CN113095598A - 一种多能负荷预测方法、系统、设备和介质 - Google Patents
一种多能负荷预测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN113095598A CN113095598A CN202110498417.5A CN202110498417A CN113095598A CN 113095598 A CN113095598 A CN 113095598A CN 202110498417 A CN202110498417 A CN 202110498417A CN 113095598 A CN113095598 A CN 113095598A
- Authority
- CN
- China
- Prior art keywords
- load
- input
- neural network
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- QBPFLULOKWLNNW-UHFFFAOYSA-N chrysazin Chemical compound O=C1C2=CC=CC(O)=C2C(=O)C2=C1C=CC=C2O QBPFLULOKWLNNW-UHFFFAOYSA-N 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/045—Combinations of networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提出了提出了一种多能负荷预测方法、系统、设备和介质,该方法包括:获取用于多能负荷预测的历史数据,对历史数据进行数据清洗后形成多能负荷样本数据集;对数据集进行归一化处理;以及利用注意力机制,实现归一化处理后的数据集输入特征的加权;采用加权后的输入特征作为GRU神经网络的输入;并在神经网络中进行训练得到中间预测样本数据;将中间预测样本数据重新作为神经网络的输入,在神经网络中进行训练得到最终多能负荷的预测值。基于该方法,本发明还提出了一种多能负荷预测系统、设备和存储介质。本发明基于注意力模型能够有效捕捉并突出输入数据的有效特征,能够更好地拟合多能负荷的实际曲线,拥有更高的多能负荷预测精度。
Description
技术领域
本发明属于多能负荷预测技术领域,特别涉及一种多能负荷预测方法、系统、设备和介质。
背景技术
随着能源工业的发展,传统能源结构的弊端日益显著。在经济、能源和环境等的多重压力下,能源结构开始转型,逐渐形成了集冷、热、电、气、可再生能源等多种能源形式为一体的综合能源系统。综合能源系统利用先进的信息技术和创新的管理模式,能够提高多能源子系统的运行灵活性,促进不同能源形式的协调利用,提高多种能源的综合利用率。
综合能源系统中存在着不同种类的多能负荷。而准确的多能负荷预测是综合能源系统协调规划、优化运行和协同管理的前提。在负荷预测方面,指数平滑法、多线性回归法等预测精度较低的传统数学统计预测方法已无法满足人们的需求,于是研究学者逐步将视角转向人工智能预测方法。其中,循环神经网络受到众多研究学者的青睐。特别是门控循环单元(Gated Recurrent Unit,GRU),它不仅能够考虑时间序列的时序相关性,还避免了循环神经网络梯度消失与梯度爆炸的问题,从而能够更全面完整地对时间序列进行动态建模。此外,注意力机制也在语音识别、文本分类等领域大放异彩,表现出了良好的重要特征关注度,其有助于提高负荷预测模型的预测精度。现有技术中多能负荷样本数据的波动性和随机性都比较大,会增大预测误差,随着多种能源的日益耦合,传统的各种能源的单一负荷预测已不能满足需求,传统的各种能源的单一负荷预测冷负荷、预测热负荷和预测电负荷的精度较低,造成能源以及资源的浪费。而且在现有技术中对多能负荷预测时,也不曾考虑天气的影响因素,使负荷预测的结果不够准确。
发明内容
为了解决上述技术问题,本发明提出了一种多能负荷预测方法、系统、设备和介质。本发明采用注意力GRU模型能够有效捕捉并突出输入数据的有效特征,能够更好地拟合多能负荷的实际曲线,拥有更高的多能负荷预测精度。
为实现上述目的,本发明采用以下技术方案:
一种多能负荷预测方法,包括以下步骤:
获取用于多能负荷预测的历史数据,对所述历史数据进行数据清洗后形成多能负荷样本数据集;
对所述负荷样本数据集进行归一化处理;以及利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权;
采用所述加权后的输入特征作为GRU神经网络的输入;并在所述GRU神经网络中进行训练得到中间预测样本数据;
将所述中间预测样本数据重新作为GRU神经网络的输入,在所述GRU神经网络中进行训练得到最终多能负荷的预测值。
进一步的,所述用于多能负荷预测的历史数据包括输入变量和输出变量;
所述输入变量包括:冷负荷数据、热负荷数据、电负荷数据、历史气象数据、历史气象数据对应的时间数据;
所述输出变量包括:预测冷负荷、预测热负荷和预测电负荷。
进一步的,所述对所述负荷样本数据集进行归一化处理的过程包括对所述输入变量和输出变量均进行归一化处理;
对所述输入变量进行归一化处理的公式为:
对所述输出变量进行归一化处理的公式为:
其中y′i为第i个输出样本的归一化值;yi为第i个输出样本的原始值;ymin为全部输出样本的最小值,ymax为全部输出样本的最大值。
进一步的,所述利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权方法为:对xt进行注意力权重αt的计算;其中计算的公式为:
et=Attend(xt,st-1,αt-1);
x′t=αtjxtj;
其中,et为t时刻的注意力得分矩阵;Attend(·)为计算et的神经网络;xt为在t时刻输入变量的原始值;st-1为上一时刻的负荷预测值;αt-1为上一时刻的注意力权值;αtj为αt的第j个特征的注意力权值,etj为et的第j个特征的注意力得分,n为输入特征的特征数量,xtj为xt的第j个特征的历史数据值,x′t为xt加权后的特征。
进一步的,所述采用所述加权后的输入特征作为GRU神经网络的输入;并在所述GRU神经网络中进行训练得到中间预测样本数据的公式为:
rt=σsig(Wr·[ht-1,x′t])
zt=σsig(Wz·[ht-1,x′t])
其中;ht为t时刻的隐含状态,ht-1为t-1时刻的隐含状态,rt为重置门,zt为更新门,为t时刻的记忆内容;Wr为rt的权重矩阵;Wz为zt的权重矩阵;Wh为的权重矩阵;σsig为sigmoid的激活函数;φtanh为tanh的激活函数;*表示向量的内积。
进一步的,所述GRU神经网络进行训练时,使用的损失函数为均方误差;所述均方误差的计算公式为:
进一步的,所述方法还包括将所述负荷样本数据集按照预设的比例划分为训练集和验证集;所述训练集用于GRU神经网络模型的训练;所述验证集用于与最终多能负荷的预测值进行对比,验证训练的效果。
本发明还提出了一种多能负荷预测系统,包括获取模块、处理模块和第一训练模块和第二训练模块
所述获取模块用于获取用于多能负荷预测的历史数据,对所述历史数据进行数据清洗后形成多能负荷样本数据集;
所述处理模块用于对所述负荷样本数据集进行归一化处理;以及利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权;
所述第一训练模块用于采用所述加权后的输入特征作为GRU神经网络的输入;并在所述GRU神经网络中进行训练得到中间预测样本数据;
所述第二训练模块用于将所述中间预测样本数据重新作为GRU神经网络的输入,在所述GRU神经网络中进行训练得到最终多能负荷的预测值。
本发明还提出了一种设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现方法步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现方法步骤。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明提出了提出了一种多能负荷预测方法、系统、设备和介质,该方法包括以下步骤:获取用于多能负荷预测的历史数据,对历史数据进行数据清洗后形成多能负荷样本数据集;对负荷样本数据集进行归一化处理;以及利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权;采用加权后的输入特征作为GRU神经网络的输入;并在GRU神经网络中进行训练得到中间预测样本数据;将中间预测样本数据重新作为GRU神经网络的输入,在GRU神经网络中进行训练得到最终多能负荷的预测值。基于一种多能负荷预测方法,本发明还提出了一种多能负荷预测系统、设备和存储介质。本发明在多能负荷预测时,考虑进步天气的影响因素,使负荷预测的结果更加准确。本发明基于注意力机制和GRU神经网络,对多能负荷样本数据集中的输入数据进行了权重分配,突出了输入数据的有效特征信息。对多能负荷预测进行了动态建模,本发明所提注意力GRU模型能够有效捕捉并突出输入数据的有效特征,能够更好地拟合多能负荷的实际曲线,使预测冷负荷、预测热负荷和预测电负荷拥有更高的多能负荷预测精度。
附图说明
如图1为本发明实施例1一种多能负荷预测方法中预测模型流程图;
如图2为本发明实施例1中输出的预测冷负荷的曲线图;
如图3为本发明实施例1中输出的预测热负荷的曲线图;
如图4为本发明实施例1中输出的预测电负荷的曲线图;
如图5为本发明实施例2一种多能负荷预测系统示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种多能负荷预测方法,该方法针对不同时刻的多能负荷历史数据对预测点贡献的不同,引入注意力机制,突出输入数据的有效特征,并将其与GRU神经网络相结合,从而同时考虑到多能负荷数据的时序相关性,实现对多能负荷预测的动态建模,最终得到高精度的多能负荷预测结果。
如图1为本发明实施例1一种多能负荷预测方法中预测模型流程图。
获取用于多能负荷预测的历史数据,对历史数据进行数据清洗后形成多能负荷样本数据集;本发明中用于多能负荷预测的历史数据包括输入变量和输出变量;
其中,输入变量包括:冷负荷数据、热负荷数据、电负荷数据、历史气象数据、历史气象数据对应的时间数据;
输出变量包括:预测冷负荷、预测热负荷和预测电负荷。
对多能负荷样本数据集进行归一化处理,以避免不同数据量纲差异对样本分析造成的不良影响
对负荷样本数据集进行归一化处理的过程包括对输入变量和输出变量均进行归一化处理;
对输入变量进行归一化处理的公式为:
对输出变量进行归一化处理的公式为:
其中y′i为第i个输出样本的归一化值;yi为第i个输出样本的原始值;ymin为全部输出样本的最小值,ymax为全部输出样本的最大值。
利用注意力机制,将多能负荷样本数据集的输入特征xt进行注意力权值αt的计算,实现相应输入特征的加权,从而突出对多能负荷预测更有影响力的特征信息。其中xt是指在t时刻的输入变量原始值;αt为xt的注意力权值。
利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权方法为:对xt进行注意力权重αt的计算;其中计算的公式为:
et=Attend(xt,st-1,αt-1);
x′t=αtjxtj;
其中,et为t时刻的注意力得分矩阵;Attend(·)为计算et的神经网络;xt为在t时刻输入变量的原始值;st-1为上一时刻的负荷预测值;αt-1为上一时刻的注意力权值;αtj为αt的第j个特征的注意力权值,etj为et的第j个特征的注意力得分,n为输入特征的特征数量,xtj为xt的第j个特征的历史数据值,x′t为xt加权后的特征。
将得到的x′t作为代替原来的输入xt作为后续GRU的输入,并在GRU中进行训练,充分学习多能负荷不同的变化规律。
本发明中GRU的层数通过控制变量法来确定。即先将GRU层数固定为一层,神经元数目设置为32,然后通过改变GRU的层数分别得到各自层数时GRU网络的MSE,并最终取MSE最小时的GRU层数。确定GRU层数后,再通过枚举法逐层确定GRU各层的神经元数量。
GRU神经网络中进行训练得到中间预测样本数据的公式为:
rt=σsig(Wr·[ht-1,x′t]);
zt=σsig(Wz·[ht-1,x′t]);
其中;ht为t时刻的隐含状态,ht-1为t-1时刻的隐含状态,rt为重置门,zt为更新门,为t时刻的记忆内容;Wr为rt的权重矩阵;Wz为zt的权重矩阵;Wh为的权重矩阵;σsig为sigmoid的激活函数;φtanh为tanh的激活函数;*表示向量的内积。
GRU神经网络进行训练时,使用的损失函数为均方误差;所述均方误差的计算公式为:
另外以事例进行说明,首先获取某地多能负荷数据,历史实际冷、热、电多能负荷数据,以及包括相对湿度、干球温度在内的气象数据。所搜集样本为2011年9月2日0时至2012年2月18日23时的4018个样本点,其采样频率为1小时。通过数据清洗,利用预测时刻前4个小时的冷热电多能负荷数据、预测时刻前1个小时的相对湿度数据、预测时刻前1小时的干球温度,以及相对应的时间数据(0,1,2,……,23)构成可利用的多能负荷样本数据集。为避免不同数据量纲差异对样本分析造成的不良影响,对所构建的多能负荷样本数据集进行归一化处理。
此外,本算例将2011年9月2日至2012年2月11日的样本数据按9:1的比例划分为训练集和验证集,将2012年2月12日至18日的样本数据划分为测试集,以1小时为步长对冷、热、电这三种负荷进行预测。
经过多次实验,最终确定本算例中GRU的层数为1层,神经元数量为32;扁平层的层数为1层;Dropout层的层数为1层,Dropout值设置为0.1;全连接层的层数为2层,神经元数量分别为50和30,其激活函数分别为修正线性单元(Rectified Linear Unit,ReLU)和线性函数linear;批处理参数为512。同时,本算例采用自适应矩估计Adam算法对所提多能负荷预测模型的参数进行训练。
如图2为本发明实施例1中输出的预测冷负荷的曲线图;如图3为本发明实施例1中输出的预测热负荷的曲线图;如图4为本发明实施例1中输出的预测电负荷的曲线图。本发明实施例1公开的一种多能负荷预测方法,针对不同时刻的多能负荷历史数据对预测点贡献的不同,引入注意力机制,突出输入数据的有效特征,并将其与GRU神经网络相结合,从而同时考虑到多能负荷数据的时序相关性,实现对多能负荷预测的动态建模,最终得到高精度的多能负荷预测结果。
为分析本发明所提方法对多能负荷的预测精度,本算例采用平均绝对百分误差(Mean Absolute Percentage Error,MAPE)以及均方根误差(Root Mean Square Error,RMSE)来评判。两者的计算公式分别为:
为突出本发明所提的注意力GRU模型在多能负荷预测方面的优势,本算例选取了支持向量回归(Support Vector Regression,SVR)模型、多层感知器(MultilayerPerceptron,MLP)模型以及GRU模型与其进行对比。其中,GRU模型与本发明所提的注意力GRU模型在相同参数上的设置相同。四种预测模型的各类负荷预测结果如表1和表2所示。如下表1给出的各预测模型的MAPE(%)结果。
如下表1给出的各预测模型的RMSE(MW)结果
由表1和表2可知,四种模型均能对多能负荷进行有效预测,但相对而言,它们对冷负荷的预测精度最低,对电负荷的预测精度最高。此外,无论是哪类负荷,本发明所提的注意力GRU模型均在多能负荷预测中表现最佳,拥有最高的多能负荷预测精度。其中,GRU模型与SVR模型、MLP模型相比其各类负荷的预测精度均最高,这说明了GRU模型在多能负荷预测方面的优势。同时,注意力GRU模型与GRU模型相比,在对冷、热、电负荷的预测中评价指标MASE分别降低了6.3%、3.7%和3.5%,这说明,引入注意力机制而加入的影响力权重信息能够有效捕捉并突出输入数据的有效特征,进而提高多能负荷的预测精度。综上,本发明所提的注意力GRU模型能对多能负荷进行更精确的预测,且其与相对应的实际负荷曲线拟合度最好,证明了本发明所提的注意力GRU模型的优越性。
实施例2
基于本发明实施例1提出的一种多能负荷预测方法,本发明实施例2还提出了一种多能负荷预测系统,如图5给出了本发明实施例2一种多能负荷预测系统示意图,该系统包括获取模块、处理模块和第一训练模块和第二训练模块
获取模块用于获取用于多能负荷预测的历史数据,对所述历史数据进行数据清洗后形成多能负荷样本数据集。
用于多能负荷预测的历史数据包括输入变量和输出变量;
输入变量包括:冷负荷数据、热负荷数据、电负荷数据、历史气象数据、历史气象数据对应的时间数据;
输出变量包括:预测冷负荷、预测热负荷和预测电负荷。
处理模块用于对所述负荷样本数据集进行归一化处理;以及利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权;
对负荷样本数据集进行归一化处理的过程包括对输入变量和输出变量均进行归一化处理;
对输入变量进行归一化处理的公式为:
对输出变量进行归一化处理的公式为:
其中y′i为第i个输出样本的归一化值;yi为第i个输出样本的原始值;ymin为全部输出样本的最小值,ymax为全部输出样本的最大值。
利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权方法为:对xt进行注意力权重αt的计算;其中计算的公式为:
et=Attend(xt,st-1,αt-1);
x′t=αtjxtj;
其中,et为t时刻的注意力得分矩阵;Attend(·)为计算et的神经网络;xt为在t时刻输入变量的原始值;st-1为上一时刻的负荷预测值;αt-1为上一时刻的注意力权值;αtj为αt的第j个特征的注意力权值,etj为et的第j个特征的注意力得分,n为输入特征的特征数量,xtj为xt的第j个特征的历史数据值,xt′为xt加权后的特征。
第一训练模块用于采用加权后的输入特征作为GRU神经网络的输入;并在所述GRU神经网络中进行训练得到中间预测样本数据;
采用所述加权后的输入特征作为GRU神经网络的输入;并在GRU神经网络中进行训练得到中间预测样本数据的公式为:
rt=σsig(Wr·[ht-1,x′t]);
zt=σsig(Wz·[ht-1,x′t]);
其中;ht为t时刻的隐含状态,ht-1为t-1时刻的隐含状态,rt为重置门,zt为更新门,为t时刻的记忆内容;Wr为rt的权重矩阵;Wz为zt的权重矩阵;Wh为的权重矩阵;σsig为sigmoid的激活函数;φtanh为tanh的激活函数;*表示向量的内积。
GRU神经网络进行训练时,使用的损失函数为均方误差;所述均方误差的计算公式为:
该方法还包括将负荷样本数据集按照预设的比例划分为训练集和验证集;训练集用于GRU神经网络模型的训练;验证集用于与最终多能负荷的预测值进行对比,验证训练的效果。
第二训练模块用于将所述中间预测样本数据重新作为GRU神经网络的输入,在述GRU神经网络中进行训练得到最终多能负荷的预测值。
本发明还提出了一种设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现方法步骤。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现方法步骤。
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。对于所属领域的技术人员来说,在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。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)
1.一种多能负荷预测方法,其特征在于,包括以下步骤:
获取用于多能负荷预测的历史数据,对所述历史数据进行数据清洗后形成多能负荷样本数据集;
对所述负荷样本数据集进行归一化处理;以及利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权;
采用所述加权后的输入特征作为GRU神经网络的输入;并在所述GRU神经网络中进行训练得到中间预测样本数据;
将所述中间预测样本数据重新作为GRU神经网络的输入,在所述GRU神经网络中进行训练得到最终多能负荷的预测值。
2.根据权利要求1所述的一种多能负荷预测方法,其特征在于,所述用于多能负荷预测的历史数据包括输入变量和输出变量;
所述输入变量包括:冷负荷数据、热负荷数据、电负荷数据、历史气象数据、历史气象数据对应的时间数据;
所述输出变量包括:预测冷负荷、预测热负荷和预测电负荷。
7.根据权利要求1-6任意一项所述的一种多能负荷预测方法,其特征在于:所述方法还包括将所述负荷样本数据集按照预设的比例划分为训练集和验证集;所述训练集用于GRU神经网络模型的训练;所述验证集用于与最终多能负荷的预测值进行对比,验证训练的效果。
8.一种多能负荷预测系统,其特征在于,包括获取模块、处理模块和第一训练模块和第二训练模块
所述获取模块用于获取用于多能负荷预测的历史数据,对所述历史数据进行数据清洗后形成多能负荷样本数据集;
所述处理模块用于对所述负荷样本数据集进行归一化处理;以及利用注意力机制,实现归一化处理后的负荷样本数据集输入特征的加权;
所述第一训练模块用于采用所述加权后的输入特征作为GRU神经网络的输入;并在所述GRU神经网络中进行训练得到中间预测样本数据;
所述第二训练模块用于将所述中间预测样本数据重新作为GRU神经网络的输入,在所述GRU神经网络中进行训练得到最终多能负荷的预测值。
9.一种设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任意一项所述的方法步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498417.5A CN113095598A (zh) | 2021-05-07 | 2021-05-07 | 一种多能负荷预测方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498417.5A CN113095598A (zh) | 2021-05-07 | 2021-05-07 | 一种多能负荷预测方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095598A true CN113095598A (zh) | 2021-07-09 |
Family
ID=76664204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110498417.5A Pending CN113095598A (zh) | 2021-05-07 | 2021-05-07 | 一种多能负荷预测方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095598A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609762A (zh) * | 2021-07-27 | 2021-11-05 | 山东大学 | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 |
CN113610277A (zh) * | 2021-07-15 | 2021-11-05 | 中山大学 | 基于时空注意力机制的电力负荷预测方法、装置及介质 |
CN114088560A (zh) * | 2021-11-05 | 2022-02-25 | 国网山东省电力公司经济技术研究院 | 一种测试离心环形电杆强度的方法及系统 |
CN114118862A (zh) * | 2021-12-07 | 2022-03-01 | 双良节能系统股份有限公司 | 一种换热站动态热负荷预测与调控方法及系统 |
CN114219139A (zh) * | 2021-12-07 | 2022-03-22 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108921341A (zh) * | 2018-06-26 | 2018-11-30 | 国网山东省电力公司电力科学研究院 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
CN110135655A (zh) * | 2019-05-27 | 2019-08-16 | 国网上海市电力公司 | 一种用于确定能源站的运行控制策略的方法与设备 |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN110991729A (zh) * | 2019-11-28 | 2020-04-10 | 四川万益能源科技有限公司 | 一种基于迁移学习和多头注意力机制的负荷预测方法 |
CN111401250A (zh) * | 2020-03-17 | 2020-07-10 | 东北大学 | 一种基于混合卷积神经网络的中文唇语识别方法及装置 |
CN111815026A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 一种基于特征聚类的多能源系统负荷预测方法 |
CN111950793A (zh) * | 2020-08-17 | 2020-11-17 | 浙江工业大学 | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 |
CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
CN112750466A (zh) * | 2020-12-15 | 2021-05-04 | 苏州元启创人工智能科技有限公司 | 用于视频面试的语音情感识别方法 |
-
2021
- 2021-05-07 CN CN202110498417.5A patent/CN113095598A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108921341A (zh) * | 2018-06-26 | 2018-11-30 | 国网山东省电力公司电力科学研究院 | 一种基于门控自编码的热电厂短期热负荷预测方法 |
CN110135655A (zh) * | 2019-05-27 | 2019-08-16 | 国网上海市电力公司 | 一种用于确定能源站的运行控制策略的方法与设备 |
CN110633867A (zh) * | 2019-09-23 | 2019-12-31 | 国家电网有限公司 | 一种基于gru和注意力机制的超短期负荷预测模型 |
CN110991729A (zh) * | 2019-11-28 | 2020-04-10 | 四川万益能源科技有限公司 | 一种基于迁移学习和多头注意力机制的负荷预测方法 |
CN111401250A (zh) * | 2020-03-17 | 2020-07-10 | 东北大学 | 一种基于混合卷积神经网络的中文唇语识别方法及装置 |
CN111815026A (zh) * | 2020-06-09 | 2020-10-23 | 国网山东省电力公司经济技术研究院 | 一种基于特征聚类的多能源系统负荷预测方法 |
CN111950793A (zh) * | 2020-08-17 | 2020-11-17 | 浙江工业大学 | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 |
CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
CN112750466A (zh) * | 2020-12-15 | 2021-05-04 | 苏州元启创人工智能科技有限公司 | 用于视频面试的语音情感识别方法 |
Non-Patent Citations (7)
Title |
---|
周莽: "GRU神经网络短期电力负荷预测研究", 科技创新与应用 * |
庞昊: "基于多神经网络融合的短期负荷预测方法", 《电力自动化设备》 * |
张建权;: "基于CNN和BiGRU-attention的互联网敏感实体识别方法", 网络安全技术与应用 * |
王金行: "基于趋势信息的电力系统负荷预测", 《山东电力技术》 * |
程艳芬: "嵌入注意力机制并结合层级上下文的语音情感识别", 哈尔滨工业大学学报 * |
谢林枫;李同哲;李昆明;石星煜;: "基于一种新技术的风电功率短期预测", 计算机仿真 * |
鉴庆之: "考虑需求响应的电力系统灵活性资源优化配置", 《现代电力》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610277A (zh) * | 2021-07-15 | 2021-11-05 | 中山大学 | 基于时空注意力机制的电力负荷预测方法、装置及介质 |
CN113609762A (zh) * | 2021-07-27 | 2021-11-05 | 山东大学 | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 |
CN114088560A (zh) * | 2021-11-05 | 2022-02-25 | 国网山东省电力公司经济技术研究院 | 一种测试离心环形电杆强度的方法及系统 |
CN114088560B (zh) * | 2021-11-05 | 2024-02-09 | 国网山东省电力公司经济技术研究院 | 一种测试离心环形电杆强度的方法及系统 |
CN114118862A (zh) * | 2021-12-07 | 2022-03-01 | 双良节能系统股份有限公司 | 一种换热站动态热负荷预测与调控方法及系统 |
CN114219139A (zh) * | 2021-12-07 | 2022-03-22 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
CN114219139B (zh) * | 2021-12-07 | 2023-10-03 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Short-term load forecasting in smart grid: A combined CNN and K-means clustering approach | |
CN113095598A (zh) | 一种多能负荷预测方法、系统、设备和介质 | |
Xuan et al. | A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems | |
Zhu et al. | Short-term prediction for wind power based on temporal convolutional network | |
Tian et al. | Multi-step short-term wind speed prediction based on integrated multi-model fusion | |
CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
Meng et al. | A novel few-shot learning approach for wind power prediction applying secondary evolutionary generative adversarial network | |
CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
CN112508244A (zh) | 一种用户级综合能源系统多元负荷预测方法 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN113673768A (zh) | 基于vmd和cnn-lstm的风功率概率预测模型 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN116933025A (zh) | 基于vmd与dbo-lstm-at的变压器顶层油温预测方法 | |
CN115481788B (zh) | 相变储能系统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: 20210709 |