CN111080002A - 基于深度学习的建筑用电负荷多步预测方法及系统 - Google Patents
基于深度学习的建筑用电负荷多步预测方法及系统 Download PDFInfo
- Publication number
- CN111080002A CN111080002A CN201911255627.0A CN201911255627A CN111080002A CN 111080002 A CN111080002 A CN 111080002A CN 201911255627 A CN201911255627 A CN 201911255627A CN 111080002 A CN111080002 A CN 111080002A
- Authority
- CN
- China
- Prior art keywords
- data
- building
- prediction
- value
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000005265 energy consumption Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 38
- 238000012217 deletion Methods 0.000 claims description 34
- 230000037430 deletion Effects 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 24
- 210000004027 cell Anatomy 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的建筑用电负荷多步预测方法及系统,其目的在于利用深度学习算法对复杂数据的非线性学习能力以达到对建筑用电负荷的良好表征。本发明包括以下步骤:提取建筑能耗监测平台中对应分项的用电负荷历史数据;检测并插补用电负荷时间序列异常值;归一化一维时间序列用电负荷数据并将其转化为多步预测所需的多输入‑多输出格式;调试并优化LSTM模型超参数,进行模型训练与多步预测,得到所述建筑用电负荷的预测结果。本发明建立的建筑用电负荷预测模型预测数据可靠性高、预测时段长,可用于预测单栋或多栋建筑的多步逐时用电负荷、建筑能耗的节能控制、建筑用电量变化趋势判定等方面。
Description
技术领域
本发明涉及建筑用电负荷预测的研究领域,特别涉及一种基于深度学习的建筑用电负荷多步预测方法及系统。
背景技术
随着近年来经济转型与社会发展,各类办公建筑的数量与规模不断增加,作为现代人类工作与生活的主要场所,其存在着巨大的节能潜力。国家机关办公建筑、大型公共建筑能耗监测平台的建设为数据驱动的建筑节能研究提供了大量的分类分项能耗运行数据。如何通过建筑实际运行数据挖掘,设置合理的节能目标,为建筑用能评价、节能潜力估算、精细化节能管理等提供理论依据,是目前建筑节能的关键问题。建筑用电负荷与建筑内部人员活动关联性强,具有随机性与不确定性的特征,其理预测在建筑节能、预测控制等领域均为有效技术手段,对建筑管理智能化具有重要意义。
目前建筑用电负荷预测方法以单步预测为主,包括单变量时间序列法、人工神经网络、支持向量机等多种方法。然而,单步预测方法仅能预测下一时刻电力负荷,无法用于判断时间序列未来的变化趋势。比较而言,多步预测方法在预估时间序列变化趋势方面具有较好的优势,但在实际应用过程中,多步预测由于时间序列的随机性与非线性,长时间序列的预测精度难以保证。
深度学习作为一种特殊的人工神经网络,其本质是通过增加神经网络结构中非线性映射层的数量,达到对输入数据中抽象特征更优异的学习效果。长短期记忆模型(Long-short term memory,LSTM)作为深度学习中对数据时序性与学习能力兼顾的已有成熟模型,弥补了传统循环神经网络在长序列数据学习训练过程中的梯度消失与梯度爆炸的缺点,并且通过设立了“门”模块,保留并强化了自身对于序列信息的记忆能力。鉴于深度学习模型对复杂问题的表征能力较强,采用LSTM模型来实现对建筑用电负荷的多步预测是可行的。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于深度学习的建筑用电负荷多步预测方法,该方法能有效利用建筑用电负荷的历史能耗数据进行未来多个时刻的电量消耗预测,从而为建筑能源精细化管理等工作提供技术支持。
本发明的另一目的在于,提供一种基于深度学习的建筑用电负荷多步预测系统。
为了达到上述第一目的,本发明采用以下技术方案:
基于深度学习的建筑用电负荷多步预测方法,包括下述步骤:
S1:数据提取:导出建筑能耗监测平台中采集与储存的对应分项的用电负荷历史数据;
S2:数据预处理:对S1中所提取用电负荷历史数据进行数据清洗和数据转化,数据清洗是对异常值进行处理,数据转换是将经过数据清洗的数据进行归一化与多输入-多输出结构转化;
S3:建立具有多输入-多输出结构的LSTM模型;
S4:利用S2中处理后的数据,对S3中建立的LSTM模型进行迭代训练,对超参数进行调优;
S5:根据S4超参数调优结果所确定的LSTM模型对建筑用电负荷进行多步预测。
作为优选的技术方案,步骤S1中,所述用电负荷历史数据为建筑能耗监测平台采集的工作日用电分项的逐时一维时间序列数据。
作为优选的技术方案,步骤S2中,所述异常值的判断标准为非正常零值与四分位法;
非正常零值:一般缺失定义如下:建筑能耗监测平台在数据采集、传输、储存过程中产生的零值现象,表现为数据的单点缺失或连续缺失异常;累积缺失定义如下:数据远传通讯中断时,电表仍然不断采集,但是未远传给服务器,通讯恢复后,远传数据表现为连续缺失后数据发生突变;
四分位法:
IQR=QU-QL
L1=QL-1.5IQR
L2=QU+1.5IQR
其中,QU为一维电力负荷数据序列x数值由小到大的排列的75%分位数值,QL为一维电力负荷数据序列x数值由小到大的排列的25%分位数值,IQR为QU与QL的大于零差值,L1为异常阈值的判定下限,L2为异常阈值的判定上限,异常值判定标准为样本数值小于判定下限L1或大于判定上限L2。
作为优选的技术方案,还包括对一般缺失和累积缺失进行插补处理,具体为:
建筑用电负荷历史数据时间序列定义如下:
其中N为电力负荷时间序列总长度,为缺失数据点,tm-t1+1为缺失数据量,该插补方法采用对应时刻的历史数据平均值比例进行缺失填补,累积缺失采用前1-5工作日的同一时刻在连续缺失值的占比乘以累积突变值进行插补,公式如下:
累积突变缺失采用前5个时间周期的同一时刻在连续缺失值的占比乘以累积突变值进行插补,公式如下:
作为优选的技术方案,步骤S2中,进行数据转换的方法为:
对原始数据进行归一化处理,公式如下:
归一化处理后数据需转化为多步预测中多输入-多输出策略所需要的数据格式,定义归一化后原始一维时间序列为数据转化步骤将原始的一维数组转化为p*k阶矩阵,设转化目标维数为m维,k为n除以m的商值向下取整的数值,则有转化过程:
作为优选的技术方案,步骤S3中,在LSTM模型中输入训练集采用以下公式表示:
x=[x1,x2,…,xn-1,xn],
对x进行迭代求解,从而得到隐含层序列h=[h1,h2,…,hn-1,hn]和输出层序列y=[y1,y2,…,yn-1,yn],
具体迭代求解过程采用以下公式表示:
ht=fh(Wxhxt+Whhht-1+bh);
yt=Whyht++by;
其中,fh为隐含层神经元的激活函数;W为网络权重系数矩阵,即Wxh:输入层-隐含层网络权重系数,Whh:隐含层内部的网络权重系数,Why为隐含层-输出层的网络权重系数;b为偏置项,即bh:隐含层偏置项,by:输出层偏置项。
作为优选的技术方案,输入xt、ht-1经sigmoid函数处理后,同细胞状态St-1进行合并计算,采用以下公式:
ft=σ(Wxfxt+Whfht-1+WcfSt-1+bi)、S′t-1=ft·St-1:
输入xt、ht-1分别经sigmoid与tanh函数处理后,同细胞状态S′t-1合并计算决定状态保留量,采用以下公式:
it=σ(Wxixt+Whiht-1+WciSt-1+bi)、Sct=tanh(Wxcxt+Whcht-1+bc)、S″t-1=it·Sct+S′t-1;
输入xt、ht-1经sigmoid函数处理后,同经tanh函数处理后的细胞状态S″′t-1合并计算决定隐含层序列输出ht,采用以下公式:
S″′t-1=tanh(S″t-1)、ot=σ(Wxoxt+Whoht-1+WcoSt-1+bo)、ht=ot·S″′t-1。上式中,ft、it、ot分别为遗忘门、输入门、输出门;
其中,W为网络权重系数矩阵;b为偏置项;Sct为当前细胞状态;S′t-1、S″t-1、S″′t-1分别为细胞状态在单元内部传递的不同阶段;σ和tanh分别为sigmoid和双曲正切激活函数。
作为优选的技术方案,步骤S4中,采用网格搜索法进行参数调试与确定,具体为:
调试标准为模型训练集具有最小损失函数值,设损失函数选择MAE,其计算公式如下:其中为预测值,yi为实际值,n为数据集长度,在调试过程中,使用网格搜索法,对调试量在一定范围内进行调试,达到最小损失函数值为止,重复以上工作至完成三个参数的调试。
作为优选的技术方案,步骤S5中,利用Keras深度学习库中的随机初始权重,时间反向传播算法,更新神经网络权重值,并输出多步预测结果。
为了达到上述另一目的,本发明采用以下技术方案:
基于深度学习的建筑用电负荷多步预测系统法,包括数据提取模块、数据预处理模块、LSTM模型、训练模块以及预测模块;
所述数据提取模块,用于导出建筑能耗监测平台中采集与储存的对应分项的用电负荷历史数据;
所述数据预处理模块,用于对所提取用电负荷历史数据进行数据清洗和数据转化,数据清洗是对异常值进行处理,数据转换是将经过数据清洗的数据进行归一化与多输入-多输出结构转化;
所述LSTM模型具有多输入-多输出结构;
所述训练模块,用于对立的LSTM模型进行迭代训练,对超参数进行调优;
所述预测模块,用于根据超参数调优结果所确定的LSTM模型对建筑用电负荷进行多步预测。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明采用多输入-多输出的多步预测策略进行建筑用电负荷预测,可对未来多个时刻的建筑能耗进行预测,为建筑运行控制、节能规划提供了量化参考借鉴,解决了单步预测方法仅能预测下一时刻用电负荷,无法判断未来变化趋势的问题。
(2)本发明应用深度学习的方法对用电负荷数据规律进行提取,将模型优势率先应用于建筑能耗领域,克服建筑用电负荷多步预测过程中的存在的随机性与非线性特性,具有良好的学习能力;
(3)本发明通过某一确定对象的未来用电负荷与其近期历史数据具有较强的关联性,而LSTM模型的长短时记忆性将其综合考虑后进行预测,具有较优的预测效果;
(4)本发明可适用于建筑能耗整体预测,也可用于建筑各分项能耗预测,且在预测过程中可根据对象特性不同对记忆步长进行设置,具有较好的适用性。
附图说明
图1是本发明基于深度学习的用电负荷预测流程;
图2是本发明LSTM模型细胞单元结构图;
图3是本发明多步预测算法流程。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
本实施例1基于深度学习的建筑用电负荷多步预测方法,包括下述步骤:
S1:数据提取,某确定建筑一段时间内的建筑能耗监测平台中照明插座分项电力负荷时间序列其中N为电力负荷时间序列总长度,为缺失数据点,tm-t1+1为缺失数据量。此处采用某办公建筑2017-2018年工作日共499天逐时电力负荷数据。
S2.1:数据清洗,异常值判定标准为非正常零值与四分位法,诊断结果最终可以归结为一般缺失或累积缺失异常,对上述两类缺失进行插补计算,核心思想为采用对应时刻的历史数据平均值比例进行缺失填补,累积缺失采用前1-5工作日的同一时刻在连续缺失值的占比乘以累积突变值进行插补。一般缺失值与累积缺失值的插补公式分别为: 式中缺失数据x′tj为第j个缺失的插补值,缺失数量共为tm个,为电力负荷时间序列前i天相同时刻的历史数据,共取n天,n根据经验设置,默认取5,即当前缺失数据取前5天相同时刻数据的均值;。
S2.2:数据转化,首先对原始数据进行归一化处理,采用进行[0,1]归一化处理,然后将归一化处理后数据转变为多步预测中多输入-多输出策略所需要的数据格式。模型预测输出假设为p维(p取值可以日为单位进行预测,即24的倍数)。因此,数据转化步骤将原始的一维数组转化为p*k阶矩阵。设转化目标维数为m维,k为n除以m的商值向下取整的数值,则有转化过程
对该建筑进行24小时和120小时多步预测,单日预测条件下,数据格式转化为499×24的矩阵;单周预测条件下,由于数据集不为120的整数倍,因此舍弃最后的96个数据点,数据格式转化为99×120的矩阵。
S3:LSTM是具有长短时记忆功能的神经网络模型,其神经单元结构如图2。LSTM模型记忆功能的实现借助“门”结构,以及细胞状态传递链S。输入训练集采用以下公式表示:x=[x1,x2,…,xn-1,xn]。对其进行迭代求解,从而得到隐含层序列h=[h1,h2,…,hn-1,hn]和输出层序列y=[y1,y2,…,yn-1,yn]。具体迭代求解过程采用以下公式表示:ht=fh(Wxhxt+Whhht-1+bh)、yt=Whyht++by。其中,fh为隐含层神经元的激活函数;W为网络权重系数矩阵,即Wxh:输入层-隐含层网络权重系数,Whh:隐含层内部的网络权重系数,Why为隐含层-输出层的网络权重系数;b为偏置项,即bh:隐含层偏置项,by:输出层偏置项。
输入xt、ht-1经sigmoid函数处理后,同细胞状态St-1进行合并计算,采用以下公式:ft=σ(Wxfxt+Whfht-1+WcfSt-1+bi)、S′t-1=ft·St-1:输入xt、ht-1分别经sigmoid与tanh函数处理后,同细胞状态S′t-1合并计算决定状态保留量,采用以下公式:it=σ(Wxixt+Whiht-1+WciSt-1+bi)、Sct=tanh(Wxcxt+Whcht-1+bc)、S″t-1=it·Sct+S′t-1;输入xt、ht-1经sigmoid函数处理后,同经tanh函数处理后的细胞状态S″′t-1合并计算决定隐含层序列输出ht,采用以下公式:S″′t-1=tanh(S″t-1)、ot=σ(Wxoxt+Whoht-1+WcoSt-1+bo)、ht=ot·S″′t-1。上式中,ft、it、ot分别为遗忘门、输入门、输出门;W为网络权重系数矩阵;b为偏置项;Sct为当前细胞状态;S′t-1、S″t-1、S″′t-1分别为细胞状态在单元内部传递的不同阶段;σ和tanh分别为sigmoid和双曲正切激活函数。
S4:采用深度学习中LSTM模型对训练集数据进行训练并结合训练效果,采用网格搜索法进行参数调试与确定,如图3。网络层数(Layer)、隐含层神经元数量(Unit)、迭代次数(Epoch),网格搜索范围分别设置网络层数为1~3,隐含层神经元数量为1~100,迭代次数为1~1000,以上参数网格搜索步长均为1。调试标准为模型训练集具有最小损失函数值,本例中损失函数选择MAE,其计算公式如下:其中为预测值,yi为实际值,n为数据集长度。在调试过程中,使用网格搜索法,对调试量在一定范围内进行调试,达到最小损失函数值为止,重复以上工作至完成三个参数的调试。批处理量(Batch Size)、时间步长(Timesteps)以上两个参数的影响因素有数据量大小、数据时间采集频率、预测步长需求,网格搜索范围分别设置批处理量为1~50,时间步长为24和120。
S5:采用上述超参数,利用Keras深度学习库中的随机初始权重,时间反向传播算法,更新神经网络权重值,并输出多步预测结果。
本实施例还提供了一种基于深度学习的建筑用电负荷多步预测系统法,包括数据提取模块、数据预处理模块、LSTM模型、训练模块以及预测模块;
所述数据提取模块,用于导出建筑能耗监测平台中采集与储存的对应分项的用电负荷历史数据;
所述数据预处理模块,用于对所提取用电负荷历史数据进行数据清洗和数据转化,数据清洗是对异常值进行处理,数据转换是将经过数据清洗的数据进行归一化与多输入-多输出结构转化;
所述LSTM模型具有多输入-多输出结构;
所述训练模块,用于对立的LSTM模型进行迭代训练,对超参数进行调优;
所述预测模块,用于根据超参数调优结果所确定的LSTM模型对建筑用电负荷进行多步预测。
通过本实施例的技术方案,建立的建筑照明插座电力负荷多步预测模型预测数据可靠性高,可用于预测单栋建筑或大区域范围内的建筑照明插座分项逐时能耗、建筑照明插座分项的节能控制。
实施例2
本实施例2基于深度学习的建筑用电负荷多步预测方法,包括下述步骤:
S1:数据提取,某确定建筑一段时间内的建筑能耗监测平台中建筑总电耗,即为空调用电分项、照明插座分项、动力用电分项、特殊用电分项电耗数据之和。电力负荷时间序列其中N为建筑总电力负荷时间序列总长度,为缺失数据点,tm-t1+1为缺失数据量。此处采用某大型办公建筑2017-2018年共700天的逐时电力负荷数据。
S2.1:数据清洗,异常值判定标准为非正常零值与四分位法,诊断结果最终可以归结为一般缺失或累积缺失异常,对上述两类缺失进行插补计算,核心思想为采用对应时刻的历史数据平均值比例进行缺失填补,累积缺失采用前10个工作日的同一时刻在连续缺失值的占比乘以累积突变值进行插补。一般缺失值与累积缺失值的插补公式分别为: 式中缺失数据x′tj为第j个缺失的插补值,缺失数量共为tm个,为电力负荷时间序列前i天相同时刻的历史数据,共取n天,n根据经验设置,默认取10,即当前缺失数据取前10天相同时刻数据的均值;。
S2.2:数据转化,首先对原始数据进行归一化处理,采用进行[0,1]归一化处理,然后将归一化处理后数据转变为多步预测中多输入-多输出策略所需要的数据格式。模型预测输出假设为p维(p取值可以日为单位进行预测,即24的倍数)。因此,数据转化步骤将原始的一维数组转化为p*k阶矩阵。设转化目标维数为m维,k为n除以m的商值向下取整的数值,则有转化过程
对该建筑进行24小时多步预测,单日预测条件下,数据格式转化为499×24的矩阵。
S3:LSTM是具有长短时记忆功能的神经网络模型,其神经单元结构如图2。LSTM模型记忆功能的实现借助“门”结构,以及细胞状态传递链S。输入训练集采用以下公式表示:x=[x1,x2,…,xn-1,xn]。对其进行迭代求解,从而得到隐含层序列h=[h1,h2,…,hn-1,hn]和输出层序列y=[y1,y2,…,yn-1,yn]。具体迭代求解过程采用以下公式表示:ht=fh(Wxhxt+Whhht-1+bh)、yt=Whyht++by。其中,fh为隐含层神经元的激活函数;W为网络权重系数矩阵,即Wxh:输入层-隐含层网络权重系数,Whh:隐含层内部的网络权重系数,Why为隐含层-输出层的网络权重系数;b为偏置项,即bh:隐含层偏置项,by:输出层偏置项。
输入xt、ht-1经sigmoid函数处理后,同细胞状态St-1进行合并计算,采用以下公式:ft=σ(Wxfxt+Whfht-1+WcfSt-1+bi)、S′t-1=ft·St-1:输入xt、ht-1分别经sigmoid与tanh函数处理后,同细胞状态S′t-1合并计算决定状态保留量,采用以下公式:it=σ(Wxixt+Whiht-1+WciSt-1+bi)、Sct=tanh(Wxcxt+Whcht-1+bc)、S″t-1=it·Sct+S′t-1;输入xt、ht-1经sigmoid函数处理后,同经tanh函数处理后的细胞状态S″′t-1合并计算决定隐含层序列输出ht,采用以下公式:S″′t-1=tanh(S″t-1)、ot=σ(Wxoxt+Whoht-1+WcoSt-1+bo)、ht=ot·S″′t-1。上式中,ft、it、ot分别为遗忘门、输入门、输出门;W为网络权重系数矩阵;b为偏置项;Sct为当前细胞状态;S′t-1、S″t-1、S″′t-1分别为细胞状态在单元内部传递的不同阶段;σ和tanh分别为sigmoid和双曲正切激活函数。
S4:采用深度学习中LSTM模型对训练集数据进行训练并结合训练效果,采用网格搜索法进行参数调试与确定,如图3。网络层数(Layer)、隐含层神经元数量(Unit)、迭代次数(Epoch),网格搜索范围分别设置网络层数为1~3,隐含层神经元数量为1~100,迭代次数为1~1000,以上参数网格搜索步长均为1。调试标准为模型训练集具有最小损失函数值,本例中损失函数选择MAE,其计算公式如下:其中为预测值,yi为实际值,n为数据集长度。在调试过程中,使用网格搜索法,对调试量在一定范围内进行调试,达到最小损失函数值为止,重复以上工作至完成三个参数的调试。批处理量(Batch Size)、时间步长(Timesteps)以上两个参数的影响因素有数据量大小、数据时间采集频率、预测步长需求,网格搜索范围分别设置批处理量为1~50,时间步长为24。
S5:采用上述超参数,利用Keras深度学习库中的随机初始权重,时间反向传播算法,更新神经网络权重值,并输出多步预测结果。
通过本实施例的技术方案,建立的建筑总电力负荷多步预测模型预测数据可靠性高,可用于预测单栋建筑或大区域范围内的建筑总能耗、建筑节能控制。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.基于深度学习的建筑用电负荷多步预测方法,其特征在于,包括下述步骤:
S1:数据提取:导出建筑能耗监测平台中采集与储存的对应分项的用电负荷历史数据;
S2:数据预处理:对S1中所提取用电负荷历史数据进行数据清洗和数据转化,数据清洗是对异常值进行处理,数据转换是将经过数据清洗的数据进行归一化与多输入-多输出结构转化;
S3:建立具有多输入-多输出结构的LSTM模型;
S4:利用S2中处理后的数据,对S3中建立的LSTM模型进行迭代训练,对超参数进行调优;
S5:根据S4超参数调优结果所确定的LSTM模型对建筑用电负荷进行多步预测。
2.根据权利要求1所述基于深度学习的建筑用电负荷多步预测方法,其特征在于,步骤S1中,所述用电负荷历史数据为建筑能耗监测平台采集的工作日用电分项的逐时一维时间序列数据。
3.根据权利要求1所述基于深度学习的建筑用电负荷多步预测方法,其特征在于,步骤S2中,所述异常值的判断标准为非正常零值与四分位法;
非正常零值:一般缺失定义如下:建筑能耗监测平台在数据采集、传输、储存过程中产生的零值现象,表现为数据的单点缺失或连续缺失异常;累积缺失定义如下:数据远传通讯中断时,电表仍然不断采集,但是未远传给服务器,通讯恢复后,远传数据表现为连续缺失后数据发生突变;
四分位法:
IQR=QU-QL
L1=QL-1.5IQR
L2=QU+1.5IQ2R
其中,QU为一维电力负荷数据序列x数值由小到大的排列的75%分位数值,QL为一维电力负荷数据序列x数值由小到大的排列的25%分位数值,IQR为QU与QL的大于零差值,L1为异常阈值的判定下限,L2为异常阈值的判定上限,异常值判定标准为样本数值小于判定下限L1或大于判定上限L2。
4.根据权利要求3所述基于深度学习的建筑用电负荷多步预测方法,其特征在于,还包括对一般缺失和累积缺失进行插补处理,具体为:
建筑用电负荷历史数据时间序列定义如下:
其中N为电力负荷时间序列总长度,为缺失数据点,tm-t1+1为缺失数据量,该插补方法采用对应时刻的历史数据平均值比例进行缺失填补,累积缺失采用前1-5工作日的同一时刻在连续缺失值的占比乘以累积突变值进行插补,公式如下:
累积突变缺失采用前5个时间周期的同一时刻在连续缺失值的占比乘以累积突变值进行插补,公式如下:
6.根据权利要求1所述基于深度学习的建筑用电负荷多步预测方法,其特征在于,步骤S3中,在LSTM模型中输入训练集采用以下公式表示:
x=[x1,x2,…,xn-1,xn],
对x进行迭代求解,从而得到隐含层序列h=[h1,h2,…,hn-1,hn]和输出层序列y=[y1,y2,…,yn-1,yn],
具体迭代求解过程采用以下公式表示:
ht=fh(Wxhxt+Whhht-1+bh);
yt=Whyht++by;
其中,fh为隐含层神经元的激活函数;W为网络权重系数矩阵,即Wxh:输入层-隐含层网络权重系数,Whh:隐含层内部的网络权重系数,Why为隐含层-输出层的网络权重系数;b为偏置项,即bh:隐含层偏置项,by:输出层偏置项。
7.根据权利要求6所述基于深度学习的建筑用电负荷多步预测方法,其特征在于,输入xt、ht-1经sigmoid函数处理后,同细胞状态St-1进行合并计算,采用以下公式:
ft=σ(Wxfxt+Whfht-1+WcfSt-1+bi)、S′t-1=ft·St-1:
输入xt、ht-1分别经sigmoid与tanh函数处理后,同细胞状态S′t-1合并计算决定状态保留量,采用以下公式:
it=σ(Wxixt+Whiht-1+WciSt-1+bi)、Sct=tanh(Wxcxt+Whcht-1+bc)、S″t-1=it·Sct+S′t-1;
输入xt、ht-1经sigmoid函数处理后,同经tanh函数处理后的细胞状态S″′t-1合并计算决定隐含层序列输出ht,采用以下公式:
S″′t-1=tanh(S″′t-1)、ot=σ(Wxoxt+Whoht-1+WcoSt-1+bo)、ht=ot·S″′t-1。上式中,ft、it、ot分别为遗忘门、输入门、输出门;
其中,W为网络权重系数矩阵;b为偏置项;Sct为当前细胞状态;S′t-1、S″t-1、S″′t-1分别为细胞状态在单元内部传递的不同阶段;σ和tanh分别为sigmoid和双曲正切激活函数。
9.根据权利要求1所述基于深度学习的建筑用电负荷多步预测方法,其特征在于,步骤S5中,利用Keras深度学习库中的随机初始权重,时间反向传播算法,更新神经网络权重值,并输出多步预测结果。
10.基于深度学习的建筑用电负荷多步预测系统法,其特征在于,包括数据提取模块、数据预处理模块、LSTM模型、训练模块以及预测模块;
所述数据提取模块,用于导出建筑能耗监测平台中采集与储存的对应分项的用电负荷历史数据;
所述数据预处理模块,用于对所提取用电负荷历史数据进行数据清洗和数据转化,数据清洗是对异常值进行处理,数据转换是将经过数据清洗的数据进行归一化与多输入-多输出结构转化;
所述LSTM模型具有多输入-多输出结构;
所述训练模块,用于对立的LSTM模型进行迭代训练,对超参数进行调优;
所述预测模块,用于根据超参数调优结果所确定的LSTM模型对建筑用电负荷进行多步预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255627.0A CN111080002A (zh) | 2019-12-10 | 2019-12-10 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255627.0A CN111080002A (zh) | 2019-12-10 | 2019-12-10 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080002A true CN111080002A (zh) | 2020-04-28 |
Family
ID=70313487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911255627.0A Pending CN111080002A (zh) | 2019-12-10 | 2019-12-10 | 基于深度学习的建筑用电负荷多步预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080002A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708768A (zh) * | 2020-05-20 | 2020-09-25 | 广州中智融通金融科技有限公司 | 自动柜员机现金调度方法、系统及存储介质 |
CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
CN112183826A (zh) * | 2020-09-15 | 2021-01-05 | 湖北大学 | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 |
CN112180733A (zh) * | 2020-10-14 | 2021-01-05 | 西安建筑科技大学 | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 |
CN112434787A (zh) * | 2020-10-28 | 2021-03-02 | 西安交通大学 | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 |
CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
CN113112077A (zh) * | 2021-04-14 | 2021-07-13 | 太原理工大学 | 基于多步预测深度强化学习算法的hvac控制系统 |
CN113158540A (zh) * | 2021-01-29 | 2021-07-23 | 苏州市建筑科学研究院集团股份有限公司 | 一种基于深度学习的空调机房能源消耗量预测方法 |
CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
CN113810207A (zh) * | 2020-06-12 | 2021-12-17 | 中国电信股份有限公司 | 根因服务器定位方法以及根因服务器定位装置 |
CN114237049A (zh) * | 2021-12-14 | 2022-03-25 | 西安建筑科技大学 | 一种基于lstm的智能建筑系统预测控制参数整定方法 |
CN114441463A (zh) * | 2022-01-25 | 2022-05-06 | 安徽新宇环保科技股份有限公司 | 全光谱水质数据分析方法 |
CN115236985A (zh) * | 2022-07-29 | 2022-10-25 | 安徽海行云物联科技有限公司 | 一种基于深度学习的办公楼控电系统 |
CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
CN116245206A (zh) * | 2022-11-24 | 2023-06-09 | 华建数创(上海)科技有限公司 | 一种基于多模态集成模型的建筑能耗预测方法 |
CN116595327A (zh) * | 2023-07-19 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸变形监测数据预处理系统及方法 |
US11799733B2 (en) | 2020-10-28 | 2023-10-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Energy usage in a communications network |
CN118193504A (zh) * | 2024-05-20 | 2024-06-14 | 高速铁路建造技术国家工程研究中心 | 基于emd和gru的桥梁传感器时序缺失数据重构方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
-
2019
- 2019-12-10 CN CN201911255627.0A patent/CN111080002A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN110298501A (zh) * | 2019-06-21 | 2019-10-01 | 河海大学常州校区 | 基于长短时记忆神经网络的电负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
周璇: ""办公建筑逐时能耗异常数据在线插补方法"", 《建筑科学》 * |
杨函: ""基于深度学习的气象预测研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
贵州电网优先责任公司: "《高原山区风电功率预测技术》", 贵州大学出版社 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708768A (zh) * | 2020-05-20 | 2020-09-25 | 广州中智融通金融科技有限公司 | 自动柜员机现金调度方法、系统及存储介质 |
CN113810207A (zh) * | 2020-06-12 | 2021-12-17 | 中国电信股份有限公司 | 根因服务器定位方法以及根因服务器定位装置 |
CN111832809A (zh) * | 2020-06-19 | 2020-10-27 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及系统 |
CN112183826A (zh) * | 2020-09-15 | 2021-01-05 | 湖北大学 | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 |
CN112180733A (zh) * | 2020-10-14 | 2021-01-05 | 西安建筑科技大学 | 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 |
CN112434787A (zh) * | 2020-10-28 | 2021-03-02 | 西安交通大学 | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 |
CN112434787B (zh) * | 2020-10-28 | 2024-04-05 | 西安交通大学 | 基于楼宇总能耗的末端空间能耗预测方法、介质及设备 |
US11799733B2 (en) | 2020-10-28 | 2023-10-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Energy usage in a communications network |
CN112712213A (zh) * | 2021-01-15 | 2021-04-27 | 上海交通大学 | 一种集中空调住宅深度迁移学习能耗预测方法及系统 |
CN113158540A (zh) * | 2021-01-29 | 2021-07-23 | 苏州市建筑科学研究院集团股份有限公司 | 一种基于深度学习的空调机房能源消耗量预测方法 |
CN113112077B (zh) * | 2021-04-14 | 2022-06-10 | 太原理工大学 | 基于多步预测深度强化学习算法的hvac控制系统 |
CN113112077A (zh) * | 2021-04-14 | 2021-07-13 | 太原理工大学 | 基于多步预测深度强化学习算法的hvac控制系统 |
CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
CN113391622A (zh) * | 2021-06-22 | 2021-09-14 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
CN113391622B (zh) * | 2021-06-22 | 2022-09-02 | 中国人民解放军国防科技大学 | 利用多元多步预测技术的航天器姿态系统异常检测方法 |
CN114237049A (zh) * | 2021-12-14 | 2022-03-25 | 西安建筑科技大学 | 一种基于lstm的智能建筑系统预测控制参数整定方法 |
CN114441463A (zh) * | 2022-01-25 | 2022-05-06 | 安徽新宇环保科技股份有限公司 | 全光谱水质数据分析方法 |
CN115236985A (zh) * | 2022-07-29 | 2022-10-25 | 安徽海行云物联科技有限公司 | 一种基于深度学习的办公楼控电系统 |
CN116245206A (zh) * | 2022-11-24 | 2023-06-09 | 华建数创(上海)科技有限公司 | 一种基于多模态集成模型的建筑能耗预测方法 |
CN116128124A (zh) * | 2023-01-09 | 2023-05-16 | 北京建筑大学 | 一种基于异常用能值处理和时序分解的建筑能耗预测方法 |
CN116595327A (zh) * | 2023-07-19 | 2023-08-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸变形监测数据预处理系统及方法 |
CN116595327B (zh) * | 2023-07-19 | 2023-09-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 水闸变形监测数据预处理系统及方法 |
CN118193504A (zh) * | 2024-05-20 | 2024-06-14 | 高速铁路建造技术国家工程研究中心 | 基于emd和gru的桥梁传感器时序缺失数据重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080002A (zh) | 基于深度学习的建筑用电负荷多步预测方法及系统 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN107239849A (zh) | 一种基于改进的指数平滑灰色模型电力负荷预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN113128113A (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN109726517A (zh) | 一种基于多变量关联数据的设备剩余寿命预测方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
CN115204362A (zh) | 一种机械设备剩余寿命区间预测方法 | |
Poczeta et al. | Application of fuzzy cognitive maps to multi-step ahead prediction of electricity consumption | |
CN114611764A (zh) | 一种特定区域内企业工业用水异常监测预警方法 | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
Peng et al. | Meteorological satellite operation prediction using a BiLSTM deep learning model | |
Li et al. | Combination prediction of underground mine rock drilling time based on seasonal and trend decomposition using Loess | |
CN104715343A (zh) | 一种基于强化学习和自适应序贯重点抽样的电力系统充裕度评估方法 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
Li et al. | Short-term Load Forecasting of Long-short Term Memory Neural Network Based on Genetic Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |