CN113537571A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113537571A
CN113537571A CN202110682112.XA CN202110682112A CN113537571A CN 113537571 A CN113537571 A CN 113537571A CN 202110682112 A CN202110682112 A CN 202110682112A CN 113537571 A CN113537571 A CN 113537571A
Authority
CN
China
Prior art keywords
data
model
lstm
load prediction
cnn
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
CN202110682112.XA
Other languages
English (en)
Inventor
张硕
周小林
郑立荣
邹卓
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.)
Fudan University
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN202110682112.XA priority Critical patent/CN113537571A/zh
Publication of CN113537571A publication Critical patent/CN113537571A/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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于建筑电负荷预测技术领域，具体为一种基于CNN‑LSTM混合网络模型的建筑电负荷预测方法及装置。本发明方法包括：获取建筑的电负荷数据和特征变量数据，组成训练模型的数据集，并对其进行缺失值填补的预处理；以预设比例将预处理后的数据分为训练集和测试集；建立CNN编码‑LSTM解码混合神经网络的电负荷预测模型，将训练集的数据输入模型进行训练，再将训练好的模型在测试集上进行预测，获得建筑对应的分负荷曲线、时负荷曲线、日负荷曲线和周负荷曲线。本发明可以方便地利用现有的公开数据集和深度学习框架进行模型的构建和预测，并且通过与现有的预测方法进行对比，说明本发明具有较高的准确性和有效性。

Description

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
技术领域
本发明属于建筑电负荷预测技术领域，具体涉及一种基于CNN编码-LSTM解码混合神经网络模型的建筑能耗电负荷预测方法及装置。
背景技术
近年来，随着人口数量的不断增长以及科学技术的飞速发展，环境问题、能源问题使得全球面领着巨大危机。因此，全人类的共同目标是在节约能源、保护环境的基础上实现可持续发展。目前，节能减排的三个主要领域是：建筑、工业以及交通。由于人口的增长，对建筑服务和舒适度的需求不断增加，以及在建筑物内停留时间的增加等因素，截止目前，建筑领域能耗已经超过其他两个领域能耗。建筑的能耗大部分来自电负荷。而随着社会对电力系统运行的安全性、稳定性以及经济性的要求不断提高，电负荷预测的重要性也日益突出。电负荷预测是电力系统规划工作的基础，是合理安排发电、输电和配电的必要前提。因此，提高电负荷预测的准确性具有十分重要的意义。
针对建筑的电负荷预测目前已有许多预测方法，然而随着建筑智能化速度的不断加快，建筑的电负荷数据具有数量大、多维性、多度量性等特点，同时由于测量噪声、不确定性、传感器故障和校准不足等问题，建筑物的实际运行数据极易受异常值和缺失值的侵扰，而且建筑电负荷预测很多时候要基于多元时间序列进行分析，利用传统的自回归移动平均模型(ARMA)，自回归综合移动平均模型(ARIMA)等统计方法对电负荷进行预测已越来越不能满足实际应用的需求。KNN、随机森林、支持向量机等多种机器学习模型在数据样本量较小的情况下具有较好的预测性能，然而，传统的机器学习模型只能提取较浅层的特征，且通常需要复杂的特征工程。近几年，许多学者将RNN算法应用于时间序列预测问题上。RNN将上一隐层时间步的输出作为当下时间步的输入，并影响当下时间步的输出。凭借其独特的循环机制，RNN已经在很多领域证明了它的出色表现。但是RNN的训练，需要使用随时间的反向算法计算参数的梯度，其本质上仍然利用梯度的链式传递法则，所以RNN存在严重的梯度消散现象，导致其无法学习到数据中的长期依赖关系。
发明内容
针对上述问题，本发明的目的在于提供一种预测准确性高的基于CNN编码-LSTM解码混合神经网络模型的建筑能耗电负荷预测方法和装置。
本发明采用CNN编码-LSTM解码混合神经网络模型，充分利用CNN(编码器)良好的特征提取能力和LSTM(解码器)出色的对时间序列建模分析的能力，可以有效地提高建筑电负荷预测的准确性。
本发明提供的基于CNN编码-LSTM解码混合神经网络模型的建筑能耗电负荷预测方法，具体步骤如下：
(1)获取建筑的电负荷数据和特征变量数据，组成训练模型的数据集，并对无效数据进行预处理；
(2)以预设比例将预处理后的数据分为训练集和测试集；
(3)建立CNN编码-LSTM解码混合神经网络的电负荷预测模型，将训练集的数据输入模型进行训练，再将训练好的模型在测试集上进行预测；
(4)按不同时间分辨率获得建筑对应的分负荷曲线、时负荷曲线、日负荷曲线和周负荷曲线，并使用性能评估指标对预测值和真实值的拟合度进行度量。
可选的，本发明所采用的数据集的建筑类型为住宅。
可选的，本发明所采用的数据集中的特征变量数据，包括无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能。
可选的，本发明所采用的数据集中的无效数据，为数据值出现缺失或为“？”的数据。根据缺失时间的长短，本发明分别采用线性插值法和上周同一时刻插值法来对其进行填补。
可选的，本发明采用CNN作为编码器，LSTM作为解码器。CNN编码器由两组卷积-池化层和一层平坦层组成，用于提取多元特征变量之间的关系，并将其编码为定长矢量。LSTM解码器由两层LSTM层组成，用于对时间序列进行建模和分析，并解码定长矢量为变长序列。然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。
可选的，本发明所述性能评估指标，采用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均相对误差(MAPE)四个指标。
本发明还提供基于CNN编码-LSTM解码混合神经网络模型的建筑电负荷预测装置，包括：
数据采集模块：包括传感器、RFID等智能设备，用于采集建筑的电负荷数据和特征变量数据，组成训练模型的数据集；
数据处理模块：用于对数据采集模块存储的数据进行预处理，包括缺失值填补、异常值检测、特征相关性分析、数据归一化、训练集与测试集的划分等；
模型训练模块：建立CNN编码-LSTM解码混合神经网络的电负荷预测模型，然后将训练集的数据输入模型进行训练；
预测模块：将训练好的模型在测试集上进行预测，获得负荷预测曲线；
结果评估模块：使用性能评估指标对预测值和真实值的拟合度进行度量。
可选的，本发明在数据采集模块所采用的数据集的建筑类型为住宅。
可选的，本发明在数据采集模块所采用的数据集中的特征变量包括无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能。
可选的，本发明在数据处理模块主要针对所采用的数据集中存在的数据值为缺失或“？”的数据进行缺失值填补的预处理。根据缺失时间的长短，本发明分别采用线性插值法和上周同一时刻插值法来对其进行填补。
可选的，本发明在模型训练模块采用CNN作为编码器，LSTM作为解码器。CNN编码器由两组卷积-池化层和一层平坦层组成，它可以提取多元特征变量之间的关系，并将其编码为定长矢量。LSTM解码器由两层LSTM层组成，它可以对时间序列进行建模和分析，并解码定长矢量为变长序列。然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。
可选的，本发明在预测模块按不同时间分辨率获得建筑对应的分负荷曲线、时负荷曲线、日负荷曲线和周负荷曲线。
可选的，本发明在结果评估模块采用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均相对误差(MAPE)四种性能评估指标进行度量。
本发明有以下有益效果：
(1)本发明可以方便地采用现有的公开数据集和深度学习框架进行模型的构建和预测；本发明选取的是UCI机器学习知识库提供的个人家庭用电量数据集，使用深度学习框架Keras，TensorFlow进行模型的构建；代价小，易于实行；
(2)本发明针对不同的数据缺失情况，分别采用线性插值法和上周同一时刻插值法对缺失值进行填补，从而可以更加贴近真实数据，更好验证模型的有效性；
(3)本发明充分利用了CNN强大的特征提取能力和LSTM出色的时间序列建模能力以及编码器-解码器结构独特的变长序列处理能力，具有更强的泛化能力和更高的预测精度；
(4)本发明所提出的CNN编码-LSTM解码混合神经网络电负荷预测模型不依赖于时间分辨率，在不同时间分辨率下均取得了十分良好的效果，证明其有效性和优越性。
附图说明
图1为本发明的预测方法流程图。
图2为本发明的预测装置结构图。
图3为本发明采用的CNN编码-LSTM解码混合神经网络模型结构示意图。
图4为本发明一个实施例的两种数据缺失现象。
图5为本发明一个实施例的不同四天的用电量趋势变化图。
图6为本发明一个实施例的与图5对应的上周同一天的用电量趋势变化图。
图7为本发明一个实施例的不同时间分辨率下用电量预测结果示意图。(a)为分负荷曲线，(b)为时负荷曲线，(c)为日负荷曲线，(d)为周负荷曲线。
具体实施方式
下面将结合实施例和附图，对本发明作进一步描述。通过附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明一方面提供一种基于CNN编码-LSTM解码混合神经网络模型的建筑电负荷预测方法，如图1所示，包括：
S1，获取建筑的电负荷数据和特征变量数据组成训练模型的数据集：
从UCI机器学习知识库网站http://archive.ics.uci.edu/ml/获取2006.12-2010.11法国巴黎一个家庭近四年的用电量数据集。该数据集是一个多变量时间序列数据集，以1分钟的采样速率，采集总共2075259个时间序列的用电量。该数据集由9个属性信息构成。日期和时刻为时间信息，有功功率为用电量数据，无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能为特征数据。
S2，对数据集中的无效数据进行预处理：
如图4所示，该数据集中的无效数据为数据值出现缺失或为“？”的数据。将“？”的数据也视为缺失数据。图4(a)表示数据在某一时刻或短时间内存在缺失，图4(b)表示数据在某一很长的时间段内连续缺失。上述两种数据缺失情况，在任一缺失行内，除了日期和时刻两个时间信息的值保持完整之外，其他7个特征的值全部缺失。下面分别对这两种情况的缺失值进行填补。
对于图4(a)中的数据缺失情况(缺失时长不超过一小时)，我们随机选取了无数据缺失的四天进行家庭用电量趋势变化分析。如图5所示，总体来看，用电量受住户活动的影响较大，其波动的时间和幅度都具有较强的随机性，但在短时间内，其趋势性比较明显。采用线性插值的方法来对图4(a)中的数据缺失情况进行填补。公式(1)为线性插值的原理。
Figure BDA0003123202380000041
式中，yij为j特征在第i行内的插入值，x0为距离第i行最近的前一无数据缺失行的行数值，xn为距离第i行最近的后一无数据缺失行的行数值，xi为第i行的行数值，y0j为j特征在第x0行的值，ynj为j特征在第xn行的值。
对于图4(b)中的数据缺失情况，其缺失时间长达1-5天，若继续采用线性插值法对其进行填补，则会导致一天之内的用电量完全按照某一特定的趋势在变化，而体现不出住户活动的影响。图6(a)～(d)均为图5(a)～(d)的上周同一天的用电量趋势变化图，分别对比相应的两个图，发现每周同一天的用电量趋势变化虽局部有所差异，但整体保持较高的相似度。故采用上周同一天同一时刻的数据对图4(b)中的数据缺失情况进行填补。其他6个特征的缺失数据也分别按照上述两种方法进行填补。
S3，以预设比例将预处理后的数据分为训练集和测试集：
由于实施例所使用的数据集采集了近四年的数据，所以将前三年的数据划分为训练集，剩余一年作为测试集。
S4,建立CNN编码-LSTM解码混合神经网络的电负荷预测模型：
使用深度学习框架Keras，TensorFlow建立CNN编码-LSTM解码混合神经网络的电负荷预测模型，如图3所示。CNN编码器由两组卷积-池化层和一层平坦层组成，它可以提取多元特征变量之间的关系，并将其编码为定长矢量。LSTM解码器由两层LSTM层组成，它可以对时间序列进行建模和分析，并解码定长矢量为变长序列。然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。该模型各个图层的参数在表1中列出。
表1 CNN编码-LSTM解码混合神经网络模型的结构和参数
图层类型 输出形状 参数
Conv1D (None,5,64) 192
MaxPooling1D (None,2,64) 0
Conv1D (None,2,64) 8256
MaxPooling1D (None,1,64) 0
Flatten (None,64) 0
ReapeatVector (None,5,64) 0
LSTM (None,5,128) 98816
LSTM (None,128) 131584
Dense (None,32) 4128
Dropout (None,32) 0
Dense (None,1) 33
全部参数 243009
。
S5，验证CNN编码-LSTM解码混合神经网络电负荷预测模型的准确性和有效性：
使用4种常见的性能评估指标：均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均相对误差(MAPE)。它们的数学公式在公式(2)–(5)中给出，取值范围均为[0,+∞)，即当预测值与真实值完全吻合时等于0，值越大，说明误差越大。
Figure BDA0003123202380000051
Figure BDA0003123202380000061
Figure BDA0003123202380000062
Figure BDA0003123202380000063
式中：yi为电负荷真实值；
Figure BDA0003123202380000064
为模型预测值；m为预测次数。
在原数据集以每分钟采样的基础上，再按每时、每日、每周等不同时间单位进行重采样，以验证CNN编码-LSTM解码混合神经网络电负荷预测模型在不同时间分辨率下的性能。将S3中训练集的数据输入模型进行训练，再将训练好的模型在S3中测试集上进行预测。图7显示了CNN编码-LSTM解码混合神经网络电负荷预测模型的预测结果。该图显示不论在何种时间分辨率下，CNN编码-LSTM解码混合神经网络电负荷预测模型都可以保持很好的预测结果，具有较高的准确性。
此外，除了所提出的CNN编码-LSTM解码混合神经网络模型，选取了CNN-LSTM、EECP-CBL、BPTT、CNN with M-BDLSTM四种其他研究者提出的适用于同一数据集的竞争基准模型进行比较。表2-5总结了不同时间分辨率下各种竞争基准模型的性能。结果表明，不论在何种时间分辨率下，不论是哪种性能评估指标，本发明所提出的CNN编码-LSTM解码混合神经网络模型的预测误差都最小。表明了基于CNN编码-LSTM解码混合神经网络模型的建筑电负荷预测方法的有效性。
表2每分采样率下不同模型的性能比较
模型 MSE RMSE MAE MAPE
CNN-LSTM 0.374 0.611 0.349 34.84
EECP-CBL 0.051 0.225 0.098 11.66
CNN with M-BDLSTM 0.319 0.565 0.347 29.10
CE-LD 0.002 0.043 0.034 4.82
表3每时采样率下不同模型的性能比较
模型 MSE RMSE MAE MAPE
CNN-LSTM 0.355 0.596 0.332 32.83
EECP-CBL 0.298 0.546 0.392 50.09
BPTT 0.384 0.395
CE-LD 0.001 0.035 0.023 2.67
表4每天采样率下不同模型的性能比较
Figure BDA0003123202380000065
Figure BDA0003123202380000071
表5每周采样率下不同模型的性能比较
模型 MSE RMSE MAE MAPE
CNN-LSTM 0.095 0.309 0.238 31.84
EECP-CBL 0.049 0.220 0.177 21.28
CE-LD 0.006 0.076 0.062 6.08
。
另一方面，本发明还提供基于CNN编码-LSTM解码混合神经网络模型的建筑电负荷预测装置，如图2所示，包括数据采集模块201、数据处理模块202、模型训练模块203、预测模块204、结果评估模块205：
数据采集模块201通过传感器、RFID等智能设备采集建筑的电负荷数据和特征变量数据组成训练模型的数据集；
数据处理模块202用于对数据采集模块存储的数据进行预处理，包括缺失值填补、异常值检测、特征相关性分析、数据归一化、训练集与测试集的划分等；
模型训练模块203用于建立CNN编码-LSTM解码混合神经网络的电负荷预测模型，然后将训练集的数据输入模型进行训练；
预测模块204用于将训练好的模型在测试集上进行预测，获得电负荷预测曲线；
结果评估模块205使用性能评估指标对预测值和真实值的拟合度进行度量。
更具体的实施方式可参照上述实施例，为避免冗余，在此不再赘述。
根据本发明实施例的基于CNN编码-LSTM解码混合神经网络模型的电负荷预测装置，能够保证训练数据信息的完整性，提高预测精度，并能够预测不同时间分辨率的电负荷数据，以及能够提高预测的实时性。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于CNN-LSTM混合网络模型的建筑能耗电负荷预测方法，其特征在于，具体步骤如下：
（1）获取建筑的电负荷数据和特征变量数据，组成训练模型的数据集，并对无效数据进行预处理；
（2）以预设比例将预处理后的数据分为训练集和测试集；
（3）建立CNN编码-LSTM解码混合神经网络的电负荷预测模型，将训练集的数据输入模型进行训练，再将训练好的模型在测试集上进行预测；
（4）按不同时间分辨率获得建筑对应的分负荷曲线、时负荷曲线、日负荷曲线和周负荷曲线，并使用性能评估指标对预测值和真实值的拟合度进行度量。
2.根据权利要求1所述的建筑电负荷预测方法，其特征在于，步骤（1）中所述特征变量数据包括无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能。
3.根据权利要求1所述的建筑电负荷预测方法，其特征在于，步骤（1）中所述对无效数 据进行预处理，是对数据值出现缺失或为“
Figure 579037DEST_PATH_IMAGE001
”的数据，根据缺失时间的长短，本分别采用线 性插值法和上周同一时刻插值法来对其进行填补。
4.根据权利要求1所述的建筑电负荷预测方法，其特征在于，步骤（3）中采用CNN作为编码器，LSTM作为解码器；CNN编码器由两组卷积-池化层和一层平坦层组成，用于提取多元特征变量之间的关系，并将其编码为定长矢量；LSTM解码器由两层LSTM层组成，用于对时间序列进行建模和分析，并解码定长矢量为变长序列；然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。
5.根据权利要求1所述的建筑电负荷预测方法，其特征在于，步骤（4）中所述性能评估指标采用均方误差MSE、均方根误差RMSE、平均绝对误差MAE和平均相对误差MAPE四个指标。
6.一种基于CNN-LSTM混合网络模型的建筑电负荷预测装置，其特征在于，包括:
数据采集模块：包括传感器、RFID智能设备，用于采集建筑的电负荷数据和特征变量数据，组成训练模型的数据集；
数据处理模块：用于对数据采集模块存储的数据进行预处理，包括缺失值填补、异常值检测、特征相关性分析、数据归一化、训练集与测试集的划分；
模型训练模块：建立CNN编码-LSTM解码混合神经网络的电负荷预测模型，然后将训练集的数据输入模型进行训练；
预测模块：将训练好的模型在测试集上进行预测，获得负荷预测曲线；
结果评估模块：使用性能评估指标对预测值和真实值的拟合度进行度量。
7.根据权利要求6所述的建筑电负荷预测装置，其特征在于，所述数据采集模块中所采集的特征变量包括无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能。
8.根据权利要求6所述的建筑电负荷预测装置，其特征在于，所述数据处理模块中所述 缺失值填补是针对所采用的数据集中存在的数据值为缺失或“
Figure 89653DEST_PATH_IMAGE001
”的数据进行缺失值填补， 具体根据缺失时间的长短，分别采用线性插值法和上周同一时刻插值法来对其进行填补。
9.根据权利要求6所述的建筑电负荷预测装置，其特征在于，所述模型训练模块中，采用CNN作为编码器，LSTM作为解码器；CNN编码器由两组卷积-池化层和一层平坦层组成，用于提取多元特征变量之间的关系，并将其编码为定长矢量；LSTM解码器由两层LSTM层组成，用于对时间序列进行建模和分析，并解码定长矢量为变长序列；然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。
10.根据权利要求6所述的建筑电负荷预测装置，其特征在于，所述预测模块中获得的负荷预测曲线按不同时间分辨率分为分负荷曲线、时负荷曲线、日负荷曲线和周负荷曲线；结果评估模块中使用的性能评估指标为均方误差MSE、均方根误差RMSE、平均绝对误差MAE和平均相对误差MAPE四种。
CN202110682112.XA 2021-06-19 2021-06-19 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 Pending CN113537571A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682112.XA CN113537571A (zh) 2021-06-19 2021-06-19 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682112.XA CN113537571A (zh) 2021-06-19 2021-06-19 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

Publications (1)

Publication Number Publication Date
CN113537571A true CN113537571A (zh) 2021-10-22

Family

ID=78125193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682112.XA Pending CN113537571A (zh) 2021-06-19 2021-06-19 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

Country Status (1)

Country Link
CN (1) CN113537571A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792828A (zh) * 2021-11-18 2021-12-14 成都数联云算科技有限公司 基于深度学习的电网负荷预测方法、系统、设备及介质
CN114326391A (zh) * 2021-12-13 2022-04-12 哈尔滨工程大学 一种建筑能耗预测方法
CN114693064A (zh) * 2022-02-25 2022-07-01 山东建筑大学 一种建筑群方案生成性能评价方法
CN115310727A (zh) * 2022-10-11 2022-11-08 山东建筑大学 一种基于迁移学习的建筑冷热电负荷预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104279715A (zh) * 2014-10-29 2015-01-14 四川慧盈科技有限责任公司 一种楼宇空调设备负荷预测方法
CN109389059A (zh) * 2018-09-26 2019-02-26 华南理工大学 一种基于cnn-lstm网络的p300检测方法
CN111080002A (zh) * 2019-12-10 2020-04-28 华南理工大学 基于深度学习的建筑用电负荷多步预测方法及系统
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
CN112116153A (zh) * 2020-09-18 2020-12-22 上海电力大学 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
CN112215426A (zh) * 2020-10-16 2021-01-12 国网山东省电力公司信息通信公司 一种短期用电负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104279715A (zh) * 2014-10-29 2015-01-14 四川慧盈科技有限责任公司 一种楼宇空调设备负荷预测方法
CN109389059A (zh) * 2018-09-26 2019-02-26 华南理工大学 一种基于cnn-lstm网络的p300检测方法
CN111080002A (zh) * 2019-12-10 2020-04-28 华南理工大学 基于深度学习的建筑用电负荷多步预测方法及系统
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
CN112116153A (zh) * 2020-09-18 2020-12-22 上海电力大学 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
CN112215426A (zh) * 2020-10-16 2021-01-12 国网山东省电力公司信息通信公司 一种短期用电负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘月峰等: "基于CNN-LSTM的短期电力负荷预测研究", 《科技创新与应用》 *
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》 *
陆继翔等: "基于CNN-LSTM混合神经网络模型的短期负荷预测方法", 《电力系统自动化》 *
鞠亚轩等: "基于时间序列多尺度分解的建筑用电负荷预测方法", 《西南大学学报(自然科学版)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792828A (zh) * 2021-11-18 2021-12-14 成都数联云算科技有限公司 基于深度学习的电网负荷预测方法、系统、设备及介质
CN114326391A (zh) * 2021-12-13 2022-04-12 哈尔滨工程大学 一种建筑能耗预测方法
CN114693064A (zh) * 2022-02-25 2022-07-01 山东建筑大学 一种建筑群方案生成性能评价方法
CN114693064B (zh) * 2022-02-25 2023-03-10 山东建筑大学 一种建筑群方案生成性能评价方法
CN115310727A (zh) * 2022-10-11 2022-11-08 山东建筑大学 一种基于迁移学习的建筑冷热电负荷预测方法及系统
CN115310727B (zh) * 2022-10-11 2023-02-03 山东建筑大学 一种基于迁移学习的建筑冷热电负荷预测方法及系统
WO2024078530A1 (zh) * 2022-10-11 2024-04-18 山东建筑大学 一种基于迁移学习的建筑冷热电负荷预测方法及系统

Similar Documents

Publication Publication Date Title
CN113537571A (zh) 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
Yang et al. Intelligent data-driven decision-making method for dynamic multisequence: An E-seq2seq-based SCUC expert system
CN102663513B (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
CN103324980B (zh) 一种风电场风速预测方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
Zhang et al. Short term wind energy prediction model based on data decomposition and optimized LSSVM
CN113141008B (zh) 一种数据驱动的配电网分布式新能源消纳能力评估方法
CN101793907A (zh) 一种风电场短期风速预测方法
Zhang et al. Optimal graph structure based short-term solar PV power forecasting method considering surrounding spatio-temporal correlations
CN115983448B (zh) 一种基于时空图神经网络的多能源负荷预测方法
CN111900713A (zh) 网源协调下考虑负荷和风电随机性多场景输电网规划方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
Wu et al. Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition
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
CN116316617B (zh) 多场站智能融合的新能源发电功率区域预测方法和系统
CN103489037B (zh) 一种可发电风资源的预测方法
CN116050460B (zh) 基于注意力神经网络的气温数据空间插值方法
Chen et al. Short-term load forecasting for industrial users based on Transformer-LSTM hybrid model
CN115907198A (zh) 一种长距离供热负荷智能预测系统
Shi et al. Short-term photovoltaic power forecast based on long short-term memory network
CN115296298A (zh) 一种风电场功率预测方法
Xia et al. Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network
Shi et al. A Short-Term Regional Net Load Prediction Method Based on Parallel Fragment Attention-BI-LSTM
Huang et al. Scenario Reduction of Power Systems with Renewable Generations Using Improved Time-GAN

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20211022

WD01 Invention patent application deemed withdrawn after publication