CN114234392A - 一种基于改进pso-lstm的空调负荷精细预测方法 - Google Patents

Abstract

一种基于改进PSO‑LSTM的空调负荷精细预测模型，属于综合能源系统技术领域，包括以下步骤：对收集到的原始负荷数据采取改进随机森林方法选取特征值；采取改进K‑中心点方法对数据进行聚类分析；将处理后的数据输入进LSTM模型的输入层，并将输入层所接收到的数据导入LSTM网络层；训练LSTM神经网络，利用改进PSO方法优化LSTM神经网络，得到LSTM预测模型；若达到最大迭代次数，则将最优参数赋予LSTM并进行训练，输出预测值，否则继续迭代，直到满足终止条件。本发明在负荷预测的基础上，具有自组织和进化性以及记忆功能的特征，能有效地根据历史信息进行学习和预测，从而获得更好的预测效果提高了负荷预测的精度。

Description

一种基于改进PSO-LSTM的空调负荷精细预测方法

技术领域

本发明属于综合能源系统技术领域，具体涉及一种基于改进PSO-LSTM的空调负荷精细预测方法。

背景技术

要实现双碳目标，大力发展以光伏、风电为代表的可再生能源就成为实现目标的重要路径。但由于风能、太阳能等新能源具有显著的随机性和波动性，导致规模化的新能源发电接入电力系统后，系统供应侧可调控性降低，还会造成一定比例的弃风弃光。综合能源系统能够利用多种不同能源形式协同优化，有效地提升能源利用效率。空调是一种新型用户供热、供冷的形式，可以当作补热和储冷单元。同时空调可以对电力新能源进行有效消纳，但目前空调负荷预测方法不准确、效率低，难以在实际中应用推广。

发明内容

本发明所解决的技术问题是需克服现有技术的缺陷，提供一种基于改进随机森林算法的LSTM神经网络空调负荷预测方法。本发明能够有效的筛选出影响因子大负荷数据，具有自组织和记忆功能，所有粒子都保存优解的相关知识，能更准确的预测负荷值，提高空调负荷预测的精度。

本发明的技术方案是：

1、一种基于改进PSO-LSTM的空调负荷精细预测模型，其特征在于，包括以下步骤：

步骤1：对历史负荷数据利用改进随机森林选取特征集：

1)对原始负荷数据进行随机抽取，未被抽取到的数据作为测试集；

2)利用抽取到的数据构建改进随机森林模型，然后使用测试集计算该模型的测试集误差，记为erroxt1；

3)在测试集数据的所有样本中，随机改变某个H的值，再次计算测试集误差，记为erroxt2；

4)使用的决策树数量设为B颗，计算出各个要素H的重要性V并进行排序，计算公式如下：

步骤2：采用K-中心点方法对数据进行聚类分析：

2.1)确定聚类的个数K；

2.2)选择数据集合中的K个点任意作为每个集束的中心点；

2.3)把剩余点到K个中心点的距离D算出，且把各个点到K个中心点距离最短的集束看作自己所处的集束：

式中：a_k表示向量(a₁,a₂,…,a_n)；b_k表示向量(b₁,b₂,…,b_n)。

2.4)依据次序在各个集束中选取点，算出当前点到该集束每个点的距离之和，新的中心点选定为距离之和最小的点；

2.5)重复2.2)、2.3)步骤，直到每个集束的中心点不发生改变。

步骤3：将数据进行上述处理后导进LSTM模型的输入层，并将采集到的数据输入LSTM网络层；

步骤4：将LSTM神经网络进行训练，并采取改进PSO方法对LSTM神经网络进行优化，使网络权值进行完善，从而获取LSTM预测模型：

4.1)对粒子群参量进行起始化，应保证学习要素、迭代次数、种群规模、粒子方位和速度在限定区间的取值；

4.2)搭建LSTM模型，使参数寻优区间确定，生成单个种群粒子。将参考变量定义为LSTM的迭代次数、神经元数目，学利率，把参数的寻优区间确定，把数据分为三部分，分别是训练、检验和测试样本；

4.3)明确粒子评价函数；定义具有LSTM模型参数的种群个体x_i的吻合度值F_i为：

式中：U，O分别表示训练样本和验证样本的个数；y_u，

分别表示训练样本的真实值和预测值；y_o，

分别表示验证样本的真实值和预测值。

4.4)算出粒子的自吻合度值，将历史最佳位置设置为粒子确定后的全局最优位置p_best和局部最优位置g_best；

4.5)将普通粒子和局部最优粒子位置进行更新，计算公式如下：

式中：w表示惯性权重；l表示超参量；c₁和c₂表示学习因子；r₁和r₂为两个分布在[0,1]之间互相独立的随机数；

和

分别为在第t次迭代中，第i个粒子在第j维上的速度分量、位置分量、个体最优值和群体全局最优值。

步骤5：若达到最大迭代次数，则将最优参数赋予LSTM并进行训练，输出预测值；否则继续迭代，直到满足终止条件。

本发明的有益效果为：

本发明提供一种基于改进随机森林算法的LSTM神经网络空调负荷预测方法。首先，利用改进随机森林的算法将影响因子较大的数据挑出，再利用K-中心点方法对数据进行聚类分析，最后利用处理后的数据训练LSTM神经网络，降低模型的复杂度，缩减模型的运行时间，并提高模型的精度。利用改进PSO方法调整神经网络权值，得到基于LSTM神经网络的负荷预测模型，使网络权值更加完善，从而使LSTM输出的预测值更为精准。本发明利用多种算法相结合，能够有效的挑选及输入权重大的负荷数据，更准确的预测负荷值，提高空调负荷预测的精度。

附图说明

图1为改进随机森林处理数据图；

图2为LSTM记忆单元结构图；

图3为基于改进PSO优化LSTM空调负荷数据预测框架图；

图4为测试集平均负荷率预测结果对比图；

图5为空调负荷误差分布图。

具体实施方式

结合本发明实施例中的附图，对本发明实施例中的技术方案进行清晰地描述，使得本发明的发明目的、特征、优点能够更加明显易懂。所描述的实施例仅仅为本发明实施例的一部分，并非全部实施例。

本发明采用某风电场宿舍空调负荷数据，并展示本发明的一个具体实施例。一种基于改进随机森林算法的LSTM神经网络空调负荷预测方法，包括以下步骤：

1)对采集到的历史空调负荷数据进行改进随机森林选取特征集；

2)对历史空调负荷数据采用K-中心点方法进行聚类分析；

3)对数据进行上述处理后导入LSTM模型的输入层，并将之后采集到的数据输入LSTM网络层；

4)使用改进PSO优化LSTM模型，进行迭代；

5)若达到最大迭代次数，则将最优参数赋予LSTM模型并进行训练，输出预测值；否则继续迭代，直到满足终止条件。

步骤1：如图1，对历史负荷数据利用改进随机森林选取特征集：

1)对原始负荷数据进行随机抽取，未被抽取到的数据作为测试集；

2)利用抽取到的数据构建改进随机森林模型，然后使用测试集计算该模型的测试集误差，记为erroxt1；

3)在测试集数据的所有样本中，随机改变某个H的值，再次计算测试集误差，记为erroxt2；

4)使用的决策树数量设为B颗，计算出各个要素H的重要性V并进行排序，计算公式如下：

步骤2：采用K-中心点方法对数据进行聚类分析：

1)确定聚类的个数K；

2)选择数据集合中的K个点任意作为每个集束的中心点；

3)把剩余点到K个中心点的距离D算出，且把各个点到K个中心点距离最短的集束看作自己所处的集束：

式中：a_k表示向量(a₁,a₂,…,a_n)；b_k表示向量(b₁,b₂,…,b_n)。

4)依据次序在各个集束中选取点，算出当前点到该集束每个点的距离之和，新的中心点选定为距离之和最小的点；

5)重复2)，3)步骤，直到每个集束的中心点不发生改变。

步骤3：将数据以训练集和测试集为依据，将数据分开，分别导入至LSTM模型进行训练：

1)将预处理后长度为n的负荷数据导入预测模型中；

2)如图2，LSTM记忆单元的构成包括输入门、输出门、遗忘门和循环自连接的记忆细胞4个元素；

3)设t时刻时LSTM网络的输出为，t＝1,2,3...，LSTM记忆单元的输出h_t通过以下公式迭代计算：

r_t＝sig(J_xrx_t+J_hrh_t-1+J_crc_t-1+z_i)

g_t＝sig(J_xgx_t+J_hgh_t-1+J_cgc_t-1+z_f)

k_t＝sig(J_xkx_t+J_hkh_t-1+J_ckc_t-1+z_o)

式中，r_t、g_t、k_t、c_t分别为输入门、遗忘门、记忆细胞和输出门的输出；J_xr、J_hr、J_cr分别为输入信息、上时刻输出和记忆细胞到输入门的权重矩阵；J_xg、J_hg、J_cg分别为输入信息、上时刻输出和记忆细胞到遗忘门的权重矩阵；z_i、z_f、z_o、z_c分别为输入门、输出门、遗忘门和记忆细胞的偏置量；J_xk、J_hk、J_ck分别为输入信息、上时刻输出和记忆细胞到输出门的权重矩阵；σ(·)为sigmoid函数，g(·)和h(·)是记忆细胞输入到输出的激活函数，通常取双曲正切函数tanh(·)。

步骤4：如图3，将LSTM神经网络进行训练，并采取改进PSO方法对LSTM神经网络进行优化，使网络权值进行完善，从而获取LSTM预测模型：

1)对粒子群参量进行起始化，应保证学习要素、迭代次数、种群规模、粒子方位和速度在限定区间的取值；

2)搭建LSTM模型，使参数寻优区间确定，生成单个种群粒子。将参考变量定义为LSTM的迭代次数、神经元数目，学利率，把参数的寻优区间确定，把数据分为三部分，分别是训练、检验和测试样本；

3)明确粒子评价函数。定义具有LSTM模型参数的种群个体x_i的吻合度值F_i为：

式中：U，O分别表示训练样本和验证样本的个数；y_u，

分别表示训练样本的真实值和预测值；y_o，

分别表示验证样本的真实值和预测值。

4)算出粒子的自吻合度值，将历史最佳位置设置为粒子确定后的全局最优位置p_best和局部最优位置g_best；

5)将普通粒子和局部最优粒子位置进行更新，计算公式如下：

式中：w表示惯性权重；l表示超参量；c₁和c₂表示学习因子；r₁和r₂为两个分布在[0,1]之间互相独立的随机数；

和

分别为在第t次迭代中，第i个粒子在第j维上的速度分量、位置分量、个体最优值和群体全局最优值。

步骤5：一种基于改进随机森林算法的优化LSTM神经网络空调负荷预测方法，选平均绝对百分误差M_APE和均方根误差R_MSE作为评价标准，来评估模型的预测精度，当M_APE≤3.5且R_MSE≤1.5时，不对神经网络预测模型进行修改，若不满足其中一条，则进行迭代权重比例调整，计算误差使用的公式为：

式中：n表示为预测结果的总个数；y_i和

分别为预测第i个采样点实际负荷值和预测负荷值。

将原始模型与使用改进PSO方法优化的LSTM模型的预测精度中的23个样本的M_APE(当R_MSE≤1.5时)进行对比，比较结果如表1所示；

表1不同LSTM预测算法M_APE比较

本发明所述的方法包括如下流程：

信息处理：用于对采集到的历史负荷数据进行改进随机森林选取特征集，再对数据进行聚类分析。将处理之后的数据划分为训练集与测试集输入到LSTM神经网络的输入层；

模型建立：搭建LSTM神经网络预测模型，利用训练集数据训练LSTM神经网络，再利用改进PSO方法优化LSTM神经网络模型调整网络权值，计算模型输出与理论输出之间的误差，建立LSTM神经网络预测模型；

负荷预测：将预测集数据输入到训练完成之后的LSTM神经网络中，进行负荷预测；

结果输出：利用模型的输出单元输出空调负荷预测结果，预测结果如图4、图5所示。

上述实施例仅为本发明的较佳实施例，并非依此限制本发明的保护范围，故凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明说明中所使用的术语，只是为了描述具体得实施方式的目的，不是旨在于限制本发明。

Claims (1)

1.一种基于改进PSO-LSTM的空调负荷精细预测模型，其特征在于，包括以下步骤：

步骤1：对历史负荷数据利用改进随机森林选取特征集：

1.1)对原始负荷数据进行随机抽取，未被抽取到的数据作为测试集；

1.2)利用抽取到的数据构建改进随机森林模型，然后使用测试集计算该模型的测试集误差，记为erroxt1；

1.3)在测试集数据的所有样本中，随机改变某个H的值，再次计算测试集误差，记为erroxt2；

1.4)使用的决策树数量设为B颗，计算出各个要素H的重要性V并进行排序，计算公式如下：

步骤2：采用K-中心点方法对数据进行聚类分析：

2.1)确定聚类的个数K；

2.2)选择数据集合中的K个点任意作为每个集束的中心点；

2.3)把剩余点到K个中心点的距离D算出，且把各个点到K个中心点距离最短的集束看作自己所处的集束：

式中：a_k表示向量(a₁,a₂,…,a_n)；b_k表示向量(b₁,b₂,…,b_n)；

2.4)依据次序在各个集束中选取点，算出当前点到该集束每个点的距离之和，新的中心点选定为距离之和最小的点；

2.5)重复2.2)、2.3)步骤，直到每个集束的中心点不发生改变；

步骤3：将数据进行上述处理后导进LSTM模型的输入层，并将采集到的数据输入LSTM网络层；

步骤4：将LSTM神经网络进行训练，并采取改进PSO方法对LSTM神经网络进行优化，使网络权值进行完善，从而获取LSTM预测模型：

4.1)对粒子群参量进行起始化，应保证学习要素、迭代次数、种群规模、粒子方位和速度在限定区间的取值；

4.2)搭建LSTM模型，使参数寻优区间确定，生成单个种群粒子；将参考变量定义为LSTM的迭代次数、神经元数目，学利率，把参数的寻优区间确定，把数据分为三部分，分别是训练、检验和测试样本；

4.3)明确粒子评价函数；定义具有LSTM模型参数的种群个体x_i的吻合度值F_i为：

式中：U，O分别表示训练样本和验证样本的个数；y_u，

分别表示训练样本的真实值和预测值；y_o，

分别表示验证样本的真实值和预测值；

4.4)算出粒子的自吻合度值，将历史最佳位置设置为粒子确定后的全局最优位置p_best和局部最优位置g_best；

4.5)将普通粒子和局部最优粒子位置进行更新，计算公式如下：

式中：w表示惯性权重；l表示超参量；c₁和c₂表示学习因子；r₁和r₂为两个分布在[0,1]之间互相独立的随机数；

和

分别为在第t次迭代中，第i个粒子在第j维上的速度分量、位置分量、个体最优值和群体全局最优值；

步骤5：若达到最大迭代次数，则将最优参数赋予LSTM并进行训练，输出预测值；否则继续迭代，直到满足终止条件。

Images