基于神经网络的电力数据流预测方法、装置、设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及基于神经网络的电力数据流预测方法、装置、设备及介质。

背景技术

电力销售日现金流预测指在未来特定时间内，对每日电网账户内现金流进行预测。日现金预测旨在充分考虑未来各种影响因素的基础上，帮助企业做好财务预算,在强化存量资金高效运作方面，帮助逐步推行单位存量资金“零余额”管理,在细化流量资金精益管理方面，帮助实施现金流预算按月编制按日排程。其结果对电网的发展规划和战略部署都有着非常重要的意义。

然而进行高精度的按日为单位预测并不容易。目前可用于销售预测的数据挖掘工具主要有线性或非线性回归模型、灰色系统模型、最大嫡马尔可夫模型等。尽管这些模型已被广泛应用于经济预测领域，但一方面影响每日售电收入的因素非常，如影响每日售电收入的因素不仅有用户的平均用电量，还与季节、节假日、用户的缴费方式和行为模式等有关。居民用户的用电往往具有很明显的季节性影响，如冬天和夏天由于空调使用频率高，由此导致这两个季节的用电量会相对较多，而周末与非周末的缴费行为也会有明显的差异；另一方面其中涉及的用户量非常大。由此导致了这些预测方法在电力销售日现金流预测中的准确性无法保证。

如上述所述，现有大多统计分析模型很难拟合多因素相互作用，无法解决电力销售日现金流的精确预测。

发明内容

为了克服上述技术缺陷，本发明的目的在于提供一种基于神经网络的电力数据流预测方法、装置、设备及介质，解决现有的统计分析对于电力日现金流的预测结果准确度不够的问题。

本发明公开了一种基于神经网络的电力数据流预测方法，包括：

获取历史电力数据流集合，对所述历史电力数据流集合进行预处理，以获得具有以月、周、日为时间序列的处理数据；

基于双向LSTM网络和Transformer网络建立初始模型，采用所述处理数据作为训练数据对所述初始模型进行训练，获得目标模型；

将所述处理数据输入至所述目标模型，采用所述目标模型的双向LSTM网络进行双向特征提取，获得前向特征值、后向特征值；

将所述前向特征值、所述后向特征值输入至所述目标模型的Transformer网络中，编码后分别获得前向特征编码和后向特征编码；

对所述前向特征编码分别进行第一单层卷积操作和第二单层卷积操作，并在对所述后向特征编码进行第三单层卷积操作后进行特征融合，获得融合特征；

基于所述融合特征进行解码，并通过线性输出层输出具有以月、周、日为时间序列的预测数据流；

基于所述具有以月、周、日为时间序列的预测数据流对各个时间序列下的预测数据流进行加权，获得具有日为时间序列的目标结果。

优选地，所述将所述处理数据输入至目标模型，并采用目标模型的双向LSTM网络中进行双向特征提取，获得前向特征值、后向特征值，包括：

在双向LSTM网络的正向传播中，根据所述处理数据的t-1周期的前向特征值以及预设第一网络权重生成t周期的前向特征值，迭代获得前向特征值；其中，t∈(1,2,...,n)，当t＝1时，t-1周期的前向特征值为0；

在双向LSTM网络的反向传播中，根据所述处理数据的t+1周期的后向特征值以及预设网络权重生成t周期的后向特征值，迭代获得后向特征值；其中，t∈(1,2,...,n)；当t＝n时，t+1周期的后向特征值为0。

优选地，所述将所述前向特征值、所述后向特征值输入至目标模型的Transformer网络中，编码后分别获得前向特征编码和后向特征编码，包括：

根据所述处理数据获取维度数据；

将所述前向特征值与所述维度数据融合后，采用多头注意力机制、残差网络、归一化、前馈网络进行处理，获得前向特征编码；

将所述后向特征值与所述维度数据融合，并采用Masked多头注意力机制、残差网络、归一化获得后向特征编码。

优选地，所述基于所述融合特征进行解码，并通过线性输出层输出具有以月、周、日为时间序列的预测数据流，包括：

采用多头注意力机制、残差网络、归一化、前馈网络对所述融合特征进行解码；

在解码后通过Linear层和Softmax层输出具有以月、周、日为时间序列的预测数据流。

优选地，所述对所述历史电力数据流集合进行预处理，以获得具有以月、周、日为时间序列的处理数据，包括：

预设以月为单位的第一周期，获取所述第一周期内的历史电力数据流，对所述第一周期内的历史电力数据流进行一致性处理，获得以月为时间序列的历史电力数据流；

预设以周为单位的第二周期，获取所述第二周期内的历史电力数据流，对所述第二周期内的历史电力数据流进行修正，获得以周为时间序列的历史电力数据流；

预设以日为单位的第三周期，获取所述第三周期内的历史电力数据流，获得以日为时间序列的历史电力数据流；

获取历史电力数据流中各个账户下平均用电量以及日期属性生成维度数据，将所述维度数据分别与所述以月为时间序列的历史电力数据流、以周为时间序列的历史电力数据流、以日为时间序列的历史电力数据流融合，以获得具有以月、周、日为时间序列的处理数据。

优选地，所述对所述第一周期内的历史电力数据流进行一致性处理，包括：

将第一周期内的每月设定为固定30天；

当某一月包括31天，则将第30天与第31天分别对应的历史电力数据流进行平均后作为第30天的历史电力数据流；

当某一月包括29天，则将第29天对应的历史电力数据流作为第30天的历史电力数据流；

当某一月包括28天，则将第28天对应的历史电力数据流作为29天的历史电力数据流，并将次月第1天的历史电力数据流作为第20天的历史电力数据流。

优选地，所述对所述第二周期内的历史电力数据流进行修正，包括：

将第二周期设置为包括四周，即28天；

将超出28天对应的历史电力数据流平均，并修正第28天的历史电力数据流。

本发明还提供一种基于神经网络的电力数据流预测装置，包括：

预处理模块，用于获取历史电力数据流集合，对所述历史电力数据流集合进行预处理，以获得具有以月、周、日为时间序列的处理数据；

模型建立模块，用于基于双向LSTM网络和Transformer网络建立初始模型，采用所述处理数据作为训练数据对所述初始模型进行训练，获得目标模型；

特征处理模块，用于将所述处理数据输入至所述目标模型，并采用所述目标模型的双向LSTM网络进行双向特征提取，获得前向特征值、后向特征值；

编码模块，用于将所述前向特征值和所述后向特征值输入至所述目标模型的Transformer网络中，编码后分别获得前向特征编码和后向特征编码；

融合模块，用于对所述前向特征编码分别进行第一单层卷积操作和第二单层卷积操作，并在对所述后向特征编码进行第三单层卷积操作后进行特征融合，获得融合特征；

解码模块，用于基于所述融合特征进行解码，并通过线性输出层输出具有以月、周、日为时间序列的预测数据流；

计算模块，用于基于所述具有以月、周、日为时间序列的预测数据流对各个时间序列下的预测数据流进行加权，获得具有日为时间序列的目标结果果。

本发明还提供一种计算机设备，所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一项所述基于神经网络的电力数据流预测方法的步骤。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一项所述基于神经网络的电力数据流预测方法的步骤。

采用了上述技术方案后，与现有技术相比，具有以下有益效果：

将历史电力数据流集合处理为具有以月、周、日为时间序列的处理数据，采用处理数据进行训练，获得目标模型后基于处理数据进行训练，利用训练好的双向LSTM网络和Transformer网络的处理输出具有以月、周、日为时间序列的预测数据流，对各个时间序列加权以确定目标结果，充分利用月，周，日三个自然周期规律，挖掘与未来日数据流之间的联系，同时还增加维度数据(日期属性、平均值)的影响，增加预测结果准确性，解决现有的统计分析对于电力日现金流的预测结果准确度不够的问题。

附图说明

图1为本发明所述基于神经网络的电力数据流预测方法实施例一的流程图；

图2为本发明所述基于神经网络的电力数据流预测方法实施例一中目标模型网络结构示意图；

图3为本发明所述基于神经网络的电力数据流预测方法实施例一中Transformer网络结构示意图；

图4为本发明所述基于神经网络的电力数据流预测装置实施例二的模块示意图；

图5为本发明计算机设备的模块示意图。

附图标记：

8-基于神经网络的电力数据流预测装置；81-预处理模块；82-模型建立模块；83-特征处理模块；84-编码模块；85-融合模块；86-解码模块；87-计算模块9-计算机设备；91-存储器；92-处理器。

具体实施方式

以下结合附图与具体实施例进一步阐述本发明的优点。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。

实施例一：本实施方式公开了一种基于神经网络的电力数据流预测方法，参阅图1-图3，包括：

S100：获取历史电力数据流集合，对所述历史电力数据流集合进行预处理，以获得具有以月、周、日为时间序列的处理数据；

在本实施方式中，电力数据包括但不限于电力系统下的销售日流水(现金流)，其中每一历史电力数据流集合均包括若干历史电力数据流，每一历史电力数据流均对应唯一用户账户，每一历史电力数据流均包括但不限于用户行业、实际到账日期区间、缴费方式、缴费金额，以及实际到账日期区间对应周几与是否节假日等信息。该历史电力数据流集合可直接从相关电力部分获取，用以有效帮助下述建模处理，用以根据历史电力数据流对未来一段时间内的电力使用进行预测。

作为说明的是，本实施方式中，为了进一步提高对于每日数据流的预测准确性，将历史数据也划分为以月、周、日为时间序列，用于获得不同时间序列下数据变化，以获得不同账户下用电习惯，以便将其作为基础后续对未来某一段或某一天数据流进行预测。因此，上述对所述历史电力数据流集合进行预处理，以获得具有以月、周、日为时间序列的处理数据，包括：

S110：预设以月为单位的第一周期，获取所述第一周期内的历史电力数据流，对所述第一周期内的历史电力数据流进行一致性处理，获得以月为时间序列的历史电力数据流；

在上述步骤中，第一周期可预设为12月，即年度的历史电力数据流，为了克服不同自然月天数不同对基于历史电力数据流建立的时间序列模型(即具有月、周、日为时间序列的历史电力数据流)的影响，对其进行一致性处理，该一致性处理用于使得第一周期内的每个月均保持一致的天数。

作为具体说明的，所述对所述第一周期内的历史电力数据流进行一致性处理，包括：将第一周期内的每月设定为固定30天；当某一月包括31天，则将第30天与第31天分别对应的历史电力数据流进行平均后作为第30天的历史电力数据流；当某一月包括29天，则将第29天对应的历史电力数据流作为第30天的历史电力数据流；当某一月包括28天，则将第28天对应的历史电力数据流作为29天的历史电力数据流，并将次月第1天的历史电力数据流作为第20天的历史电力数据流。

即，作为举例以进一步说明的，对于以月为单位12个月为周期拟合第一时间序列模型，将每一个月的天数均调整为为30天：对于有31天的月份，将第31天的值和第30天的值平均后令为第30天的值；对于只有29天的月份，将第30天的值与第29天的值相等；对于只有28天的月份，将第28天和下个月第1天的值分别赋给第29天和第30天。

S120：预设以周为单位的第二周期，获取所述第二周期内的历史电力数据流，对所述第二周期内的历史电力数据流进行修正，获得以周为时间序列的历史电力数据流；

在上述步骤中，可以包含若干第二周期，修正与上述步骤S110中一致性处理相似的，用于减少第二周期内不同天数对基于历史电力数据流对时序序列分析的准确性的影响，上述对所述第二周期内的历史电力数据流进行修正，包括：将第二周期设置为包括四周，即28天为一个第二周期；将超出28天对应的历史电力数据流平均，并修正第28天的历史电力数据流。

即，作为举例的，对于以周为单位，4周(即近似一个自然月)为周期拟合第二时间序列模型时，将每个月的天数均调整为28天：将天数大于等于28天的部分一次向前一天去平均值，修正到第28天的数据之中。

S130：预设以日为单位的第三周期，获取所述第三周期内的历史电力数据流，获得以日为时间序列的历史电力数据流；

在上述步骤中，即每一日均可作为一个第三周期建立第三时序分析模型，作为可选的，也可预设数量的天数作为一个第三周期，如两日或三日等，不超出一周即可。需要说明的是，在获得第三周期内的历史电力数据流，即每日对应的历史数据流后，也可进行修正或一致性处理，还可查找缺失数据进行填补，或者对明显异常数据进行修正(如明显超出其他历史数据的数据)。由此基于上述可获得按照月、周、日整理缴费金额信息，得到三个时间序列(模型)。

S140：获取历史电力数据流中各个账户下平均用电量以及日期属性生成维度数据，将所述维度数据分别与所述以月为时间序列的历史电力数据流、以周为时间序列的历史电力数据流、以日为时间序列的历史电力数据流融合，以获得具有以月、周、日为时间序列的处理数据。

作为说明的是，除了时间序列外，用户的平均用电量、季节、节假日、周末等多重信息也会对电力数据流造成影响，因此根据历史电力数据流计算不同账户下平均用电量，或者抽掉其日期属性(包括但不限于设置上述季节、节日标签等)生成维度数据，以便后续输入至神经网络中，可以基于多维度数据进行数据预测，以便提高预测结果的准确性。

S200：基于双向LSTM网络和Transformer网络建立初始模型，采用所述处理数据作为训练数据对所述初始模型进行训练，获得目标模型；

在本实施方式，作为特别说明的是，初始模型与目标模型结构一致，均包括双向LSTM网络和Transformer网络，区别在于模型参数不同。利用具有以月、周、日为时间序列的历史电力数据流集合作为训练数据，对初始模型中双向LSTM网络和Transformer网络进行训练，以更新网络参数(如权重)，以获得目标模型，而后利用目标模型基于该处理数据(即历史电力数据流集合)进行预测。在训练过程中，可以根据前一月或前一年度的历史电力数据流集合作为训练输入，并以次月或次年的历史电力数据流集作为标签，以根据训练输出对模型参数进行调整，利用历史数据作为训练样本，通过神经网络获得历史数据内部的关系，基于该关系以及各个维度影响对未来数据流进行预测，从而进一步增加预测结果准确性。

S300：将所述处理数据输入至所述目标模型，采用所述目标模型的双向LSTM网络中进行双向特征提取，获得前向特征值、后向特征值；

在本实施方式中，双向LSTM网络包括两个长短期记忆网络，即正向传播的长短期记忆网络和反向传播的长短期记忆网络，双向LSTM网络对时序、序列数据的处理和分析上具有较大优势，如上述，应用其对具有月、周、日为时间序列的处理数据进行处理，用于获得序列的前向和后向特征，双向LSTM网络还可依据之前周期的时序信息来预测下一周期的输出，以便下述采用Transformer网络考虑时序特征输出预测。

具体的，所述将所述处理数据输入至双向LSTM网络中进行双向特征提取，获得前向特征值、后向特征值，包括：

S310：在双向LSTM网络的正向传播中，根据所述处理数据的t-1周期的前向特征值以及预设第一网络权重生成t周期的前向特征值，迭代获得前向特征值；其中，，当t＝1时，t-1周期的前向特征值为0；

作为具体说明的，在正向传播过程中，t周期的特征值

其中w

S320：在双向LSTM网络的反向传播中，根据所述处理数据的t+1周期的后向特征值以及预设网络权重生成t周期的后向特征值，迭代获得后向特征值；其中，；当t＝n时，t+1周期的后向特征值为0。

作为具体说明的，在反向传播过程中，t周期的特征值

其中w

基于上述步骤S210-S220，可以获得以月、周、日三个时间序列的双向特征值，即时序特征。

本实施方式中，在利用时序特征的双向LSTM网络处理后，再通过Transformer网络对时序特征、历史电力数据流进行编解码，用于确定电力数据流中数据内部的联系，同时结合各个维度数据对数据变化的影响，对初始预测数据流进行调整，进一步提高预测的准确性。

S400：将所述前向特征值、所述后向特征值输入至所述目标模型的Transformer网络中，编码后分别获得前向特征编码和后向特征编码；

作为特别说明的是，当处理数据输入至目标模型的Transformer网络，其迭代进行预测，即，通过

具体的，上述将所述前向特征值、所述后向特征值输入至目标模型的Transformer网络中，编码后分别获得前向特征编码和后向特征编码，包括：

S410：根据所述处理数据获取维度数据；

基于上述步骤S140，可直接获得维度数据，可包括但不限于不同账户下平均用电量，或者日期属性(包括但不限于设置上述季节、节日标签等)等多个维度下的数据。

S420：将所述前向特征值与所述维度数据融合后，采用多头注意力机制、残差网络、归一化、前馈网络进行处理，获得前向特征编码；

上述步骤中，Transformer网络的编码器输入

S430：将所述后向特征值与所述维度数据融合，并采用Masked多头注意力机制、残差网络、归一化获得后向特征编码。

具体的，后向特征

S500；对所述前向特征编码分别进行第一单层卷积操作和第二单层卷积操作，并在对所述后向特征编码进行第三单层卷积操作后进行特征融合，获得融合特征；

具体的，利用上述步骤S400得到的前向编码

其中，d为通道数，T为特征编码的矩阵转置。

S600：基于所述融合特征进行解码，并通过线性输出层输出具有以月、周、日为时间序列的预测数据流；

在上述前向特征编码和后向特征编码的特征融合后，进行解码以输出预测值。具体的，所述基于所述融合特征进行解码，并通过线性输出层输出具有以月、周、日为时间序列的预测数据流，包括：

S610：采用多头注意力机制、残差网络、归一化、前馈网络对所述融合特征进行解码；

具体的，依次通过多头注意力机制、残差网络+归一化、前馈网络、残差网络+归一化输出即可。

S620：在解码后通过Linear层和Softmax层输出具有以月、周、日为时间序列的预测数据流。

具体的，Linear层和Softmax层用于将输出的特征映射，以输出预测数据流，该数据流是包括月、周、日为三个时间序列下的数据流，即每一时间序列下均对应一数据流，不同时间序列在上述双向LSTM网络和Transformer网络中体现为t不同。

S700：基于所述具有以月、周、日为时间序列的预测数据流对各个时间序列下的预测数据流进行加权，获得具有日为时间序列的目标结果。

基于上述步骤S600，可以得到具有月、周、日三类时间序列特征的的数据流预测结果，最终通过下式得到目标(即根据处理数据(电力历史数据流)预测的未来的日数据流)的日数据流

其中y

在本实施方式中，根据历史电力数据流可以获取历史的用户信息(账户)、时间序列特征，将其作为输入，充分利用月，周，日三个自然周期规律，掌握其特点，挖掘它们与未来日数据流(现金流)之间的联系，从而得到根据往期数据预测未来日数据流的模型(即上述方案中的目标模型)，能够对不同周期(日、周、月)进行分类，相比现有的基于平稳时间序列曲线趋势预测更加准确、合理。

实施例二：本实施例提供一种基于神经网络的电力数据流预测装置8，参阅图4，包括：

预处理模块81，用于获取历史电力数据流集合，对所述历史电力数据流集合进行预处理，以获得具有以月、周、日为时间序列的处理数据；

具体的，每一历史电力数据流均包括但不限于用户行业、实际到账日期区间、缴费方式、缴费金额，以及实际到账日期区间对应周几与是否节假日等信息。将历史数据也划分为以月、周、日为时间序列，用于获得不同时间序列下数据变化，以获得不同账户下用电习惯，以便将其作为基础后续对未来某一段或某一天数据流进行预测。

模型建立模块82，用于基于双向LSTM网络和Transformer网络建立初始模型，采用所述处理数据作为训练数据对所述初始模型进行训练，获得目标模型；

具体的，初始模型与目标模型结构一致，均包括双向LSTM网络和Transformer网络。利用具有以月、周、日为时间序列的历史电力数据流集合作为训练数据，对初始模型中双向LSTM网络和Transformer网络进行训练，以更新网络参数(如权重)，以获得目标模型，而后利用目标模型基于该处理数据(即历史电力数据流集合)对未来的日数据流进行预测。

特征处理模块83，用于将所述处理数据输入至目标模型中，并采用目标模型的双向LSTM网络中进行双向特征提取，获得前向特征值、后向特征值；

具体的，该特征处理模块用于执行双向LSTM网络，用于获得序列的前向和后向特征，双向LSTM网络还可依据之前周期的时序信息来预测下一周期的输出，即输出中间数据流。

编码模块84，用于将所述前向特征值、所述后向特征值输入至目标模型的Transformer网络中，编码后分别获得前向特征编码和后向特征编码；

具体的，该编码模块、融合模块和解码模块均用于目标模型的Transformer网络的执行，包括将所述前向特征值与所述维度数据融合后，编码获得前向特征编码，以及将所述后向特征值与所述维度数据融合后编码，获得后向特征编码。

融合模块85，用于对所述前向特征编码分别进行第一单层卷积操作和第二单层卷积操作，并在对所述后向特征编码进行第三单层卷积操作后进行特征融合，获得融合特征；

具体的，前向特征编码和后向特征编码分别经过一个1*1卷积操作后进行融合。

解码模块86，用于基于所述融合特征进行解码，并通过线性输出层输出具有以月、周、日为时间序列的预测数据流；

具体的，该预测数据流是包括月、周、日为三个时间序列下分别对应的预测数据流。

计算模块87，用于根据所述具有以月、周、日为时间序列的预测数据流对各个时间序列下的预测数据流进行加权，获得具有日为时间序列的目标结果。

具体的，各个时间序列下的预测数据流的权重也可在训练过程中进行调整。

本实施方式中，利用预处理模块将历史电力数据流集合处理为具有以月、周、日为时间序列的处理数据，而后通过模型建立模块建立初始模型，并采用处理数据进行训练，获得目标模型，再次基于处理数据进行预测，利用特征处理模块、编码模块、融合模块以及解码模块分别实现所述目标模型中训练好的双向LSTM网络和Transformer网络的处理，输出层输出具有以月、周、日为时间序列的预测数据流，最后通过计算模块对各个时间序列加权以确定目标结果。充分利用月，周，日三个自然周期规律，挖掘与未来日数据流(现金流)之间的联系，同时还增加维度数据(如季节、节日)等，增加预测结果准确性。

实施例三：为实现上述目的，本发明还提供一种计算机设备9，该计算机设备可包括多个计算机设备，实施例二的基于神经网络的电力数据流预测装置8的组成部分可分散于不同的计算机设备9中，计算机设备9可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器等。本实施例的计算机设备至少包括但不限于：可通过系统总线相互通信连接的存储器91、处理器92以及基于神经网络的电力数据流预测装置8。参阅图5，需要指出的是，图5仅示出了具有组件-的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器91可以包括存储程序区和存储数据区，其中，存储程序区可存储搡作系统、至少一个功能所需要的应用程序；存储数据区可存储用户在计算机设备的数据。此外，存储器91可以包括高速随机存取存储器，还可以包括非易失性存储器，在一些实施例中，存储器91可选包括相对于处理器远程设置的存储器91，这些远程存储器可以通过网络连接至PET系统。上述网络的实例包括但不限于互联网、局域网等。

处理器92在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制计算机设备的总体操作。本实施例中，处理器92用于运行存储器91中存储的程序代码或者处理数据，例如运行基于神经网络的电力数据流预测装置8，以实现实施例一的基于神经网络的电力数据流预测方法。

需要指出的是，仅示出了具有部件91-92的计算机设备9，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

实施例四：

为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁盘、光盘、服务器等等，其上存储有计算机程序，程序被处理器92执行时实现相应功能。本实施例的计算机可读存储介质用于存储基于神经网络的电力数据流预测装置8，被处理器92执行时实现实施例一的基于神经网络的电力数据流预测方法。

应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。