CN112966868A - 一种建筑负荷日前预测方法及系统 - Google Patents

一种建筑负荷日前预测方法及系统 Download PDF

Info

Publication number
CN112966868A
CN112966868A CN202110272725.6A CN202110272725A CN112966868A CN 112966868 A CN112966868 A CN 112966868A CN 202110272725 A CN202110272725 A CN 202110272725A CN 112966868 A CN112966868 A CN 112966868A
Authority
CN
China
Prior art keywords
data
load
energy consumption
day
building
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
Application number
CN202110272725.6A
Other languages
English (en)
Inventor
张承慧
刘澈
孙波
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202110272725.6A priority Critical patent/CN112966868A/zh
Publication of CN112966868A publication Critical patent/CN112966868A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种建筑负荷日前预测方法及系统，获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；根据获取的数据和预设卷积神经网络，得到负荷空间特征；根据预设熵权K均值模型，得到用户用能行为特征；将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果；本公开通过数据挖掘分析负荷数据的内部特征，充分发挥了各个模型不同的优势，提高了负荷预测精度。

Description

一种建筑负荷日前预测方法及系统
技术领域
本公开涉及负荷预测技术领域，特别涉及一种建筑负荷日前预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
一次能源消耗严重，大量的二氧化碳排放使生态环境急剧恶化。全球能换结构面临重大转型，降低煤炭消费比重，提高风、光、天然气等清洁能源比重。综合能源系统通过多种能源互补互济，灵活满足用户电、气、冷、热多元化用能需求，是实现新能源高效利用和节能减排的理想途径。
负荷的日前预测是指对次日0时到24时的建筑能耗预测，分辨率一般为1小时、30分钟或15分钟。精准的负荷日前预测是系统的优化运行的前提，对保障系统稳定、高效、经济运行有重要作用。与实时预测不同的是，日前预测需要一次性输出未来24个点甚至更多个时间点的预测数据，这就使得日前预测的精度往往低于实时预测，并且由于其多步预测的特性，提高精度和保障模型的稳定性更为困难。
目前，国内外学者对于负荷的预测研究方面已经取得了较好的进展，尤其是对于短期预测技术以较为成熟。随着计算机技术日益成熟，机器学习方法层出不穷，为负荷预测技术的研究提供了全新的思路。同时随着大数据的发展，数据挖掘技术出现在大众的视野中。将数据挖掘和机器学习相融合，充分发挥算法的各自的优势，是提高负荷日前预测精度的有效途径。
发明人发现，有研究人员提供了一种极端温度气象日母线日前负荷预测方法，通过气象因素和母线负荷历史数据确定极端天气日，后利用XGBoost模型构建预测模型，提高了极端天气下模型预测精度；也有研究人员提供了一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，提出了一种利用LSTM网络构建综合能源系统多元负荷预测的模型，考虑了多元负荷的内在耦合特性，上述研究虽然关注了数据的内部特征，但是对于更加复杂的建筑负荷数据，其内部特征更加复杂，现有的预测模型无法实现更精准的负荷预测。
发明内容
为了解决现有技术的不足，本公开提供了一种建筑负荷日前预测方法及系统，通过数据挖掘分析负荷数据的内部特征，充分发挥了各个模型不同的优势，提高了负荷预测精度。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种建筑负荷日前预测方法。
一种建筑负荷日前预测方法，包括以下过程：
获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；
根据获取的数据和预设卷积神经网络，得到负荷空间特征；
根据预设熵权K均值模型，得到用户用能行为特征；
将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。
作为可选的实施方式，对获取的数据进行预处理，包括以下过程：
将每天分为上午模式、下午模式和夜间模式，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，结合气象数据、温度最大值、最小值和平均值、风速平均值和降雨平均值形成第一数据阵列；
将每日的用户的分类能耗数据以1小时为采样步长组合用能行为数据集，形成第二数据阵列。
进一步的，分类能耗数据，至少包括：照明能耗、电器能耗和插座能耗。
作为可选的实施方式，利用模糊C均值聚类对第一数据阵列进行聚类，通过肘部规则确定聚类中心个数，获得建筑能耗运行模式，以及每日的运行情况隶属度，根据建筑能耗运行模式和隶属度。
更进一步的，根据建筑能耗运行模式与时间数据的关系，以能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，建立不同能耗运行模式下的卷积神经网络，得到负荷空间特征。
进一步的，利用每日的用户的分类能耗数据形成的第二数据阵列，通过预设熵权K均值模型提取用户用能行为特征。
作为可选的实施方式，以用户用能行为特征、负荷空间特征和历史负荷数据作为输入，以能耗运行模式作为标签，进行预设深度学习模型的训练，从而最终获得建筑负荷日前预测模型。
本公开第二方面提供了一种建筑负荷日前预测系统。
一种建筑负荷日前预测系统，包括：
数据获取模块，被配置为：获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；
空间特征获取模块，被配置为：根据获取的数据和预设卷积神经网络，得到负荷空间特征；
用能行为特征获取模块，被配置为：根据预设熵权K均值模型，得到用户用能行为特征；
负荷预测模块，被配置为：将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的建筑负荷日前预测方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的建筑负荷日前预测方法中的步骤。
与现有技术相比，本公开的有益效果是：
本公开所述的方法、系统、介质或电子设备，基于负荷数据与用户行为、气象信息、时间信息之间的相关性，利用模糊聚类得到建筑能耗典型运行模式，再通过卷积神经网络挖掘负荷数据的空间特征，利用EMKW分析用户的用能行为特征，构建具有强相关性的深度学习算法训练集，最后结合GRU挖掘负荷的数据特征获得建筑负荷日前预测模型，充分挖掘了负荷及相关数据的内在特征，有效的提高了预测精度。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的建筑负荷日前预测方法的流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种建筑负荷日前预测方法，包括以下过程：
获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；
根据获取的数据和预设卷积神经网络，得到负荷空间特征；
根据预设熵权K均值模型，得到用户用能行为特征；
将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。
具体的，包括以下步骤：
S1：数据降维
过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；
结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。
S2：模糊聚类
利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。
S3：负荷空间特征提取
分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN(convolutional neuralnetwork，卷积神经网络)分别建立各个典型能耗运行模式的负荷空间特征提取模型。
S4：用能行为分析
将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM(Entropy-weighted k-means，熵权K均值)提取用户用能行为特征。
S5：日前预测模型构建
将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。
S6：混合预测模型性能评估
利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R2)评估本实施例的预测模型性能。
实施例2：
本公开实施例2提供了一种建筑负荷日前预测系统，包括：
数据获取模块，被配置为：获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；
空间特征获取模块，被配置为：根据获取的数据和预设卷积神经网络，得到负荷空间特征；
用能行为特征获取模块，被配置为：根据预设熵权K均值模型，得到用户用能行为特征；
负荷预测模块，被配置为：将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。
具体的工作过程，包括以下步骤：
具体的，包括以下步骤：
S1：数据降维
过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；
结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。
S2：模糊聚类
利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。
S3：负荷空间特征提取
分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN分别建立各个典型能耗运行模式的负荷空间特征提取模型。
S4：用能行为分析
将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM提取用户用能行为特征。
S5：日前预测模型构建
将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。
S6：混合预测模型性能评估
利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R2)评估本实施例的预测模型性能。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的建筑负荷日前预测方法中的步骤，所述步骤包括以下过程：
S1：数据降维
过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；
结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。
S2：模糊聚类
利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。
S3：负荷空间特征提取
分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN分别建立各个典型能耗运行模式的负荷空间特征提取模型。
S4：用能行为分析
将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM提取用户用能行为特征。
S5：日前预测模型构建
将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。
S6：混合预测模型性能评估
利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R2)评估本实施例的预测模型性能。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的建筑负荷日前预测方法中的步骤，所述步骤包括以下过程：
S1：数据降维
过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；
结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。
S2：模糊聚类
利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。
S3：负荷空间特征提取
分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN分别建立各个典型能耗运行模式的负荷空间特征提取模型。
S4：用能行为分析
将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM提取用户用能行为特征。
S5：日前预测模型构建
将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。
S6：混合预测模型性能评估
利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R2)评估本实施例的预测模型性能。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种建筑负荷日前预测方法，其特征在于：包括以下过程：
获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；
根据获取的数据和预设卷积神经网络，得到负荷空间特征；
根据预设熵权K均值模型，得到用户用能行为特征；
将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。
2.如权利要求1所述的建筑负荷日前预测方法，其特征在于：
对获取的数据进行预处理，包括以下过程：
将每天分为上午模式、下午模式和夜间模式，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，结合气象数据、温度最大值、最小值和平均值、风速平均值和降雨平均值形成第一数据阵列；
将每日的用户的分类能耗数据以一小时为采样步长组合用能行为数据集，形成第二数据阵列。
3.如权利要求2所述的建筑负荷日前预测方法，其特征在于：
分类能耗数据，至少包括：照明能耗、电器能耗和插座能耗。
4.如权利要求2所述的建筑负荷日前预测方法，其特征在于：
利用模糊C均值聚类对第一数据阵列进行聚类，通过肘部规则确定聚类中心个数，获得建筑能耗运行模式，以及每日的运行情况隶属度，根据建筑能耗运行模式和隶属度。
5.如权利要求4所述的建筑负荷日前预测方法，其特征在于：
根据建筑能耗运行模式与时间数据的关系，以能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，建立不同能耗运行模式下的卷积神经网络，得到负荷空间特征。
6.如权利要求2所述的建筑负荷日前预测方法，其特征在于：
利用每日的用户的分类能耗数据形成的第二数据阵列，通过预设熵权K均值模型提取用户用能行为特征。
7.如权利要求1所述的建筑负荷日前预测方法，其特征在于：
以用户用能行为特征、负荷空间特征和历史负荷数据作为输入，以能耗运行模式作为标签，进行预设深度学习模型的训练，最终获得用于建筑负荷日前预测的预设深度学习模型。
8.一种建筑负荷日前预测方法，其特征在于：包括：
数据获取模块，被配置为：获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；
空间特征获取模块，被配置为：根据获取的数据和预设卷积神经网络，得到负荷空间特征；
用能行为特征获取模块，被配置为：根据预设熵权K均值模型，得到用户用能行为特征；
负荷预测模块，被配置为：将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的建筑负荷日前预测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的建筑负荷日前预测方法中的步骤。
CN202110272725.6A 2021-03-13 2021-03-13 一种建筑负荷日前预测方法及系统 Pending CN112966868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110272725.6A CN112966868A (zh) 2021-03-13 2021-03-13 一种建筑负荷日前预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110272725.6A CN112966868A (zh) 2021-03-13 2021-03-13 一种建筑负荷日前预测方法及系统

Publications (1)

Publication Number Publication Date
CN112966868A true CN112966868A (zh) 2021-06-15

Family

ID=76278196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110272725.6A Pending CN112966868A (zh) 2021-03-13 2021-03-13 一种建筑负荷日前预测方法及系统

Country Status (1)

Country Link
CN (1) CN112966868A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028100A (zh) * 2019-11-29 2020-04-17 南方电网能源发展研究院有限责任公司 考虑气象因素的精细化短期负荷预测方法、装置及介质
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN111489036A (zh) * 2020-04-14 2020-08-04 天津相和电气科技有限公司 基于电器负荷特性和深度学习的居民负荷预测方法、装置
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
CN111598330A (zh) * 2020-05-13 2020-08-28 国网河北省电力有限公司电力科学研究院 一种基于负荷识别技术的居民用电负荷预测方法
CN111860979A (zh) * 2020-07-01 2020-10-30 广西大学 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置
CN112149890A (zh) * 2020-09-16 2020-12-29 国网山东省电力公司经济技术研究院 基于用户用能标签的综合能源负荷预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028100A (zh) * 2019-11-29 2020-04-17 南方电网能源发展研究院有限责任公司 考虑气象因素的精细化短期负荷预测方法、装置及介质
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
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
CN111489036A (zh) * 2020-04-14 2020-08-04 天津相和电气科技有限公司 基于电器负荷特性和深度学习的居民负荷预测方法、装置
CN111598330A (zh) * 2020-05-13 2020-08-28 国网河北省电力有限公司电力科学研究院 一种基于负荷识别技术的居民用电负荷预测方法
CN111860979A (zh) * 2020-07-01 2020-10-30 广西大学 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法
CN112149890A (zh) * 2020-09-16 2020-12-29 国网山东省电力公司经济技术研究院 基于用户用能标签的综合能源负荷预测方法及系统
CN112132351A (zh) * 2020-09-28 2020-12-25 华北电力大学 电动汽车充电负荷聚类预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
栗然等: "考虑多能时空耦合的用户级综合能源系统超短期负荷预测方法", 《电网技术》 *

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN111429027B (zh) 一种基于大数据的地区输电网运行多维度分析方法
Yildiz et al. Household electricity load forecasting using historical smart meter data with clustering and classification techniques
CN109858728B (zh) 基于分行业用电特性分析的负荷预测方法
CN108876163B (zh) 综合因果分析与机器学习的暂态功角稳定快速评估方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN105488592A (zh) 一种光伏电站发电量预测的方法
CN113902582A (zh) 一种楼宇综合能源负荷预测方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN112288170B (zh) 基于大数据分析的电厂机组工况寻优分析方法
CN112307675B (zh) 一种基于神经网络的温度敏感型负荷分离辨识方法及系统
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN112966868A (zh) 一种建筑负荷日前预测方法及系统
CN104657781A (zh) 一种基于神经网络算法的电能消耗预测系统
CN114444955A (zh) 综合能源用关键参数数据挖掘及长期配置预测方法及系统
CN115313377B (zh) 一种电力负荷预测方法及系统

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: 20210615