建设成效预测模型的训练方法、装置、设备及存储介质与流程

本发明涉及数据处理，尤其涉及一种园区的建设成效预测模型的训练方法、装置、设备及存储介质。

背景技术：

1、目前，示范园区的建设在电力系统中发挥着越来越重要的作用，同时，示范园区的规划建设需要发电侧、电网侧、用户侧及社会侧主体间的有机统一，从而显著提升示范园区的规划建设成效。

2、既有的示范园区规划建设成效预测方法，采用传统的机器学习方法，依赖人为经验选择模型参数，模型泛化能力低，从而导致示范园区规划建设成效预测精度低。

技术实现思路

1、本发明提供了一种园区的建设成效预测模型的训练方法、装置、设备及存储介质，以提升园区的建设成效预测模型的泛化能力，提高建设成效的预测精度。

2、根据本发明的一方面，提供了一种园区的建设成效预测模型的训练方法，包括：

3、获取样本园区的建设成效影响因素值和样本园区的真实建设成效值；建设成效影响因素包括电力投资、发电量、人均用电量和可再生能源渗透率；

4、将样本园区的建设成效影响因素值输入bp神经网络，得到样本园区的预测建设成效值和bp神经网络的参数，并根据样本园区的预测建设成效值和真实建设成效值确定样本园区的训练误差；

5、基于遗传算法，将bp神经网络的参数作为个体，以样本园区的训练误差作为遗传算法的适应度值进行优化，得到优化后的bp神经网络的参数；

6、根据优化后的bp神经网络的参数对bp神经网络进行更新，得到园区的建设成效预测模型。

7、根据本发明的另一方面，提供了一种园区的建设成效预测模型的训练装置，包括：

8、建设成效获取模块，用于获取样本园区的建设成效影响因素值和样本园区的真实建设成效值；建设成效影响因素包括电力投资、发电量、人均用电量和可再生能源渗透率；

9、训练误差确定模块，用于将样本园区的建设成效影响因素值输入bp神经网络，得到样本园区的预测建设成效值和bp神经网络的参数，并根据样本园区的预测建设成效值和所述真实建设成效值确定样本园区的训练误差；

10、优化模型确定模块，用于基于遗传算法，将bp神经网络的参数作为个体，以样本园区的训练误差作为遗传算法的适应度值进行优化，得到优化后的bp神经网络的参数；

11、预测模型确定模块，用于根据优化后的bp神经网络的参数对bp神经网络进行更新，得到园区的建设成效预测模型。

12、根据本发明的另一方面，提供了一种园区的建设成效预测模型的训练设备，该建设成效预测模型的训练设备包括：

13、至少一个处理器；以及

14、与至少一个处理器通信连接的存储器；其中，

15、存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的园区的建设成效预测模型的训练方法。

16、根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的建设成效预测模型的训练方法。

17、本发明实施例的技术方案，通过获取样本园区的建设成效影响因素值和样本园区的真实建设成效值；建设成效影响因素包括电力投资、发电量、人均用电量和可再生能源渗透率；将样本园区的建设成效影响因素值输入bp神经网络，得到样本园区的预测建设成效值和bp神经网络的参数，并根据样本园区的预测建设成效值和真实建设成效值确定样本园区的训练误差；基于遗传算法，将bp神经网络的参数作为个体，以样本园区的训练误差作为遗传算法的适应度值进行优化，得到优化后的bp神经网络的参数；根据优化后的bp神经网络的参数对bp神经网络进行更新，得到园区的建设成效预测模型。上述技术方案在园区建设成效预测的过程中，通过遗传算法优化bp神经网络的参数，参数优化减少人为经验的介入，进而得到优化的规划建设成效预测模型，提升了园区的建设成效预测模型的泛化能力，提高了建设成效的预测精度。

18、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种园区的建设成效预测模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，以样本园区的训练误差作为遗传算法的适应度值进行优化，得到优化后的bp神经网络的参数，包括：

3.根据权利要求2所述的方法，其特征在于，根据样本园区的训练误差，确定适应度函数，包括：

4.根据权利要求2所述的方法，其特征在于，采用变异后的个体对bp神经网络的参数进行优化，包括：

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.一种园区的建设成效预测模型的训练装置，其特征在于，包括：

7.根据权利要求6所述的装置，其特征在于，所述优化模型确定模块，包括：

8.根据权利要求6所述的装置，所述装置还包括：

9.一种园区的建设成效预测模型的训练设备，其特征在于，所述建设成效预测模型的训练设备包括：至少一个处理器；以及

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的建设成效预测模型的训练方法。

技术总结
本发明公开了建设成效预测模型的训练方法、装置、设备及存储介质，该方法包括：获取样本园区的建设成效影响因素值和样本园区的真实建设成效值；将样本园区的建设成效影响因素值输入BP神经网络，得到样本园区的预测建设成效值和BP神经网络的参数，并根据样本园区的预测建设成效值和真实建设成效值确定样本园区的训练误差；基于遗传算法，将BP神经网络的参数作为个体，以样本园区的训练误差作为遗传算法的适应度值进行优化，得到优化后的BP神经网络的参数；根据优化后的BP神经网络的参数对BP神经网络进行更新，得到园区的建设成效预测模型。本发明提升了园区的建设成效预测模型的泛化能力，提高了建设成效的预测精度。

技术研发人员：赵力,黄学劲,张翔,卢健聪,黄永麟,彭汉培,张锐,钟锦星,王凯亮,李俊辉,刘宗扬
受保护的技术使用者：广东电网有限责任公司
技术研发日：
技术公布日：2024/1/15