具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的能耗预测网络的训练方法，可以应用于如图1所示的应用环境中。实际应用中，服务器110可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种能耗预测网络的训练方法，能耗预测网络包括待训练的第一特征提取网络、待训练的第二特征提取网络、待训练的特征融合网络和待训练的特征分类网络，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤S210，获取训练样本数据。

其中，训练样本数据包括历史能耗数据和标签时刻的实际能耗值。实际应用中，能耗数据可以是指工业工厂的能耗数据。

其中，历史能耗数据为标签时刻之前的能耗数据时间序列。举例来说，假设标签时刻为2月15日，则历史能耗数据可以是2月15日前N天的能耗数据。

具体实现中，计算机设备在对能耗预测网络进行训练时，计算机设备可以获取历史能耗数据和标签时刻的实际能耗值。

步骤S220，将历史能耗数据输入至待训练的第一特征提取网络，得到第一能耗特征，以及，将历史能耗数据输入至待训练的第二特征提取网络，得到第二能耗特征；其中，第一能耗特征为卷积特征；第二能耗特征为深度分离卷积特征。

实际应用中，待训练的第一特征提取网络和待训练的第二特征提取网络为能耗预测网络的两个分支。为了便于本领域技术人员的理解，图3实例性地提供了一种能耗预测网络的架构图；实际应用中，待训练的第一特征提取网络可以是原始ResNet网络。待训练的第二特征提取网络可以是基于MobileNet网络改进的基础网络，通过深度可分离卷积将普通卷积分解为一个点卷积conv和一个深度卷积conv dw，将MobileNet v2网络改进为22层卷积层。

其中，原始ResNet网络由4个部分组成，第一部分是由4个3×3的卷积层组成，卷积核的个数是M/2个，第二部分4个3×3的卷积层组成，卷积核的个数是2M个，第三部分4个3×3的卷积层组成，卷积核的个数是8M个，第四部分4个3×3的卷积层组成，卷积核的个数是32M个。

待训练的第二特征提取网络先由5个的3×3深度卷积层和5个1×1点卷积层交替连接，深度卷积层的卷积核分别是M、2M、4M、4M、8M,点卷积层的卷积核分别是3M、8M、16M、32M、64M；然后连接由5个卷积核是16M的3×3深度卷积层和5个卷积核是256M的1×1点卷积层交替连接的卷积块；最后连接一个卷积核是32M的3×3深度卷积层。

具体实现中，计算机设备将将历史能耗数据输入至待训练的第一特征提取网络，得到第一能耗特征，以及，将历史能耗数据输入至待训练的第二特征提取网络，得到第二能耗特征。

步骤S230，将第一能耗特征和第二能耗特征输入至待训练的特征融合网络，得到融合能耗特征；融合能耗特征为待训练的特征融合网络通过最大化第一能耗特征和第二能耗特征间的相关关系得到的。

具体实现中，计算机设备再获得第一能耗特征和第二能耗特征后，计算机设备则将第一能耗特征和第二能耗特征输入至待训练的特征融合网络，得到融合能耗特征。具体来说，计算机设备可以将两个分支的特征输出进行DCA特征融合，最大化特征集之间的相关性。

步骤S240，将融合能耗特征输入至待训练的特征分类网络，得到预测能耗值。

其中，待训练的特征分类网络可以是SCN分类器。

具体实现中，计算机设备可以将融合能耗特征输入至待训练的特征分类网络，以对融合能耗特征进行分类处理，得到预测能耗值。

步骤S250，基于预测能耗值与实际能耗值之间的差异，调整能耗预测网络的网络参数，直至得到训练好的能耗预测网络。

其中，训练好的能耗预测网络包括训练好的第一特征提取网络、训练好的第二特征提取网络、训练好的特征融合网络和训练好的特征分类网络。

具体实现中，计算机设备在得到预测能耗值后，计算机设备则基于预测能耗值与实际能耗值之间的差异，调整能耗预测网络的网络参数，直至得到训练好的能耗预测网络。计算机设备根据梯度下降的反向传播算法更新能耗预测网络的权重和偏置。其中，计算机设备可以计算能耗预测网络中输出层到全连接层的反向传播过程：

其中，j表示SCN分类器的节点个数；T表示网络期望输出集，T＝{t₁,t₂,...t_N}；F_i,μ表示DCA融合后的特征向量；F_μ表示网络第μ次更新时网络全连接层的特征集，F_μ＝{F_1,μ,.F_2,μ,...F_N,μ}；β_j表示SCN分类器到输出层的权重；表示全连接层到SCN分类器的权重；b_j表示全连接层到SCN分类器的偏置；k(·)表示网络的激活函数。

上述能耗预测网络的训练方法中，通过获取训练样本数据；训练样本数据包括历史能耗数据和标签时刻的实际能耗值；历史能耗数据为标签时刻之前的能耗数据时间序列；将历史能耗数据输入至待训练的第一特征提取网络，得到第一能耗特征，以及，将历史能耗数据输入至待训练的第二特征提取网络，得到第二能耗特征；其中，第一能耗特征为卷积特征；第二能耗特征为深度分离卷积特征；将第一能耗特征和第二能耗特征输入至待训练的特征融合网络，得到融合能耗特征；融合能耗特征为待训练的特征融合网络通过最大化第一能耗特征和第二能耗特征间的相关关系得到的；将融合能耗特征输入至待训练的特征分类网络，得到预测能耗值；基于预测能耗值与实际能耗值之间的差异，调整能耗预测网络的网络参数，直至得到训练好的能耗预测网络；训练好的能耗预测网络包括训练好的第一特征提取网络、训练好的第二特征提取网络、训练好的特征融合网络和训练好的特征分类网络；如此，通过采用双分支的特征提取网络，实现对历史能耗数据进行不同尺度、不同卷积方式地特征提取处理，使得在不采用复杂模型的情况下也可以充分对输入的数据进行特征提取处理，同时通过对第一能耗特征和第二能耗特征进行融合时最大化第一能耗特征和第二能耗特征间的相关关系，可以有效地降低融合能耗特征的特征冗余，便于后续对融合能耗特征进行快速且有效分类，使得训练得到的能耗预测网络可以输出准确地高的预测结果，且使得能耗预测网络轻量化，参数量小、计算量小,便于部署在移动和边缘设备上，实现对工业生产过程的能耗监测与提高能源利用率的目的。

在另一个实施例中，基于预测能耗值与实际能耗值之间的差异，调整能耗预测网络的网络参数，直至得到训练好的能耗预测网络，包括：基于预测能耗值与实际能耗值之间的差异，获取能耗预测网络的网络损失值；若网络损失值不在预设的阈值范围内，则根据网络损失值调整能耗预测网络的网络参数，直至网络损失值低于预设阈值时，将网络参数调整后的能耗预测网络作为训练好的能耗预测网络。

其中，根据网络损失值调整能耗预测网络的网络参数，包括：采用反向传播的方法，基于网络损失值，确定能耗预测网络中各个网络节点的梯度；采用随机梯度下降的方法，按照梯度对各个网络节点的参数进行更新，得到网络参数调整后的能耗预测网络。

具体实现中，计算机设备在基于预测能耗值与实际能耗值之间的差异，调整能耗预测网络的网络参数，直至得到训练好的能耗预测网络的过程中，计算机设备可以基于预测能耗值与实际能耗值之间的差异，获取能耗预测网络的网络损失值；具体来说，计算机设备可以将预测能耗值与实际能耗值输入至预设的损失函数(例如，Softmax损失函数)。然后，计算机设备可以判断该网络损失值是否在预设的阈值范围内，若网络损失值不在预设的阈值范围内，则计算机设备则根据网络损失值调整能耗预测网络的网络参数，直至网络损失值低于预设阈值，将网络参数调整后的能耗预测网络作为训练好的能耗预测网络。计算机设备可以采用反向传播的方法，基于网络损失值，确定能耗预测网络中各个网络节点的梯度；采用随机梯度下降的方法，按照梯度对各个网络节点的参数进行更新，得到网络参数调整后的能耗预测网络。

具体来说，计算机设备可以将能耗预测网络进行初始化，计算机设备可以将能耗预测网络的宽度超参数α设定为0.75，将分辨率超参数β设定为0.714，设定卷积核的个数M＝32。

然后，计算机定义能耗预测网络的Softmax损失函数，其中，Softmax损失函数可以表示为：

其中，N_p为样本总数，i为节点号，x_i为第i个节点的输入，y_i为第i个节点的输出类别，σ表示所有类别，θ_j和θ_yi表示角度参数；

其中，k∈[0,m-1],m为整数，用于控制角边界大小，且m≥1；当m＝1时，即为Softmax loss函数。

本实施例的技术方案，通过基于预测能耗值与实际能耗值之间的差异，获取能耗预测网络的网络损失值；若网络损失值不在预设的阈值范围内，则采用反向传播的方法，基于网络损失值，确定能耗预测网络中各个网络节点的梯度；采用随机梯度下降的方法，按照梯度对各个网络节点的参数进行更新，得到网络参数调整后的能耗预测网络，直至网络损失值低于预设阈值时，将网络参数调整后的能耗预测网络作为训练好的能耗预测网络；如此，可以实现准确地对能耗预测网络进行有效地训练。

在另一个实施例中，待训练的特征融合网络包括特征调整层、特征融合层和全连接层，将第一能耗特征和第二能耗特征输入至待训练的特征融合网络，得到融合能耗特征，包括：通过特征调整层，对第一能耗特征和第二能耗特征进行调整，以使调整后的第一能耗特征与调整后的第二能耗特征之间的相关关系最大化；通过特征融合层，对调整后的第一能耗特征与调整后的第二能耗特征进行融合处理，得到初始融合特征；通过全连接层，对初始融合特征进行全连接处理，得到融合能耗特征。

其中，待训练的特征融合网络包括特征调整层、特征融合层和全连接层。

具体实现中，计算机设备在将第一能耗特征和第二能耗特征输入至待训练的特征融合网络，得到融合能耗特征的过程中，计算机设备可以通过特征调整层，对第一能耗特征和第二能耗特征进行调整，以使调整后的第一能耗特征与调整后的第二能耗特征之间的相关关系最大化；通过特征融合层，对调整后的第一能耗特征与调整后的第二能耗特征进行融合处理，得到初始融合特征；通过全连接层，对初始融合特征进行全连接处理，得到融合能耗特征。

实际应用中，计算机设备可以对第一能耗特征和第二能耗特征进行DCA特征融合，最大化特征集之间的相关性。DCA最大化两个特征集中对应特征的相关关系，同时最大化不同类之间的差异。设定收集的样本数据矩阵来自于C个单独的类，因此，n列样本数据矩阵就可以分为C个单独的类，第n_i列属于第i类，对于i类的第j个样本数据，即特征向量，记作X_i,j∈X。定义类间散布矩阵，通过证明类之间的散列矩阵仍然是对角矩阵，认定两个分支的特征输出可以进行DCA特征融合。散布矩阵公式定义为：

其中，和分别表示所有特征集合的平均值以及第i类特征的平均值。

本实施例的技术方案，通过特征调整层，对第一能耗特征和第二能耗特征进行调整，以使调整后的第一能耗特征与调整后的第二能耗特征之间的相关关系最大化；通过特征融合层，对调整后的第一能耗特征与调整后的第二能耗特征进行融合处理，得到初始融合特征；通过全连接层，对初始融合特征进行全连接处理，得到融合能耗特征；如此，可以实现尽可能地最大化两个特征集中对应特征的相关关系。

在另一个实施例中，获取训练样本数据，包括：获取原始能耗数据；对原始能耗数据进行去冗余处理，得到去冗余能耗数据；去冗余能耗数据的特征冗余程度小于预设阈值；对去冗余能耗数据进行归一化处理，得到训练样本数据。

其中，原始能耗数据可以是指未经过处理的工业能耗数据。

具体实现中，计算机设备在获取训练样本数据的过程中，计算机设备可以获取原始能耗数据；然后，计算机设备可以对该原始能耗数据进行去冗余处理，得到去冗余能耗数据，以使得去冗余能耗数据的特征冗余程度小于预设阈值。然后，计算机设备在对对去冗余能耗数据进行归一化处理，得到归一化后数据，作为训练样本数据。实际应用中，归一化后数据可以表示为：

其中：a、b分别为两个常量，选取a＝0.1、b＝0.8分别为每组因子变量的最大值和最小值；x_i，x'_i分别为归一化前、后的值；x_max、x_min分别为样本数据中的最大、最小值。

本实施例的技术方案，通过获取原始能耗数据；对原始能耗数据进行去冗余处理，得到特征冗余程度小于预设阈值的去冗余能耗数据；然后，对去冗余能耗数据进行归一化处理，得到训练样本数据；如此可以有效减少模型数据处理量，通过模型处理效率。

在另一个实施例中，原始能耗数据包括多个能耗变量，对原始能耗数据进行去冗余处理，得到去冗余能耗数据，包括：基于互信息的特征提取方法，确定各个能耗变量对应的互信息量；基于各个互信息量的大小，对各个能耗变量进行排序，得到排序后的能耗变量；在排序后的能耗变量中，确定目标能耗变量。将目标能耗变量对应的特征数据，作为去冗余能耗数据。

其中，目标能耗变量的互信息量大于排序后的能耗变量中除目标能耗变量以外的能耗变量。

具体实现中，原始能耗数据包括多个能耗变量,计算机设备在对原始能耗数据进行去冗余处理，得到去冗余能耗数据的过程中，计算机设备可以基于互信息的特征提取方法，确定各个能耗变量对应的互信息量；基于各个互信息量的大小，对各个能耗变量进行排序，得到排序后的能耗变量。然后，计算机设备在排序后的能耗变量中，确定目标能耗变量，作为去冗余能耗数据。

例如，计算机设备可以利用基于互信息的特征提取方法对标准化工业能耗数据X进行特征选择，根据互信息的大小对特征排序去除冗余特征，使用mRMR增量选择方法从特征数据X中选择n个连续特征：X＝(x₁,x₂,…,x_n)。

本实施例的技术方案，通过基于互信息的特征提取方法，确定各个能耗变量对应的互信息量；基于各个互信息量的大小，对各个能耗变量进行排序，得到排序后的能耗变量；在排序后的能耗变量中，确定目标能耗变量，从而可以实现在原始能耗数据筛选掉冗余的变量，减少模型的数据处理量。

在一个实施例中，如图4所示，提供了一种能耗预测方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

步骤S410，获取训练好的能耗预测网络；训练好的能耗预测网络为根据上述的方法训练得到的；训练好的能耗预测网络包括训练好的第一特征提取网络、训练好的第二特征提取网络、训练好的特征融合网络和训练好的特征分类网络。

步骤S420，将待处理能耗数据输入至训练好的第一特征提取网络，得到能耗卷积特征，以及，将历史能耗数据输入至训练好的第二特征提取网络，得到能耗深度分离卷积特征；其中，待处理能耗数据为预测时刻之前的能耗数据时间序列。

步骤S430，将能耗卷积特征和能耗深度分离卷积特征输入至训练好的特征融合网络，得到融合能耗特征；融合能耗特征为训练好的特征融合网络通过最大化能耗卷积特征和能耗深度分离卷积特征间的相关关系得到的。

步骤S440，将融合能耗特征输入至训练好的特征分类网络，得到预测时刻对应的预测能耗值。

上述能耗预测网络的训练方法中，通过采用双分支的特征提取网络，实现对待处理能耗数据进行不同尺度、不同卷积方式地特征提取处理，使得在不采用复杂模型的情况下也可以充分对输入的数据进行特征提取处理，同时通过对能耗卷积特征和能耗深度分离卷积特征进行融合时最大化能耗卷积特征和能耗深度分离卷积特征间的相关关系，可以有效地降低融合能耗特征的特征冗余，便于后续对融合能耗特征进行快速且有效分类，使得能耗预测网络可以输出准确地高的预测结果，且使得能耗预测网络轻量化，参数量小、计算量小,便于部署在移动和边缘设备上，实现对工业生产过程的能耗监测与提高能源利用率的目的。

在另一个实施例中，如图5所示，提供了一种能耗预测网络的训练方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：

步骤S502，获取原始能耗数据；所述原始能耗数据包括多个能耗变量。

步骤S504，基于互信息的特征提取方法，确定各个所述能耗变量对应的互信息量。

步骤S506，基于各个所述互信息量的大小，对各个所述能耗变量进行排序，得到排序后的能耗变量。

步骤S508，在所述排序后的能耗变量中，确定目标能耗变量；所述目标能耗变量的互信息量大于所述排序后的能耗变量中除所述目标能耗变量以外的能耗变量。

步骤S510，将所述目标能耗变量对应的特征数据；所述去冗余能耗数据的特征冗余程度小于预设阈值。

步骤S512，对所述去冗余能耗数据进行归一化处理，得到训练样本数据；所述训练样本数据包括历史能耗数据和标签时刻的实际能耗值；所述历史能耗数据为所述标签时刻之前的能耗数据时间序列。

步骤S514，将所述历史能耗数据输入至所述待训练的第一特征提取网络，得到第一能耗特征，以及，将所述历史能耗数据输入至所述待训练的第二特征提取网络，得到第二能耗特征；其中，所述第一能耗特征为卷积特征；所述第二能耗特征为深度分离卷积特征。

步骤S516，将所述第一能耗特征和所述第二能耗特征输入至所述待训练的特征融合网络，得到融合能耗特征；所述融合能耗特征为所述待训练的特征融合网络通过最大化所述第一能耗特征和所述第二能耗特征间的相关关系得到的。

步骤S518，将所述融合能耗特征输入至所述待训练的特征分类网络，得到预测能耗值。

步骤S520，基于所述预测能耗值与所述实际能耗值之间的差异，获取所述能耗预测网络的网络损失值。

步骤S522，若所述网络损失值不在预设的阈值范围内，则采用反向传播的方法，基于所述网络损失值，确定所述能耗预测网络中各个网络节点的梯度。

步骤S524，采用随机梯度下降的方法，按照所述梯度对所述各个网络节点的参数进行更新，得到所述网络参数调整后的能耗预测网络，直至所述网络损失值低于预设阈值时，将网络参数调整后的能耗预测网络作为训练好的能耗预测网络；所述训练好的能耗预测网络包括训练好的第一特征提取网络、训练好的第二特征提取网络、训练好的特征融合网络和训练好的特征分类网络。

需要说明的是，上述步骤的具体限定可以参见上文对一种能耗预测网络的训练方法的具体限定。

为了便于本领域技术人员的理解，图6提供了一种能耗预测网络的训练方法的训练流程图；其中，计算机设备进行数据提取将原始数据分为训练集和测试集；然后，计算机设备对处理后的数据进行数据预处理，进行相关性能指标选取。然后，计算机设备对数据进行归一化处理，得到训练样本数据和测试样本数据。计算机设备采用训练样本数据对待训练的能耗预测网络进行训练即参数优化，得到训练后的能耗预测网络，然后，采用测试样本数据对训练后的能耗预测网络进行测试，确定出训练后的能耗预测网络的模型可靠性。

应该理解的是，虽然图2、图4、图5和图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4、图5和图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种能耗预测网络的训练装置，所述能耗预测网络包括待训练的第一特征提取网络、待训练的第二特征提取网络、待训练的特征融合网络和待训练的特征分类网络，包括：

第一获取模块710，用于获取训练样本数据；所述训练样本数据包括历史能耗数据和标签时刻的实际能耗值；所述历史能耗数据为所述标签时刻之前的能耗数据时间序列；

第一提取模块720，用于将所述历史能耗数据输入至所述待训练的第一特征提取网络，得到第一能耗特征，以及，将所述历史能耗数据输入至所述待训练的第二特征提取网络，得到第二能耗特征；其中，所述第一能耗特征为卷积特征；所述第二能耗特征为深度分离卷积特征；

第一融合模块730，用于将所述第一能耗特征和所述第二能耗特征输入至所述待训练的特征融合网络，得到融合能耗特征；所述融合能耗特征为所述待训练的特征融合网络通过最大化所述第一能耗特征和所述第二能耗特征间的相关关系得到的；

第一分类模块740，用于将所述融合能耗特征输入至所述待训练的特征分类网络，得到预测能耗值；

第一调整模块750，用于基于所述预测能耗值与所述实际能耗值之间的差异，调整所述能耗预测网络的网络参数，直至得到训练好的能耗预测网络；所述训练好的能耗预测网络包括训练好的第一特征提取网络、训练好的第二特征提取网络、训练好的特征融合网络和训练好的特征分类网络。

在其中一个实施例中，所述第一调整模块750，具体用于基于所述预测能耗值与所述实际能耗值之间的差异，获取所述能耗预测网络的网络损失值；若所述网络损失值不在预设的阈值范围内，则根据所述网络损失值调整所述能耗预测网络的网络参数，直至所述网络损失值低于预设阈值时，将网络参数调整后的能耗预测网络作为所述训练好的能耗预测网络。

在其中一个实施例中，所述第一调整模块750，具体用于采用反向传播的方法，基于所述网络损失值，确定所述能耗预测网络中各个网络节点的梯度；采用随机梯度下降的方法，按照所述梯度对所述各个网络节点的参数进行更新，得到所述网络参数调整后的能耗预测网络。

在其中一个实施例中，所述待训练的特征融合网络包括特征调整层、特征融合层和全连接层，所述第一融合模块730，具体用于通过所述特征调整层，对所述第一能耗特征和所述第二能耗特征进行调整，以使调整后的第一能耗特征与调整后的第二能耗特征之间的相关关系最大化；通过所述特征融合层，对所述调整后的第一能耗特征与所述调整后的第二能耗特征进行融合处理，得到初始融合特征；通过所述全连接层，对所述初始融合特征进行全连接处理，得到所述融合能耗特征。

在其中一个实施例中，所述第一获取模块710，具体用于获取原始能耗数据；对所述原始能耗数据进行去冗余处理，得到去冗余能耗数据；所述去冗余能耗数据的特征冗余程度小于预设阈值；对所述去冗余能耗数据进行归一化处理，得到所述训练样本数据。

在其中一个实施例中，所述原始能耗数据包括多个能耗变量，所述第一获取模块710，具体用于基于互信息的特征提取方法，确定各个所述能耗变量对应的互信息量；基于各个所述互信息量的大小，对各个所述能耗变量进行排序，得到排序后的能耗变量；在所述排序后的能耗变量中，确定目标能耗变量；所述目标能耗变量的互信息量大于所述排序后的能耗变量中除所述目标能耗变量以外的能耗变量；将所述目标能耗变量对应的特征数据，作为所述去冗余能耗数据。

在一个实施例中，如图8所示，提供了一种能耗预测装置，包括：

第二获取模块810，用于获取训练好的能耗预测网络；所述训练好的能耗预测网络为根据如上述的方法训练得到的；所述训练好的能耗预测网络包括训练好的第一特征提取网络、训练好的第二特征提取网络、训练好的特征融合网络和训练好的特征分类网络；

第二提取模块820，用于将待处理能耗数据输入至所述训练好的第一特征提取网络，得到能耗卷积特征，以及，将所述历史能耗数据输入至所述训练好的第二特征提取网络，得到能耗深度分离卷积特征；其中，所述待处理能耗数据为预测时刻之前的能耗数据时间序列；

第二融合模块830，用于将所述能耗卷积特征和所述能耗深度分离卷积特征输入至所述训练好的特征融合网络，得到融合能耗特征；所述融合能耗特征为所述训练好的特征融合网络通过最大化所述能耗卷积特征和所述能耗深度分离卷积特征间的相关关系得到的；

第二分类模块840，用于将所述融合能耗特征输入至所述训练好的特征分类网络，得到所述预测时刻对应的预测能耗值。

关于能耗预测网络的训练、能耗预测装置的具体限定可以参见上文中对于能耗预测网络的训练、能耗预测方法的限定，在此不再赘述。上述能耗预测网络的训练、能耗预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储能耗预测网络的训练、能耗预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种能耗预测网络的训练、能耗预测方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种能耗预测网络的训练、能耗预测方法的步骤。此处一种能耗预测网络的训练、能耗预测方法的步骤可以是上述各个实施例的一种能耗预测网络的训练、能耗预测方法中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述一种能耗预测网络的训练、能耗预测方法的步骤。此处一种能耗预测网络的训练、能耗预测方法的步骤可以是上述各个实施例的一种能耗预测网络的训练、能耗预测方法中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。