CN110070209B - 一种基于SD-DNNs的区域供热系统短期负荷预测方法 - Google Patents

Abstract

一种基于SD‑DNNs的区域供热系统短期负荷预测方法，包括由XGBoost学习法和基于权重的改进EN法完成的SD选择和由4层全连接层构成的DNNs两部分；将SD和DNNs技术相结合，提高了数据预测的准确性；且在用DNNs预测，可以获得较高的负荷预测精度。

Description

一种基于SD-DNNs的区域供热系统短期负荷预测方法

(一)技术领域：

本发明涉及区域供热和负荷预测领域，尤其是一种基于SD-DNNs(SimilarDay——相似日，Deep Neural Networks——深度神经网络)的区域供热系统短期负荷预测方法。

(二)背景技术：

区域供热系统的运行调度和控制是一项跨学科的综合技术，是保证热力设备安全、有效和经济运行的重要技术措施，对提高热网的整体运行质量意义十分重大。区域供热系统供热质量的优劣关系到人们居住环境的好坏、能源利用率以及环境污染情况等诸多方面，体现着供热、控制领域的科研和应用水平。区域供热系统的成功运行需要最佳的供热资源调度以满足供热需求，调度操作需要准确预测未来的热负荷，以优化供热资源的分配和减少能源浪费。

供热负荷主要受当地室外温度、风力等天气因素影响，且具有大数据、非线性和高随机性的特点。在过去的几十年中，研究人员提出了多种方法来提高STLF(Short TermLoad Forecasting——短期负荷预测)的准确性。目前，已有短期负荷预测的方法主要有SVM(Support Vector Machine——支持向量机)、线性回归、自回归、滑动平均、自回归综合滑动平均模型、回归树及其一系列变体等，这些方法都属于基于统计和浅层学习方法，无法深入挖掘区域供热系统中热负荷数据的高随机性和非线性特征，尽管已经进行了广泛的研究，但STLF仍然是该领域的一个难题。

SD方法是通过计算预测日和历史日的相似性来选择历史日。DNNs可以模仿人脑，同时产生广义的结果，从而从过去的经验中自动学习规律和再现。选择SD和DNNs相结合的SD-DNNs方法实现对区域供热系统负荷的短期预测，具有较高的精度和可靠性。

(三)发明内容：

本发明的目的在于提供一种基于SD-DNNs的区域供热系统短期负荷预测方法，它可以弥补现有技术的不足，是一种简单易行、精度及可靠性都较高的负荷预测方法。

本发明的技术方案：一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于它包括SD选择和DNNs两部分，其中，所述SD选择由XGBoost(eXtreme GradientBoosting——极限梯度上升)学习法和基于权重的改进EN(Euclidean Norm——欧几里得范数)法完成；所述DNNs由4层全连接层构成，其中，第一层是输入层，第二层和第三层是隐层，最后一层是输出层；具体包括以下步骤：

①将从中国天气网上获得的室外温度和风力数据，以及换热站提供的热负荷数据作为样本数据，构建选择相似日的原始数据；

②将步骤①中所有室外温度及所有风力的数据原始数据和前一天的热负荷作为XGBoost的输入，选取待预测日的热负荷数据作为标签，通过利用XGBoost的自学习方法得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测影响程度的三个权重，即{ω₁,ω₂,ω₃}；

③利用基于权重的改进EN法计算EN值，并由此选择具有最小EN的两个历史日作为两个相似日SD，即将步骤②计算得到的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算EN值，并选择具有最小EN值的两个历史日作为相似日；

④根据步骤③选择的相似日构建热负荷预测输入数据集和输出数据集；

⑤将包含输入数据和输出数据的数据集划分为训练集和测试集两部分，并初始化根据采集到的数据建立的SD-DNNs模型；

⑥随机打乱训练集中的数据，以强迫SD-DNNs模型学习输入数据和输出数据之间的复杂关系；

⑦将训练集内的数据输入到SD-DNNs模型进行多轮迭代训练，迭代次数设置为400；

⑧判断模型训练过程是否停止，若训练停止，则继续，若未停止，则重复步骤⑥-⑧；

⑨将待预测日的室外温度、待预测日的风力、相似日的室外温度、相似日的风力和相似日的热负荷数据输入到SD-DNNs模型中，通过SD-DNNs得出供热负荷预测的结果，并通过RMSE(Root Mean Square Error——均方根误差)、MAPE(Mean Absolute PercentageError——平均绝对百分比误差)和MPE(Mean Percentage Error——平均百分比误差)三个评价指标来评估模型的负荷预测性能，且RMSE和MAPE越小则该区域供热系统短期负荷预测方法的预测精度越高。

所述步骤①具体是对选取的给定时间段的样本数据按矩阵形式进行整理，形成原始数据；该原始数据在结构上采取矩阵的形式；所述原始数据包括室外温度的小时值、风力的小时值和热负荷的小时值。

所述步骤②具体是利用XGBoost的自学习得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测的三个权重{ω₁,ω₂,ω₃}，其值越大，表明该变量对热负荷预测越重要。

步骤③具体是用步骤②的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算改进EN，并选择具有最小EN的两个历史日作为相似日；

改进的EN定义式如下：

ΔT_t＝T_t-T_t ^P (2)

ΔWF_t＝WF_t-WF_t ^P (3)

ΔP＝P_t-24-P^P (4)

其中：T_t，WF_t分别表示预测日的室外温度和风力；T_t ^P，WF_t ^P分别表示过去历史日的室外温度和风力；ΔT_t是预测日的室外温度与历史日的室外温度之间的差值，ΔWF_t是预测日风力与历史日风力之间的差值；P_t-24是预测日的前一天的热负荷，P^P历史日的热负荷；ΔP是前一天的热负荷值与历史日负荷值之间的差值；ω₁,ω₂,ω₃是用XGBoost学习算法得到的权重；

根据公式(1)计算得到的EN在历史日中搜索相似日，在历史日中，选择具有最小EN的两个历史日作为相似日。

所述步骤④中的输入数据集中的输入数据和输出数据集中的输出数据在结构上均采取矩阵的形式；所述输入数据包含第一个相似日的室外温度、风力和热负荷，第二个相似日的室外温度、风力和热负荷以及预测日的室外温度和风力共8个特征；所述输出数据是预测日的热负荷数据。

所述步骤⑤的数据集划分具体是90％作为训练集，10％作为测试集。

所述步骤⑤中的SD-DNNs负荷预测模型包含有4个全连接层的DNNs；其中，第一层是输入层，有8个神经元；第二层和第三层是隐层，分别有50和40个神经元；最后一层是输出层，只有一个神经元；为了能够使各层的参数在反向传播算法的过程中能够得到有效更新，这些全连接层都被ReLU(Rectified Linear Units——线性整流单元)函数激活；此外，在每个全连接层后都添加了一层Dropout层，来克服过拟合问题和提高负荷预测的泛化能力。

所述步骤⑥具体是使用numpy.random中的shuffle(train_set)函数随机打乱训练集。

所述步骤⑧中的训练过程仅在两种情况下停止，第一种情况是达到所需的MSE(Mean Square Error——均方误差)，第二种情况是迭代次数达到最大历元数。

所述步骤⑧中的训练过程在迭代次数达到400时停止。

所述步骤⑨中均方根误差RMSE的计算公式为：

平均绝对百分比误差MAPE的计算公式为：

平均百分比误差MPE的计算公式为：

其中，P_n是原始值，

是预测值，N是预测点的总数。

若RMSE和MAPE越小，则该区域供热系统短期负荷预测方法的预测精度越高，在这个特定的区域供热领域，热量生产计划者会对热负荷的变化感兴趣，MPE的结果会告诉热量生产计划者，具有正值的模型将低估热负荷，而具有负值的模型将过度预测原始热负荷，便于生产计划者可以根据MPE的结果对供热计划做出相应地调整，若MPE为正值则增加供热，反之，则减少供热。

本发明的工作原理：提出一种基于权重的改进EN法，并用获取的EN值选择了两个相似日，其中，权重是由XGBoost计算得出。在选择相似日时，除了室外温度和风力，还使用前一天的热负荷作为选择相似日的重要变量；在用DNNs预测时，选择第一个相似日的室外温度、风力和热负荷，第二个相似日的室外温度、风力和热负荷，预测日的室外温度和风力共8个特征作为DNNs的输入。

本发明的优越性在于：

(1)提出了一种基于权重的改进EN法，并用该EN选择了两个相似日来提高负荷预测精度。其中，计算EN用到的三个权重是由XGBoost计算得出。

(2)将SD和DNNs技术相结合，在选择相似日时，除了考虑室外温度和风力以外，还使用前一天的热负荷作为选择相似日的重要变量，从而提高数据预测的准确性；在用DNNs预测时，选择八个特征作为DNNs的输入，从而获得较高的负荷预测精度。

(四)附图说明：

图1为本发明所涉一种基于SD-DNNs的区域供热系统短期负荷预测方法的整体结构示意图。

图2为本发明所涉一种基于SD-DNNs的区域供热系统短期负荷预测方法的流程示意图。

(五)具体实施方式：

实施例：一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于它包括SD选择和DNNs两部分，如图1所示，其中，所述SD选择由XGBoost学习法和基于权重的改进EN法完成；所述DNNs由4层全连接层构成，其中，第一层是输入层，第二层和第三层是隐层，最后一层是输出层；具体包括以下步骤，如图2所示：

①将从中国天气网上获得的室外温度和风力数据，以及换热站提供的热负荷数据作为样本数据，构建选择相似日的原始数据；

对选取的给定时间段的样本数据按矩阵形式进行整理，形成原始数据；该原始数据在结构上采取矩阵的形式；所述原始数据包括室外温度的小时值、风力的小时值和热负荷的小时值。

②将步骤①中所有室外温度及所有风力的数据原始数据和前一天的热负荷作为XGBoost的输入，选取待预测日的热负荷数据作为标签，通过利用XGBoost的自学习方法得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测影响程度的三个权重，即{ω₁,ω₂,ω₃}；

利用XGBoost的自学习得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测的三个权重{ω₁,ω₂,ω₃}，其值越大，表明该变量对热负荷预测越重要。

③利用基于权重的改进EN法计算EN值，并由此选择具有最小EN的两个历史日作为两个相似日SD，即将步骤②计算得到的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算EN值，并选择具有最小EN值的两个历史日作为相似日；

用步骤②的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算改进EN，并选择具有最小EN的两个历史日作为相似日；

改进的EN定义式如下：

ΔT_t＝T_t-T_t ^P (2)

ΔWF_t＝WF_t-WF_t ^P (3)

ΔP＝P_t-24-P^P (4)

其中：T_t，WF_t分别表示预测日的室外温度和风力；T_t ^P，WF_t ^P分别表示过去历史日的室外温度和风力；ΔT_t是预测日的室外温度与历史日的室外温度之间的差值，ΔWF_t是预测日风力与历史日风力之间的差值；P_t-24是预测日的前一天的热负荷，P^P历史日的热负荷；ΔP是前一天的热负荷值与历史日负荷值之间的差值；ω₁,ω₂,ω₃是用XGBoost学习算法得到的权重；

根据公式(1)计算得到的EN在历史日中搜索相似日，在历史日中，选择具有最小EN的两个历史日作为相似日。

④根据步骤③选择的相似日构建热负荷预测输入数据集和输出数据集；

其中输入数据集中的输入数据和输出数据集中的输出数据在结构上均采取矩阵的形式；所述输入数据包含第一个相似日的室外温度、风力和热负荷，第二个相似日的室外温度、风力和热负荷以及预测日的室外温度和风力共8个特征；所述输出数据是预测日的热负荷数据。

⑤将包含输入数据和输出数据的数据集划分为训练集和测试集两部分，并初始化根据采集到的数据建立的SD-DNNs模型；

所述数据集划分具体是90％作为训练集，10％作为测试集。

SD-DNNs负荷预测模型包含有4个全连接层的DNNs；其中，第一层是输入层，有8个神经元；第二层和第三层是隐层，分别有50和40个神经元；最后一层是输出层，只有一个神经元；为了能够使各层的参数在反向传播算法的过程中能够得到有效更新，这些全连接层都被ReLU函数激活；此外，在每个全连接层后都添加了一层Dropout层，来克服过拟合问题和提高负荷预测的泛化能力。

⑥随机打乱训练集中的数据，以强迫SD-DNNs模型学习输入数据和输出数据之间的复杂关系；

使用numpy.random中的shuffle(train_set)函数随机打乱训练集。

⑦将训练集内的数据输入到SD-DNNs模型进行多轮迭代训练，迭代次数设置为400；

⑧判断模型训练过程是否停止，若训练停止，则继续，若未停止，则重复步骤⑥-⑧；

训练过程仅在两种情况下停止，第一种情况是达到所需的MSE，第二种情况是迭代次数达到最大历元数。

训练过程在迭代次数达到400时停止。

⑨将待预测日的室外温度、待预测日的风力、相似日的室外温度、相似日的风力和相似日的热负荷数据输入到SD-DNNs模型中，通过SD-DNNs得出供热负荷预测的结果，并通过RMSE、MAPE和MPE个评价指标来评估模型的负荷预测性能，且RMSE和MAPE越小则该区域供热系统短期负荷预测方法的预测精度越高。

均方根误差RMSE的计算公式为：

平均绝对百分比误差MAPE的计算公式为：

平均百分比误差MPE的计算公式为：

其中，P_n是原始值，

是预测值，N是预测点的总数。

若RMSE和MAPE越小，则该区域供热系统短期负荷预测方法的预测精度越高，在这个特定的区域供热领域，热量生产计划者会对热负荷的变化感兴趣，MPE的结果会告诉热量生产计划者，具有正值的模型将低估热负荷，而具有负值的模型将过度预测原始热负荷，便于生产计划者可以根据MPE的结果对供热计划做出相应地调整，若MPE为正值则增加供热，反之，则减少供热。

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

正如背景技术所介绍的，现有技术中基于统计和浅层学习方法，无法深入挖掘区域供热系统中热负荷数据的高随机性和非线性特征，为了解决如上的技术问题，本申请提出了一种基于SD-DNNs的区域供热系统短期负荷预测方法。

一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于它包括SD选择和DNNs两部分，如图1所示，其中，所述SD选择由XGBoost学习法和基于权重的改进EN法完成；所述DNNs由4层全连接层构成，其中，第一层是输入层，第二层和第三层是隐层，最后一层是输出层；具体包括以下步骤，如图2所示：

①将从中国天气网上获得的室外温度、风力和换热站提供的热负荷数据作为样本数据用于构建选择相似日的原始数据；

②将步骤①中原始数据的所有室外温度、风力和前一天的热负荷作为XGBoost的输入，选取待预测日的热负荷数据作为标签，通过利用XGBoost的自学习得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测影响程度的三个权重，即{ω₁,ω₂,ω₃}；

③利用基于权重的改进EN法计算EN值，并由此选择具有最小EN的两个历史日作为两个相似日SD，即将步骤②计算得到的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算EN值，并选择具有最小EN值的两个历史日作为相似日；

④根据步骤③选择的相似日构建热负荷预测输入数据集和输出数据集；

⑤将包含输入数据和输出数据的数据集划分为训练集和测试集两部分，其中该数据集的90％作为训练集，10％作为测试集，并初始化根据采集到的数据建立的SD-DNNs模型；

⑥随机打乱训练集中的数据，以强迫SD-DNNs模型学习输入数据和输出数据之间的复杂关系；

⑦将训练集内的数据输入到SD-DNNs模型进行多轮迭代训练，迭代次数设置为400；

⑧判断模型训练过程是否停止，若训练停止，则继续，若未停止，则重复步骤⑥-⑧，其中，训练过程仅在两种情况下停止，第一种情况是达到所需的MSE，第二种情况是迭代次数达到最大历元数，即迭代次数达到400；

⑨将待预测数据输入到SD-DNNs模型中，通过SD-DNNs得出供热负荷预测的结果，并通过RMSE、MAPE和MPE三个评价指标来评估模型的预测性能。

步骤①具体是对选取的给定时间段的样本数据按矩阵形式进行整理，形成原始数据；该原始数据在结构上采取矩阵的形式，所述原始数据包括室外温度的小时值、风力的小时值和热负荷的小时值。

步骤②具体是利用XGBoost的自学习得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测的三个权重{ω₁,ω₂,ω₃}，其值越大，表明该变量对热负荷预测越重要。

步骤③具体是用步骤②的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算改进EN，并选择具有最小EN的两个历史日作为相似日。

改进的EN定义式如下：

ΔT_t＝T_t-T_t ^P (2)

ΔWF_t＝WF_t-WF_t ^P (3)

ΔP＝P_t-24-P^P (4)

其中：T_t，WF_t分别表示预测日的室外温度和风力；T_t ^P，WF_t ^P分别表示过去历史日的室外温度和风力；ΔT_t是预测日的室外温度与历史日的室外温度之间的差值，ΔWF_t是预测日风力与历史日风力之间的差值；P_t-24是预测日的前一天的热负荷，P^P历史日的热负荷；ΔP是前一天的热负荷值与历史日负荷值之间的差值；ω₁,ω₂,ω₃是用XGBoost学习算法得到的权重。

根据公式(1)计算得到的EN在历史日中搜索相似日，在历史日中，选择具有最小EN的两个历史日作为相似日。

步骤④具体是根据步骤③选择的相似日构建输入数据和输出数据，构建输入数据和输出数据在结构上均采取矩阵的形式。

表1输入、输出数据

步骤⑤具体是构建有4个全连接层的DNNs(见图1)，其中，第一层是输入层，有8个神经元；第二层和第三层是隐层，分别有50和40个神经元；最后一层是输出层，只有一个神经元。为了能够使各层的参数在反向传播算法的过程中能够得到有效更新，这些全连接层都被ReLU函数激活。此外，为了提高负荷预测的泛化能力和克服过拟合问题，在每个全连接层后都添加了一层Dropout层。

步骤⑥具体是使用numpy.random中的shuffle(train_set)函数随机打乱训练集。

步骤⑨中均方根误差RMSE的计算公式为：

平均绝对百分比误差MAPE的计算公式为：

平均百分比误差MPE的计算公式为：

其中，P_n是原始值，

是预测值，N是预测点的总数。

RMSE和MAPE越小则该区域供热系统短期负荷预测方法的预测精度越高，在这个特定的区域供热领域，热量生产计划者会对热负荷的变化感兴趣，MPE会告诉热量生产计划者，具有正值的模型将低估热负荷，而具有负值的模型将过度预测原始热负荷，他们可以根据MPE相应地调整他们的操作，若MPE为正值则增加供热，反之，则减少供热。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于它包括SD选择和DNNs两部分，其中，所述SD选择由XGBoost学习法和基于权重的改进EN法完成；所述DNNs由4层全连接层构成，其中，第一层是输入层，第二层和第三层是隐层，最后一层是输出层；具体包括以下步骤：

①将从中国天气网上获得的室外温度和风力数据，以及换热站提供的热负荷数据作为样本数据，构建选择相似日的原始数据；

②将步骤①中所有室外温度及所有风力的数据原始数据和前一天的热负荷作为XGBoost的输入，选取待预测日的热负荷数据作为标签，通过利用XGBoost的自学习方法得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测影响程度的三个权重，即{ω₁,ω₂,ω₃}；

③利用基于权重的改进EN法计算EN值，并由此选择具有最小EN的两个历史日作为两个相似日SD，即将步骤②计算得到的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算EN值，并选择具有最小EN值的两个历史日作为相似日；

④根据步骤③选择的相似日构建热负荷预测输入数据集和输出数据集；

⑤将包含输入数据和输出数据的数据集划分为训练集和测试集两部分，并初始化根据采集到的数据建立的SD-DNNs模型；

⑥随机打乱训练集中的数据，以强迫SD-DNNs模型学习输入数据和输出数据之间的复杂关系；

⑦将训练集内的数据输入到SD-DNNs模型进行多轮迭代训练，迭代次数设置为400；

⑧判断模型训练过程是否停止，若训练停止，则继续，若未停止，则重复步骤⑥-⑧；

⑨将待预测日的室外温度、待预测日的风力、相似日的室外温度、相似日的风力和相似日的热负荷数据输入到SD-DNNs模型中，通过SD-DNNs得出供热负荷预测的结果，并通过RMSE、MAPE和MPE三个评价指标来评估模型的负荷预测性能，且RMSE和MAPE越小则该区域供热系统短期负荷预测方法的预测精度越高。

2.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤①具体是对选取的给定时间段的样本数据按矩阵形式进行整理，形成原始数据；该原始数据在结构上采取矩阵的形式；所述原始数据包括室外温度的小时值、风力的小时值和热负荷的小时值。

3.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤②具体是利用XGBoost的自学习得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测的三个权重{ω₁,ω₂,ω₃}，其值越大，表明该变量对热负荷预测越重要。

4.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于步骤③具体是用步骤②的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算改进EN，并选择具有最小EN的两个历史日作为相似日；

改进的EN定义式如下：

ΔT_t＝T_t-T_t ^P (2)

ΔWF_t＝WF_t-WF_t ^P (3)

ΔP＝P_t-24-P^P (4)

其中：T_t，WF_t分别表示预测日的室外温度和风力；T_t ^P，WF_t ^P分别表示过去历史日的室外温度和风力；ΔT_t是预测日的室外温度与历史日的室外温度之间的差值，ΔWF_t是预测日风力与历史日风力之间的差值；P_t-24是预测日的前一天的热负荷，P^P历史日的热负荷；ΔP是前一天的热负荷值与历史日负荷值之间的差值；ω₁,ω₂,ω₃是用XGBoost学习算法得到的权重；

根据公式(1)计算得到的EN在历史日中搜索相似日，在历史日中，选择具有最小EN的两个历史日作为相似日。

5.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤④中的输入数据集中的输入数据和输出数据集中的输出数据在结构上均采取矩阵的形式；所述输入数据包含第一个相似日的室外温度、风力和热负荷，第二个相似日的室外温度、风力和热负荷以及预测日的室外温度和风力共8个特征；所述输出数据是预测日的热负荷数据。

6.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤⑤的数据集划分具体是90％作为训练集，10％作为测试集。

7.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤⑤中的SD-DNNs负荷预测模型包含有4个全连接层的DNNs；其中，第一层是输入层，有8个神经元；第二层和第三层是隐层，分别有50和40个神经元；最后一层是输出层，只有一个神经元；为了能够使各层的参数在反向传播算法的过程中能够得到有效更新，这些全连接层都被ReLU(Rectified Linear Units——线性整流单元)函数激活；此外，在每个全连接层后都添加了一层Dropout层，来克服过拟合问题和提高负荷预测的泛化能力。

8.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤⑥具体是使用numpy.random中的shuffle函数随机打乱训练集。

9.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤⑧中的训练过程仅在两种情况下停止，第一种情况是达到所需的MSE，第二种情况是迭代次数达到最大历元数；

所述步骤⑧中的训练过程在迭代次数达到400时停止。

10.根据权利要求1所述一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于所述步骤⑨中均方根误差RMSE的计算公式为：

平均绝对百分比误差MAPE的计算公式为：

平均百分比误差MPE的计算公式为：

其中，P_n是原始值，

是预测值，N是预测点的总数；

若RMSE和MAPE越小，则该区域供热系统短期负荷预测方法的预测精度越高，在这个特定的区域供热领域，热量生产计划者会对热负荷的变化感兴趣，MPE的结果会告诉热量生产计划者，具有正值的模型将低估热负荷，而具有负值的模型将过度预测原始热负荷，便于生产计划者可以根据MPE的结果对供热计划做出相应地调整，若MPE为正值则增加供热，反之，则减少供热。

Images