CN116576504A - 一种可解释区域热负荷预测方法、装置、设备及存储介质 - Google Patents

一种可解释区域热负荷预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116576504A
CN116576504A CN202310414359.2A CN202310414359A CN116576504A CN 116576504 A CN116576504 A CN 116576504A CN 202310414359 A CN202310414359 A CN 202310414359A CN 116576504 A CN116576504 A CN 116576504A
Authority
CN
China
Prior art keywords
heating load
data
interpretable
time sequence
sequence 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
CN202310414359.2A
Other languages
English (en)
Inventor
王智谨
黄耀辉
刘含静
张斐斐
付永钢
刘年生
陈志荣
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.)
Xiamen Shengshi Jinhua Intelligent Technology Co ltd
Jimei University
Original Assignee
Xiamen Shengshi Jinhua Intelligent Technology Co ltd
Jimei 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 Xiamen Shengshi Jinhua Intelligent Technology Co ltd, Jimei University filed Critical Xiamen Shengshi Jinhua Intelligent Technology Co ltd
Priority to CN202310414359.2A priority Critical patent/CN116576504A/zh
Publication of CN116576504A publication Critical patent/CN116576504A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D15/00—Other domestic- or space-heating systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/044—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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"
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种可解释区域热负荷预测方法、装置、设备及存储介质，涉及智慧供暖技术领域。其中方法包括：获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。本申请的供暖负荷预测结果具有可解释性，面对复杂的实时变化情况，可以解释预测结果产生的原因和时序数据波动的内在规律，与传统的供暖负荷预测相比，能够提高对区域内多个客户热负荷预测的精准性。

Description

一种可解释区域热负荷预测方法、装置、设备及存储介质
技术领域
本申请涉及智慧供暖技术领域，具体涉及一种可解释区域热负荷预测方法、装置、设备及存储介质。
背景技术
一直注重能源的可持续发展和节能减排，其中能源转型和智能能源系统建设是重点发展方向之一。可解释区域热负荷预测作为智能能源系统的重要组成部分，可以为能源管理和节能减排提供重要的支持和指导。
传统热负荷预测技术所具有的缺点：传统热负荷预测技术通常采用黑盒模型进行预测，难以解释预测结果的原因和内在规律，缺乏可解释性；传统热负荷预测技术通常采用经验模型或者传统的统计模型进行热负荷预测，对于复杂的非线性系统难以准确预测，预测精度较低；传统热负荷预测技术通常采用静态的模型进行预测，难以应对复杂的实时变化情况，如用户用能行为变化等。
发明内容
本申请的目的是提供一种可解释区域热负荷预测方法、装置、电子设备及存储介质，从而提高区域内的多个客户的热负荷预测的精准性。
第一方面，本申请实施例提供了一种可解释区域热负荷预测方法，包括：
获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；
对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；
所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。
在本申请的一些实施方式中，按照以下方式预先训练所述供暖负荷预测模型：
获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本；
对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据；
设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。
在本申请的一些实施方式中，所述将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据，包括：
将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。
在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。
在本申请的一些实施方式中，所述可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器；
所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单层卷积模块，所述时间维度上的多层图卷积模块用于从时序数据中提取时间相关性，所述空间维度上的单层卷积模块用于从时序数据中提取空间相关性；
所述时空记忆增强组件包括：空间注意力模块和循环神经网络模块，所述空间注意力模块用于从时序数据中提取空间维度上的局部动态相关性，所述循环神经网络模块用于从时序数据中进一步提取时间相关性；
所述多组分融合组件用于将各输入进行组合；
所述预测器用于基于所述多组分融合组件的输出数据进行最终预测。
在本申请的一些实施方式中，所述循环神经网络模块采用门控递归单元。
在本申请的一些实施方式中，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
第二方面，本申请实施例提供了一种可解释区域热负荷预测装置，包括：
获取模块，用于获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；
预测模块，用于对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；
所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。
在本申请的一些实施方式中，所述装置还包括：模型训练模块，按照以下方式预先训练所述供暖负荷预测模型：
获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本；
对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据；
设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。
在本申请的一些实施方式中，所述模型训练模块，具体用于：
将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。
在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。
在本申请的一些实施方式中，所述可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器；
所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单层卷积模块，所述时间维度上的多层图卷积模块用于从时序数据中提取时间相关性，所述空间维度上的单层卷积模块用于从时序数据中提取空间相关性；
所述时空记忆增强组件包括：空间注意力模块和循环神经网络模块，所述空间注意力模块用于从时序数据中提取空间维度上的局部动态相关性，所述循环神经网络模块用于从时序数据中进一步提取时间相关性；
所述多组分融合组件用于将各输入进行组合；
所述预测器用于基于所述多组分融合组件的输出数据进行最终预测。
在本申请的一些实施方式中，所述循环神经网络模块采用门控递归单元。
在本申请的一些实施方式中，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
第三方面，本申请提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现如第一方面所述的方法。
第四方面，本申请实提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如第一方面所述的方法。
相较于现有技术，本申请提供的可解释区域热负荷预测方法，通过获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。可见，本申请的供暖负荷预测结果具有可解释性，面对复杂的实时变化情况，可以解释预测结果产生的原因和时序数据波动的内在规律，与传统的供暖负荷预测相比，能够提高对区域内多个客户热负荷预测的精准性。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请所提供的一种可解释区域热负荷预测方法的流程图；
图2示出了本申请所提供的一种供暖负荷预测模型训练方法的流程图；
图3示出了本申请所提供的一种供暖负荷预测模型的预测过程示意图；
图4示出了本申请所提供的一种可解释区域热负荷预测装置的示意图；
图5示出了本申请所提供的一种电子设备的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参考图1，图1是本申请实施例提供的一种可解释区域热负荷预测方法的流程图，包括以下S101～S102：
S101、获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据。
其中，供暖负荷时序数据是区域内的多个目标客户的多个供暖负荷数据按照设定时间间隔构成的时间序列数据。时间间隔可以设置为小时、日、周或月等具体时间间隔。
S102、对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据。
其中，供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。
可选的，上述对数据预处理的操作包括：最大值处理、最小值处理、数据均值化以及归一化处理。
在将供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据。
下面介绍如何预先训练得到供暖负荷预测模型，具体可以按照以下方式预先训练供暖负荷预测模型，如图2所示，包括步骤S201～S203：
S201、获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本。
其中，收集区域内的多个目标客户的历史供暖负荷数据，设置时间间隔，将历史供暖负荷数据按时间顺序统计为相同时间间隔内的时间序列，得到初始的多元时间序列数据，该多元时间序列数据为区域内的多个目标客户的历史供暖负荷时序数据样本，具体实现步骤如下：
确定时间间隔：根据数据的时间跨度和需要统计的时间粒度，确定时间间隔，可以设置为小时、日、周或月等。对原始数据进行时间对齐：对于每个客户的历史供暖负荷数据，将其按照时间间隔对齐，即将数据填充到相应的时间点上；将多个客户的数据合并：将所有客户的数据按照时间顺序合并，得到一个多元时间序列数据集，其中每个时间点包含每个客户的供暖负荷数据。
S202、对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据。
具体的，通过最大值处理、最小值处理、数据均值化等初步数据预处理操作将{t1,t2,…,tn}表示的时间间隔内数据聚合成一个明确标定时刻的统计学数据，遍历数据样本生成初始的输入序列。
在{t1,t2,…,tn}的时间区间中统计区域内各个客户的供暖负荷数据，用mT＝{m1,m2,…,mT}表示区域内各个客户的历史供暖变量m在T个时间间隔内的时序序列。表示D个客户的供暖负荷数据在t时刻的输入集合。
进一步的，为缩小数据间显著的数据范围差异，本申请采用Min-Max的方法对数据进行归一化处理，压缩至区间[0,1]，以加快模型的训练速度。
归一化和反归一化的公式如下：
z＝z'(max(z)-min(z))+min(z)；
其中，表示某一组样本，N表示观察的样本的个数，z'表示标准化后的数据，min(·)和max(·)分别表示输入向量的最小值和最大值。将反归一化公式用于还原模型输出的预测值为预测的供暖热负荷数据。
具体的，S202中将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据，包括：
将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。
具体的，为了从时间序列中学习时序特性，本申请把时间序列数据转化为有监督数据。给定一个时序数据，在转化的过程中，前若干个变量作为模型的输入变量，后一个变量则被视为模型的输出变量。
通过收集区域内的各客户供暖负荷数据，并转化为有监督的数据，利用有监督的数据训练可解释深度学习模型，最后利用训练好的模型可以提供更精准的预测。
S203、设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。
具体地，可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器。
所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单层卷积模块，所述时间维度上的多层图卷积模块用于从时序数据中提取时间相关性，所述空间维度上的单层卷积模块用于从时序数据中提取空间相关性；所述时空记忆增强组件包括：空间注意力模块和循环神经网络模块，所述空间注意力模块用于从时序数据中提取空间维度上的局部动态相关性，所述循环神经网络模块用于从时序数据中进一步提取时间相关性；所述多组分融合组件用于将各输入进行组合；所述预测器用于基于所述多组分融合组件的输出数据进行最终预测。
请参照图3，下面对供暖负荷预测模型进行详细介绍。
时空卷积组件包括：沿着时间维度的多层图卷积(Multi-graph ConvolutionNetwork，MGCN)模块和空间维度的单层卷积模块。
具有相关矩阵的记录客户供暖数据的电表形成网状网络，该网状网络可以定义为有向图：
其中，表示/>个节点的有限集合(即功率)，E表示边的集合，A∈RN×N表示图的邻接矩阵。
对于每个节点基于目标客户间的Pearson相关矩阵C，选择前k个相关节点/>以在节点之间构建连接/>其中/>该图结构利用了多变量时间序列输入的潜在拓扑性质。
从时间差分的角度计算各个具体因素和供暖使用数据的相关系数，其计算公式为：
其中，C∈RN×N表示计算得到的Pearson相关矩阵，L表示时间序列数据的长度，表示在t时刻第i个目标客户的热供应时序数据，/>表示第i个目标客户热供应时序数据的均值。
MGCN模块的设计目的是为了基于谱图理论来将图数据转换成代数形式并发现拓扑属性，其中包括图结构中的连通性和其他模式。这些图的属性可以通过分析拉普拉斯矩阵谱图分析得到。归一化拉普拉斯矩阵可以公式化为：
其中，Lp∈RT×T表示归一化拉普拉斯矩阵；D∈RT×T是对角矩阵，D(i,i)＝∑jA(i,j)；Iunit表示单位矩阵。
MGCN模块的嵌入处理可以描述如下：
其中，表示图形卷积运算，/>表示具有插入自循环的相邻矩阵，M∈RB×L×N表示输入时间序列，Rg,o表示MGCN模块的最终输出，⊙表示对应元素相乘，σ(·)表示整流线性单元(ReLU)激活函数。εg是二进制掩码，用于遗忘部分参数；Wg,θ和Wg,o均表示可学习的加权矩阵，bg表示模型的偏置参数。
在时间维度上捕获图上每个节点的相邻时间步长信息后，进一步集成空间维度上的单层卷积模块，以突出不同目标客户之间的重要模式信息。
空间卷积可公式化如下：
其中，Rc,o表示时空卷积的生成表示，Wc,o表示卷积核的可学习参数，εc表示一个二进制掩码矩阵，用于遗忘部分参数，防止网络过拟合。
本实施例中，通过时间维度上的多层图卷积模块从每个电表的相邻时间步长中提取时间相关性，通过空间维度上的单层卷积模块从所有电表中捕获空间相关性。
时空记忆增强组件包括：空间注意力模块和循环神经网络模块，该时空记忆增强组件旨在进一步捕捉输入的动态空间和时间相关性。
记录客户供暖数据的电表形成网状网络，每个电表之间有一定数量的动态交互。空间注意力模块被应用于开发电表之间在空间维度上的局部动态相关性，具体过程如下：
其中，表示在空间维度上动态调整影响权重的注意力得分，/>表示空间注意力机制的产物，/>和/>表示可学习的加权矩阵，bg表示可学习偏置参数。
空间注意力的输出被输入到循环神经网络模块中，该循环神经网络模块可以采用基于门控递归单元(GatedRecurrent Unit，GRU)，用于进一步提取时间相关性：
ht＝(1-ut)⊙ht-1+ut⊙zt；
其中，et，ut和zt分别表示复位门、更新门的内部状态以及在时间步长t的单元状态。ht表示循环神经网络模块的输出。Wr,e，Wr,u和Wr,z表示加权矩阵。br,e，br,u和br,z表示相应的偏置参数。表示sigmoid激活函数，[；]表示合并操作。为了确保与期望的输出形状对齐，在时间维度和空间维度上分别使用Embtmp(·)和Embspt(·)将循环神经网络模块的输出映射到嵌入空间：
其中，表示时空记忆增强组件的最终输出，εr表示二进制掩码矩阵。
多组分融合组件用于将各输入进行组合。非线性模块可以有效的捕获时间或空间维度上的潜在依赖关系。然而，过度的非线性可能导致梯度消失或爆炸的问题，这反过来又会对预测精度产生不利影响。为了提高模型的鲁棒性，本实施例中，将线性表示与循环神经网络模块输出的表征进行组合以实现最终预测：
其中，表示预测值，/>表示元素对应相加运算，Wf,o是可学习的权重参数，bf是相对应的偏置参数。
预测器用于基于多组分融合组件的输出数据进行最终预测。
为了训练预测器，设置目标函数、时间窗口大小T、CNN的特征图数量、激活函数σ(·)中的λ值、GRU神经网络的隐藏状态参数H等模型参数，然后训练模型。
具体的，目标函数可以设置为均方误差损失函数(Mean SquaredError，MSE)，并采用L2正则化项来防止过拟合，目标函数可以定义为：
其中，K是训练样本的长度；N表示目标数据的维数；L表示预测步骤；λ是常数，表示正则化系数；Θ表示预测器中的权重参数的总个数，表示模型的权重参数。
利用反归一化函数，还原模型输出为预测的区域内的多个目标客户的供暖负荷数据。根据模型输出的结果调整上述模型参数，得到最优的供暖负荷预测模型。
在得到供暖负荷预测模型后，可以通过将区域内的多个目标客户的供暖负荷时序数据输入该供暖负荷预测模型预测该区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据，该区域热负荷预测过程可以参见图3所示，得到预测结果后可以提供给供热系统制作准确的生产计划，进行精确的区域供暖。
为了给区域提供实时且精准的供暖预测，本申请提出了一种可解释区域热负荷预测方法，该方法通过收集区域内的各用户供暖使用情况原始数据，并转化为有监督的数据，利用有监督的数据训练可解释的图神经网络得到供暖负荷预测模型，最后利用训练好的模型提供精准的预测。
本申请实施例提供的可解释区域热负荷预测方法具有以下有益效果：
本申请供暖负荷预测模型是一种可解释的深度学习模型，通过深度学习模型能够对数据进行高效地学习和建模，从而可以获得更准确的预测结果，预测结果精度高。本申请的深度学习模型能够快速处理大量的数据，并在推理时能够进行实时计算，具有高效性。本申请通过目标客户相关关系建立的深度学习模型可以提供对预测结果的解释，可以分析模型的决策过程和关键特征，从而可以更好的理解模型的预测结果。本申请的深度学习模型可以通过增加层数和节点数等方式来增强模型的学习能力，同时也可以通过增强训练数据来提高模型的性能，可扩展性高。本申请的深度学习模型能够处理多个输入特征之间的复杂关系，并且对于输入数据中存在的噪声和异常值也具有一定的鲁棒性。
基于深度学习的可解释区域热负荷预测方法可以为智能能源系统的建设、能源的优化调度和能源的清洁化和减排提供重要的技术支持，同时也可以为能源安全提供重要的保障。
在上述的实施例中，提供了一种可解释区域热负荷预测方法，与之相对应的，本申请还提供一种可解释区域热负荷预测装置10。本申请实施例提供的可解释区域热负荷预测装置可以实施上述可解释区域热负荷预测方法，该可解释区域热负荷预测装置可以通过软件、硬件或软硬结合的方式来实现。例如，该可解释区域热负荷预测装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。请参考图4所示，包括：
获取模块101，用于获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；
预测模块102，用于对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；
所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。
在本申请的一些实施方式中，所述装置还包括：模型训练模块，按照以下方式预先训练所述供暖负荷预测模型：
获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本；
对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据；
设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。
在本申请的一些实施方式中，所述模型训练模块，具体用于：
将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。
在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。
在本申请的一些实施方式中，所述可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器；
所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单层卷积模块，所述时间维度上的多层图卷积模块用于从时序数据中提取时间相关性，所述空间维度上的单层卷积模块用于从时序数据中提取空间相关性；
所述时空记忆增强组件包括：空间注意力模块和循环神经网络模块，所述空间注意力模块用于从时序数据中提取空间维度上的局部动态相关性，所述循环神经网络模块用于从时序数据中进一步提取时间相关性；
所述多组分融合组件用于将各输入进行组合；
所述预测器用于基于所述多组分融合组件的输出数据进行最终预测。
在本申请的一些实施方式中，所述循环神经网络模块采用门控递归单元。
在本申请的一些实施方式中，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
本申请实施例提供的可解释区域热负荷预测装置与本申请实施例提供的可解释区域热负荷预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备，所述电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述可解释区域热负荷预测方法。
请参考图5，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的钓鱼邮件溯源方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述钓鱼邮件溯源方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的可解释区域热负荷预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的可解释区域热负荷预测方法对应的计算机可读存储介质，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的可解释区域热负荷预测方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的可解释区域热负荷预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。

Claims (10)

1.一种可解释区域热负荷预测方法，其特征在于，包括：
获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；
对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；
所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，按照以下方式预先训练所述供暖负荷预测模型：
获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本；
对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据；
设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。
3.根据权利要求2所述的方法，其特征在于，所述将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据，包括：
将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。
4.根据权利要求1所述的方法，其特征在于，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。
5.根据权利要求2所述的方法，其特征在于，所述可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器；
所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单层卷积模块，所述时间维度上的多层图卷积模块用于从时序数据中提取时间相关性，所述空间维度上的单层卷积模块用于从时序数据中提取空间相关性；
所述时空记忆增强组件包括：空间注意力模块和循环神经网络模块，所述空间注意力模块用于从时序数据中提取空间维度上的局部动态相关性，所述循环神经网络模块用于从时序数据中进一步提取时间相关性；
所述多组分融合组件用于将各输入进行组合；
所述预测器用于基于所述多组分融合组件的输出数据进行最终预测。
6.根据权利要求5所述的方法，其特征在于，所述循环神经网络模块采用门控递归单元。
7.根据权利要求2所述的方法，其特征在于，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
8.一种可解释区域热负荷预测装置，其特征在于，包括：
获取模块，用于获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；
预测模块，用于对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；
所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。
9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时以实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7任一项所述的方法。
CN202310414359.2A 2023-04-18 2023-04-18 一种可解释区域热负荷预测方法、装置、设备及存储介质 Pending CN116576504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310414359.2A CN116576504A (zh) 2023-04-18 2023-04-18 一种可解释区域热负荷预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310414359.2A CN116576504A (zh) 2023-04-18 2023-04-18 一种可解释区域热负荷预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116576504A true CN116576504A (zh) 2023-08-11

Family

ID=87534981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310414359.2A Pending CN116576504A (zh) 2023-04-18 2023-04-18 一种可解释区域热负荷预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116576504A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113148A (zh) * 2023-08-30 2023-11-24 上海智租物联科技有限公司 基于时序图神经网络的风险识别方法、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113148A (zh) * 2023-08-30 2023-11-24 上海智租物联科技有限公司 基于时序图神经网络的风险识别方法、装置及存储介质
CN117113148B (zh) * 2023-08-30 2024-05-17 上海智租物联科技有限公司 基于时序图神经网络的风险识别方法、装置及存储介质

Similar Documents

Publication Publication Date Title
Kaselimi et al. Multi-channel recurrent convolutional neural networks for energy disaggregation
Rafiq et al. Regularized LSTM based deep learning model: first step towards real-time non-intrusive load monitoring
Cai et al. Day-ahead building-level load forecasts using deep learning vs. traditional time-series techniques
Xie et al. A nonparametric Bayesian framework for short-term wind power probabilistic forecast
Essien et al. A deep learning framework for univariate time series prediction using convolutional LSTM stacked autoencoders
Li et al. An integrated missing-data tolerant model for probabilistic PV power generation forecasting
Liu et al. Super resolution perception for smart meter data
Zheng et al. Long-short term echo state network for time series prediction
CN109409561B (zh) 多时间尺度时间序列协同预测模型的构建方法
Yin et al. Experimental study of multivariate time series forecasting models
Wang et al. A wind speed forecasting system for the construction of a smart grid with two-stage data processing based on improved ELM and deep learning strategies
CN117175588B (zh) 基于时空相关性的用电负荷预测方法及装置
CN116576504A (zh) 一种可解释区域热负荷预测方法、装置、设备及存储介质
Aparna Long short term memory and rolling window technique for modeling power demand prediction
CN116976530A (zh) 一种电缆设备状态预测方法、装置及存储介质
CN114239945B (zh) 短期电力负荷预测方法、装置、设备及存储介质
Sareen et al. A robust De-Noising Autoencoder imputation and VMD algorithm based deep learning technique for short-term wind speed prediction ensuring cyber resilience
Ebrahim et al. Energy disaggregation based deep learning techniques: A pre-processing stage to enhance the household load forecasting
Manoj et al. FWS-DL: forecasting wind speed based on deep learning algorithms
Nawar et al. Transfer learning in deep learning models for building load forecasting: Case of limited data
Chou et al. Simulating long-term energy consumption prediction in campus buildings through enhanced data augmentation and metaheuristic-optimized artificial intelligence
Wei et al. An instance based multi-source transfer learning strategy for building’s short-term electricity loads prediction under sparse data scenarios
CN116245259B (zh) 基于深度特征选择的光伏发电预测方法、装置和电子设备
Sharma et al. Deep learning approaches to time series forecasting
Steephen et al. Demand forecasting in smart homes using deep learning techniques

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