CN113191069B - 基于双分支深度学习模型的空调负荷估算方法与系统 - Google Patents

基于双分支深度学习模型的空调负荷估算方法与系统 Download PDF

Info

Publication number
CN113191069B
CN113191069B CN202110293561.5A CN202110293561A CN113191069B CN 113191069 B CN113191069 B CN 113191069B CN 202110293561 A CN202110293561 A CN 202110293561A CN 113191069 B CN113191069 B CN 113191069B
Authority
CN
China
Prior art keywords
load
branch
model
data
historical
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.)
Active
Application number
CN202110293561.5A
Other languages
English (en)
Other versions
CN113191069A (zh
Inventor
熊浩
秦川
付伟
鞠平
周航
江叶峰
张振华
梁文腾
韩洪兴
陆晓
管益斌
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.)
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
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 State Grid Jiangsu Electric Power Co Ltd, Hohai University HHU filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110293561.5A priority Critical patent/CN113191069B/zh
Publication of CN113191069A publication Critical patent/CN113191069A/zh
Application granted granted Critical
Publication of CN113191069B publication Critical patent/CN113191069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于双分支深度学习模型的空调负荷估算方法与系统，通过对历史气象、历史负荷以及时间数据的多维特征提取，以时间、经济数据作为输入特征训练学习构建基准负荷估算模型分支，以历史气象数据作为输入特征训练学习构建空调负荷估算模型分支，将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总空调负荷功率，形成双分支深度学习空调负荷分解模型。在此基础上，在实际的历史空调负荷估算或者未来预测的过程中，通过获取地区的时间数据以及气象数据作为输入，通过特征提取后输入到模型中进行估算，可输出得到对应时刻的空调负荷估算结果以及总负荷，为地区的发电量控制和电力调配提供科学的决策依据。

Description

基于双分支深度学习模型的空调负荷估算方法与系统
技术领域
本发明涉及电力系统负荷预测与调控技术领域，尤其是电力负荷成分分析与非侵入式负荷分解技术，具体而言涉及一种基于双分支深度学习模型的空调负荷估算方法与系统。
背景技术
电网中的空调负荷与气象因素呈强相关，又称降温负荷或泛称气象敏感负荷。空调负荷的准确估算对电力系统的安全经济运行具有重要意义，尤其是夏冬两季用电高峰时期，根据空调负荷功率的估算和预测结果，电力部门可以针对性对电网进行安全稳定分析、评估需求侧响应以及制定合理的发电和电力调配计划。
传统的空调负荷估算方法主要是基准负荷法，也即以处理计算后的春秋季负荷作为基准负荷，以夏冬季的实际负荷减去基准负荷得到空调负荷。然而实际情况下，由于负荷的复杂性和时变性，夏季基准负荷曲线与春秋季负荷曲线可能不完全一致，从而对气象敏感负荷估算的准确性产生不利影响。
目前，现有技术中还提出根据负荷与气象之间的相关性，建立两者的非线性关联模型进行空调负荷估算，但此类方法往往采用经验公式描述气象的积累效应，同样可能给后续的相关性分析和空调负荷估算带来误差。
现有技术文献：
专利文献1：CN110490766A一种冬季空调负荷计算方法及可读存储介质
专利文献2：CN105825294A基于气象因素的电网电力负荷预测方法及系统
发明内容
本发明目的在于提供一种基于双分支深度学习模型的空调负荷估算方法与系统，挖掘基准负荷与相应输入特征、空调负荷与相应气象特征之间的深层非线性特征，构建包含基准负荷估算模型分支、空调负荷估算模型分支的双分支深度学习负荷分解模型，实现电网中变电站母线以上层级的空调负荷估算。
根据本发明目的的改进的第一方面提出一种基于双分支深度学习模型的空调负荷估算方法，包括以下步骤：
基于双分支深度学习模型的空调负荷估算方法，其特征在于，包括以下步骤：
获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理；
对预处理后的历史数据进行特征提取，生成双分支输入特征向量，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)算法为主体构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
根据输入特征向量进行模型优化，即通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值。
优选地，所述特征向量p1的构建方式为：
Figure BDA0002983406980000021
其中，特征向量p1为8维方阵矩阵，0和1表示日期的独热编码形式，c、p、g和ml分别表示消费者价格指数(CPI)、地区消费总额、地区生产总值(地区GDP)和当月平均负荷。
优选地，所述特征向量p2的构建方式为：
Figure BDA0002983406980000022
其中，p2为由(n+1)个4维方阵组成的特征向量，Tt-nD、Ht-nD和Rt-nD分别表示距t时刻n日前的温度、相对湿度和降水量，下标t-1和t-4h分别表示t时刻前一时刻和t时刻前4小时，n的初始值为6。
优选地，基于遗传算法对初始的双分支深度学习的负荷分解模型的调优处理具体包括：
采用基于遗传算法的模型参数调优，调优的目标函数如下：
min(α·e-β·r)；
其中e和r分别表示模型验证误差和皮尔逊相关系数，误差形式采用平均绝对百分比误差MAPE，表达式如下：
Figure BDA0002983406980000031
式中n为数据数量，
Figure BDA0002983406980000032
表示模型输出值，yi表示历史数据中对应时刻的真实总负荷值；其中，皮尔逊相关系数表达式如下：
Figure BDA0002983406980000033
式中X、Y表示待求相关系数的两个向量，r为相关性数值。
根据本发明目的的改进的第二方面还提出一种基于双分支深度学习模型的空调负荷估算系统，包括：
基于双分支深度学习模型的空调负荷估算系统，其特征在于，包括：
用于获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理的模块；
用于对预处理后的历史数据进行特征提取，生成双分支输入特征向量的模块，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
用于根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型的模块，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)算法进行模型训练，构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法进行模型训练，构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
用于根据输入特征向量进行模型优化的模块，被设置层通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
用于对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值的模块。
根据本发明目的的改进的第三方面提出一种基于双分支深度学习模型的空调负荷预测方法，包括以下步骤：
获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理；
对预处理后的历史数据进行特征提取，生成双分支输入特征向量，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)算法为主体构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
根据输入特征向量进行模型优化，即通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
对预测地区的未来时刻的空调负荷预测过程，将某个时刻的气象数据和/或气象预报数据作为特征数据，输入到双分支深度学习空调负荷分解模型进行预测估计，得到对应时刻的空调负荷预测结果。
通过以上技术方案的实施可见，本发明利用深度学习的非线性特征提取能力，构建包含基准负荷估算模型分支、空调负荷估算模型分支的双分支深度学习负荷分解模型，挖掘基准负荷与相应输入特征、空调负荷与相应气象特征之间的深层非线性特征，实现变电站母线及以上电网层级的空调负荷估算，克服了传统方法未考虑不同季节基准负荷差异，或者采用经验公式描述气象积累效应的不足。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为本发明的基于双分支深度学习模型的空调负荷估算方法的实现流程图；
图2为本发明的双分支深度学习空调负荷分解模型的模型结构图；
图3为本发明实施例的夏季8月1日空调负荷估算结果示例；
图4为本发明实施例的冬季12月13日空调负荷估算结果示例；
图5为夏季(7月～9月)气温与空调负荷估算结果的散点图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
结合图1、图2所示的示例性实施例的基于双分支深度学习模型的空调负荷估算方法，通过对历史气象、历史负荷以及时间数据的多维特征提取，以时间、经济(CPI指标等)数据作为输入特征训练学习构建基准负荷估算模型分支，由于空调的负荷功率与气象数据直接相关，因此我们以历史气象数据作为输入特征训练学习构建空调负荷估算模型分支，将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总空调负荷功率，形成双分支深度学习空调负荷分解模型。模型结构如图2所示，在此基础上，在实际的历史空调负荷估算或者未来预测的过程中，通过获取地区的时间数据以及气象数据作为输入，通过特征提取后输入到模型中进行估算，可输出得到对应时刻的空调负荷估算结果以及总负荷，为地区的发电量控制和电力调配提供科学的决策依据。
本发明的基于双分支深度学习模型的空调负荷估算方法，包括历史数据获取与预处理、特征向量的提取、双分支深度学习模型的训练生成、模型参数调优以及实际的估算处理。
在图1所示的实施例中，其具体包括以下处理过程：
获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理；
对预处理后的历史数据进行特征提取，生成双分支输入特征向量，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)算法为主体构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
根据输入特征向量进行模型优化，即通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值。
结合附图1、2所示，更加具体的阐述本发明的各个方面的示例性实现。
[历史数据获取与预处理]
历史气象、历史负荷以及时间数据构成历史数据。
时间数据包括年份、月份、星期、小时与节假日。
气象数据包括温度、相对湿度和降雨量。
其中，对历史数据的预处理包括：
首先，利用三次插值法补全历史数据中的缺失数据；
然后，对时间数据采用独热编码进行数据转化处理；
最后，对负荷功率、历史气象数据进行归一化处理。
作为可选的实施例，归一化处理表达式如下：
Figure BDA0002983406980000061
式中，x表示数据值，Xmin表示样本中的最小值，Xmax表示样本中的最大值。
由此，构成以历史数据为基础的训练集，用于后续的模型训练、模型调优以及模型的准确性验证。
[特征向量提取]
针对历史时间数据中t时刻的空调负荷，特征向量p1的构建方式为：
Figure BDA0002983406980000071
其中，特征向量p1为8维方阵矩阵，0和1表示日期的独热编码形式，c、p、g和ml分别表示消费者价格指数(CPI)、地区消费总额、地区生产总值(地区GDP)和当月平均负荷。
特征向量p2的构建方式为：
Figure BDA0002983406980000072
其中，p2为由(n+1)个4维方阵组成的特征向量，Tt-nD、Ht-nD和Rt-nD分别表示距t时刻n日前的温度、相对湿度和降水量，下标t-1和t-4h分别表示t时刻前一时刻和t时刻前4小时。
在可选的实施例总，n的初始值为6。
由此，针对历史数据的每一个时刻，均可获得对应的特征向量p1与特征向量p2，并取对应时刻的历史总负荷作为负荷真实值。而历史数据中对应时刻的空调负荷是未知的，需要在本发明的实施例中进行估算出来。
[双分支模型的训练以及模型拼接]
在示例性的实施例中，根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)算法为主体构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型，模型结构如图2所示。
作为可选的方案，具体的训练与模型拼接包括以下步骤：
如前述的，以时间、经济(CPI指标等)数据作为输入特征构建基准负荷估算模型分支，具体输入特征为日期(年份、月份等)、消费者价格指数(CPI)、地区生产总值(地区GDP)、地区消费总额和当月平均负荷。通过卷积神经网络(CNN)学习算法训练学习，构建基准负荷估算模型分支。基准负荷估算模型分支由输入特征、卷积神经网络(CNN)和全连接层构成；
如前述的，以历史气象数据作为输入特征构建空调负荷估算模型分支，具体输入特征为温度、相对湿度和降水量。通过卷积长短期记忆神经网络(ConvLSTM)学习算法训练学习，构建空调负荷估算模型分支；空调负荷估算模型分支由输入特征、卷积长短期记忆神经网络(ConvLSTM)和全连接层构成；
将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成双分支深度学习空调负荷分解模型。
在具体实现过程中，可选定一定历史数据范围内的初始时刻的特征向量，以初始的CNN网络结构和初始模型参数，通过初始时刻的特征向量p1的输入可获得对应的基准负荷输出，而以初始的卷积长短期记忆神经网络结构和初始模型参数，通过同一时刻的特征向量p2的输入可获得对应的空调负荷输出，将两个估算的负荷值相加，得到估算的总负荷，可与对应时刻的总负荷真实值进行对比。此时对应构建起来的2个分支拼接得到初始的双分支深度学习空调负荷分解模型，需要进行参数调优。
[模型参数调优]
本发明的实施例中，基于遗传算法对初始的双分支深度学习的负荷分解模型的调优处理。
在示例性的实施例中，模型参数调优具体包括：
采用基于遗传算法的模型参数调优，调优的目标函数如下：
min(α·e-β·r)；
其中e和r分别表示模型验证误差和皮尔逊相关系数，误差形式采用平均绝对百分比误差MAPE，表达式如下：
Figure BDA0002983406980000081
式中n为数据数量，
Figure BDA0002983406980000082
表示模型输出值，yi表示历史数据中对应时刻的真实总负荷值；
其中，皮尔逊相关系数表达式如下：
Figure BDA0002983406980000091
式中X、Y表示待求相关系数的两个向量，r为相关性数值。
在调优处理过程中，以某个t时刻的特征向量p1和特征向量p2输入模型，得到t时刻的空调负荷和基准负荷，二者相加后得到估算的t时刻的总负荷，与历史数据中该t时刻的历史总负荷进行做差，并基于差值调整模型参数，以使得期望的差值达到理想最小时，确定模型的参数，从而获得最终输出的形成双分支深度学习的负荷分解模型。
[历史时刻的空调负载估算处理]
在前述得到的最终输出的双分支深度学习空调负荷分解模型的基础上，针对预测地区的历史上某个时刻的空调负荷预测需求，则取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值。
[未来时刻空调负载预测处理]
在进一步的实施例中，前述获得最终输出的双分支深度学习空调负荷分解模型还可以进行预测地震的未来时刻的空调负荷预测，例如将某个时刻的气象数据和/或气象预报数据作为特征数据，输入到双分支深度学习空调负荷分解模型进行预测估计，得到对应时刻的空调负荷预测结果。
基于以上实施例，我们结合图3-图5所示的预测估计示例，取某一相同地区的某月份数据输入模型，得到对应空调负荷的估算值。然后采用绝对平均绝对百分比误差(MAPE)进行结果分析，并采用皮尔逊相关系数分析所得空调负荷的有效性与可靠性。
误差形式采用平均绝对百分比误差MAPE，表达如下：
Figure BDA0002983406980000092
式中，n为数据数量，
Figure BDA0002983406980000093
表示模型输出值，yi表示真实总负荷值。
取8月与12月估算所得的基准负荷和空调负荷之和，与实际负荷之间的绝对平均百分比误差如表1所示。可见，本发明提出的双分支神经网络负荷分解模型具有较高的精度，平均绝对百分比误差控制在1.5％左右。
表1双分支神经网络负荷分解模型误差
时间 平均绝对百分比误差
8月 1.335％
12月 1.546％
取8月和12月估算所得的空调负荷，求解其与对应温度的皮尔逊相关系数，结果如表2所示。可见，8月空调负荷与气温的相关系数达到0.872，也即气温越高，空调负荷越大；12月空调负荷与气温的相关系数为-0.541，也即气温越低，空调负荷越大。
表2温度和空调负荷的皮尔逊相关系数
时间 与温度的皮尔逊相关系数
8月 0.872
12月 -0.541
图3和图4为以本发明的预测估算方法估算的8月和12月某日的空调负荷和基准负荷图像。结合图5的夏季(7月～9月)空调负荷与温度的散点图。可见，空调负荷随气温变化的总体趋势为：随着温度上升，空调负荷由缓慢爬升变为急速上升，最后呈现饱和。
结合本发明以上的实施例的估算方法，在本发明另一方面的实施例中，还提出一种基于双分支深度学习模型的空调负荷估算系统，包括：
用于获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理的模块；
用于对预处理后的历史数据进行特征提取，生成双分支输入特征向量的模块，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
用于根据双分支输入特征向量，采用无监督学习的方式训练生成双分支深度学习空调负荷分解模型的模块，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)算法进行模型训练，构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法进行模型训练，构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
用于根据输入特征向量进行模型优化的模块，被设置层通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
用于对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值的模块。
结合本发明以上的实施例的估算方法，在本发明另一方面的实施例中，还提出一种基于双分支深度学习模型的空调负荷预测方法，包括以下步骤：
获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理；
对预处理后的历史数据进行特征提取，生成双分支输入特征向量，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
根据双分支输入特征向量，采用无监督学习的方式训练生成双分支深度学习空调负荷分解模型，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)算法进行模型训练，构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)算法进行模型训练，构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
根据输入特征向量进行模型优化，即通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
对预测地区的未来时刻的空调负荷的预测，包括：将某个时刻的气象数据和/或气象预报数据作为特征数据，输入到双分支深度学习空调负荷分解模型进行预测估计，得到对应时刻的空调负荷预测结果。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (6)

1.一种基于双分支深度学习模型的空调负荷估算方法，其特征在于，包括以下步骤：
获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理；
对预处理后的历史数据进行特征提取，生成双分支输入特征向量，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)为模型主体构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
根据输入特征向量进行模型优化，即通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值；
其中，所述特征向量p1的构建方式为：
Figure FDA0003711515900000011
其中，特征向量p1为8维方阵矩阵，0和1表示日期的独热编码形式，c、p、g和ml分别表示消费者价格指数(CPI)、地区消费总额、地区生产总值和当月平均负荷；
所述特征向量p2的构建方式为：
Figure FDA0003711515900000021
其中，p2为由(n+1)个4维方阵组成的特征向量，Tt-nD、Ht-nD和Rt-nD分别表示距t时刻n日前的温度、相对湿度和降水量，下标t-1和t-4h分别表示t时刻前一时刻和t时刻前4小时，n的初始值为6；
所述基于遗传算法对初始的双分支深度学习的负荷分解模型的调优处理具体包括：
采用基于遗传算法的模型参数调优，调优的目标函数如下：
min(α·e-β·r)；
其中e和r分别表示模型验证误差和皮尔逊相关系数，误差形式采用平均绝对百分比误差MAPE，表达式如下：
Figure FDA0003711515900000022
式中n为数据数量，
Figure FDA0003711515900000023
表示模型输出值，yi表示历史数据中对应时刻的真实总负荷值；
其中，皮尔逊相关系数表达式如下：
Figure FDA0003711515900000024
式中X、Y表示待求相关系数的两个向量，r为相关性数值。
2.根据权利要求1所述的基于双分支深度学习模型的空调负荷估算方法，其特征在于，所述历史气象、历史负荷以及时间数据构成历史数据，对历史数据的预处理包括：
首先，利用三次插值法补全历史数据中的缺失数据；
然后，对时间数据采用独热编码进行数据转化处理；
最后，对负荷功率、历史气象数据进行归一化处理。
3.根据权利要求1所述的基于双分支深度学习模型的空调负荷估算方法，其特征在于，在调优处理过程中，以某个t时刻的特征向量p1和特征向量p2输入模型，得到t时刻的空调负荷和基准负荷，二者相加后得到估算的t时刻的总负荷，与历史数据中该t时刻的历史总负荷进行做差，并基于差值调整模型参数，以使得期望的差值达到理想最小时，确定模型的参数，从而获得最终输出的形成双分支深度学习的负荷分解模型。
4.根据权利要求1所述的基于双分支深度学习模型的空调负荷估算方法，其特征在于，所述方法还包括：
对预测地区的未来时刻的空调负荷预测过程，将某个时刻的气象数据和/或气象预报数据作为特征数据，输入到双分支深度学习空调负荷分解模型进行预测估计，得到对应时刻的空调负荷预测结果。
5.一种基于双分支深度学习模型的空调负荷估算系统，其特征在于，包括：
用于获取预测地区的历史气象、历史总负荷以及时间数据，并进行预处理的模块；
用于对预处理后的历史数据进行特征提取，生成双分支输入特征向量的模块，即用于构建基准负荷估算模型分支的特征向量p1和用于构建空调负荷估算模型分支的特征向量p2，其中特征向量p1以历史时间数据和经济数据提取获得，特征向量p2以历史气象数据提取获得；
用于根据双分支输入特征向量，建立双分支深度学习空调负荷分解模型的模块，其中以特征向量p1为输入特征，利用卷积神经网络(CNN)构建基准负荷估算模型分支；以特征向量p2为输入特征，利用卷积长短期记忆神经网络(ConvLSTM)构建空调负荷估算模型分支；将基准负荷估算模型分支和空调负荷估算模型分支进行拼接，两个分支的输出累加为总负荷功率，形成以初始模型参数构建的初始的双分支深度学习的负荷分解模型；
用于根据输入特征向量进行模型优化的模块，被设置层通过遗传算法的调优处理，获得最终输出的形成双分支深度学习的负荷分解模型；
用于对预测地区的空调负荷预测过程中，取历史气象数据作为输入数据，通过最终的双分支深度学习空调负荷分解模型进行估算，获得其中空调负荷估算模型分支的输出结果作为空调负荷的估算值的模块；
所述特征向量p1的构建方式为：
Figure FDA0003711515900000031
其中，特征向量p1为8维方阵矩阵，0和1表示日期的独热编码形式，c、p、g和ml分别表示消费者价格指数、地区消费总额、地区生产总值和当月平均负荷；
所述特征向量p2的构建方式为：
Figure FDA0003711515900000041
其中，特征向量p2为由(n+1)个4维方阵组成的特征向量，Tt-nD、Ht-nD和Rt-nD分别表示距t时刻n日前的温度、相对湿度和降水量，下标t-1和t-4h分别表示t时刻前一时刻和t时刻前4小时，n的初始值为6；
所述用于根据输入特征向量进行模型优化的模块被设置成基于遗传算法对初始的双分支深度学习的负荷分解模型的调优处理，其包括：
采用基于遗传算法的模型参数调优，调优的目标函数如下：
min(α·e-β·r)；
其中e和r分别表示模型验证误差和皮尔逊相关系数，误差形式采用平均绝对百分比误差MAPE，表达式如下：
Figure FDA0003711515900000042
式中n为数据数量，
Figure FDA0003711515900000043
表示模型输出值，yi表示历史数据中对应时刻的真实总负荷值；
其中，皮尔逊相关系数表达式如下：
Figure FDA0003711515900000044
式中X、Y表示待求相关系数的两个向量，r为相关性数值。
6.根据权利要求5所述的基于双分支深度学习模型的空调负荷估算系统，其特征在于，所述系统还包括：
预测模块，用于对预测地区的未来时刻的空调负荷的预测，包括：
将某个时刻的气象数据和/或气象预报数据作为特征数据，输入到双分支深度学习空调负荷分解模型进行预测估计，得到对应时刻的空调负荷预测结果。
CN202110293561.5A 2021-03-19 2021-03-19 基于双分支深度学习模型的空调负荷估算方法与系统 Active CN113191069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110293561.5A CN113191069B (zh) 2021-03-19 2021-03-19 基于双分支深度学习模型的空调负荷估算方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110293561.5A CN113191069B (zh) 2021-03-19 2021-03-19 基于双分支深度学习模型的空调负荷估算方法与系统

Publications (2)

Publication Number Publication Date
CN113191069A CN113191069A (zh) 2021-07-30
CN113191069B true CN113191069B (zh) 2022-09-02

Family

ID=76973462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110293561.5A Active CN113191069B (zh) 2021-03-19 2021-03-19 基于双分支深度学习模型的空调负荷估算方法与系统

Country Status (1)

Country Link
CN (1) CN113191069B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115481788B (zh) * 2022-08-31 2023-08-25 北京建筑大学 相变储能系统负荷预测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598386A (zh) * 2018-12-12 2019-04-09 国网山东省电力公司临沂供电公司 一种基于深度学习的配网优化精准分析方法及系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Also Published As

Publication number Publication date
CN113191069A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN110348624B (zh) 一种基于Stacking集成策略的沙尘暴等级预测方法
CN111080032A (zh) 一种基于Transformer结构的负荷预测方法
CN111754037B (zh) 区域终端集成供能系统长期负荷混合预测方法
CN113505923B (zh) 一种地区电网短期负荷预测方法及系统
CN111539844B (zh) 一种基于k-l信息量和arima误差修正的月度电量预测方法
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN113469427A (zh) 基于卷积lstm的光伏电站日前发电量预测方法及系统
CN112651543A (zh) 一种基于vmd分解与lstm网络的日用电量预测方法
CN113191069B (zh) 基于双分支深度学习模型的空调负荷估算方法与系统
CN115759336A (zh) 一种面向短期电力负荷预测的预测方法及存储介质
CN115310536A (zh) 基于神经网络和gcn深度学习模型的水库水位预测预警方法
CN115271253A (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
CN115238948A (zh) 小水电发电量预测方法及装置
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN115511230B (zh) 一种电能替代潜力分析预测方法
CN116611859A (zh) 基于梯度提升决策树的电力交易现货价差趋势预测方法
CN116404637A (zh) 电力系统短期负荷预测方法和电力系统短期负荷预测装置
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN116485443A (zh) 一种电力现货市场价格信息预测优化方法及系统
CN115796915A (zh) 一种面向电力交易市场的电价预测方法及系统
CN115456287A (zh) 一种基于长短时记忆网络的综合能源系统多元负荷预测方法
CN116307746A (zh) 基于分时体感温度相关性的lstm配变负荷预测实现方法
Maalej et al. Sensor data augmentation strategy for load forecasting in smart grid context
CN113239029A (zh) 一种电能表缺失日冻结数据的补全方法
Wu et al. Overview of day-ahead solar power forecasts based on weather classifications

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