CN113469434A - 多能负荷预测方法、装置、预测设备及存储介质 - Google Patents
多能负荷预测方法、装置、预测设备及存储介质 Download PDFInfo
- Publication number
- CN113469434A CN113469434A CN202110734487.6A CN202110734487A CN113469434A CN 113469434 A CN113469434 A CN 113469434A CN 202110734487 A CN202110734487 A CN 202110734487A CN 113469434 A CN113469434 A CN 113469434A
- Authority
- CN
- China
- Prior art keywords
- energy
- load
- prediction
- time period
- energy load
- 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 53
- 238000012549 training Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 44
- 230000006870 function Effects 0.000 description 19
- 238000001816 cooling Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多能负荷预测方法、装置、预测设备及存储介质。该方法包括：根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；根据所述灰色关联程度确定每个时间段对应的预测输入量；将所述预测输入量输入至预测模型，得到多能负荷的预测结果。上述技术方案考虑了各时间段内多种能异质负荷的特性及相互关联程度，从而合理确定每个时间段对应的预测输入量，提高了综合能源系统多能负荷预测结果的精确性。
Description
技术领域
本发明实施例涉及能源管理技术领域，尤其涉及一种多能负荷预测方法、装置、预测设备及存储介质。
背景技术
近年来，城市级综合能源系统技术发展迅速，在城市级综合能源系统的建设、规划调度和经济运行的过程中，对多种能源的负荷进行有效的预测，是制定决策和实现高效能源管理的重要基础。目前的负荷预测方法主要是针对单一种类的能源进行的，但是在整个能源系统中，多种能源负荷之间往往是相互关联、相互影响的，存在一定的耦合关系。针对单一种类能源的负荷预测具有片面性，影响了预测结果的精确性。
发明内容
本发明提供了一种多能负荷预测方法、装置、预测设备及存储介质及系统，以提高多能负荷预测的精确性。
第一方面，本发明实施例提供了一种多能负荷预测方法，包括：
根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；
根据所述灰色关联程度确定每个时间段对应的预测输入量；
将所述预测输入量输入至预测模型，得到多能负荷的预测结果。
可选的，根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度，包括：
根据综合能源的多能负荷历史数据生成能源负荷序列，每个能源负荷序列由一种能源在各所述时间段的负荷值构成；
计算每个时间段内每两个能源负荷序列之间的灰色关联程度。
可选的，根据所述灰色关联程度确定每个时间段对应的预测输入量，包括：
若在一个时间段内，各所述能源负荷序列之间的灰色关联程度均大于或等于标准值，则将各所述能源负荷序列在该时间段的负荷值作为该时间段对应的预测输入量。
可选的，根据所述灰色关联程度确定每个时间段对应的预测输入量，包括：
若在一个时间段内，存在多个能源负荷序列，其中每两个能源负荷序列之间的灰色关联程度均大于或等于标准值，则将所述多个能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
可选的，根据所述灰色关联程度确定每个时间段对应的预测输入量，包括：
若在一个时间段内，一个能源负荷序列与其他任意能源负荷序列之间的灰色关联程度均小于标准值，则将该能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
可选的，该方法还包括：
根据综合能源的多能负荷历史数据训练所述预测模型，直至所述预测模型的输出与相应的多能负荷历史数据之间的平均绝对百分比误差小于设定值。
可选的，所述预测模型为((Radical Basis Function，RBF)神经网络，包括一个隐含层，所述隐含层神经元传递函数为高斯函数。
第二方面，本发明实施例提供了一种多能负荷预测装置，包括：
关联程度确定模块，用于根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；
输入量确定模块，用于根据所述灰色关联程度确定每个时间段对应的预测输入量；
预测模块，用于将所述预测输入量输入至预测模型，得到多能负荷的预测结果。
第三方面，本发明实施例提供了一种预测设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的多能负荷预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的多能负荷预测方法。
本发明实施例提供了一种多能负荷预测方法、装置、预测设备及存储介质，该方法包括：根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；根据所述灰色关联程度确定每个时间段对应的预测输入量；将所述预测输入量输入至预测模型，得到多能负荷的预测结果。上述技术方案考虑了各时间段内多种能异质负荷的特性及相互关联程度，从而合理确定每个时间段对应的预测输入量，提高了综合能源系统多能负荷预测结果的精确性。
附图说明
图1为本发明实施例一提供的一种多能负荷预测方法的流程图；
图2为本发明实施例二提供的一种多能负荷预测方法的流程图；
图3为本发明实施例三提供的一种多能负荷预测装置的结构示意图；
图4为本发明实施例四提供的一种预测设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种多能负荷预测方法的流程图，本实施例可适用于对综合能源物联网多种能源的负荷进行预测的情况。具体的，该多能负荷预测方法可以由多能负荷预测装置执行，该多能负荷预测装置可以通过软件和/或硬件的方式实现，并集成在预测设备中。进一步的，预测设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及服务器等电子设备。
如图1所示，该方法具体包括如下步骤：
S110、根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度。
具体的，多能负荷历史数据包括城市级综合能源系统实际的电负荷、热负荷、冷负荷和/或气负荷数据等，时间段指多能负荷预测的时间单元，可以为周、月度、季度等。本申请实施例中，以月度为例，根据过去一年或多内年内综合能源的多能月度负荷历史数据，可以预测未来一年内各月度的多能负荷。
本实施例中，采用灰色关联分析法，计算在各月度不同能源负荷之间的灰色关联程度，即其中任意两种异质负荷在相同月份的灰色关联系数，从而分析哪些能源负荷具有强相关性，哪些能源负荷具有弱相关性，具有强相关性的能源负荷历史数据可以耦合在一起作为预测的依据。可以理解的是，在某些月份，不同能源负荷可能是强相关的，例如，在7～8月，空调制冷模式使用频率高，冷负荷相对较高，电负荷也会相应较高，冷负荷和电负荷相互影响较大，具有强相关性，这种情况下，可以考虑利用这两种能源负荷历史数据，综合预测未来一年的7～8月的冷负荷及电负荷。
需要说明的是，在S110中需要计算每个时间段内每两种能源负荷之间的灰色关联程度。例如，根据2015年1月～2020年12月的多能负荷历史数据预测2021年1～12月的多能负荷，多能负荷包括电负荷、热负荷和冷负荷，则在S110中需要计算2015年～2020年各月中，电负荷与热负荷的灰色关联程度、电负荷与冷负荷的灰色关联程度、热负荷与冷负荷的灰色关联程度。
S120、根据所述灰色关联程度确定每个时间段对应的预测输入量。
本实施例中，预测输入量可能来自于单一的一种能源负荷历史数据，也可能来自于耦合在一起的多种能源负荷历史数据。具体的，对于一个月度，如果两种能源负荷的灰色关联程度较高，则这两种能源负荷历史数据可共同作为预测输入量，将这两种能源负荷历史数据耦合在一起作为预测的依据，相应的预测结果中这两种能源负荷也具有强相关性；如果两种能源负荷的灰色关联程度较低，则这两种能源负荷历史数据可分别作为预测输入量，进行两次不同的预测，分别得到两种能源负荷的预测结果。
可选的，将每个时间段不同能源负荷的灰色关联程度与标准值进行对比，如果灰色关联程度大于或等于标准值，则认为相应能源负荷的灰色关联程度较高，可共同作为预测输入量。
S130、将所述预测输入量输入至预测模型，得到多能负荷的预测结果。
具体的，预测模型是利用多能负荷历史数据训练得到的机器学习模型，经过训练后预测模型可学习到根据过去一年或多年内综合能源的多能月度负荷历史数据，预测未来一年内各月度的多能负荷的规律。在此基础上，预测模型的输入为S120中确定的预测输入量，输出为与预测输入量相应时间段的相应种类能源的负荷。
本发明实施例一提供的一种多能负荷预测方法，通过计算每个时间段内不同能源负荷之间的灰色关联程度。考虑了各时间段内多种能异质负荷的特性及相互关联程度，从而合理确定每个时间段对应的预测输入量，提高了综合能源系统多能负荷预测结果的精确性。
实施例二
图2为本发明实施例二提供的一种多能负荷预测方法的流程图，本实施例是在上述实施例的基础上进行优化，对计算灰色关联程度以及确定预测输入量的过程进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，如图2所示，该方法具体包括如下步骤：
S210、根据综合能源的多能负荷历史数据训练所述预测模型。
具体的，根据多能负荷历史数据不断训练预测模型，直至满足设定条件，预测模型训练完成后可应用于多能负荷的预测。
本实施例中，设定条件可以是预测模型的输出与相应的多能负荷历史数据之间的平均绝对百分比误差小于设定值。对多个月份的多能负荷进行预测时，每个月份的预测结果与真实负荷数据的百分比误差通常是不同的，可以采用各个月份的百分比误差的平均值，来评价预测模型的性能。
具体的，可以将多能负荷历史数据分为两部分：样本数据和验证数据，利用预测模型对样本数据进行预测得到的结果与验证数据之间的平均绝对百分比误差，判断预测模型的训练是否完成，如果平均绝对百分比误差小于设定值，则认为预测模型的性能能够满足需求，模型训练完成。示例性的，多能负荷历史数据包括2015年1月～2020年12月的电负荷、热负荷、冷负荷历史数据，其中，将2015年1月～2019年12月的多能负荷历史数据作为样本数据，将2020年1～12月的多能负荷历史数据作为验证数据，经过训练后的预测模型可基于样本数据对2020年1～12月的多能负荷进行预测，如果各个月份的预测结果与验证数据之间的平均绝对百分比误差小于设定值，则预测模型训练完成。
平均绝对百分比误差的计算过程如下：假设预测模型对样本数据的预测结果为
表示对第i个月份的预测结果，而验证数据(即预测结果对应的真实数据)为y＝[y1,y2,…,yn]，yt表示第i个月份的真实负荷值，则平均绝对百分比误差MAPE可通过如下公式计算：
可选的，在训练预测模型的过程中，也可以设计相应的损失函数，设定条件也可以是损失函数达到最小值(或者小于指定值)。
S220、根据综合能源的多能负荷历史数据生成能源负荷序列，每个能源负荷序列由一种能源在各所述时间段的负荷值构成。
示例性的，多能负荷历史数据包括2015年1月～2020年12月的电负荷、热负荷、冷负荷历史数据，据此生成的能源负荷序列包括Le、Lc、Lh，其中，Le为2015年～2020年每个月(共72个月)的电负荷值构成的序列；Lc为2015年～2020年每个月的冷负荷值构成的序列；Lh为2015年～2020年每个月的热负荷值构成的序列；各能源负荷序列的序列长度均为72。
S230、计算每个时间段内每两个能源负荷序列之间的灰色关联程度。
具体的，计算每两个能源负荷序列在每个时间段的灰色关联程度。以Le和Lc为例，将两个能源负荷序列标准化，分别得到sLe＝{sLe(k)|k＝1,2,…,m}、sLc＝{sLc(k)|k＝1,2,…,m}，m＝72，则Le和Lc在各时间段内的灰色关联系数为：
式中，ρ∈[0,1]为分辨系数，通常取0.5，
为标准化后的两个序列的两级最小差，
为标准化后的两个序列的两级最大差。ζLe,Lc(k)的值均在0至1之间，值越大，则两个序列在相应时刻的关联程度越强。
进一步的，根据各能源负荷序列在各个时间段内的灰色关联程度，计算每个时间段内每两个能源负荷序列之间的灰色关联程度。需要说明的是，各月份的灰色关联程度最终是以各年相同月份的灰色关联系数的平均值表示的。以1月为例，2015年～2020年共有6个1月，对应的灰色关联程度分别为ζLe,Lc(k)(k＝1、13、25、37、49、61)，则这6个灰色关联系数的平均值即为1月的灰色关联程度，作为评判其电负荷与热负荷关联性的依据。
S240、根据所述灰色关联程度确定每个时间段对应的预测输入量。
示例性的，若一个月份的灰色关联系数的平均值大于0.5，则相关性较强，在预测该月份的多能负荷时，将Le和Lc共同作为预测输入量，预测结果同时包括为2021年该月的电负荷和热负荷；若该月份的灰色关联按系数的平均值小于0.5，则相关性较弱，在预测该月份负荷时，可依次将Le和Lc作为预测输入量，分别预测2021年该月的电负荷和热负荷。
进一步的，S240包括S2410-S2430中的至少一种：
S2410：若在一个时间段内，各所述能源负荷序列之间的灰色关联程度均大于或等于标准值，则将各所述能源负荷序列在该时间段的负荷值作为该时间段对应的预测输入量。
例如，对于1月份，电、热、冷能源负荷序列两两之间的灰色关联程度ζLe,Lc(k)、ζLe,Lh(k)、ζLh,Lc(k)均大于或等于0.5，则在预测1月份的能源负荷时，将电、热、冷能源负荷序列Le、Lc、Lh中每年的1月份的负荷值共同作为预测数入量，对1月份的电、热、冷负荷进行综合预测。
S2420：若在一个时间段内，存在多个能源负荷序列，其中每两个能源负荷序列之间的灰色关联程度均大于或等于标准值，则将所述多个能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
例如，对于1月份，电负荷和热负荷的能源负荷序列之间的灰色关联程度ζLe,Lh(k)大于或等于0.5，而电负荷和冷负荷、冷负荷和热负荷之间的灰色关联程度ζLe,Lc(k)、ζLh,Lc(k)都小于0.5，则在预测1月份的能源负荷时，将电负荷和热负荷的能源负荷序列Le、Lh中每年的1月份的负荷值共同作为预测数入量，对1月份的电负荷和热负荷进行综合预测，此外，对1月份的冷负荷进行预测时，仅将Lc中每年的1月份的负荷值作为预测输入量。同理，对于电、热、冷、气四种能源的能源负荷序列，如果其中三种能源负荷序列两两之间的灰色关联程度大于或等于0.5，则这三种能源负荷序列中每年的1月份的负荷值可共同作为预测输入量，另一种能源负荷序列可单独作为预测输入量。
S2430：若在一个时间段内，一个能源负荷序列与其他任意能源负荷序列之间的灰色关联程度均小于标准值，则将该能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
例如，对于1月份，电负荷与热负荷、电负荷与冷负荷之间的灰色关联程度ζLe,Lh(k)、ζLe,Lc(k)小于0.5，则在预测1月份的电负荷时，仅将Le中每年的1月份的负荷值作为预测输入量。
S250、将所述预测输入量输入至预测模型，得到多能负荷的预测结果
具体的，预测模型可以为RBF神经网络。RBF神经网络学习原理如下：设输入层的输入为X＝(x1,x2,…,xi,…,xn)T，输出为Y＝(y1,y2,…,yk,…,yl)T。n为输入层节点数，m为隐含层节点数，l为输出层节点数，ωik为隐含层第i个神经元与输出层第k个神经元的连接权值，ci为第i个基函数的中心，Φi(||x-ci||)表示第i个隐含层神经元传递函数，因此输出层第k个神经元网络输出为：
本实施例中，预测模型为RBF神经网络，包括一个隐含层，隐含层神经元传递函数为高斯函数。
具体的，Φi(||x-ci||)采用高斯函数，设δi为第i个隐含层神经元高斯函数分布宽度，则神经元传递函数为：
需要说明的是，本实施例中的预测模型采用径向基函数实现输入到输出的映射，能够避免局部极小问题，对于小样本训练数据具有较好效果。
以下通过实例对多能负荷预测过程进行示例性说明。
获取综合能源系统2015年1月至2020年12月个月的电、冷、热能源负荷历史数据，分别用Le,Lc,Lh表示三种能源的能源负荷序列。采用灰色关联分析法对电负荷与冷负荷、电负荷与热负荷、热负荷与冷负荷的能源负荷序列进行分析，得到各能源负荷序列之间在各月份的灰色关联系数，然后计算同一月份的灰色关联系数的平均值，若该平均值大于或等于0.5，则考虑将相应能源负荷序列中相关的负荷值耦合作为预测输入量，若该平均值小于0.5则不耦合。表1至表3分别示出了电负荷与冷负荷、电负荷与热负荷、热负荷与冷负荷各月份的灰色关联系数的平均值及耦合结果。
表1电负荷与冷负荷各月份灰色关联系数的平均值及耦合结果
表2电负荷与热负荷各月份灰色关联系数的平均值及耦合结果
| 月份 | 2015年 | 2016年 | 2017年 | 2015年 | 2019年 | 2020年 | 平均值 | 是否耦合 |
| 1月 | 0.365 | 0.348 | 0.355 | 0.335 | 0.348 | 0.347 | 0.350 | 否 |
| 2月 | 0.402 | 0.408 | 0.580 | 0.480 | 0.486 | 0.534 | 0.482 | 否 |
| 3月 | 0.497 | 0.512 | 0.962 | 0.633 | 0.621 | 0.630 | 0.642 | 是 |
| 4月 | 0.698 | 0.745 | 0.605 | 0.824 | 0.888 | 0.912 | 0.779 | 是 |
| 5月 | 0.542 | 0.539 | 0.530 | 0.786 | 0.755 | 0.726 | 0.646 | 是 |
| 6月 | 0.494 | 0.483 | 0.456 | 0.514 | 0.518 | 0.515 | 0.497 | 否 |
| 7月 | 0.428 | 0.424 | 0.435 | 0.432 | 0.434 | 0.437 | 0.432 | 否 |
| 8月 | 0.403 | 0.403 | 0.441 | 0.451 | 0.447 | 0.448 | 0.432 | 否 |
| 9月 | 0.404 | 0.499 | 0.519 | 0.534 | 0.500 | 0.584 | 0.507 | 是 |
| 10月 | 0.476 | 0.466 | 0.703 | 0.743 | 0.765 | 0.969 | 0.687 | 是 |
| 11月 | 0.695 | 0.721 | 0.670 | 0.731 | 0.701 | 0.731 | 0.708 | 是 |
| 12月 | 0.350 | 0.362 | 0.360 | 0.371 | 0.356 | 0.361 | 0.360 | 否 |
表3冷负荷与热负荷各月份灰色关联系数的平均值及耦合结果
| 月份 | 2015年 | 2016年 | 2017年 | 2015年 | 2019年 | 2020年 | 平均值 | 是否耦合 |
| 1月 | 0.378 | 0.364 | 0.357 | 0.346 | 0.379 | 0.343 | 0.361 | 否 |
| 2月 | 0.419 | 0.418 | 0.549 | 0.476 | 0.478 | 0.427 | 0.461 | 否 |
| 3月 | 0.538 | 0.539 | 0.808 | 0.616 | 0.562 | 0.549 | 0.602 | 是 |
| 4月 | 0.739 | 0.742 | 0.772 | 0.856 | 0.870 | 0.806 | 0.798 | 是 |
| 5月 | 0.678 | 0.679 | 0.613 | 0.634 | 0.760 | 0.832 | 0.700 | 是 |
| 6月 | 0.439 | 0.443 | 0.461 | 0.495 | 0.500 | 0.546 | 0.481 | 否 |
| 7月 | 0.401 | 0.408 | 0.427 | 0.384 | 0.383 | 0.399 | 0.400 | 否 |
| 8月 | 0.367 | 0.374 | 0.391 | 0.436 | 0.430 | 0.395 | 0.399 | 否 |
| 9月 | 0.519 | 0.525 | 0.524 | 0.543 | 0.519 | 0.496 | 0.488 | 是 |
| 10月 | 0.567 | 0.565 | 0.736 | 0.810 | 0.827 | 1.000 | 0.751 | 是 |
| 11月 | 0.630 | 0.633 | 0.698 | 0.718 | 0.635 | 0.627 | 0.657 | 是 |
| 12月 | 0.364 | 0.365 | 0.382 | 0.381 | 0.378 | 0.368 | 0.373 | 否 |
根据表1至表3可知，在3-5月份和9-11月份，电负荷与冷负荷、电负荷与热负荷，冷负荷与热负荷的灰色关联系数平均值均大于0.5，在这些月份中各种能源负荷的相关性较强，因此在预测时将三种能源负荷序列共同作为预测输入量；而其余月份各种能源负荷之间的灰色关联系数平均值均小于0.5，相关性较弱，因此在预测某一种能源负荷时，仅将该能源负荷序列作为预测输入量。
表4示出了不同时间段的输入预测量和预测结果的映射关系。如表4所示，设待预测月份为t，电、冷、热负荷的预测结果分别为let、lct、lht，设
分别为待预测月份前一年相应月份的电、冷、热负荷，则对于强相关月份，将电、冷、热负荷共同输入，同时输出电、冷、热负荷的预测结果；在弱相关月份，仅输入单一的电、冷或热负荷的历史数据，用于预测对应的电、冷或热负荷值。
表4不同月份的输入预测量和预测结果
需要说明的是，输入预测量可以是待预测年度的上一年度内各月份的能源负荷，也可以是过去多年内各月份的能源负荷。例如，表4中的输入预测量还可以包括
等，这种情况下，需要在训练预测模型时，从能源负荷历史数据中选取具有相同年度差(或月份差)的数据分别作为预测模型的输入和输出，使预测模型能够学习到在这种年份差(或月份差)下的能源负荷预测规律即可。
为验证本实施例方法的优越性，采用RBF神经网络分别建立仅输入一种能源负荷历史数据的单一负荷预测模型、可同时输入电、冷、热负荷历史数据的多能负荷预测模型、以及本实施例提供的根据灰色关联程度确定预测输入量的预测模型，设置RBF神经网络的隐含层层数为1，隐含层神经元个数由RBF神经网络工具箱自适应选取。用于训练模型的数据包括2015年1月至2018年12月负荷数据，用于测试模型性能的样本数据为2019年1月至12月负荷数据，对应的验证数据为2020年1月至12月月度负荷。采用平均绝对百分比误差进行对比分析来验证该预测模型的优越性。表5示出了不同预测模型预测结果的平均绝对百分比误差。
表5不同预测模型预测结果的平均绝对百分比误差
其中，对于一种预测模型和一种能源负荷，其平均绝对百分比误差是该能源负荷的预测结果中12个月的平均绝对百分比误差的均值表示的。由表5可知，本实施例的预测模型的平均绝对百分比误差更小，多能负荷预测结果的精确性更高。
本发明实施例二提供的一种多能负荷预测方法，在上述实施例的基础上进行优化，通过利用平均绝对百分比误差验证预测模型的性能，保证预测模型的有效性以及可靠性；通过区分不同时间段内多能负荷之间的耦合特性，分别对具有不同耦合特性负荷建立相应预测模型进行预测，使城市级综合能源系统多能月度负荷预测结果更加精确、预测方式更灵活，适用性广，有助于城市级综合能源系统在未来的建设、规划、调度和经济运行。
实施例三
图3为本发明实施例三提供的一种多能负荷预测装置的结构示意图。本实施例提供的多能负荷预测装置包括：
关联程度确定模块310，用于根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；
输入量确定模块320，用于根据所述灰色关联程度确定每个时间段对应的预测输入量；
预测模块330，用于将所述预测输入量输入至预测模型，得到多能负荷的预测结果。
本发明实施例三提供的一种多能负荷预测装置，考虑了各时间段内多种能异质负荷的特性及相互关联程度，从而合理确定每个时间段对应的预测输入量，提高了综合能源系统多能负荷预测结果的精确性。
在上述实施例的基础上，关联程度确定模块310，包括：
序列生成单元，用于根据综合能源的多能负荷历史数据生成能源负荷序列，每个能源负荷序列由一种能源在各所述时间段的负荷值构成；
计算单元，用于计算每个时间段内每两个能源负荷序列之间的灰色关联程度。
在上述实施例的基础上，输入量确定模块320，具体用于：
若在一个时间段内，各所述能源负荷序列之间的灰色关联程度均大于或等于标准值，则将各所述能源负荷序列在该时间段的负荷值作为该时间段对应的预测输入量。
在上述实施例的基础上，输入量确定模块320，具体用于：
若在一个时间段内，存在多个能源负荷序列，其中每两个能源负荷序列之间的灰色关联程度均大于或等于标准值，则将所述多个能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
在上述实施例的基础上，输入量确定模块320，具体用于：
若在一个时间段内，一个能源负荷序列与其他任意能源负荷序列之间的灰色关联程度均小于标准值，则将该能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
在上述实施例的基础上，该装置还包括：
训练模块，用于根据综合能源的多能负荷历史数据训练所述预测模型，直至所述预测模型的输出与相应的多能负荷历史数据之间的平均绝对百分比误差小于设定值。
在上述实施例的基础上，所述预测模型为RBF神经网络，包括一个隐含层，所述隐含层神经元传递函数为高斯函数。
本发明实施例三提供的多能负荷预测装置可以用于执行上述任意实施例提供的多能负荷预测方法，具备相应的功能和有益效果。
实施例四
图4为本发明实施例四提供的一种预测设备的硬件结构示意图。预测设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及服务器等电子设备。如图4所示，本申请提供的预测设备，包括存储装置42、处理器41以及存储在存储装置上并可在处理器上运行的计算机程序，处理器41执行所述程序时实现上述的多能负荷预测方法。
预测设备还可以包括存储装置42；该预测设备中的处理器41可以是一个或多个，图4中以一个处理器41为例；存储装置42用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器41执行，使得所述一个或多个处理器41实现如本申请实施例中所述的多能负荷预测方法。
预测设备还包括：通信装置43、输入装置44和输出装置45。
预测设备中的处理器41、存储装置42、通信装置43、输入装置44和输出装置45可以通过总线或其他方式连接，图4中以通过总线连接为例。
输入装置44可用于接收输入的数字或字符信息，以及产生与预测设备的用户设置以及功能控制有关的按键信号输入。输出装置45可包括显示屏等显示设备。
通信装置43可以包括接收器和发送器。通信装置43设置为根据处理器41的控制进行信息收发通信。
存储装置42作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本申请实施例所述多能负荷预测方法对应的程序指令/模块(例如，多能负荷预测装置中的关联程度确定模块310、输入量确定模块模块320和预测模块330)。存储装置42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据预测设备的使用所创建的数据等。此外，存储装置42可以包括高速随机存取存储装置，还可以包括非易失性存储装置，例如至少一个磁盘存储装置件、闪存器件、或其他非易失性固态存储装置件。在一些实例中，存储装置42可进一步包括相对于处理器41远程设置的存储装置，这些远程存储装置可以通过网络连接至预测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在上述实施例的基础上，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被多能负荷预测装置执行时实现本发明上述任意实施例中的多能负荷预测方法，该方法包括：根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；根据所述灰色关联程度确定每个时间段对应的预测输入量；将所述预测输入量输入至预测模型，得到多能负荷的预测结果。
本发明实施例所提供的一种包含计算机可执行指令的存储介质，可以采用一个或多个计算机可读的介质的任意组合，例如计算机可读信号介质或者存储介质。计算机可读存储介质例如可以是，但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储装置(Random AccessMemory，RAM)、只读存储装置(Read Only Memory，ROM)、可擦式可编程只读存储装置(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储装置件、磁存储装置件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储装置(Read-Only Memory，ROM)、随机存取存储装置(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种多能负荷预测方法，其特征在于，包括：
根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；
根据所述灰色关联程度确定每个时间段对应的预测输入量；
将所述预测输入量输入至预测模型，得到多能负荷的预测结果。
2.根据权利要求1所述的方法，其特征在于，根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度，包括：
根据综合能源的多能负荷历史数据生成能源负荷序列，每个能源负荷序列由一种能源在各所述时间段的负荷值构成；
计算每个时间段内每两个能源负荷序列之间的灰色关联程度。
3.根据权利要求2所述的方法，其特征在于，根据所述灰色关联程度确定每个时间段对应的预测输入量，包括：
若在一个时间段内，各所述能源负荷序列之间的灰色关联程度均大于或等于标准值，则将各所述能源负荷序列在该时间段的负荷值作为该时间段对应的预测输入量。
4.根据权利要求2所述的方法，其特征在于，根据所述灰色关联程度确定每个时间段对应的预测输入量，包括：
若在一个时间段内，存在多个能源负荷序列，其中每两个能源负荷序列之间的灰色关联程度均大于或等于标准值，则将所述多个能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
5.根据权利要求2所述的方法，其特征在于，根据所述灰色关联程度确定每个时间段对应的预测输入量，包括：
若在一个时间段内，一个能源负荷序列与其他任意能源负荷序列之间的灰色关联程度均小于标准值，则将该能源负荷序列在该时间段的负荷值作为相应种类的能源在该时间段对应的预测输入量。
6.根据权利要求1所述的方法，其特征在于，还包括：
根据综合能源的多能负荷历史数据训练所述预测模型，直至所述预测模型的输出与相应的多能负荷历史数据之间的平均绝对百分比误差小于设定值。
7.根据权利要求1所述的方法，其特征在于，所述预测模型为径向基RBF神经网络，包括一个隐含层，所述隐含层神经元传递函数为高斯函数。
8.一种多能负荷预测装置，其特征在于，包括：
关联程度确定模块，用于根据综合能源的多能负荷历史数据，确定每个时间段内不同能源负荷之间的灰色关联程度；
输入量确定模块，用于根据所述灰色关联程度确定每个时间段对应的预测输入量；
预测模块，用于将所述预测输入量输入至预测模型，得到多能负荷的预测结果。
9.一种预测设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的多能负荷预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的多能负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734487.6A CN113469434A (zh) | 2021-06-30 | 2021-06-30 | 多能负荷预测方法、装置、预测设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110734487.6A CN113469434A (zh) | 2021-06-30 | 2021-06-30 | 多能负荷预测方法、装置、预测设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113469434A true CN113469434A (zh) | 2021-10-01 |
Family
ID=77874273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110734487.6A Pending CN113469434A (zh) | 2021-06-30 | 2021-06-30 | 多能负荷预测方法、装置、预测设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469434A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018119A (zh) * | 2022-04-26 | 2022-09-06 | 河北大学 | 用电负荷预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 |
| 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 |
| 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 |
| CN111931992A (zh) * | 2020-07-16 | 2020-11-13 | 广东电网有限责任公司 | 一种电力负荷预测指标选取方法及装置 |
-
2021
- 2021-06-30 CN CN202110734487.6A patent/CN113469434A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 |
| 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 |
| 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 |
| CN111931992A (zh) * | 2020-07-16 | 2020-11-13 | 广东电网有限责任公司 | 一种电力负荷预测指标选取方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 田浩含;撖奥洋;于立涛;张智晟;: "基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型", 广东电力, no. 05, pages 44 - 51 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115018119A (zh) * | 2022-04-26 | 2022-09-06 | 河北大学 | 用电负荷预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bostanabad et al. | Leveraging the nugget parameter for efficient Gaussian process modeling | |
| Jerez et al. | Reliability-based design optimization of structural systems under stochastic excitation: an overview | |
| US11687352B2 (en) | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments | |
| CN109360012A (zh) | 广告投放渠道的选择方法及装置、存储介质、电子设备 | |
| CN108520470B (zh) | 用于生成用户属性信息的方法和装置 | |
| CN111340221B (zh) | 神经网络结构的采样方法和装置 | |
| Che | A multi-objective optimization algorithm for solving the supplier selection problem with assembly sequence planning and assembly line balancing | |
| CN111145076A (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
| Wang et al. | Bad-scenario-set robust scheduling for a job shop to hedge against processing time uncertainty | |
| CN110990135B (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
| CN112733995A (zh) | 训练神经网络的方法、行为检测方法及行为检测装置 | |
| CN113419849A (zh) | 边缘计算节点选择方法及终端设备 | |
| CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN113469434A (zh) | 多能负荷预测方法、装置、预测设备及存储介质 | |
| CN115098257A (zh) | 一种资源调度方法、装置、设备以及存储介质 | |
| Beskorovainyi et al. | Technology of large-scale objects system optimization | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
| CN113706116A (zh) | 船舶焊接工时确定方法、装置、计算机设备和存储介质 | |
| CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
| Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
| CN113793017B (zh) | 一种配电房老化评价方法、装置、终端设备及存储介质 | |
| Jun et al. | An entropy based sequential calibration approach for stochastic computer models | |
| Sverchkov | A new approach to estimation of response probabilities when missing data are not missing at random | |
| Quinn et al. | A generalized prediction framework for Granger causality |
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 |