[发明专利]用于生成信息的方法和装置

说明书

本申请实施例公开了用于生成信息的方法和装置。该方法的一具体实施方式包括：获取待预测时间段，以及确定与待预测时间段相邻的在前历史时间段；确定目标用户在在前历史时间段的用电量影响因素；将用电量影响因素输入至针对目标用户预先训练的循环神经网络，生成目标用户在待预测时间段的预测用电量信息，其中，循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。该实施方式提高了对用户的用电量进行预测的灵活性，有助于提高用电量预测的准确性。

技术领域

本申请实施例涉及计算机技术领域，具体涉及用于生成信息的方法和装置。

背景技术

用电量预测是电网规划中的一个重要内容，对城市中长期用电量进行预测关系到一个城市的发展，关系到供电企业对电力的输送、调度等问题。

在电力需求关系不断改变的情况下，考虑影响用电量的相关因素，对于提高用电量预测精度十分必要。用电量是企业经营状况的重要指标。随着电力体制改革的推进，售电公司所面临的一个关键问题就是预测在后历史时间段的用电量(例如某企业在未来一个月的用电量)。

发明内容

本申请实施例提出了用于生成信息的方法和装置。

第一方面，本申请实施例提供了一种用于生成信息的方法，该方法包括：获取待预测时间段，以及确定与待预测时间段相邻的在前历史时间段；确定目标用户在在前历史时间段的用电量影响因素；将用电量影响因素输入至针对目标用户预先训练的循环神经网络，生成目标用户在待预测时间段的预测用电量信息，其中，循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。

在一些实施例中，在获取待预测时间段，以及确定与待预测时间段相邻的在前历史时间段之前，该方法还包括：基于预先训练的分类模型，确定目标用户所属的类别，其中，分类模型用于对用户进行分类；基于类别，确定循环神经网络的训练样本集合；以及预先训练的循环神经网络是基于训练样本集合训练得到的。

在一些实施例中，分类模型包括逻辑回归模型；以及基于预先训练的分类模型，确定目标用户所属的类别，包括：获取目标用户在目标历史时间段的用电量影响因素，以及目标用户在与目标历史时间段相邻的在后历史时间段的实际用电量信息；将用电量影响因素输入至逻辑回归模型，得到目标用户在在后历史时间段的预测用电量信息，其中，逻辑回归模型用于表征用电量影响因素与用电量信息之间的对应关系；基于实际用电量信息和所得到的预测用电量信息，确定目标用户所属的类别。

在一些实施例中，训练样本包括用电量影响因素；以及基于类别，确定循环神经网络的训练样本集合，包括：响应于类别表征目标用户属于第一类用户，确定训练样本包括的用电量影响因素包括以下至少一项：在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数。响应于类别表征目标用户属于第二类用户，确定训练样本包括的用电量影响因素包括以下至少一项：在前历史时间段所属的月份、在前历史时间段所属的月份所包括的天数、在前历史时间段所属的月份所包括的工作日天数、在前历史时间段所属的月份所包括的节假日天数、在前历史时间段所属的季节、在在前历史时间段的计划产能、在在前历史时间段实施的限产信息。

在一些实施例中，训练样本还包括对应用电量影响因素的实际用电量信息；以及预先训练的循环神经网络是通过如下步骤得到的：利用机器学习算法，将训练样本包括的用电量影响因素作为输入，将与输入的用电量影响因素对应的实际用电量信息作为期望输出，训练得到循环神经网络。

第二方面，本申请实施例提供了一种用于生成信息的装置，该装置包括：获取单元，被配置成获取待预测时间段，以及确定与待预测时间段相邻的在前历史时间段；第一确定单元，被配置成确定目标用户在在前历史时间段的用电量影响因素；输入单元，被配置成将用电量影响因素输入至针对目标用户预先训练的循环神经网络，生成目标用户在待预测时间段的预测用电量信息，其中，循环神经网络用于表征用电量影响因素与用电量信息之间的对应关系。