CN112116153A - 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 - Google Patents

一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 Download PDF

Info

Publication number
CN112116153A
CN112116153A CN202010985768.4A CN202010985768A CN112116153A CN 112116153 A CN112116153 A CN 112116153A CN 202010985768 A CN202010985768 A CN 202010985768A CN 112116153 A CN112116153 A CN 112116153A
Authority
CN
China
Prior art keywords
data
load
copula
value
training
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.)
Granted
Application number
CN202010985768.4A
Other languages
English (en)
Other versions
CN112116153B (zh
Inventor
任洪波
陈杰
吴琼
李琦芬
杨涌文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202010985768.4A priority Critical patent/CN112116153B/zh
Publication of CN112116153A publication Critical patent/CN112116153A/zh
Application granted granted Critical
Publication of CN112116153B publication Critical patent/CN112116153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，利用Copula理论对冷热电多元负荷间及负荷与气温等其他影响因素间的非线性相关性进行分析，选定负荷预测的输入要素将选择出来的输入要素进行数据划分，得到训练集和测试集，向堆叠式LSTM深度神经网络模型输入训练集；在Keras环境深度学习框架下对堆叠式LSTM深度学习网络模型进行训练，保存其训练的权值信息；加载训练好的堆叠式LSTM深度神经网络模型对测试集进行预测模拟，并得到典型季下的冷、热、电负荷数据；利用平均绝对值误差MAPE和泰勒不等式系数TIC对冷、热、电负荷预测结果进行评价预测。本发明采用堆叠式LSTM深度学习网络模型对负荷进行预测，能有效地对园区多元负荷进行精确化预测。

Description

一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测 方法
技术领域
本发明涉及综合能源负荷预测的技术领域，尤其涉及一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法。
背景技术
随着分布式能源、综合能源、能源互联网等新兴能源供需体系的提出与发展，一直以来处于被动接受方的需求侧终端用户的主体地位日益凸显。在“按需供能、共享融通”的理念导向下，通过对需求侧负荷特性的深入挖掘，研究终端用户的用能行为，可以了解用户个性化、差异化服务需求，促进供需互动调控，提升系统综合能效。特别是对于以工商业园区为主体的区域型综合能源系统而言，用户类型多样、用能类型多元等特性更为明显，发挥互补效应、集群效应提升需求侧主体功能的潜力巨大。在需求侧分析的整体框架中，冷、热、电等多类型负荷的动态预测是核心所在，可有效支撑能源系统的运行管理与科学决策。
作为一种简单的动态负荷预测方法，源于日本的负荷因子法虽可实现多元负荷的逐时预测，但仅适用于能源系统规划设计阶段对负荷特性的粗略把握。而且，由于缺乏大量统计数据支撑，现有负荷因子法大多与基于机理推演的负荷模拟软件相结合，通过构建典型用户模型确定多元负荷的逐月、逐时分配因子。为有效支撑能源电力系统的高效运行，基于历史数据的分析学习和计算外推的数据驱动型预测方法受到广泛关注。从经典的线性回归模型和时间序列模型，到代表机器学习的BP神经网络模型、支持向量机模型、随机森林等模型，该方法主要应用于电力负荷预测研究。随着大数据和人工智能技术的发展，以卷积神经网络和循环神经网络为代表的深度学习算法被应用于电负荷预测，并取得了较好效果。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，能够有效地对园区多元负荷进行精确化预测。
为解决上述技术问题，本发明提供如下技术方案：包括，利用Copula理论对冷热电多元负荷间及负荷与气温等其他影响因素间的非线性相关性进行分析，选定负荷预测的输入要素；将选择出来的所述输入要素进行数据划分，得到训练集和测试集，向堆叠式LSTM深度神经网络模型输入所述训练集；在Keras环境深度学习框架下对所述堆叠式LSTM深度学习网络模型进行训练，保存其训练的权值信息；加载训练好的所述堆叠式LSTM深度神经网络模型对所述测试集进行预测模拟，并得到典型季下的冷、热、电负荷数据；利用平均绝对值误差MAPE和泰勒不等式系数TIC对所述冷、热、电负荷预测结果进行评价预测。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：进行所述分析之前还包括，收集园区典型季中冷负荷、热负荷、电负荷的历史数据及对应时间节点上的温度数据和节假日信息；对所述历史数据进行噪点检测和修复并结合所述温度数据、所述节假日信息信息进行数据归一化，得到样本数据。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：包括，所述冷、热、电负荷时间分辨率为15分钟，所述温度数据为全天最高温度。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：包括，计算多元负荷历史均值并根据3σ原理判断数据真实性，取ε为阈值，经验取值1.2，从而达到对所述历史数据进行噪点检测和数据修复，如下：
Figure BDA0002689155170000021
Figure BDA0002689155170000022
Figure BDA0002689155170000023
Figure BDA0002689155170000031
其中，α+β+γ＝1，第n天的负荷修正数据为
Figure BDA0002689155170000032
Xn,i-1、Xn,i+1分别为Xn,i最近的2个横向多元负荷点，
Figure BDA0002689155170000033
是Xn,i附近的4个相似日多元负荷点。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：所述归一化处理包括，对所述历史信息进行对归一化处理，将处理后的多元负荷历史数据、温度等参数进行无量刚化处理为X∈(0,1)之间，设定数据集为u×v矩阵X，
Figure BDA0002689155170000034
其中，u为总训练样本数，v为输入特征个数，满足有xij表示第i个样本输入数据的第j个特征，对处理后的数据集矩阵每一列数据进行归一化处理：
Figure BDA0002689155170000035
其中，1≤i≤u，1≤j≤v，
Figure BDA0002689155170000036
Figure BDA0002689155170000037
为一类特征数的最小值，
Figure BDA0002689155170000038
为一类特征数的极差。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：所述分析包括，对于随机变量x和y，对应的边缘分布函数为F(x)和E(y)，必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关，计算ρ如下：
Figure BDA0002689155170000039
Figure BDA00026891551700000310
其中，I[]为示性函数，条件成立时，I[]＝1，反之则为0，当ρ>0时，表示变量之间呈现为正相关，当ρ<0时，表现变量之间呈现负相关，当ρ＝0时，表现变量之间相关性待定。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：划分数据集包括，根据Copula相关性分析确定影响因素，将得到的数据集划分为所述训练集、所述测试集和所述验证集；采用90％的数据(典型季前90％的数据)为所述训练集；剩下10％的所述数据作为所述验证集和所述测试集；向所述堆叠式LSTM深度神经网络模型输入训练样本并训练网络模型。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：还包括，所述堆叠式LSTM网络是将每一LSTM层解决的信息流，传递至下一层，并在最后一层提供输出，堆叠式机制加深了对序列数据信息特征的提取。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：所述训练包括，在训练所述网络模型时设定最大的训练次数为5000次、采用学习率设为0.005、MiniBatchSize设置为150、MaxEpochs设置200、损失函数为MSE、隐含层激活函数默认为Rule函数，并采用Adam求解器；采用两层LSTM输出结构，且层间输出通过return_sequences修改为True，达到3D数据输出。
作为本发明所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的一种优选方案，其中：所述评价预测包括，MAPE是真实值和预测值差量的绝对值与所述真实值之间的平均比值，表明所述真实值与所述预测值之间的差异，数值越小则所述网络预测模型越优越；TIC是所述真实值与所述预测值的均方根与所述真实值与预测值均方根之和的比值，其值在0和1之间，数值越小则所述预测值与所述真实值一致性越好，如下：
Figure BDA0002689155170000041
Figure BDA0002689155170000042
其中，N为实验测试集样本个数，yt为t时刻的真实值，
Figure BDA0002689155170000043
为t时刻的预测值。
本发明的有益效果：本发明采用堆叠式LSTM深度学习网络模型对负荷进行预测，并结合考虑Copula理论测度典型季冷与电、热与电直接的相关性，能有效地对园区多元负荷进行精确化预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的流程示意图；
图2为本发明第一个实施例所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的堆叠式LSTM深度学习神经网络模型训练示意图；
图3为本发明第一个实施例所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的堆叠式LSTM深度学习神经网络模型示意图；
图4为本发明第二个实施例所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的各时间尺度下堆叠式LSTM深度学习神经网络模型的MAPE散点分布与散点的乘幂拟合曲线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1、图2和图3，为本发明的第一个实施例，提供了一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，包括：
S1：收集园区典型季中冷负荷、热负荷、电负荷的历史数据及对应时间节点上的温度数据和节假日信息。其中需要说明的的是：
收集典型季(夏季)冷负荷与电负荷、典型季(冬季)热负荷与电负荷等历史数据；
采集对应时间节点上的温度数据和节假日信息；
其中，冷、热、电负荷时间分辨率为15分钟，温度数据为全天最高温度。
S2：对历史数据进行噪点检测和修复并结合温度数据、节假日信息信息进行数据归一化，得到样本数据。本步骤需要说明的是：
计算多元负荷历史均值并根据3σ原理判断数据真实性，取ε为阈值，经验取值1.2，从而达到对历史数据进行噪点检测和数据修复，如下：
Figure BDA0002689155170000061
Figure BDA0002689155170000071
Figure BDA0002689155170000072
Figure BDA0002689155170000073
其中，α+β+γ＝1，第n天的负荷修正数据为
Figure BDA0002689155170000074
Xn,i-1、Xn,i+1分别为Xn,i最近的2个横向多元负荷点，
Figure BDA0002689155170000075
是Xn,i附近的4个相似日多元负荷点。
进一步的，归一化处理包括：
对历史信息进行对归一化处理，将处理后的多元负荷历史数据、温度等参数进行无量刚化处理为X∈(0,1)之间，设定数据集为u×v矩阵X，
Figure BDA0002689155170000076
其中，u为总训练样本数，v为输入特征个数，满足有xij表示第i个样本输入数据的第j个特征，对处理后的数据集矩阵每一列数据进行归一化处理：
Figure BDA0002689155170000077
其中，1≤i≤u，1≤j≤v，
Figure BDA0002689155170000078
Figure BDA0002689155170000079
为一类特征数的最小值，
Figure BDA00026891551700000710
为一类特征数的极差。
S3：利用Copula理论对冷热电多元负荷间及负荷与气温等其他影响因素间的非线性相关性进行分析，选定负荷预测的输入要素。其中还需要说明的是，分析包括：
对于随机变量x和y，对应的边缘分布函数为F(x)和E(y)，必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关，计算ρ如下：
Figure BDA00026891551700000711
Figure BDA0002689155170000081
其中，I[]为示性函数，条件成立时，I[]＝1，反之则为0，当ρ>0时，表示变量之间呈现为正相关，当ρ<0时，表现变量之间呈现负相关，当ρ＝0时，表现变量之间相关性待定。
S4：将选择出来的输入要素进行数据划分，得到训练集和测试集，向堆叠式LSTM深度神经网络模型输入训练集。参照图3，本步骤还需要说明的是，划分数据集包括：
根据Copula相关性分析确定影响因素，将得到的数据集划分为训练集、测试集和验证集；
采用90％的数据(典型季前90％的数据)为训练集；
剩下10％的数据作为验证集和测试集；
向堆叠式LSTM深度神经网络模型输入训练样本并训练网络模型。
S5：在Keras环境深度学习框架下对堆叠式LSTM深度学习网络模型进行训练，保存其训练的权值信息。参照图2，再次需要说明的是，
输入门：it＝S·(Wxixt+Whiht-1+Wcict-1+σi)
遗忘门：ft＝S·(Wxfxt+Whfht-1+Wcfct-1+σh)
输入门：ot＝S·(Wxoxt+Whoht-1+Wcoct-1+σo)
记忆单元：
Figure BDA0002689155170000082
最终输出：ht＝T·(ct)ot
其中，S·()、T·()表示激活函数，分别采用非线性sigmoid函数和tanh函数，it、ft、ot∈(0,1)即为控制结构是否被更新、遗忘以及是否在激活的向量中被反映的门结构，Wxi、Wxf、Wxo、Wxc别连接输入信息ot的权值矩阵，Whi、Whf、Who、Whc分别为连接隐含层的输出信号ht的权值矩阵，Wci、Wcf、Wco、Whc分别为连接神经元激活函数输出ot和对角矩阵，σi、σh、σo、σc分别为输入门、遗忘门、输出门以及记忆单元的偏置，Ut为添加到新单元状态ct的待选值，ct- 1ft是将前置信息ct-1进行筛选遗忘，Utit确定前置信息保留状态。
S6：加载训练好的堆叠式LSTM深度神经网络模型对测试集进行预测模拟，并得到典型季下的冷、热、电负荷数据。本步骤还需要说明的是，训练包括：
在训练网络模型时设定最大的训练次数为5000次、采用学习率设为0.005、MiniBatchSize设置为150、MaxEpochs设置200、损失函数为MSE、隐含层激活函数默认为Rule函数，并采用Adam求解器；
采用两层LSTM输出结构，且层间输出通过return_sequences修改为True，达到3D数据输出。
S7：利用平均绝对值误差MAPE和泰勒不等式系数TIC对冷、热、电负荷预测结果进行评价预测。其中还需要说明的是，评价预测包括，
MAPE是真实值和预测值差量的绝对值与真实值之间的平均比值，表明真实值与预测值之间的差异，数值越小则网络预测模型越优越；
TIC是真实值与预测值的均方根与真实值与预测值均方根之和的比值，其值在0和1之间，数值越小则预测值与真实值一致性越好，如下：
Figure BDA0002689155170000091
Figure BDA0002689155170000092
其中，N为实验测试集样本个数，yt为t时刻的真实值，
Figure BDA0002689155170000093
为t时刻的预测值。
通俗的说，LSTM网络在训练学习时，具有监督特性，通过特殊的门结构判断、决定输入各时间步长的数据是否具有相关性，从而决定是否被储存、传递至下个神经环节。
本发明实质上是一种基于耦合Copula理论计算出温度和节假日以及冷、热、电负荷之间数据的相关性测度值，优选出最具影响多元负荷预测的影响信息，建立多元负荷联合输入集，并结合具有记忆功能的堆叠式LSTM网络的园区多元负荷联合预测。
实施例2
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的经典LSTM模型二维输出方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本发明方法所具有的真实效果。
参照图4，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法的预测精准度验证，包括：
堆叠式LSTM网络是将每一LSTM层解决的信息流，传递至下一层，并在最后一层提供输出，堆叠式机制加深了对序列数据信息特征的提取，堆叠式LSTM模型框架是由多层LSTM构成，且每层由多个LSTM网络单元组成，与经典LSTM模型二维输出不同的是，信息提取持续三维输入并三维输出，最后采用全连接层作为预测数据的输出，并采取线性回归函数作为激活函数。
传统的经典LSTM模型二维输出方法对电负荷预测的精准度较低，为验证本发明方法相较于传统方法具有较高的精准度，本实施例中将采用传统方法与本发明方法分别对南方某一园区内的多元负荷进行预测。
测试条件：(1)训练次数设定为5000次、学习率为0.005、MiniBatchSize设置为150、MaxEpochs设置为200；
(2)损失函数为MSE、隐含层激活函数默认为Rule函数，并采用Adam求解器；
(3)本发明采用两层LSTM输出结构，且层间输出通过return_sequences修改为True；
(4)开启自动化测试设备，并运用MATLB仿真模拟。
表1：误差值对比数据表。
Figure BDA0002689155170000101
参照表1，能够直观的看出，针对相同测试条件下的传统方法输出的预测误差值远高于本发明方法，即传统方法的预测精准度较低。
参照图4，为各时间尺度下堆叠式LSTM预测模型的MAPE散点分布与散点的乘幂拟合曲线，从整体拟合效果来看，随着预测时间尺度增大，预测精准度降低，而且，冷、热负荷预测效果明显优于电负荷预测效果；从曲线走势来看，拟合曲线递增率逐渐减小，误差累计效应减弱，长时间尺度下预测误差增速降缓。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：包括，
利用Copula理论对冷热电多元负荷间及负荷与气温等其他影响因素间的非线性相关性进行分析，选定负荷预测的输入要素；
将选择出来的所述输入要素进行数据划分，得到训练集和测试集，向堆叠式LSTM深度神经网络模型输入所述训练集；
在Keras环境深度学习框架下对所述堆叠式LSTM深度学习网络模型进行训练，保存其训练的权值信息；
加载训练好的所述堆叠式LSTM深度神经网络模型对所述测试集进行预测模拟，并得到典型季下的冷、热、电负荷数据；
利用平均绝对值误差MAPE和泰勒不等式系数TIC对所述冷、热、电负荷预测结果进行评价预测。
2.根据权利要求1所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：进行所述分析之前还包括，
收集园区典型季中冷负荷、热负荷、电负荷的历史数据及对应时间节点上的温度数据和节假日信息；
对所述历史数据进行噪点检测和修复并结合所述温度数据、所述节假日信息信息进行数据归一化，得到样本数据。
3.根据权利要求2所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：包括，
所述冷、热、电负荷时间分辨率为15分钟，所述温度数据为全天最高温度。
4.根据权利要求2或3所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：包括，
计算多元负荷历史均值并根据3σ原理判断数据真实性，取ε为阈值，经验取值1.2，从而达到对所述历史数据进行噪点检测和数据修复，如下：
Figure FDA0002689155160000011
Figure FDA0002689155160000012
Figure FDA0002689155160000021
Figure FDA0002689155160000022
其中，α+β+γ＝1，第n天的负荷修正数据为
Figure FDA0002689155160000028
Xn,i-1、Xn,i+1分别为Xn,i最近的2个横向多元负荷点，
Figure FDA0002689155160000029
是Xn,i附近的4个相似日多元负荷点。
5.根据权利要求4所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：所述归一化处理包括，
对所述历史信息进行对归一化处理，将处理后的多元负荷历史数据、温度等参数进行无量刚化处理为X∈(0,1)之间，设定数据集为u×v矩阵X，
Figure FDA0002689155160000023
其中，u为总训练样本数，v为输入特征个数，满足有xij表示第i个样本输入数据的第j个特征，对处理后的数据集矩阵每一列数据进行归一化处理：
Figure FDA0002689155160000024
其中，1≤i≤u，1≤j≤v，
Figure FDA0002689155160000025
Figure FDA00026891551600000210
为一类特征数的最小值，
Figure FDA00026891551600000211
为一类特征数的极差。
6.根据权利要求5所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：所述分析包括，
对于随机变量x和y，对应的边缘分布函数为F(x)和E(y)，必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关，计算ρ如下：
Figure FDA0002689155160000026
Figure FDA0002689155160000027
其中，I[]为示性函数，条件成立时，I[]＝1，反之则为0，当ρ>0时，表示变量之间呈现为正相关，当ρ<0时，表现变量之间呈现负相关，当ρ＝0时，表现变量之间相关性待定。
7.根据权利要求6所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：划分数据集包括，
根据Copula相关性分析确定影响因素，将得到的数据集划分为所述训练集、所述测试集和所述验证集；
采用90％的数据(典型季前90％的数据)为所述训练集；
剩下10％的所述数据作为所述验证集和所述测试集；
向所述堆叠式LSTM深度神经网络模型输入训练样本并训练网络模型。
8.根据权利要求7所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：还包括，
所述堆叠式LSTM网络是将每一LSTM层解决的信息流，传递至下一层，并在最后一层提供输出，堆叠式机制加深了对序列数据信息特征的提取。
9.根据权利要求8所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：所述训练包括，
在训练所述网络模型时设定最大的训练次数为5000次、采用学习率设为0.005、MiniBatchSize设置为150、MaxEpochs设置200、损失函数为MSE、隐含层激活函数默认为Rule函数，并采用Adam求解器；
采用两层LSTM输出结构，且层间输出通过return_sequences修改为True，达到3D数据输出。
10.根据权利要求9所述的耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法，其特征在于：所述评价预测包括，
MAPE是真实值和预测值差量的绝对值与所述真实值之间的平均比值，表明所述真实值与所述预测值之间的差异，数值越小则所述网络预测模型越优越；
TIC是所述真实值与所述预测值的均方根与所述真实值与预测值均方根之和的比值，其值在0和1之间，数值越小则所述预测值与所述真实值一致性越好，如下：
Figure FDA0002689155160000031
Figure FDA0002689155160000041
其中，N为实验测试集样本个数，yt为t时刻的真实值，
Figure FDA0002689155160000042
为t时刻的预测值。
CN202010985768.4A 2020-09-18 2020-09-18 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 Active CN112116153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010985768.4A CN112116153B (zh) 2020-09-18 2020-09-18 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010985768.4A CN112116153B (zh) 2020-09-18 2020-09-18 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法

Publications (2)

Publication Number Publication Date
CN112116153A true CN112116153A (zh) 2020-12-22
CN112116153B CN112116153B (zh) 2022-10-04

Family

ID=73800174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010985768.4A Active CN112116153B (zh) 2020-09-18 2020-09-18 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法

Country Status (1)

Country Link
CN (1) CN112116153B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232575A (zh) * 2020-10-21 2021-01-15 国网山西省电力公司经济技术研究院 一种基于多元负荷预测的综合能源系统调控方法和装置
CN112836884A (zh) * 2021-02-07 2021-05-25 国网福建省电力有限公司经济技术研究院 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法
CN113033596A (zh) * 2020-12-30 2021-06-25 国网河南省电力公司南阳供电公司 用户用电行为类别和典型用电模式精细化辨识方法
CN113052400A (zh) * 2021-04-23 2021-06-29 国网吉林省电力有限公司 一种考虑电-热耦合特性的短期热负荷概率预测方法
CN113268929A (zh) * 2021-06-08 2021-08-17 广西电网有限责任公司南宁供电局 短期负荷区间预测方法及装置
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
CN113822481A (zh) * 2021-09-23 2021-12-21 国网天津市电力公司 基于多任务学习策略和深度学习的综合能源负荷预测方法
CN113988400A (zh) * 2021-10-22 2022-01-28 重庆工商大学 一种基于pearson-lstm多步长融合网络的aqi指数预测方法
CN114119273A (zh) * 2021-11-10 2022-03-01 山东大学 一种园区综合能源系统非侵入式负荷分解方法及系统
CN114662751A (zh) * 2022-03-19 2022-06-24 特斯联科技集团有限公司 基于lstm的园区多能短期负荷预测及优化方法
CN115660226A (zh) * 2022-12-13 2023-01-31 国网冀北电力有限公司 电力负荷的预测模型构建方法和基于数字孪生的构建装置
CN117371299A (zh) * 2023-12-08 2024-01-09 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704966A (zh) * 2017-10-17 2018-02-16 华南理工大学 一种基于天气大数据的能源负荷预测系统及方法
CN109559154A (zh) * 2018-10-29 2019-04-02 国网天津市电力公司 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法
CN110084403A (zh) * 2019-03-27 2019-08-02 山东信通电子股份有限公司 架空导线载流量的多时段联合概率密度预测方法及系统
CN110378504A (zh) * 2019-04-12 2019-10-25 东南大学 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法
CN110380444A (zh) * 2019-06-26 2019-10-25 东南大学 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN110490385A (zh) * 2019-08-22 2019-11-22 广东电网有限责任公司 一种综合能源系统中电负荷和热负荷的联合预测方法
CN110619389A (zh) * 2019-09-23 2019-12-27 山东大学 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统
CN111191811A (zh) * 2018-11-14 2020-05-22 中兴通讯股份有限公司 集群负荷预测方法、装置及存储介质
CN111191856A (zh) * 2020-02-17 2020-05-22 天津大学 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法
CN111563610A (zh) * 2020-03-30 2020-08-21 山东电力工程咨询院有限公司 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704966A (zh) * 2017-10-17 2018-02-16 华南理工大学 一种基于天气大数据的能源负荷预测系统及方法
CN109559154A (zh) * 2018-10-29 2019-04-02 国网天津市电力公司 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法
CN111191811A (zh) * 2018-11-14 2020-05-22 中兴通讯股份有限公司 集群负荷预测方法、装置及存储介质
CN110084403A (zh) * 2019-03-27 2019-08-02 山东信通电子股份有限公司 架空导线载流量的多时段联合概率密度预测方法及系统
CN110378504A (zh) * 2019-04-12 2019-10-25 东南大学 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法
CN110380444A (zh) * 2019-06-26 2019-10-25 东南大学 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN110490385A (zh) * 2019-08-22 2019-11-22 广东电网有限责任公司 一种综合能源系统中电负荷和热负荷的联合预测方法
CN110619389A (zh) * 2019-09-23 2019-12-27 山东大学 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统
CN111191856A (zh) * 2020-02-17 2020-05-22 天津大学 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法
CN111563610A (zh) * 2020-03-30 2020-08-21 山东电力工程咨询院有限公司 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232575B (zh) * 2020-10-21 2023-12-19 国网山西省电力公司经济技术研究院 一种基于多元负荷预测的综合能源系统调控方法和装置
CN112232575A (zh) * 2020-10-21 2021-01-15 国网山西省电力公司经济技术研究院 一种基于多元负荷预测的综合能源系统调控方法和装置
CN113033596A (zh) * 2020-12-30 2021-06-25 国网河南省电力公司南阳供电公司 用户用电行为类别和典型用电模式精细化辨识方法
CN112836884A (zh) * 2021-02-07 2021-05-25 国网福建省电力有限公司经济技术研究院 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法
CN113052400A (zh) * 2021-04-23 2021-06-29 国网吉林省电力有限公司 一种考虑电-热耦合特性的短期热负荷概率预测方法
CN113268929A (zh) * 2021-06-08 2021-08-17 广西电网有限责任公司南宁供电局 短期负荷区间预测方法及装置
CN113268929B (zh) * 2021-06-08 2024-05-14 广西电网有限责任公司南宁供电局 短期负荷区间预测方法及装置
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
CN113822481A (zh) * 2021-09-23 2021-12-21 国网天津市电力公司 基于多任务学习策略和深度学习的综合能源负荷预测方法
CN113988400A (zh) * 2021-10-22 2022-01-28 重庆工商大学 一种基于pearson-lstm多步长融合网络的aqi指数预测方法
CN113988400B (zh) * 2021-10-22 2024-04-09 重庆工商大学 一种基于pearson-lstm多步长融合网络的aqi指数预测方法
CN114119273A (zh) * 2021-11-10 2022-03-01 山东大学 一种园区综合能源系统非侵入式负荷分解方法及系统
CN114662751A (zh) * 2022-03-19 2022-06-24 特斯联科技集团有限公司 基于lstm的园区多能短期负荷预测及优化方法
CN115660226A (zh) * 2022-12-13 2023-01-31 国网冀北电力有限公司 电力负荷的预测模型构建方法和基于数字孪生的构建装置
CN117371299A (zh) * 2023-12-08 2024-01-09 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法
CN117371299B (zh) * 2023-12-08 2024-02-27 安徽大学 一种托卡马克新经典环向粘滞力矩的机器学习方法

Also Published As

Publication number Publication date
CN112116153B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN112116153B (zh) 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法
CN108876054B (zh) 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN111695793B (zh) 一种综合能源系统用能灵活性评价方法及系统
CN110046743A (zh) 基于ga-ann的公共建筑能耗预测方法和系统
CN112465664B (zh) 一种基于人工神经网络及深度强化学习的avc智能控制方法
CN110781947B (zh) 用电负荷预测模型训练、用电负荷预测方法及装置
CN107169628A (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN112152840B (zh) 一种基于bim和模拟仿真的传感器部署方法和系统
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN114811713B (zh) 基于混合深度学习的二级网户间均衡供热调控方法
CN111311001B (zh) 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN115759336A (zh) 一种面向短期电力负荷预测的预测方法及存储介质
CN114202253A (zh) 充电站负荷可调潜力评估方法、系统、存储介质及服务器
CN112381673A (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN113610268A (zh) 一种基于居住区空间形态的碳排放量预测方法
CN117034762A (zh) 一种基于多算法加权和的复合模型锂电池寿命预测方法
CN116774089A (zh) 基于特征融合的卷积神经网络电池健康状态估计方法及系统
CN115221731A (zh) 基于数据融合和Wiener模型的变压器寿命评估方法
CN112260870B (zh) 基于动态模糊聚类和灰色神经网络的网络安全预测方法
CN115764855A (zh) 一种电动汽车快充站实时可调节能力及可用电量预测方法

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
GR01 Patent grant
GR01 Patent grant