一种基于迁移学习的非平稳电力运检成本预测数学方法

摘要

电力行业是国家发展的重要能源产业,也是国民经济的第一基础产业。随着电网规模不断扩大,运行条件日益复杂,电力数据采集范围和频率不断增加,由于电力数据具有数据样本大、类型多、价值密度低等特征,如何合理运用电力大数据,高效快速挖掘有价值的信息,提高电力数据利用率,为电网运行的可靠性提供理论依据,满足实际需求,成为了一个新的研究热点。针对电力大数据的特点,本文利用时间序列、支持向量回归等人工智能方法,通过深度迁移学习,为标准成本预测任务建立数据挖掘网络模型,提取数据的关联性特征,提高数据预测的精度和效率。实验结果表明,本文模型在小样本数据集上得到较好的预测结果,验证了深度迁移模型的可行性,相比作业成本法、传统预测方法,本文方法平均绝对误差降低10%,具有有效性与优越性。