一种基于KAN网络的时序随机信号仿真预测方法、装置、设备和存储介质与流程

本技术涉及人工智能，特别是涉及一种基于kan网络的时序随机信号仿真预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术：

1、时序信号是现实世界中广泛存在的一种数据类型，对时序信号的建模预测，也有着广泛的应用，例如电力行业中的电力负荷预测就是一种典型的时序信号预测技术。

2、电力负荷预测是指对电力系统的预设时间长度之后的电力负荷进行预测。其中，电力负荷预测是电力系统安全运行和精准规划的重要基础。相关技术中，采用预测模型对电力负荷进行预测，但是相关技术中的预测模型的精度较低，影响电力负荷预测的准确性。

3、因此，相关技术中存在着电力负荷预测的准确性较低的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高电力负荷预测的准确性的基于kan网络的时序随机信号仿真预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种基于kan网络的时序随机信号仿真预测方法，包括：

3、获取电力系统在预测时间点之前的预设时间区间内的历史负荷时序数据；

4、将所述历史负荷时序数据输入至预训练的波动特征提取模型，得到所述历史负荷时序数据对应的波动特征；所述波动特征包括随机波动率序列；所述随机波动率序列为所述预训练的波动特征提取模型在采用随机过程对所述历史负荷时序数据进行波动率计算得到的；

5、将所述历史负荷时序数据和所述随机波动率序列输入至预训练的电力负荷预测模型，输出所述预测时间点对应的电力负荷预测数据；所述预训练的电力负荷预测模型为基于kan神经网络构建得到的。

6、在其中一个实施例中，所述预设时间区间包括多个历史时间点；所述历史负荷时序数据包括分别对应于不同的所述历史时间点的多个历史负荷数据；

7、所述将所述历史负荷时序数据输入至预训练的波动特征提取模型，得到所述历史负荷时序数据对应的波动特征，包括：

8、分别确定每一目标历史时间点对应的预设时间窗口内的历史负荷数据，得到各所述目标历史时间点对应的预设时间窗口内的目标历史负荷时序数据；

9、所述预设时间区间的时间长度大于或等于所述预设时间窗口的时间长度；各所述目标历史时间点对应的预设时间窗口以相应的目标历史时间点为右端点；所述目标历史时间点为在所述预设时间区间中对应的时间长度，大于或等于所述预设时间窗口的时间长度的历史时间点；

10、对各所述目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到所述随机波动率序列；

11、根据所述随机波动率序列，得到所述历史负荷时序数据对应的波动特征。

12、在其中一个实施例中，所述对各所述目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到所述随机波动率序列，包括：

13、对各所述目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到各所述目标历史时间点对应的随机波动率；

14、根据各所述目标历史时间点对应的随机波动率，组成所述随机波动率序列。

15、在其中一个实施例中，所述随机性拟合的拟合次数为多次；所述对各所述目标历史时间点对应的目标历史负荷时序数据进行随机性拟合，得到各所述目标历史时间点对应的随机波动率，包括：

16、针对任一目标历史时间点，获取所述任一目标历史时间点对应的随机性拟合结果；所述随机性拟合结果包括每次进行所述随机性拟合得到的随机性拟合数值；

17、根据所述随机性拟合结果中满足预设数值阈值的随机性拟合数值，得到所述任一目标历史时间点对应的随机波动率。

18、在其中一个实施例中，所述针对任一目标历史时间点，获取所述任一目标历史时间点对应的随机性拟合结果，包括：

19、在每次进行随机性拟合的过程中，获取所述任一目标历史时间点对应的波动率、所述任一目标历史时间点对应的波动率的长期均值、所述任一目标历史时间点对应的波动率的均值回归速度和所述任一目标历史时间点对应的波动性的波动率，以及所述任一目标历史时间点对应的布朗运动；

20、根据所述波动率、所述波动率的长期均值、所述波动率的均值回归速度、所述波动性的波动率和所述布朗运动，得到所述任一目标历史时间点对应的随机性拟合数值。

21、在其中一个实施例中，所述预训练的电力负荷预测模型的训练过程，包括：

22、获取样本负荷时序数据；所述样本负荷时序数据包括每个样本时间点对应的样本负荷数据；

23、获取所述样本负荷时序数据对应的样本随机波动率序列；所述样本随机波动率序列包括每个目标样本时间点对应的样本随机波动率；所述目标样本时间点为在样本时间区间中对应的时间长度，大于或等于预设时间窗口的时间长度的样本时间点；所述样本时间区间为所述样本负荷时序数据对应的时间区间；

24、根据所述样本负荷时序数据和所述样本随机波动率序列，对待训练的电力负荷预测模型进行迭代训练，得到所述预训练的电力负荷预测模型；所述待训练的电力负荷预测模型为基于kan神经网络构建得到的。

25、第二方面，本技术还提供了一种基于kan网络的时序随机信号仿真预测装置，包括：

26、获取模块，用于获取电力系统在预测时间点之前的预设时间区间内的历史负荷时序数据；

27、特征提取模块，用于将所述历史负荷时序数据输入至预训练的波动特征提取模型，得到所述历史负荷时序数据对应的波动特征；所述波动特征包括随机波动率序列；所述随机波动率序列为所述预训练的波动特征提取模型在采用随机过程对所述历史负荷时序数据进行波动率计算得到的；

28、预测模块，用于将所述历史负荷时序数据和所述随机波动率序列输入至预训练的电力负荷预测模型，输出所述预测时间点对应的电力负荷预测数据；所述预训练的电力负荷预测模型为基于kan神经网络构建得到的。

29、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

30、第四方面，本技术还提供了一种计算机可读存储介质。所述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上述的方法的步骤。

31、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。

32、上述基于kan网络的时序随机信号仿真预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过获取电力系统在预测时间点之前的预设时间区间内的历史负荷时序数据；将历史负荷时序数据输入至预训练的波动特征提取模型，得到历史负荷时序数据对应的波动特征；波动特征包括随机波动率序列；随机波动率序列为预训练的波动特征提取模型在采用随机过程对历史负荷时序数据进行波动率计算得到的；将历史负荷时序数据和随机波动率序列输入至预训练的电力负荷预测模型，输出预测时间点对应的电力负荷预测数据；预训练的电力负荷预测模型为基于kan神经网络构建得到的。

33、如此，在因子特征提取方面，采用随机过程对历史负荷时序数据这一时序信号进行仿真建模，提取相应的波动特征，该波动特征包括随机波动率序列，实现给时序信号增加一维因子“随机波动率”，这种对时序数据的随机波动率的计算，可以更好地捕捉时序数据的动态变化，在增加原始时序数据的维度以外，还可以在一定程度上模拟原始时序数据在小尺度周期上的随机性，从而在将历史负荷时序数据和随机波动率序列输入至预训练的电力负荷预测模型，输出预测时间点对应的电力负荷预测数据的过程中，增加了电力负荷预测模型对真实生产环境中噪音的适应能力，提升了电力负荷预测模型预测的泛化性能，有效提升电力负荷预测的准确性。

34、此外，预训练的电力负荷预测模型为基于kan神经网络构建得到的，如此，采用kan网络替代传统的神经网络，不再使用固定的神经元激活函数，而是采用可学习可迭代的函数来代替固定的神经元函数，来对时序数据及其随机波动率进行拟合，并提供一定的可解释性。因此，本技术从因子构成和模型优化两个方向上，提升对真实条件下的电力负荷时序数据预测的泛化能力和精度，有效提升了电力负荷预测的准确性。