[发明专利]深度学习负荷预测方法、装置及终端设备

权利要求书

1.一种深度学习负荷预测方法，其特征在于，包括：

利用第一预设移动时间窗将预测区间划分为多个第一子预测区间，以及将历史负荷数据划分为多个第一子负荷训练数据，其中所述历史负荷数据的长度与所述预测区间的长度对应；

对所述多个第一子负荷训练数据进行预处理，修正所述多个第一子负荷训练数据中的异常数据或填补所述多个第一子负荷训练数据中的缺失数据；

对预处理后的多个第一子负荷训练数据归一化处理；

利用所述多个第一子负荷训练数据训练所述多个第一子预测区间的深度学习预测模型，并获得每个子预测区间的负荷预测值；

根据各个子预测区间的预测值确定最终预测值；

所述第一预设移动时间窗由聚类算法得到，过程为：

随机地获取一组第二预设移动时间窗，利用所述一组第二预设时间窗将所述历史负荷数据划分为多组第二子负荷训练数据，其中所述多组第二子负荷训练数据作为聚类算法的输入；

根据聚类算法的衡量标准找到最小的聚类数目；

选择聚类数目的最小值，并将该最小值所对应的最大长度的移动时间窗作为所述第一预设移动时间窗；

所述利用所述多个第一子负荷训练数据训练所述多个第一子预测区间的深度学习预测模型，并获得每个子预测区间的负荷预测值具体为：

对所述多个第一子负荷训练数据进行预处理，修正所述多个第一子负荷训练数据中的异常数据或填补所述多个第一子负荷训练数据中的缺失数据；

对预处理后的多个第一子负荷训练数据归一化处理；

利用归一化处理后的多个第一子负荷训练数据训练所述多个第一子预测区间的深度学习预测模型，并获得每个子预测区间的负荷预测值；

所述深度学习预测模型为利用Keras深度学习框架构建的深度LSTM预测模型，所述深度学习预测模型的训练过程为：

获取第i个子预测区间的第一子负荷训练数据；

利用网格搜索LSTM超参数；

利用所述第一子负荷训练数据和所述LSTM超参数建立深度LSTM预测模型。

2.如权利要求1所述的深度学习负荷预测方法，其特征在于，采用平均轮廓系数和间隔统计量作为所述聚类算法的衡量标准。

3.如权利要求1所述的深度学习负荷预测方法，其特征在于，所述一组第二预设移动时间窗的设置方法为：

每个第二预设移动时间窗的初始长度相同，利用所述第二预设移动时间窗将所述历史负荷数据划分为一组第二子负荷训练数据，并在对所述第二预设移动时间窗的上一长度增加预设步长ΔT后，根据增加后的第二预设移动时间窗的当前长度对所述历史负荷数据进行划分，直至得到多组第二子负荷训练数据；或

每个第二预设移动时间窗的初始长度不同，根据历史负荷数据的变化率设置所述第二预设移动时间窗的长度，并在对所述第二预设移动时间窗的上一长度增加预设步长ΔT后，根据增加后的第二预设移动时间窗的当前长度对所述历史负荷数据进行划分，直至得到多组第二子负荷训练数据。