CN115330050A - 一种基于混合模型的建筑物负荷预测方法 - Google Patents

一种基于混合模型的建筑物负荷预测方法 Download PDF

Info

Publication number
CN115330050A
CN115330050A CN202210963898.7A CN202210963898A CN115330050A CN 115330050 A CN115330050 A CN 115330050A CN 202210963898 A CN202210963898 A CN 202210963898A CN 115330050 A CN115330050 A CN 115330050A
Authority
CN
China
Prior art keywords
model
load
prediction
value
data
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
CN202210963898.7A
Other languages
English (en)
Inventor
郝世林
刘庆永
董金辉
陈世辉
张三杰
陈尚宇
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.)
Henan Kangpai Intelligent Technology Co ltd
Original Assignee
Henan Kangpai Intelligent Technology Co ltd
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 Henan Kangpai Intelligent Technology Co ltd filed Critical Henan Kangpai Intelligent Technology Co ltd
Priority to CN202210963898.7A priority Critical patent/CN115330050A/zh
Publication of CN115330050A publication Critical patent/CN115330050A/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
    • 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
    • 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
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于混合模型的建筑物负荷预测方法，属于建筑物能耗预测技术领域。本发明通过获取历史负荷相关数据，建立采用机器学习的负荷预测模型，利用历史负荷相关数据对建立的负荷预测模型进行训练，从而得到负荷值与时间和天气的关系，利用该训练后的负荷预测模型以及待预测时的时间和天气数据就可以实现对负荷值的预测。本发明采用由XGBoost模型和Seq2Seq模型构成的混合模型作为负荷预测模型，该负荷预测模型能够兼顾XGBoost模型的短期和长期预测性能以及Seq2Seq模型的超短期预测性能，解决了目前预测方式存在的预测范围小、预测精度不稳定的问题，提升了负荷预测的精度和鲁棒性。

Description

一种基于混合模型的建筑物负荷预测方法
技术领域
本发明涉及一种基于混合模型的建筑物负荷预测方法，属于建筑物能耗预测技术领域。
背景技术
随着城市化进程的加快和人民生活质量的改善，我国建筑耗能比重逐年加大。因此，在目前节能减排精细化管理的大背景下，对建筑能耗预测精确度的要求也不断提高。在大数据时代，通过对历史电力负荷数据曲线进行分析，预测未来一天或几天的电力负荷数据曲线，是电力系统经济调度中的一项重要的内容。在电力负荷预测问题上，较为经典的预测模型有时间序列模型、神经网络模型，这些方法有各自的优缺点。时间序列模型假设和计算简单，适应性强，但是外推效果差，预测范围小；神经网络模型拟合效果较好，具有处理非线性数据的能力，但模型不稳定，依赖数据特征，导致预测精度比较低。因此目前的预测方式要么预测范围小，要么预测精度不稳定。
发明内容
本发明的目的是提供一种基于混合模型的建筑物负荷预测方法，以解决目前预测方式存在的预测范围小、预测精度不稳定的问题。
本发明为解决上述技术问题而提供一种基于混合模型的建筑物负荷预测方法，该预测方法包括以下步骤：
1)获取待预测建筑物的历史负荷相关数据以及待预测时的时间数据和天气数据，所述的历史负荷相关数据包括历史负荷值以及对应的时间和天气数据；
2)对获取的历史负荷相关数据中的历史负荷值进行预处理；
3)对时间数据和天气数据进行特征提取，以得到对应的时间特征和天气特征；
4)建立负荷预测模型，并利用预处理后的历史负荷值以及提取出的对应的时间特征和天气特征对所述负荷预测模型进行训练；所述的负荷预测模型采用XGBoost模型和Seq2Seq模型构成的混合模型；
5)将待预测时的时间特征和天气特征输入到训练后的负荷预测模型中，得到待测时的负荷值。
本发明通过获取历史负荷相关数据，建立采用机器学习的负荷预测模型，利用历史负荷相关数据对建立的负荷预测模型进行训练，从而得到负荷值与时间和天气的关系，利用该训练后的负荷预测模型以及待预测时的时间和天气数据就可以实现对负荷值的预测。本发明采用由XGBoost模型和Seq2Seq模型构成的混合模型作为负荷预测模型，该负荷预测模型能够兼顾XGBoost模型的短期和长期预测性能以及Seq2Seq模型的超短期预测性能，解决了目前预测方式存在的预测范围小、预测精度不稳定的问题，提升了负荷预测的精度和鲁棒性。
进一步地，所述的预处理包括缺失值处理和异常值处理，所述缺失值处理用于处理历史负荷值采集过程中存在的缺失情况；所述异常值处理用于处理历史负荷值采集过程中存在的负荷值突变情况。
本发明通过对历史负荷值进行缺失值和异常值的预处理，提高了后续模型的训练精度，进而保证了负荷值的预测精度。
进一步地，缺失值处理过程如下：判断设定时间段内缺失值的比例，若缺失值比例小于第一设定阈值，则前后或者插值法进行缺失值的填充；若缺失值比例大于第一设定阈值小第二设定阈值，则利用相似日的数据进行缺失值填充；若缺失值比例大于第二设定阈值，则舍弃当前时间段的负荷值数据。
本发明根据缺失比例的大小采用不同的处理方式，能够保证所添加缺失值最接近真实值。
进一步地，异常值的处理过程如下：将每个采样时刻的负荷值的变化量作为该采样时刻振幅，根据振幅的大小判断是否发生突变，若发生突变，则将该采样时刻前一时刻的负荷值作为当前采样时刻的负荷值。
本发明通过判断负荷值的突变情况来判断是否发生异常，能够准确、快速找到异常数据。
进一步地，该方法还包括对提取的时间特征进行编码，对提取的天气特征进行归一化的步骤。
本发明通过对时间特征进行编码，对天气特征进行归一化处理，避免了数据单位不同所带来的干扰，方便后续模型的训练。
进一步地，所述的混合模型指的是XGBoost模型和Seq2Seq模型的加权融合，将XGBoost模型的预测结果和Seq2Seq模型的预测结果加权融合后作为最终的预测结果。
进一步地，所述的Seq2Seq模型在训练时只采用的工作日的数据，且训练时需要对样本数据按照设定的窗口大小进行滚动切分。
进一步地，所述的XGBoost模型采用加法模型和前向分布算法进行训练，训练时建立的目标函数为：
Figure BDA0003793856780000031
其中Obj(t)为模型最小正则化目标函数，l为损失函数，constant是一个常量，
Figure BDA0003793856780000032
为i个目标的预测值，yi为实际值，n为样本数，Ω(ft)为第t次迭代计算变量ft对应树的复杂度，ft代表第t棵树，在l中作为函数用于计算样本值，在Ω(ft)中作为变量用于计算ft对应树的复杂度。
进一步地，XGBoost模型和Seq2Seq模型在加权融合时，XGBoost模型的预测权重为0.4，Seq2Seq模型的预测权重为0.6。
附图说明
图1是本发明基于混合模型的建筑物负荷预测方法的流程图；
图2是本发明所采用的Seq2Seq模型的结构示意图；
图3是本发明实施例中采用混合模型的负荷预测结果与真实值的对比图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步地说明。
基于混合模型的建筑物负荷预测方法实施例
本发明从能源管理系统数据库中获取能耗单元对应的负荷数据，通过网络爬虫得到能耗单元所在区域的天气数据。对负荷数据异常值和缺失值进行处理，提取日期、节假日等时间特征。筛选出高相关性特征作为模型输入，使用XGBoost模型和Seq2Seq模型构建负荷预测模型，Seq2Seq侧重于超短期预测，XGBoost短期和长期预测较好。对两个模型的预测结果加权融合，作为最终的预测值。该方法的实现流程如图1所示，下面结合具体的实例对本发明的各个步骤进行详细说明。
1.获取待预测建筑物的当前负荷相关数据以及历史负荷相关数据。
本实施例中的负荷相关数据包括有负荷值、以及对应的日期和天气数据，其中天气数据包括有天气类型、温度、湿度、压强和降雨量。其中负荷值可通过相应的能耗单元来获取，例如电能表计量装置等，天气数据可通过网络爬虫的方式从网上获取。负荷值的采集间隔可设置为15min，天气数据的采集间隔可设置为一天。
2.对获取的负荷相关数据进行预处理。
由于采集设备和网络传输问题，获取的数据可能不全或者出现异常，因此需要对获取的数据进行预处理。这里的预处理包括有缺失值处理和异常值处理。其中缺失值处理针对的是由于设备和网络传输问题导致采集过程存在的缺失的情况，具体处理方式根据缺失的比例进行选择。如果某日的缺失值比例小于10％，采用前后或者插值法进行缺失值的填充；如果缺失比例大于10％而小于20％，则利用相似日的数据进行缺失值填充，其中相似日指的是当日和最近一周日期负荷的欧式距离最小的日期；如果缺失比例大于20％，则舍弃当前日期的负荷数据。
异常值处理针对的是负荷数据采集过程会出现设备掉线或者数值突增突降的情况，可通过振幅来进行异常值的检测，本实施例中的振幅表示负荷值的变化情况，这里的振幅可记为
Figure BDA0003793856780000051
x为负荷值，令初始阈值为
Figure BDA0003793856780000052
其中i为历史第i天，t为一天中的第t个时刻，A0即为历史14天中的振幅最大值，m时刻振幅
Figure BDA0003793856780000053
如果0＜Ao＜Am，则认为该时刻发生突增，而如果Am＜Ao＜0，则认为该时刻发生突减。检测到这种类型异常值后，使用前一时刻真实值填充。其他类型异常值可采用箱线图、绘制曲线图观察法进行处理。
3.对预处理后的数据进行特征提取。
由于采集的数据中除了负荷值外，还包括有时间数据和天气数据，为了能够方便、准确描述时间、天气与负荷值的关系，本发明对时间数据和天气数据进行特征提取，其中时间特征包括有年、月、日、小时、分钟、星期几以及是否为节假日或工作日，天气数据特征包括有每天的温度、湿度、压强、降雨量、天气类型(如晴天、阴天、多云等)以及一周内的温度均值、温度方差、湿度均值、湿度方差、压强均值、压强方差和降雨量均值、降雨量方差。这里的天气数据特征比较多，也可以根据实际情况从中选取相关度高的若干个特征。
由于提取的各特征数据以及负荷值的单位不相同，为了方便后续模型训练，本发明对其中的天气特征数据和负荷值进行归一化处理，由于XGBoost无法直接处理类别特征，对其中的时间特征使用OneHot进行编码。OneHot编码使用一个N维向量对N个状态进行编码，在任意时候，N维向量中只有一位值为1，如OneHot编码将月份特征编码为12维的向量，只有对应月份的编码值为1，其余11个月份的编码值均为0。归一化处理采用的公式为：
Figure BDA0003793856780000061
其中x为原始数据，xmax为样本数据的最大值，xmin为样本数据的最小值，xnormal为样本归一化后的值。
通过对提取的特征数据进行归一化和编码处理后就可以用于训练数据的构建，为方便后续模型的训练，本发明将处理后的历史数据按照日期的先后顺序划分训练集、验证集和测试集，划分比例设置为7：2：1。
4.建立负荷预测模型，并对其进行训练。
本实施例使用XGBoost和Seq2Seq构建负荷预测模型，Seq2Seq模型对于超短期预测有比较好的预测效果，XGBoost模型对短期和长期有比较好的预测效果，本发明为提升预测精度和鲁棒性，将两个模型的预测结果进行加权融合，作为最终的预测值。
1)XGBoost模型的建立与训练
XGBoost模型作为一种机器学习模型，能够准确实现数据的回归和分类。本发明采用加法模型和前向分布算法训练XGBoost模型，建立正则化学习目标函数Obj(t)。令训练数据集T＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中x是特征数据，有年、月、小时、分钟、周几、是否工作日、是否节假日、天气类型、温度、湿度、压强和降雨量，y是负荷值，单位为KW。
Figure BDA0003793856780000062
其中Obj(t)为模型最小正则化目标函数，l为损失函数，constant是一个常量，
Figure BDA0003793856780000063
为i个目标的预测值，yi为实际值，n为样本数，Ω(ft)为第t次迭代计算变量ft对应树的复杂度，ft代表第t棵树，在l中作为函数用于计算样本值，在Ω(ft)中作为变量用于计算ft对应树的复杂度。使用梯度树增强算法对该目标函数进行以下优化：
Figure BDA0003793856780000071
Figure BDA0003793856780000072
Figure BDA0003793856780000073
Figure BDA0003793856780000074
其中，λ表示正则化系数，T为叶子节点数量，ωj为第j个叶子节点的值，γ表示节点切分的难度，gi为第i个样本的一阶导数，hi为第i个样本的二阶导数，Gj为第j个叶子节点里的样本的一阶导数之和，Hj为第j个叶子节点里的样本的二阶导数之和，Ij表示第j个叶子里的样本集合，计算得到的叶子节点包含样本的一阶、二阶偏导数，目标函数可简化成：
Figure BDA0003793856780000075
根据目标函数计算每个特征对应取值的分裂增益，选择增益最大分裂点的进行分裂。用贪婪的方式生长一棵树，重复这个建树过程，从而实现对该模型的训练。
2)Seq2Seq模型的建立与训练
Seq2Seq模型采用两层LSTM编码器和一层LSTM解码器，如图2所示。LSTM编码器用于计算多变量时间序列的隐状态，隐状态矩阵为H＝{ht-w,ht-w+1,…,ht}，其中，每一隐状态的维度为m，w为滑窗窗口长度，t为最后时刻，ht即为最后时刻的隐状态，即图2中的语义向量C。
解码器用于对目标隐状态序列进行解码，将之前生成的固定向量转化成输出序列。具体而言就是将目标隐状态序列ht作为解码器中的LSTM网络模型的初始隐藏状态，并输入至解码器中的LSTM网络模型中，例如，从初始隐藏状态开始计算，公式如下：h″1＝σ(wh″0+b)，式中，h1″为第一个神经元输出的隐藏层状态，h″0＝ht，w为权重矩阵，b为偏置项，σ为神经元激活函数；y1″＝σ(vh1″+c)式中，y1″为第一个神经元输出的预测结果，其中v为权重矩阵，c为偏置项，σ为神经元激活函数；然后将第一个神经元隐藏层状态h1″输入到下一个神经元，得到第二个神经元隐藏层状态h2″和第二个神经元输出的预测结果为y2″，以此类推，第t个神经元的隐藏层状态和预测结果即为：ht″＝σ(wht-1″+b)，yt″＝σ(vht″+c)，使用均方误差计算Seq2Seq网络模型的预测值和真实值之间偏差，即
Figure BDA0003793856780000081
式中yi为第i个数据的真实值，
Figure BDA0003793856780000082
为第i个数据在Seq2Seq网络模型输出的预测值，n为样本个数。
负荷数据的采样时间间隔为15min，这样的话一天有96个采样点，可记作X＝{x1,x2,…xi,…,xN}，其中N为96，在利用历史负荷数据对Seq2Seq模型训练时只使用工作日的数据。通过滑动窗口对样本数据进行切分，将数据划分成输入数据和输出数据，并对其作一一映射。假设滑动窗口设置为w+n，则{xi-w,…,xi}共w个数据作为Seq2Seq模型输入，且每个时刻的样本数据包含m个特征变量，后面{xi,…,xi+n}个数据作为模型输出。其中，w设置为60，n设置为24。每天有96个点，可通过多步(steps＝4)滚动预测得到预测日的预测结果，如需预测d天，可设置steps＝96*d/n。
3)模型融合
XGBoost模型短期长期预测准确，超短期预测效果不理想；Seq2Seq模型超短期预测准确，短期、长期预测精度较差。为了同时提高超短期、短期和长期的预测精度，对两个模型预测结果进行加权融合，构建混合预测模型，最终的混合预测结果为：
Figure BDA0003793856780000091
w1+w2＝1
其中w1为XGBoost模型的预测权重，w2为Seq2Seq模型的预测权重，w1,w2∈{0,1}，yxgb为XGBoost模型的预测结果，yseq2seq为Seq2Seq模型的预测结果。通过多次调整参数w1和w2，使总预测误差最小，本实施例将w1设置为0.4，w2设置为0.6，w1和w2视具体情况需要动态调整。
通过上述过程可完成对预测模型的建立和训练，利用训练后的预测模型就可实现对负荷数据的预测，本实施例采用混合模型的预测效果如图3所示，从中可以看出，本发明所采用的混合预测模型预测出的负荷数据和实际负荷数据相差不大，能够达到比较高的精度。
本发明的混合模型的建筑物负荷预测方法可以通过计算机编程来实现，其对应的基于混合模型的建筑物负荷预测装置包括处理器和存储器，处理器执行由所述存储器存储的计算机程序，以实现本发明实现上述方法实施例的方法。也就是说，以上方法实施例中的方法应理解可由计算机程序指令实现基于混合模型的建筑物负荷预测方法的流程。可提供这些计算机程序指令到处理器，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置；本实施例所指的存储器包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等。
通过上述存储器、处理器以及计算机程序构成的装置，在计算机中由处理器执行相应的程序指令来实现，处理器可以搭载各种操作系统，如windows操作系统、linux系统、android、iOS系统等。
作为其他实施方式，装置还可以包括显示器，显示器用于将预测结果展示出来，以供工作人员参考。
本装置实施例中的处理器可采用Linux服务器，处理器执行相应的程序指令为Python脚本，每日定时执行Python脚本，将预测结果写入数据库，并展示到能源管理系统界面。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (9)

1.一种基于混合模型的建筑物负荷预测方法，其特征在于，该预测方法包括以下步骤：
1)获取待预测建筑物的历史负荷相关数据以及待预测时的时间数据和天气数据，所述的历史负荷相关数据包括历史负荷值以及对应的时间和天气数据；
2)对获取的历史负荷相关数据中的历史负荷值进行预处理；
3)对时间数据和天气数据进行特征提取，以得到对应的时间特征和天气特征；
4)建立负荷预测模型，并利用预处理后的历史负荷值以及提取出的对应的时间特征和天气特征对所述负荷预测模型进行训练；所述的负荷预测模型采用XGBoost模型和Seq2Seq模型构成的混合模型；
5)将待预测时的时间特征和天气特征输入到训练后的负荷预测模型中，得到待测时的负荷值。
2.根据权利要求1所述的基于混合模型的建筑物负荷预测方法，其特征在于，所述的预处理包括缺失值处理和异常值处理，所述缺失值处理用于处理历史负荷值采集过程中存在的缺失情况；所述异常值处理用于处理历史负荷值采集过程中存在的负荷值突变情况。
3.根据权利要求2所述的基于混合模型的建筑物负荷预测方法，其特征在于，缺失值处理过程如下：判断设定时间段内缺失值的比例，若缺失值比例小于第一设定阈值，则前后或者插值法进行缺失值的填充；若缺失值比例大于第一设定阈值小第二设定阈值，则利用相似日的数据进行缺失值填充；若缺失值比例大于第二设定阈值，则舍弃当前时间段的负荷值数据。
4.根据权利要求2所述的基于混合模型的建筑物负荷预测方法，其特征在于，异常值的处理过程如下：将每个采样时刻的负荷值的变化量作为该采样时刻振幅，根据振幅的大小判断是否发生突变，若发生突变，则将该采样时刻前一时刻的负荷值作为当前采样时刻的负荷值。
5.根据权利要求3或4所述的基于混合模型的建筑物负荷预测方法，其特征在于，该方法还包括对提取的时间特征进行编码，对提取的天气特征进行归一化的步骤。
6.根据权利要求1所述的基于混合模型的建筑物负荷预测方法，其特征在于，所述的混合模型指的是XGBoost模型和Seq2Seq模型的加权融合，将XGBoost模型的预测结果和Seq2Seq模型的预测结果加权融合后作为最终的预测结果。
7.根据权利要求6所述的基于混合模型的建筑物负荷预测方法，其特征在于，所述的Seq2Seq模型在训练时只采用的工作日的数据，且训练时需要对样本数据按照设定的窗口大小进行滚动切分。
8.根据权利要求6所述的基于混合模型的建筑物负荷预测方法，其特征在于，所述的XGBoost模型采用加法模型和前向分布算法进行训练，训练时建立的目标函数为：
Figure FDA0003793856770000021
其中Obj(t)为模型最小正则化目标函数，l为损失函数，constant是一个常量，
Figure FDA0003793856770000022
为i个目标的预测值，yi为实际值，n为样本数，Ω(ft)为第t次迭代计算变量ft对应树的复杂度，ft代表第t棵树，在l中作为函数用于计算样本值，在Ω(ft)中作为变量用于计算ft对应树的复杂度。
9.根据权利要求6所述的基于混合模型的建筑物负荷预测方法，其特征在于，XGBoost模型和Seq2Seq模型在加权融合时，XGBoost模型的预测权重为0.4，Seq2Seq模型的预测权重为0.6。
CN202210963898.7A 2022-08-11 2022-08-11 一种基于混合模型的建筑物负荷预测方法 Pending CN115330050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210963898.7A CN115330050A (zh) 2022-08-11 2022-08-11 一种基于混合模型的建筑物负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210963898.7A CN115330050A (zh) 2022-08-11 2022-08-11 一种基于混合模型的建筑物负荷预测方法

Publications (1)

Publication Number Publication Date
CN115330050A true CN115330050A (zh) 2022-11-11

Family

ID=83924098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210963898.7A Pending CN115330050A (zh) 2022-08-11 2022-08-11 一种基于混合模型的建筑物负荷预测方法

Country Status (1)

Country Link
CN (1) CN115330050A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116436002A (zh) * 2023-06-13 2023-07-14 成都航空职业技术学院 一种楼宇用电预测方法
CN116436002B (zh) * 2023-06-13 2023-09-05 成都航空职业技术学院 一种楼宇用电预测方法

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN111815037B (zh) 一种基于注意力机制的可解释性短临极端降雨预测方法
CN111091233B (zh) 一种风电场短期风电预测建模方法
Gao et al. Interpretable deep learning model for building energy consumption prediction based on attention mechanism
CN112016734A (zh) 基于lstm栈式自编码多模型荷预测方法及系统
CN112712209B (zh) 水库入库流量预测方法、装置、计算机设备及存储介质
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112699998B (zh) 一种时间序列预测方法、装置、电子设备及可读存储介质
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
Zhang et al. A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting
CN115310532A (zh) 一种基于时空关联混合深度学习模型的流域多点预测预警方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN115330050A (zh) 一种基于混合模型的建筑物负荷预测方法
CN116341725A (zh) 一种电负荷预测与节能系统、方法、电子设备和储存介质
CN116362799A (zh) 基于供应链多源数据融合的产品需求预测方法及存储介质
CN115983488A (zh) 一种矿井涌水量预测方法和装置
CN115343784A (zh) 一种基于seq2seq-attention模型的局部气温预测方法
Biruntha et al. Rainfall prediction using kNN and decision tree
Ahmed et al. Enhancing stock portfolios for enterprise management and investment in energy industry
CN117408394A (zh) 电力系统的碳排放因子预测方法、装置及电子设备
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN116090661A (zh) 一种滑坡位移智能预测方法
Ali et al. Flood Prediction using Deep Learning Models
CN115238948A (zh) 小水电发电量预测方法及装置
CN113191069A (zh) 基于双分支深度学习模型的空调负荷估算方法与系统

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