。请参考图4，离散参考变量包括假日参考量和非假日参考量。二者均具有六个维度的特征，假日参考量的六个维度特征分别为a1、b1、c1、d1、e1、f1,非假日参考量的六个维度的特征分别为a2、b2、c2、d2、e2、f2。则生成的假日参考量对应的特征矩阵即为一个一行，六列的特征矩阵401：[a1,b1,c1,d1,e1,f1]，生成的非假日参考量对应的特征矩阵即为一个一行，六列的特征矩阵402：[a2,b2,c2,d2,e2,f2]。
步骤303，根据离散特征矩阵确定离散参考变量对应的离散变量特征。
在上述实施例中，离散特征矩阵401与离散特征矩阵402中分别具有6个经过规范化处理的特征值。可选地，通过对该离散特征矩阵的计算处理，获取其对应的离散变量特征。
在一个可选的实施例中，通过特征获取矩阵与离散特征矩阵的叉乘，获取离散变量特征。可选地，特征获取矩阵可以为服务器预先设置的矩阵，或，特征获取矩阵为根据离散特征变量进行实时调整的矩阵。可选地，所有的离散特征矩阵通过同一个特征获取矩阵得到对应该离散特征矩阵的离散变量特征；可选的，每个离散特征矩阵对应有不同的特征获取矩阵，并且最终获取不同的离散变量特征。
综上所述，本实施例提供的方法，通过对离散型参考变量的规范化处理，并且建立离散特征矩阵以及通过特征获取矩阵对离散特征矩阵的处理，最终获取离散变量特征的方法，对每个离散型参考变量的每个结果进行单独的特征矩阵的生成，并且处理得到对应的离散变量特征，进而将通过上述处理的离散变量特征输入电量预测模型，提高对用电量的预测的准确值。
图5示出了本公开一个示意性实施例提供的一种对连续型参考变量进行提取，得到连续变量特征在流程图，以该方法应用于服务器中为例进行说明，该方法包括：
步骤501，根据第二预设数据范围对连续型参考变量进行数据规范化处理，得到规范化连续型参考变量。
可选地，本实施例中所述的提取连续变量特征的方法是在如步骤202中所述的电量预测模型中完成的。
如步骤201中所述，连续型参考变量指示为在历史时间段内由连续变量持续采集的变量。
可选地，连续型参考变量连续型参考变量包括气温参考变量、用电参考变量中的至少一种；气温参考变量用于指示历史时间段内的气温；用电参考变量用于指示历史时间段内的用电总值，湿度参考变量用于指示历史时间段内的空气湿度。
在一个示例中，连续型参考变量为用电参考变量，即历史时间段对应的用电总值。可选地，服务器调取对应的历史时间段内的用电值累计总量，并且将历史时间段的结束时刻的用电累计总量渐趋历史时间段的开始时刻的用电累计总量，获取历史时间段内的用电参考变量。
可选地，通过第二预设数据范围对连续型参考变量进行数据规范化处理，得到规范化连续型参考变量，可选地，第二预设数据范围指示对连续型参考变量进行数据规范化处理的数据范围，规范化连续型参考变量为连续型参考变量在第二预设数据范围中的映射。在一个示例中，连续型参考变量为气温参考变量，且该地的在历史时间段内的气温值变化为10～30℃。即气温值变化对应的数据值应为10～30，而通过第二预设数据范围为0～1，即可对原为10～30的数据值进行数据规范化处理。可选地，在进行数据规范化处理后，经过处理的规范化连续性参考变量的每个维度的特征值也均为经过了规范化处理的特征值。
步骤502，根据规范化连续性参考变量建立与连续型参考变量对应的特征矩阵。
可选地，选取一个历史时间段内的所有连续型参考变量，建立唯一的连续特征矩阵。或，选取一个时间段内的至少一个连续型参考变量为所有连续型参考变量的代表，建立唯一的连续特征矩阵。
可选地，根据规范化连续型参考变量建立与连续性参考变量对应的特征矩阵，包括根据经过规范化处理的所有维度的特征值建立连续特征矩阵，或，根据经过规范化处理的部分维度的特征值建立离散特征矩阵。
在一个示例中，连续型参考变量为气温参考变量以及用电参考变量。在根据第二变量范围对气温参考变量和用电参考变量进行规范化处理，并对其特征进行获取之后，得到气温参考变量的16维特征，以及用电参考变量的16维特征，将二者联列，获得一个1行32列的特征矩阵。并通过对该特征矩阵进行卷积核计算的方式，获取该特征矩阵对应的连续变量特征。
步骤503，根据连续特征矩阵确定连续型参考变量对应的连续变量特征。
图6示出了本公开一个示意性实施例提供的通过卷积核计算获取连续变量特征的示意图。可选地，在通过对于每个连续型参考变量的不同维度的特征值601的获取，并且由其生成1行32列的连续特征矩阵602，并通过卷积核603与连续特征矩阵602中的至少一个项进行叉乘的计算方式，获取大小不同的卷积核计算结果作为连续变量特征的特征矩阵604。请参考图6，图6中即展示了通过卷积核603与连续特征矩阵602中的前两个项进行叉乘的计算方式，获取了一个代表了连续特征矩阵602中的特征值a1以及特征值a2的连续变量特征的特征矩阵604。可选地，卷积核603位列数为1的矩阵。通过连续特征矩阵602与卷积核进行计算的项的数量，可以对连续变量特征的特征矩阵中的项数进行控制，当卷积核与连续特征矩阵中的所有项进行计算时，即可确定连续性参考变量对应的连续变量特征。
可选地，通过对卷积核603与连续特征矩阵602中的至少一个项组成的特征向量进行叉乘的计算方式进行训练，图7示出了本公开一个示例性实施例提供的对卷积核进行训练的示意图。请参考图7，在第一卷积层6301中，一个卷积核仅可代表相邻两个项的特征向量，即在第一卷积层中，卷积核大小为两项，而经过第二卷积层6302的训练，卷积核的大小变为4项。进而，通过第三卷积层6303和第四卷积层6304的训练，最终的卷积核即可代表整个特征矩阵的特征，而通过该卷积核，即可获取最终的连续变量特征。
综上所述，本实施例提供的方法，通过对连续型参考变量的规范化处理，并且建立了连续特征矩阵以及通过卷积核训练并与连续特征矩阵进行训练的方法，最终获取所有连续型参考变量对应的连续变量特征，进而将经过上述处理的连续变量特征数据电量预测模型，提高对用电量的预测的准确值。
图8示出了本公开一个示意性实施例提供的电量预测方法的流程图，以该方法应用于服务器中为例进行说明，该方法包括：
步骤701，获取历史时间段内生成的参考变量。
可选地，历史时间段的数量为至少一个。可选地，服务器对每个历史时间段的参考变量进行获取时，获取的是相同的参考变量。
在获取参考变量后，对参考变量属于离散型参考变量或连续型参考变量进行区分，并同时执行步骤702至704以及步骤705至707。
步骤702，根据第一预设数据范围对离散型参考变量进行数据规范化处理，得到规范化离散型参考变量。
可选地，在获取离散型参考变量后，根据第一预设数据范围对离散型参考变量进行规范化处理，使获得的规范化离散型参考变量以及从中提取的特征值在第一预设数据范围内。
步骤703，根据规范化离散型参考变量建立与离散型参考变量对应的特征矩阵。
可选地，根据步骤302中的特征矩阵的建立方法，建立与离散型参考变量对应的特征矩阵。
步骤704，根据离散特征矩阵确定离散参考变量对应的离散变量特征。
可选地，根据步骤303中的确定离散特征的方法，确定离散参考变量对饮给的离散变量特征。
步骤705，根据第二预设数据范围对连续型参考变量进行数据规范化处理，得到规范化连续型参考变量。
步骤706，根据规范化连续性参考变量建立与连续型参考变量对应的特征矩阵。
步骤707，根据连续特征矩阵确定连续型参考变量对应的连续变量特征。
可选地，步骤705至步骤707与步骤501至步骤503相对应，通过步骤501至步骤503中的详细实施例的方法，确定连续型参考变量对饮给的连续变量特征。
可选地，步骤702至步骤707所述特征提取方法同下述步骤708中所述的获取变量特征方法，是在电量预测模型当中完成的。
步骤708，根据离散变量特征和连续变量特征获取变量特征。
可选地，通过对每个变量特征进行加权求和的方式，计算出变量特征的数值。可选地，通过变量特征获取变量特征的可以在电量预测模型中完成，即将一个历史时间段对应的多个变量特征均输入电量预测模型，并在电量预测模型中对这些变量特征进行加权求和后，获取变量特征。
步骤709，通过电量预测模型结合变量特征进行预测，得到目标时间段内的预测电量。
图9示出了本公开一个示意性实施例提供的将变量特征输入电量预测模型，得到目标时间段内的预测电量的示意图。请参考图8，在本示例中，根据三段不同的历史时间段生成了三个变量特征，分别为变量特征801，变量特征802，变量特征803，将该三个不同的变量特征分别输入经过训练的电量预测模型的gru811、gru812和gru813中，并且通过编码和解码，获取目标时间段对应的预测电量804。在获取目标时间段对应的预测电量804之后，还可以通过预测电量804，获取下一个目标时间段的预测电量805。
综上所述，本实施例提供的方法，通过对历史时间段内包括离散型参考变量与连续型参考变量的参考变量的获取，并对其进行特征提取，将提取到的变量特征通过变量预测模型，输出目标时间段内的预测电量的方法，在进行用电量的预测时，通过多种参数，从多个角度出发对目标时间段内的用电量进行预测，提高对用电量的预测的准确值。
通过对离散型参考变量的规范化处理，并且建立离散特征矩阵以及通过特征获取矩阵对离散特征矩阵的处理，最终获取离散变量特征的方法，对每个离散型参考变量的每个结果进行单独的特征矩阵的生成，并且处理得到对应的离散变量特征，进而将通过上述处理的离散变量特征输入电量预测模型，提高对用电量的预测的准确值。
通过对连续型参考变量的规范化处理，并且建立了连续特征矩阵以及通过卷积核训练并与连续特征矩阵进行训练的方法，最终获取所有连续型参考变量对应的连续变量特征，进而将经过上述处理的连续变量特征数据电量预测模型，提高对用电量的预测的准确值。
通过对离散变量特征和连续变量特征进行处理得到可以体现历史时间段特征的变量特征，使输入至电量预测模型的值可以更加全面地代表历史时间段的特征，提高对用电量的预测的准确值。
图10示出了本公开一个示意性实施例提供的电量预测装置的结构框图，该装置包括：
获取模块901，用于获取用电设备在历史时间段内生成的参考变量，参考变量中包括离散型参考变量和连续型参考变量，离散型参考变量为在历史时间段内根据预设时长周期采集的变量，连续型参考变量为在历史时间段内持续采集的变量；
提取模块902，用于通过电量预测模型对参考变量进行特征提取，得到变量特征，电量预测模型是通过标注有样本电量的样本参考变量训练得到的模型，样本参考变量中包括样本离散型变量和样本连续型变量；
预测模块903，用于通过电量预测模型根据变量特征预测得到目标时间段内的预测电量，目标时间段与历史时间段存在有对应关系。
在一个可选的实施例中，提取模块，用于通过电量预测模型对离散型参考变量进行特征提取，得到离散变量特征；
提取模块902，用于通过电量预测模型对连续型参考变量进行特征提取，得到连续变量特征；
该装置还包括：结合模块904，用于结合离散变量特征和连续变量特征得到变量特征。
在一个可选的实施例中，该装置还包括：处理模块905，用于通过电量预测模型在第一预设数据范围内对离散型参考变量进行数据规范化处理，得到规范化离散变量；
建立模块906，用于根据规范化离散变量建立离散特征矩阵；
计算模块907，用于结合离散特征矩阵计算得到离散参考变量对应的离散变量特征。
在一个可选的实施例中，该装置还包括：映射模块908，通过电量预测模型将离散型参考变量映射至第一预设数据范围内，得到规范化离散变量。
在一个可选的实施例中，离散型参考变量包括时间参考变量，季节参考变量、假期参考变量中的至少一种；
时间参考变量中包括历史时间段对应的日期；
季节参考变量中包括历史时间段对应的季节；
假期参考变量中包括历史时间段对应的节假日性质。
在一个可选的实施例中，处理模块905，用于通过电量预测模型在第二预设数据范围内对连续型参考变量进行数据规范化处理，得到规范化连续变量；
建立模块906，用于根据规范化连续变量建立连续特征矩阵；
计算模块907，用于对连续特征矩阵进行计算，获得连续参考变量对应的连续变量特征。
在一个可选的实施例中，映射模块908，用于通过电量预测模型将连续型参考变量映射至第二预设数据范围内，得到规范化连续变量。
在一个可选的实施例中，连续型参考变量包括气温参考变量、用电参考变量中的至少一种；
气温参考变量用于指示历史时间段内的气温；
用电参考变量用于指示历史时间段内的用电总值；
湿度参考变量用于指示历史时间段内的空气湿度。
需要说明的是：上述实施例提供的电量预测装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
本公开还提供了一种服务器，该服务器包括处理器和存储器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现上述各个方法实施例提供的电量预测方法。需要说明的是，该服务器可以是如下图11所提供的服务器。
请参考图11，其示出了本公开一个示例性实施例提供的服务器的结构示意图。具体来讲：服务器1300包括中央处理单元(centralprocessingunit，cpu)1301、包括随机存取存储器(randomaccessmemory，ram)1302和只读存储器(read-onlymemory，rom)1303的系统存储器1304，以及连接系统存储器104和中央处理单元1301的系统总线1305。服务器1300还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(inputoutputsystem，i/o)系统106，和用于存储操作系统1313、应用程序1314和其他程序模块1315的大容量存储设备1307。
基本输入/输出系统1306包括有用于显示信息的显示器1308和用于用户输入信息的诸如鼠标、键盘之类的输入设备1309。其中显示器1308和输入设备1309都通过连接到系统总线1305的输入输出控制器1310连接到中央处理单元1301。基本输入/输出系统1306还可以包括输入输出控制器1310以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1310还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备1307通过连接到系统总线1305的大容量存储控制器(未示出)连接到中央处理单元1301。大容量存储设备1307及其相关联的计算机可读介质为服务器1300提供非易失性存储。也就是说，大容量存储设备1307可以包括诸如硬盘或者cd-roi驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、带电可擦可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、闪存或其他固态存储其技术，cd-rom、数字多功能光盘(digitalvideodisc，dvd)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1304和大容量存储设备1307可以统称为存储器。
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元1301执行，一个或多个程序包含用于实现上述电量预测方法的指令，中央处理单元1301执行该一个或多个程序实现上述各个方法实施例提供的电量预测方法。
根据本发明的各种实施例，服务器1300还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1300可以通过连接在系统总线1305上的网络接口单元1311连接到网络1312，或者说，也可以使用网络接口单元1311来连接到其他类型的网络或远程计算机系统(未示出)。
存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，一个或者一个以上程序包含用于进行本发明实施例提供的电量预测方法中由服务器所执行的步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端中的计算机可读存储介质。该计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述电量预测方法。
可选地，该计算机可读存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、固态硬盘(ssd，solidstatedrives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(reram,resistancerandomaccessmemory)和动态随机存取存储器(dram，dynamicrandomaccessmemory)。上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！