CN109062956A - 一种面向区域综合能源系统的时空特征挖掘方法 - Google Patents

Abstract

本发明公开了一种面向区域综合能源系统的时空特征挖掘方法，该方法包括以下步骤：提取多能流网络多时间尺度空间相关特征；提取多能流网络时序相关特征；提取多能流网络外部因素特征；融合多能流网络相关特征。本发明基于深度学习方法和多特征融合方法，挖掘多能流网络的时空相关特征和外部因素特征，以便为区域综合能源系统实施综合需求响应和多能协同运行优化提供决策依据。

Description

一种面向区域综合能源系统的时空特征挖掘方法

技术领域

本发明涉及一种面向区域综合能源系统的时空特征挖掘方法。

背景技术

在大数据时代下，随着信息技术的不断提高以及移动设备和网络的广泛使用，很多商业数据都能获取到包含时间和空间的信息，比如设备，建筑，机构等的管理，能量的产生、分布及预测等。其通常与时间序列、空间分布相互关联，并且隐含许多不易发现的、又潜在有用的模式。从这些非线性、海量、高维和高噪声的时空数据中提取出有价值的特征并用于改进决策、提高效益，使得时空特征挖掘具有额外的特殊性和复杂性。因此，寻找有效的时空特征挖掘方法对于时空数据中有价值的时空模式的自动抽取与分析具有重要意义。

近年以来，时空数据已成为数据挖掘领域的研究热点，并且时空特征挖掘方法在许多领域已开始发展，如交通管理、犯罪分析、疾病监控、环境监测、公共卫生与医疗健康等。时空特征挖掘作为一个新兴的研究领域，正致力于开发和应用新兴的计算技术来分析海量、高维的时空数据，发掘时空数据中有价值的信息。但与传统特征挖掘方法相比，时空特征挖掘研究还远未成熟，对于结构复杂且形式多样的时空数据，需要结合时空推理寻找合适的数据挖掘算法或技术来充分理解这些数据的特征。

面向区域综合能源系统，相对于传统单一能源系统，其包含多种能源网络在时间和空间上协同耦合，多种能流不仅具有时序相关关系，同时具有能流节点上的空间相关关系。同时，在多能流系统的综合需求响应下，未来系统实施综合需求响应和多能协同运行，与多种外部影响因素有关，形成了时空数据结构复杂且来源多样的特性。需要结合时空数据和其他外部因素数据，运用数据驱动方法对时间和空间属性进行观测分析，进而获得对数据的充分理解。因此，对区域综合能源系统的多维多源异构时空数据进行有效整合、转换和提取是其时空特征挖掘面临的重要问题。另外，由于区域综合能源系统能流网络机理模型复杂，能源本身以及能量转换存在不确定性和复杂性，时空建模和动态预测非常困难，准确的能流特性分析和相应的特征挖掘模型的构建是提高能流网络相关分析预测和决策任务效果的关键。

发明内容

为了解决上述技术问题，本发明提供一种面向区域综合能源系统的时空特征挖掘方法。

本发明解决上述问题的技术方案是：基于深度学习和集成学习的面向区域综合能源系统的时空特征挖掘方法，包括以下步骤：

步骤一：基于短期\中期\长期时间尺度的能流网络数据，构建深度残差卷积神经网络，提取空间相关特征张量；

步骤二：基于临近连续时序的能流网络数据，构建时空循环神经网络，提取时序相关特征张量；

步骤三：基于与能源系统相关的外部影响因素信息，构建全连接神经网络，提取外部因素特征张量；

步骤四：融合空间相关特征张量和时序相关特征张量为时空相关特征张量，再将时空相关特征张量与外部因素特征张量进行融合，得到能流多源特征融合张量。

本方法主要适用于面向区域综合能源系统对其多能流网络特性进行时空特征挖掘，通过基于多能流时空建模和多源异构数据融合的特征挖掘与融合方法，能有效发掘时空数据中隐含的特征，以供系统进行精准预测和决策，保证区域综合能源系统进行有效的多能协同耦合互补，来提高能源效率和缓解能源环境问题。当面向其他场景获取到相似结构和形式的时空数据，该时空特征挖掘方法可以进行相应的迁移，如交通运输、地质灾害监测与预防、气象研究、竞技体育、犯罪分析、公共卫生与医疗及社交网络等应用领域。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤一的具体步骤为：

1-1-1)基于区域综合能源系统网络拓扑结构和能源节点各时段能流信息，建立能源网络有向图D和各时段t能流传输邻接矩阵P_t，以此对时段t的M种能流网络分别构建相应的能流状态观测矩阵{X_t ^m|m＝1,L,M}，再根据能流类型属性m编组不同能流状态观测矩阵X_t ^m，得到各时段t对应的立方体结构的能流时空分布张量{S_t∈R^2M×I×J|t＝0,L,T}；

1-1-2)根据时间的临近性、周期性和趋势性，基于时段t(t＝0,…,T)，分别按短期、中期、长期时间尺度抽取能流时空分布张量，得到时段t三个不同时间尺度张量序列，并分解时段t能流时空分布张量序列中各张量，按空间维度映射到2M通道的I×J图像矩阵中，得到相应时间尺度的2M通道的能流分布图像矩阵序列X^(l)，输入至对应的深度残差卷积神经网络中，捕获空间相关特征，得到时段t在三个不同时间尺度d上的空间相关特征张量S_S,d,t∈R^2M×I×J。

该方法基于张量数学结构实现了多维时空数据在时间、空间和能源类型属性上的统一映射，再针对空间特征挖掘任务按空间维度进行张量分解，供数据驱动方法学习其中隐含的空间耦合关系，并考虑能流变化在时间上具有临近性、周期性和趋势性的特性抽取对应不同时间尺度的关键帧，以简化用于提取空间特征的卷积神经网络结构，提高模型质量与效果。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤一中，建立的能源网络有向图的具体方法为：根据区域综合能源系统的网络拓扑结构和能源节点能流信息，以系统内所有能源节点为顶点集V(D)、能源节点之间的所有连接为边集E(D)、边集到顶点集的映射为关联函数I(D)，构建能源网络有向图D＝(V(D),E(D),I(D))。

该方法通过构建有向图，由顶点集合与顶点间的二元关系集合描述区域综合能源系统内各能源节点的分布与连接关系，由边的方向表示能源传输方向，能基于图操作将网络拓扑结构和能源节点能流信息转换为数学模型。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤一中，构建能流传输邻接矩阵的具体方法为：根据区域综合能源系统中的能源节点之间的能流传输在不同时段的流量，基于能源网络有向图D的边集E(D)，按时序构建反映能流在不同时段的流量的邻接矩阵，采用N阶方阵存储时段t各能源节点间的能流大小，得到能流传输邻接矩阵P_t，N为V(D)中的顶点个数。

该方法通过构建带权有向图邻接矩阵，根据各能流传输的流量大小对相应元素进行赋值，能直观表示多种能流在各能源节点之间的传输特性。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤一中，构建能流状态观测矩阵的具体步骤为：

1-2-1)根据能源网络有向图D，按照能流分布构造I×J大小的矩阵X，其中再将V(D)中的地理坐标为(i,j)的能源节点映射到X上，映射方法为：

j'_v＝v_sort ^j|{u|i'_u∈e∨i'_v∈e},e＝(0,L,I-1)，

其中v_sort ⁱ|{u|u∈V(D)}为节点v按i值在集合V(D)中的排序序号，{u|i'_u∈e∧i'_v∈e}为映射坐标i’均为e的节点的集合，X中的元素为二元组，分别代表对应能源节点在某一时刻的能流流入、流出状态；

1-2-2)根据时段t的能流传输邻接矩阵P_t，统计各能源节点在时段t的能流流入、流出量，更新X中对应的元素值，并表示为X_t，更新方法为：

其中Pt[v,u]是节点v传输到节点u的能流流量，|·|表示对应集合的累加和；并遍历所有时段，构建出按时序排列的能流状态观测矩阵{X_t∈R^2×I×J|t＝0,L,T}，T为时段数量。

该方法根据能源节点数目，对能源网络有向图和能流传输邻接矩阵进行二次映射，构建能流状态观测矩阵，能直观反映各能源节点不同类型能源的供需状态沿时序在不同时段的空间分布情况，将原始数据转换为适应于供数据驱动方法学习的时空信息，同时有效减少了冗余信息，将空间复杂度由O(n²)降到O(n)，节省了存储空间。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤一中，捕获空间相关特征的具体步骤为：

1-3-1)将输入的2M通道图像矩阵序列X^(l)，经过滤波器和偏置进行卷积运算，计算方法为：

X^(l+1)＝f(W^(l)*X^(l)+b^(l))，

其中*代表卷积运算，根据输入图像X^(l)输出特征图X^(l+1)，f(·)是激活函数，W^(l)和b^(l)分别是对应滤波器和偏置的参数值，通过深度卷积神经网络由浅层到深层捕获能流分布的空间相关特征，最后由2M组多卷积核生成的2M个特征映射图，反映M种能流网络在时段t的能流分布状态；

1-3-2)通过深度卷积神经网络来捕捉远距离空间相关性的同时，采用残差学习避免训练效率差、梯度下降问题，以两层卷积以及激活函数和正则化操作组成残差网络单元，计算方法为：

X^(l+1)＝X^(l)+F(X^(l)；θ^(l))，

其中F(·)表示残差网络单元激活函数，包括卷积激活函数与非线性激活函数，θ^(l)代表第l层残差网络单元内的所有网络参数。

该方法通过卷积运算捕捉多能流网络各能源节点状态和不同类型能源之前的空间相关性，采用残差网络单元避免由于设计深层卷积捕捉很远区域相关性带来的训练复杂、梯度下降等问题，以此设计深度卷积残差神经网络，有效拟合多能流网络信息在空间上的距离与层次特性。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤二的具体步骤为：

2-1-1)根据能源网络有向图D，以及时段t的临近连续时序t’内的能流传输邻接矩阵，建立表示对应时段t’内各能源节点的初始状态、各能流传输流量的时空图G_t’，能源系统时空图G_t’的顶点集合表示各能源节点在时段t’内的能流状态，边集表示时段t’内能源节点间能流传输和能源节点内部能源转换的时序变化关系，并基于各时段t’能源系统时空图G_t’构建时空循环神经网络；

2-1-2)抽取时段t临近时间内连续时序的能流时空分布张量，将各张量分解后得到的2M个能流状态观测矩阵对应的各能源节点状态值，按时序存储为各时段I×J组2M维的状态向量序列，输入状态向量序列以及能流传输邻接矩阵对应的各传输流量值到时空循环神经网络，捕获能流分布时序相关特征，得到时段t的时序相关特征张量S_T,t∈R^2M×I×J。

该方法通过构造时空图表示其能流状态和传输流量的高阶时空信息，图的节点代表能源节点，边捕捉其多种能流之间的时空相互作用，并按时序嵌入到循环神经网络模型中，形成高阶且直观的时空混合网络，使得整个模型能够在时间维度上进行数据驱动的学习。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤二中，构建时空循环神经网络的具体步骤为：

2-3-1)根据时段t’能源系统时空图G_t’，对每一个能源节点，将该节点时段t’-1的能流状态、时段t’流入该节点的能流传输关系，均构建为一个隐藏单元，对于相同类型的能流传输关系和节点时序变化关系，共享一组隐藏单元参数；

2-3-2)将每一个能源节点的所有隐藏单元的隐状态结果以及该节点在该时刻的初始状态值进行融合，再由输出单元进行计算，得出对应每一节点在时段t’的不同类型能流的流入流出状态的2M维预测状态向量。

该方法按时序将时空图中的每一种关系转化为对应的循环神经网络单元，反映能源节点状态、能流传输流量、能源节点状态在时间属性上的时序关系、能源节点与不同能流传输在空间属性上的连接关系、以及能流传输在时间属性上的变换关系和空间上的交互关系，形成适用于时空数据的时间序列模型。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤二中，提取时序相关特征的具体步骤为：

2-4-1)将时段t临近时间内各时段的2M维的状态向量，按时序输入到时空循环神经网络中，根据节点状态值以及传输流量值进行循环计算，计算方法为：

h_t ⁱ＝f_W ⁱ(h_t-1 ⁱ,x_t ⁱ)，

y_t＝W_hyh_t，

其中h_t ⁱ表示该节点第i个隐藏单元在时段t的结果，x_t ⁱ表示其在时段t的初始状态值，f_W ⁱ(·)是其对应的权重计算和激活函数，y_t表示该节点在时段t的预测状态向量，由各隐藏单元结果的融合结果h_t乘以相应系数W_hy得到；

2-4-2)按照能源网络有向图D编组所有能源节点在时段t的预测状态向量y_t，得到时段t的时序相关特征张量S_T,t∈R^2M×I×J。

该方法对语义上相似的节点分享权值参数，对节点和边对应的特征进行非线性连接，有效拟合多能流网络信息在时序上的不规则、循环变动和长期趋势特性，基于正反馈、差异化高、可同步训练的混合时空循环神经网络捕捉时序特征，能灵活扩展时空图，加强相似交互关系的分享。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤三的具体步骤为：

3-1)根据与能源系统有关的外部因素信息，包括区域内不同类型能源价格信息、不同类型能源计划信息、节假日信息、天气信息的状态值，对各能源节点在时段t所对应的每一种外部因素信息的不同状态进行独热编码，并按顺序拼接为各能源节点n的h维外部因素向量e_n，并基于能流状态观测矩阵对各能源节点的映射关系和外部因素向量维数构建外部因素张量{Z_t∈R^h×I×J|t＝0,L,T}；

3-2)根据外部因素矩阵维度作为输入层神经元数、能流时空分布张量维度作为输出层神经元数构造全连接神经网络，选取对应时段的外部因素张量，并分解为外部因素矩阵序列，输入到全连接神经网络中，提取与能流时空分布张量维度相同的外部因素特征张量S_E,t∈R^2M×I×J。

该方法采用独热编码方法有效融合多种外部因素的离散型数据，将外部因素信息按照能流数据表示结构进行统一建模，并通过全连接神经网络模型挖掘综合需求信号和各种外部影响因素信号对能源供需状态的作用关系，反映能源系统运行的全貌。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤三中，构建外部因素张量的具体方法为：根据能流状态观测矩阵对各能源节点的映射关系，构造I×J大小的矩阵E^w，E^w中的元素为对应能源节点n的外部因素向量e_n某一维w(w＝1,…,h)的值，以此得到表示各能源节点在时段t的h维外部因素状态的外部因素矩阵{E_t ^w|w＝1,L,h}，并按w进行编组，建立时段t对应的外部因素张量{Z_t∈R^h×I×J|t＝0,L,T}。

该方法将多能流网络中的能流信息和外部因素信息按照能流网络拓扑结构进行统一映射，实现多能流与信息流的属性在时间和空间上同时配准。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤四的具体方法为：基于参数矩阵融合多时间尺度空间相关特征张量S_S,d,t∈R^2M×I×J为空间相关特征张量S_S,t∈R^2M×I×J，并与时序相关特征张量S_T,t∈R^2M×I×J融合为时空相关特征张量S_T,S,t∈R^{2M ×I×J}，再将时空相关特征张量S_T,S,t∈R^2M×I×J与外部因素特征张量S_E,t∈R^2M×I×J进行融合，得到能流时空分布张量预测值

该方法基于深度学习进行分阶段多源特征融合，其在非线性数据特征提取、融合的模型精度和收敛性平衡等方面表现出较大优势，能有效发掘其低维特征之间的高度非线性关系。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤四中，基于参数矩阵的融合方法，融合不同时间尺度的空间相关特征张量的具体方法为：根据不同能源节点对不同时间尺度特征的相关程度，对各能源节点的三种时间尺度的空间相关特征分别初始化几组融合权重超参数，通过训练选取最优参数组合，存储为I×J×3大小的参数矩阵W，用于在预测阶段融合预测时段t的三种时间尺度的空间相关特征，融合方法为：

其中W_i,j,d为参数矩阵W对应顶点(i,j)的空间相关特征在第d种时间尺度的融合权重，从而得到融合后的空间相关特征张量S_S,t∈R^2M×I×J；融合空间相关特征张量和时序相关特征张量，以及融合时空相关特征张量与外部因素特征矩阵的方法与上述方法基本类似，分别通过训练得到一个对应的I×J×2大小的参数矩阵进行融合，经过三次融合后，得到时段t的能流多源特征融合张量

该方法基于参数矩阵的融合方法对不同特征对应的融合权重超参数进行训练，以确定最优信息融合策略，以基于实时采集的能流信息和外部因素信息获得能精确反映当前变化情况的融合特征。

本发明的有益效果在于：本发明基于深度学习和多源特征融合方法提供了一种面向区域综合能源系统的时空特征挖掘方法，通过设计多源异构时空数据的深度学习模型和分阶段特征融合策略，充分提取隐含在时空数据中的特征和知识，全面反映多能流网络动态特性，以便供系统分析与预测阶段做出可靠的决策，对未来系统实施综合需求响应和多能协同运行进行预测和优化，为区域综合能源系统的多能流网络相关预测任务提供技术基础，促进深度学习在多源时空数据挖掘相关领域的拓展与应用，同时针对多维多源异构时空数据的时空特征挖掘探讨新的方法。

附图说明

图1系根据本发明的实施例的方法步骤之流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

如图1所示，首先针对能流分布空间相关关系，遍历时段变量t(t＝0,…,T)，依次取时段t的临近时段区间、周期时段区间、趋势时段区间的能流时空分布张量输入至对应三种时间尺度的深度残差卷积神经网络中，提取三种时间尺度下的能流分布空间相关特征S_S,d,t∈R^2M×I×J；针对能流分布时序相关关系，根据临近连续时段区间的能源系统时空图，由时空循环神经网络提取时序相关特征S_T,t∈R^2M×I×J；同时采用全连接神经网络提取外部因素特征张量S_E,t∈R^2M×I×J；然后采用基于参数矩阵的加权平均法对不同特征进行融合，得到能流多源特征融合张量具体地说，本发明公开了一种面向区域综合能源系统的时空特征挖掘方法，本发明是基于深度学习和集成学习而实现的的面向区域综合能源系统的时空特征挖掘方法。

本实施例中，所述方法包括以下步骤：

步骤S101：基于短期\中期\长期时间尺度的某一电\气\热区域综合能源系统能流网络数据，构建深度残差卷积神经网络，提取空间相关特征张量。

具体步骤为：

1-1-1)基于区域综合能源系统网络拓扑结构和其N(N＝16)个能源节点各时段段M(M＝3)种能流信息，建立能源网络有向图D和各时段t能流传输邻接矩阵P_t，以此对时段t的M种能流网络分别构建相应的能流状态观测矩阵{X_t ^m|m＝1,L,M}，再根据能流类型属性m编组不同能流状态观测矩阵X_t ^m，得到各时段t对应的立方体结构的能流时空分布张量{S_t∈R^{2M ×I×J}|t＝0,L,T}；

1-1-2)根据时间的临近性、周期性和趋势性，基于时段t(t＝0,…,T)，分别按短期、中期、长期时间尺度抽取能流时空分布张量，得到时段t三个不同时间尺度张量序列，并分解时段t能流时空分布张量序列中各张量，按空间维度映射到2M通道的I×J图像矩阵中，得到相应时间尺度的2M通道的能流分布图像矩阵序列X^(l)，输入至对应的深度残差卷积神经网络中，捕获空间相关特征，得到时段t在三个不同时间尺度d上的空间相关特征张量S_S,d,t∈R^2M×I×J。

建立能源网络有向图和能流传输邻接矩阵的具体步骤为：

1-2-1)根据区域综合能源系统的网络拓扑结构和能源节点能流信息，以系统内N个能源节点为顶点集V(D)、能源节点之间的所有连接为边集E(D)、边集到顶点集的映射为关联函数I(D)，构建能源网络有向图D＝(V(D),E(D),I(D))；

1-2-2)根据区域综合能源系统中的能源节点之间的能流传输在不同时段的流量，基于能源网络有向图D的边集E(D)，按时序构建反映能流在不同时段的流量的邻接矩阵，采用N阶方阵存储时段t各能源节点间的能流大小，得到能流传输邻接矩阵P_t。

构建能流状态观测矩阵的具体步骤为：

1-3-1)根据能源网络有向图D，按照能流分布构造I×J大小的矩阵X，其中再将V(D)中的地理坐标为(i,j)的能源节点映射到X上，映射方法为：

j'_v＝v_sort ^j|{u|i'_u∈e∧i'_v∈e},e＝(0,L,I-1)，

其中v_sort ⁱ|{u|u∈V(D)}为节点v按i值在集合V(D)中的排序序号，{u|i'_u∈e∧i'_v∈e}为映射坐标i’均为e的节点的集合，X中的元素为二元组，分别代表对应能源节点在某一时刻的能流流入、流出状态；

1-3-2)根据时段t的能流传输邻接矩阵P_t，统计各能源节点在时段t的能流流入、流出量，更新X中对应的元素值，并表示为X_t，更新方法为：

其中Pt[v,u]是节点v传输到节点u的能流流量，|·|表示对应集合的累加和；并遍历所有时段，构建出按时序排列的能流状态观测矩阵{X_t∈R^2×I×J|t＝0,L,T}，T为时段数量。

分别按短期、中期、长期时间尺度抽取能流时空分布张量的具体方法为：

根据时间的临近性、周期性和趋势性，基于时段t(t＝0,…,T)，分别按短期、中期、长期时间尺度，抽取时段t的临近时段区间[t-l_c·o,t-(l_c-1)·o,L,t-o]、周期时段区间[t-l_p·p,t-(l_p-1)·p,L,t-p]、趋势时段区间[t-l_q·q,t-(l_q-1)·q,L,t-q]的能流时空分布张量，其中l_c、l_p、l_q分别表示临近、周期、趋势时间尺度的区间长度，o、p、q分别表示临近时差、周期时差、趋势时差，在本实施例中分别为1小时、1天、1周，从而得到时段t三个不同时间尺度的能流时空分布张量序列。

捕获空间相关特征的具体步骤为：

1-4-1)将输入的2M通道图像矩阵序列X^(l)，输入至对应的深度残差卷积神经网络中，经过滤波器和偏置进行卷积运算，计算方法为：

X^(l+1)＝f(W^(l)*X^(l)+b^(l))，

其中*代表卷积运算，根据输入图像X^(l)输出特征图X^(l+1)，f(·)是激活函数，W^(l)和b(^l)分别是对应滤波器和偏置的参数值，通过深度卷积神经网络由浅层到深层捕获能流分布的空间相关特征，最后由2M组多卷积核生成的2M个特征映射图，反映M种能流网络在时段t的能流分布状态；

1-4-2)通过深度卷积神经网络来捕捉远距离空间相关性的同时，采用残差学习避免训练效率差、梯度下降问题，以两层卷积以及激活函数和正则化操作组成残差网络单元，计算方法为：

X^(l+1)＝X^(l)+F(X^(l)；θ^(l))，

其中F(·)表示残差网络单元激活函数，包括卷积激活函数与非线性激活函数，θ^(l)代表第l层残差网络单元内的所有网络参数，最终得到时段t在三个不同时间尺度d上的空间相关特征张量S_S,d,t∈R^2M×I×J。

步骤S102：基于系统临近连续时序的能流网络数据，构建时空循环神经网络，提取时序相关特征张量。具体步骤为：

2-1-1)根据能源网络有向图D，以及时段t的临近连续时序[t-l_R,t-(l_R-1),L,t-1]内的能流传输邻接矩阵P_t’(t’＝t-l_R,…,t)，建立表示对应时段t’内各能源节点的初始状态、各能流传输流量的时空图G_t’，能源系统时空图G_t’的顶点集合表示各能源节点在时段t’内的能流状态，边集表示时段t’内能源节点间能流传输和能源节点内部能源转换的时序变化关系，并基于各时段t’能源系统时空图G_t’构建时空循环神经网络；

2-1-2)抽取时段t临近时间内连续时序的能流时空分布张量，将各张量分解后得到的2M个能流状态观测矩阵对应的各能源节点状态值，按时序存储为各时段I×J组2M维的状态向量序列，输入状态向量序列以及能流传输邻接矩阵对应的各传输流量值到时空循环神经网络，捕获能流分布时序相关特征，得到时段t的时序相关特征张量S_T,t∈R^2M×I×J。

构建时空循环神经网络的具体步骤为：

2-2-1)根据时段t’能源系统时空图G_t’，对每一个能源节点，将该节点时段t’-1的能流状态、时段t’流入该节点的能流传输关系，均构建为一个隐藏单元，对于相同类型的能流传输关系和节点时序变化关系，共享一组隐藏单元参数；

2-2-2)将每一个能源节点的所有隐藏单元的隐状态结果以及该节点在该时刻的初始状态值进行融合，再由输出单元进行计算，得出对应每一节点在时段t’的不同类型能流的流入流出状态的2M维预测状态向量。

提取时序相关特征的具体步骤为：

2-3-1)将时段t临近时间内各时段的2M维的状态向量，按时序输入到时空循环神经网络中，根据节点状态值以及传输流量值进行循环计算，计算方法为：

h_t ⁱ＝f_W ⁱ(h_t-1 ⁱ,x_t ⁱ)，

y_t＝W_hyh_t，

其中h_t ⁱ表示该节点第i个隐藏单元在时段t的结果，x_t ⁱ表示其在时段t的初始状态值，f_W ⁱ(·)是其对应的权重计算和激活函数，y_t表示该节点在时段t的预测状态向量，由各隐藏单元结果的融合结果h_t乘以相应系数W_hy得到；

2-3-2)按照能源网络有向图D编组所有能源节点在时段t的预测状态向量y_t，得到时段t的时序相关特征张量S_T,t∈R^2M×I×J。

步骤S103：基于与能源系统相关的外部影响因素信息，构建全连接神经网络，提取外部因素特征张量。

具体步骤为：

3-1)根据与能源系统有关的外部因素信息，包括区域内不同类型能源价格信息、不同类型能源计划信息、节假日信息、天气信息的状态值，对各能源节点在时段t所对应的每一种外部因素信息的不同状态进行独热编码，并按顺序拼接为各能源节点n的h维外部因素向量e_n，并基于能流状态观测矩阵对各能源节点的映射关系和外部因素向量维数构建外部因素张量{Z_t∈R^h×I×J|t＝0,L,T}；

3-2)根据外部因素矩阵维度作为输入层神经元数、能流时空分布张量维度作为输出层神经元数构造全连接神经网络，选取对应时段的外部因素张量，并分解为外部因素矩阵序列，输入到全连接神经网络中，提取与能流时空分布张量维度相同的外部因素特征张量S_E,t∈R^2M×I×J。

构建外部因素张量的具体方法为：根据能流状态观测矩阵对各能源节点的映射关系，构造I×J大小的矩阵E^w，E^w中的元素为对应能源节点n的外部因素向量e_n某一维w(w＝1,…,h)的值，以此得到表示各能源节点在时段t的h维外部因素状态的外部因素矩阵{E_t ^w|w＝1,L,h}，并按w进行编组，建立时段t对应的外部因素张量{Z_t∈R^h×I×J|t＝0,L,T}。

步骤S104：基于参数矩阵融合多时间尺度空间相关特征张量S_S,d,t∈R^2M×I×J为空间相关特征张量S_S,t∈R^2M×I×J，并与时序相关特征张量S_T,t∈R^2M×I×J融合为时空相关特征张量S_T,S,t∈R^2M×I×J，再将时空相关特征张量S_T,S,t∈R^2M×I×J与外部因素特征张量S_E,t∈R^2M×I×J进行融合，得到能流时空分布张量预测值

基于参数矩阵的融合方法，融合多时间尺度的空间相关特征张量的具体方法为：根据不同能源节点对不同时间尺度的相关程度，对各能源节点的三种时间尺度的空间相关特征值分别设定几组融合权重超参数，通过训练选取最优参数组合，存储为I×J×3大小的参数矩阵W，用于预测阶段预测时段t的空间相关特征融合，融合方法为：

其中W_i,j,d为参数矩阵W对应顶点(i,j)的空间相关特征在第d种时间尺度的融合权重，从而得到融合后的空间相关特征张量S_S,t∈R^2M×I×J；

融合空间相关特征张量和时序相关特征张量，以及融合时空相关特征张量与外部因素特征矩阵的方法与上述方法基本类似，分别通过训练得到一个对应的I×J×2大小的参数矩阵进行融合，经过三次融合后，得到时段t的能流多源特征融合张量

本实施例对区域综合能源系统多能流网络数据隐含的时空特征和外部因素关联特征进行挖掘与融合。在多源异构时空数据一致表示的基础上，步骤S101基于深度残差卷积神经网络提取空间特征，步骤S102基于深度时空循环神经网络提取时序特征，步骤S103基于全连接神经网络提取外部因素特征，步骤S104基于集成学习进行多层次分阶段的多源特征融合，实现了多能流耦合关系、时空因素和外部影响因素对能源供需状态变化的隐含关联特征的深层挖掘和揭示。

以上对本发明实例所提供的面向区域综合能源系统的时空特征挖掘方法进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有变化之处。综上所述，本说明书内容不应理解为本发明的限制。

Claims (12)

1.一种面向区域综合能源系统的时空特征挖掘方法，包括以下步骤：

步骤一：基于短期\中期\长期时间尺度的能流网络数据，构建深度残差卷积神经网络，提取空间相关特征张量；

步骤二：基于临近连续时序的能流网络数据，构建时空循环神经网络，提取时序相关特征张量；

步骤三：基于与能源系统相关的外部影响因素信息，构建全连接神经网络，提取外部因素特征张量；

步骤四：融合空间相关特征张量和时序相关特征张量为时空相关特征张量，再将时空相关特征张量与外部因素特征张量进行融合，得到能流多源特征融合张量。

2.根据权利要求1所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤一的具体步骤为：

1-1)基于区域综合能源系统网络拓扑结构和能源节点各时段能流信息，建立能源网络有向图和能流传输邻接矩阵，以此构建能流状态观测矩阵，再根据能流类型属性编组不同能流状态观测矩阵，得到各时段能流时空分布张量；

1-2)按短期\中期\长期时间尺度抽取能流时空分布张量，得到多时间尺度张量序列，并分解为多时间尺度能流分布矩阵序列，输入到相应的深度残差卷积神经网络中，提取与能流时空分布张量维度相同的空间相关特征张量。

3.根据权利要求2所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤一中，建立的能源网络有向图的顶点集表示系统内所有能源节点，边集表示能源节点之间的所有连接；建立的能流传输邻接矩阵表示系统各能源节点之间的能流传输的流量。

4.根据权利要求2所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤一中，构建能流状态观测矩阵的具体方法为：根据能源网络有向图和各能源节点坐标构建映射各能源节点不同类型能流流入、流出状态对应的观测矩阵，并根据能流传输邻接矩阵统计各能源节点不同类型能流的流入、流出量，更新各观测矩阵对应的元素值。

5.根据权利要求1所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤一中，构建的深度残差卷积神经网络通过多通道并行结构挖掘多能流空间耦合关系，通过残差网络结构避免捕捉远距离空间相关性时的训练效率差、梯度下降问题。

6.根据权利要求2所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤二的具体步骤为：

2-1)基于能源网络有向图和能流传输邻接矩阵，建立按时序表示各能源节点的初始状态、各能流传输流量的能源系统时空图，并基于能源系统时空图构建时空循环神经网络；

2-2)抽取临近连续时序的能流时空分布张量，将各张量分解后得到能源节点状态向量序列，将状态向量序列以及能流传输邻接矩阵对应的各传输流量值输入到时空循环神经网络，提取与能流时空分布张量维度相同的时序相关特征张量。

7.根据权利要求6所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤二中，建立的能源系统时空图的顶点集合表示各能源节点在对应时段内的能流状态，边集表示对应时段内能源节点间能流传输和能源节点内部能源转换的时序变化关系。

8.根据权利要求6所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤二中，构建的时空循环神经网络中的不同时段隐藏单元表示各能源节点对应时段状态及流入该节点的能流传输关系，且对于相同类型的能流传输关系和节点时序变化关系，共享一组隐藏单元参数。

9.根据权利要求1所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤三的具体步骤为：

3-1)将各能源节点多源外部因素信息进行融合，得到各能源节点外部因素向量，并基于能流状态观测矩阵对各能源节点的映射关系和外部因素向量维数构建外部因素张量；

3-2)选取对应时段的外部因素张量，并分解为外部因素矩阵序列，输入到全连接神经网络中，提取与能流时空分布张量维度相同的外部因素特征张量。

10.根据权利要求1所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤三中与能源系统相关的外部影响因素包括：能源价格信息、能源计划信息、节假日信息、天气信息。

11.根据权利要求1所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤三中，构建的全连接神经网络基于外部因素矩阵维度构造输入层，基于能流时空分布张量维度构造输出层。

12.根据权利要求1所述的面向区域综合能源系统的时空特征挖掘方法，其特征在于，所述步骤四中融合各特征采用基于参数矩阵的融合方法，其中参数矩阵的元素值为融合过程中各能源节点能流与不同特征相关程度的权重。