本发明涉及负荷预测的领域,特别是涉及一种基于深度学习模型的电力负荷预测低代码切片构建方法及系统。
背景技术:
1、在电力市场决策中,准确的负荷预测对于优化发电计划、调整电网运行策略并促进电力市场的高效运作至关重要。然而,电力负荷数据本身具有的高度非线性、非平稳性等特点,传统的负荷预测模型如线性回归和时间序列分析模型(如arima),在处理复杂数据时效果不佳,难以捕捉负荷变化的复杂关系。此外,传统模型通常需要人工进行参数调整,这不仅耗时耗力,而且很难保证找到最优解。
2、随着企业需求的增长和业务变化的加速,传统的业务应用开发方法已经无法满足快速交付和灵活性的要求。企业需要更快速、更灵活的开发方式来满足不断变化的需求。于是,低代码开发平台应运而生。低代码开发模式的兴起,为解决问题带来可能。低代码开发平台提供了更易于使用的可视化ide,它可以快速构建各种应用程序系统,而无需编写或只需编写少量代码。电力市场应用平台通常需要对不同地区、不同时间粒度的电力负荷进行预测,以便更精确优化运行策略,传统的业务应用开发需要深入了解各类预测模型,加大了开发和调试的难度。因此有必要研究如何将深度学习模型与低代码开发相结合,扩大代码切片复用度,降低开发门槛,提高开发效率。
技术实现思路
1、发明目的:本发明目的在于提供一种基深度学习模型的电力负荷预测低代码切片构建方法及系统,提高负荷预测应用的构建效率和复用性,同时还能提高预测的准确性和模型的适应性。
2、技术方案:为实现上述发明目的,本发明采用如下技术方案:
3、一种基于深度学习模型的电力负荷预测低代码切片构建方法,包括如下步骤:
4、构建基于lstm模型的多个不同的电力负荷预测模型,包括ceemdan-lstm模型和ceemdan-lstm-woa模型;
5、根据业务需求基于电力负荷预测模型构建低代码切片,所述切片至少包括静态数据、组件间关联关系、数据源、预测时长、预测模型和低代码部分;所述静态数据是预测模型和数据集的缓存,所述组件间关联关系用于描述构成切片的组件集与组件之间的交互;所述数据源用于描述切片的数据输入;所述低代码部分用于保存json格式代码,记录切片的页面结构及样式说明。
6、作为优选,所述ceemdan-lstm模型,以历史负荷数据作为输入,经过ceemdan分解得到的各个分量分别输入到lstm模型进行预测,最后进行叠加获得最终预测结果。
7、作为优选,所述ceemdan-lstm-woa模型,通过woa算法对ceemdan-lstm模型中的lstm网络进行参数调优,所述参数包括学习率和隐藏层神经元个数。
8、作为优选,构成切片的组件包括图片组件,文件上传组件,预测时长下拉框组件,预测模型选择框组件以及开始预测按钮组件;所述图片组件用于展示预测效果图,依赖于所述开始预测按钮组件的触发来更新其内容;所述文件上传组件用于上传用于预测的负荷数据文件,提供文件选择功能,用户选择文件后,上传的数据集存入静态数据作为缓存,以便后续预测使用;所述预测时长下拉框组件用于更改预测时长,在所述开始预测组件点击事件发生时,将值传递给预测算法接口;所述预测模型选择框组件用于更改预测模型,将值传递给预测算法接口;所述开始预测按钮组件用于触发预测流程,当发生点击事件时,将负荷数据文件、预测时长和预测模型封装,发送http请求。
9、作为优选,所述ceemdan-lstm-woa模型,包括ceemdan分解单元,lstm神经网络单元,和woa优化单元;
10、所述ceemdan分解单元,用于在负荷数据p(t)中添加不同的高斯白噪声得到n个新序列;用emd方法对n个新序列分解,计算均值得到第一个模态分量,以及计算第一个剩余分量,然后用emd算法对信号分解,得到第二个模态分量以及剩余分量,重复分解直到剩余分量无法再分解,得到k个模态分量imfk(t)以及残差r(t);
11、所述lstm神经网络单元,包括k+1个lstm网络,分别用于对k个模态分量imfk(t)以及残差r(t)进行预测,并将各分量的预测值叠加后得到最终预测结果;
12、所述woa优化单元,用于初始化鲸鱼算法的参数,确定鲸鱼算法中的最大迭代次数、鲸鱼数量、搜索范围的最大值和最小值;采用逐个优化的策略,对每个由ceemdan分解得到的模态分量对应的lstm网络,分别独立执行参数优化过程;在每轮迭代中,woa专注于优化单个lstm模型的学习率和隐藏层神经元个数,通过包围猎物、泡泡网攻击和搜索猎物,不断优化当前模态分量的lstm网络参数,直到达到设定的最大迭代次数,将输出的最优的学习率和隐藏层神经元个数参数作为最终的lstm模型参数。
13、作为优选,所述ceemdan-lstm模型和ceemdan-lstm-woa模型中,所有分量对应的lstm网络只使用一层隐藏层。
14、一种基于深度学习模型的电力负荷预测低代码切片构建系统,包括:
15、模型构建模块,用于构建基于lstm模型的多个不同的电力负荷预测模型,包括ceemdan-lstm模型和ceemdan-lstm-woa模型;
16、低代码切片构建模块,用于根据业务需求基于电力负荷预测模型构建低代码切片,所述切片至少包括静态数据、组件间关联关系、数据源、预测时长、预测模型和低代码部分;所述静态数据是预测模型和数据集的缓存,所述组件间关联关系用于描述构成切片的组件集与组件之间的交互;所述数据源用于描述切片的数据输入;所述低代码部分用于保存json格式代码,记录切片的页面结构及样式说明。
17、一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被加载至处理器时实现所述的基于深度学习模型的电力负荷预测低代码切片构建方法的步骤。
18、有益效果:与现有技术相比,本发明具有如下优点:本发明提供的用于电力负荷组合预测的ceemdan-lstm-woa模型,在lstm单一预测模型的基础上结合ceemdan技术,并通过woa算法对lstm网络参数进行优化。ceemdan的引入有效地增强了模型对负荷数据非线性和非平稳性的处理能力;woa算法的采用优化了模型参数,提高了预测的准确性和模型的适应性。本发明基于ceemdan-lstm-woa模型构建负荷预测低代码切片,负荷预测作为电力应用中常用功能,通过复用预测切片,用户需求繁杂,需求业务模型基本不会变,当展示组件和数据模型发生改变时只需要做相应的适配即可,本发明能够有效提高应用复用粒度,负荷预测应用的构建效率。
1.一种基于深度学习模型的电力负荷预测低代码切片构建方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习模型的电力负荷预测低代码切片构建方法,其特征在于,所述ceemdan-lstm模型,以历史负荷数据作为输入,经过ceemdan分解得到的各个分量分别输入到lstm模型进行预测,最后进行叠加获得最终预测结果。
3.根据权利要求1所述的基于深度学习模型的电力负荷预测低代码切片构建方法,其特征在于,所述ceemdan-lstm-woa模型,通过woa算法对ceemdan-lstm模型中的lstm网络进行参数调优,所述参数包括学习率和隐藏层神经元个数。
4.根据权利要求1所述的基于深度学习模型的电力负荷预测低代码切片构建方法,其特征在于,构成切片的组件包括图片组件,文件上传组件,预测时长下拉框组件,预测模型选择框组件以及开始预测按钮组件;所述图片组件用于展示预测效果图,依赖于所述开始预测按钮组件的触发来更新其内容;所述文件上传组件用于上传用于预测的负荷数据文件,提供文件选择功能,用户选择文件后,上传的数据集存入静态数据作为缓存,以便后续预测使用;所述预测时长下拉框组件用于更改预测时长,在所述开始预测组件点击事件发生时,将值传递给预测算法接口;所述预测模型选择框组件用于更改预测模型,将值传递给预测算法接口;所述开始预测按钮组件用于触发预测流程,当发生点击事件时,将负荷数据文件、预测时长和预测模型封装,发送http请求。
5.根据权利要求1所述的基于深度学习模型的电力负荷预测低代码切片构建方法,其特征在于,所述ceemdan-lstm-woa模型,包括ceemdan分解单元,lstm神经网络单元,和woa优化单元;
6.根据权利要求1所述的基于深度学习模型的电力负荷预测低代码切片构建方法,其特征在于,所述ceemdan-lstm模型和ceemdan-lstm-woa模型中,所有分量对应的lstm网络只使用一层隐藏层。
7.一种基于深度学习模型的电力负荷预测低代码切片构建系统,其特征在于,包括:
8.根据权利要求7所述的基于深度学习模型的电力负荷预测低代码切片构建系统,其特征在于,构成切片的组件包括图片组件,文件上传组件,预测时长下拉框组件,预测模型选择框组件以及开始预测按钮组件;所述图片组件用于展示预测效果图,依赖于所述开始预测按钮组件的触发来更新其内容;所述文件上传组件用于上传用于预测的负荷数据文件,提供文件选择功能,用户选择文件后,上传的数据集存入静态数据作为缓存,以便后续预测使用;所述预测时长下拉框组件用于更改预测时长,在所述开始预测组件点击事件发生时,将值传递给预测算法接口;所述预测模型选择框组件用于更改预测模型,将值传递给预测算法接口;所述开始预测按钮组件用于触发预测流程,当发生点击事件时,将负荷数据文件、预测时长和预测模型封装,发送http请求。
9.根据权利要求7所述的基于深度学习模型的电力负荷预测低代码切片构建系统,其特征在于,所述ceemdan-lstm-woa模型,包括ceemdan分解单元,lstm神经网络单元,和woa优化单元;
10.一种计算机系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-6任一项所述的基于深度学习模型的电力负荷预测低代码切片构建方法的步骤。