CN116979503A - 一种基于Informer网络的商业建筑负荷预测方法及系统 - Google Patents

一种基于Informer网络的商业建筑负荷预测方法及系统 Download PDF

Info

Publication number
CN116979503A
CN116979503A CN202310740982.7A CN202310740982A CN116979503A CN 116979503 A CN116979503 A CN 116979503A CN 202310740982 A CN202310740982 A CN 202310740982A CN 116979503 A CN116979503 A CN 116979503A
Authority
CN
China
Prior art keywords
data
load
air temperature
building
network
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
CN202310740982.7A
Other languages
English (en)
Inventor
李洁
顾水福
周磊
刘乙
李亚飞
李圆琪
朱超群
赵猛
李敏
钱旸
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.)
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Suzhou Power Supply Co of State Grid Jiangsu Electric Power 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 Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202310740982.7A priority Critical patent/CN116979503A/zh
Publication of CN116979503A publication Critical patent/CN116979503A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于Informer网络的商业建筑负荷预测方法及系统，包括：采集各商业建筑的历史耗能元数据信息，包括时间戳信息和建筑负荷数据；对耗能元数据信息进行预处理并按照时间顺序进行排序，得到正规化耗能元数据；获取气象局气温数据，并基于informer网络进行训练，得到气温预测模型；分别构建不同类别的商业建筑对应的负荷训练数据集；采用各类别商业建筑对应的负荷训练数据集分别对Informer网络进行训练，得到不同类别商业建筑对应的负荷预测模型；采集待预测商业建筑的历史耗能元数据和历史气温数据，并通过气温预测模型和负荷预测模型得到其负荷预测结果。本发明能够对不同用电行为模式的商业建筑采用不同的预测模型进行处理，得到更准确的负荷预测结果。

Description

一种基于Informer网络的商业建筑负荷预测方法及系统
技术领域
本发明属于负荷预测技术领域，更具体地，涉及一种基于Informer网络的商业建筑负荷预测方法。
背景技术
近年来，随着智能电网的不断发展，更精确的智能电表得到普及，这使得电力企业可获取更多电力负荷用户的细粒用电数据，充分挖掘此类负荷数据的隐藏信息，可为保障电网的安全可靠运行做好规划。在数据预处理方面，聚类可以从电力消费者负荷数据中区分出不同的消费群体并且概括出每一类消费者的负荷模式。智能电表采集的数据天然具有时间序列性质，因此采用时间序列聚类算法可最大程度提取商业建筑负荷的耗能模式。针对不同商业建筑负荷模式，采用本文所提Informer*模型进行负荷预测验证，可实现多种商业建筑模式负荷的精确预测。
实现多种耗能模式的商业建筑负荷精准预测可以帮助电力公司提前预判用电的峰谷，提前调整各电厂的发电计划和电力消费者的能源分配，以满足电力用户的用电需求并提升电网运行的稳定性。尤其是在全球减少碳排放量的趋势下，具有较强波动性的太阳能、风能等可再生能源不断接入电网，对电网的消纳能力提出了全新的挑战，实现商业建筑电能负荷的预测，可使电力公司合理规划可控发电厂的发电计划，从负荷侧减少波动源荷对电网的冲击，提升电网对新能源的消纳能力。
目前，面对商业建筑负荷预测问题，方法主要集中于单一负荷的预测，大多采用矢量自回归模型、整合移动平均自回归模型等传统方法，他们都没有充分利用时间序列的负荷信息，未考虑耗能模式对预测结果的重要影响。
现有技术文件1(CN1 15759376A)提供了一种基于组合预测模型的综合能源系统多元负荷预测方法，步骤如下：获取某区域综合能源系统中的冷热电负荷和影响因子的历史数据，建立特征数据库；构建Informer预测模型，建立基于全局时间戳和局部时间戳的输入表示模块，经过编码器的多头自注意力和自注意蒸馏机制降低复杂度，通过多头注意力和特征进行交互，直接一次生成输出；构建多任务学习的长短期记忆人工神经网络预测模型，提取冷热电负荷的周期性和耦合性特征进行多元负荷预测；建立支持向量机模型，进行组合均分训练，得到最终的预测结果。现有技术存在的问题包括：商业建筑的具体用电行为模式较多且各不相同，采用同一预测模型难以快速实现较准确的预测。
发明内容
为解决现有技术中存在的不足，本发明提供一种基于Informer网络的商业建筑负荷预测方法，能够利用区域气温数据以及商业建筑负荷时间序列特征，通过时间序列聚类算法将在时间上具有相似性的负荷数据归为一组，对其分别采用最佳的预测算法实现不同用电行为模式的商业建筑负荷预测，将各建筑负荷预测结果求和得到区域商业建筑负荷预测结果。
本发明采用如下的技术方案。
一种基于Informer网络的商业建筑负荷预测方法，包括以下步骤：
步骤1，采集各商业建筑的历史耗能元数据信息，包括时间戳信息和每个商业建筑的建筑负荷数据；
步骤2，对步骤1采集的耗能元数据信息进行预处理并按照时间顺序进行排序，得到各商业建筑的正规化耗能元数据；
步骤3，获取气象局气温数据，构建该区域商业建筑的时间序列历史气温训练数据集，并基于informer网络进行训练，得到气温预测模型；
步骤4，确定最佳聚类数目并通过聚类算法实现具有相似用电行为习惯的商业建筑分类，根据步骤2得到的各商业建筑的正规化耗能元数据和步骤3采集的历史气温数据分别构建不同类别的商业建筑对应的负荷训练数据集；
步骤5，根据步骤4得到的最佳聚类数目构建负荷预测模型个数，采用各类别商业建筑对应的负荷训练数据集分别对Informer网络进行训练，得到不同类别商业建筑对应的负荷预测模型；
步骤6，采集待预测商业建筑的历史耗能元数据和历史气温数据，并通过气温预测模型和负荷预测模型得到其负荷预测结果。
优选地，所述步骤1中，采集多个商业建筑的历史建筑负荷数据，并记录采集每个建筑负荷数据时的时间戳信息，时间戳信息为包含年、月、日、小时、分的具体时间信息，得到的各商业建筑耗能元数据信息包括时间戳信息及对应时间戳的建筑负荷数据；
其中，采集的历史负荷数据应至少包含三个月的数据，建筑负荷数据每隔15分钟采样一次。
优选地，所述步骤2还包括：
步骤2-1，对步骤1采集到的数据进行清洗，剔除耗能元数据信息中的噪声数据；
步骤2-2，对步骤1采集到的建筑负荷数据进行正规化处理，得到正规化处理后的建筑负荷数据；
步骤2-3，对步骤1采集的各商业建筑时间戳信息和正规化处理后的建筑负荷数据按照时间顺序进行排序，得到正规化耗能元数据。
优选地，所述步骤2-3还包括：
按照时间先后顺序将时间戳信息按列排序，得到时间戳信息列；
将正规化处理后的建筑负荷数据与对应的时间戳信息对齐，得到按照时间顺序排列的正规化处理后的建筑负荷数据列；
各商业建筑的时间戳信息列和对应的正规化处理后的建筑负荷数据列共同构成该商业建筑对应的正规化耗能元数据。
优选地，所述步骤3还包括：
步骤3-1，采集历史气温数据并构建历史气温训练数据集；
其中，历史气温数据以步骤1中建筑负荷数据的采样频率对气温数据进行重采样得到，生成含采样时间列和气温数据列的历史气温训练数据集；
步骤3-2，通过历史气温训练数据集对informer网络进行训练，得到训练后的informer网络作为气温预测模型。
优选地，所述步骤4还包括：
步骤4-1，计算不同聚类数目下商业建筑的负荷数据通过k-shape聚类算法聚类后得到的结果的误差平方和，并根据手肘法和轮廓系数法综合确定最佳聚类数目；
步骤4-2，根据最佳聚类数目，通过k-shape聚类算法实现对具有相似用电行为习惯的商业建筑分类，得到聚类结果；
步骤4-3，根据聚类结果将各商业建筑进行分类，并基于正规化耗能元数据和历史气温数据对每个商业建筑构建时间序列训练数据集，作为各类别商业建筑的训练数据。
优选地，所述步骤4-3中，将步骤3采集到的历史气温数据与步骤1采集的负荷数据按照时间列进行合并，得到包含三列数据的商业建筑负荷的时间序列训练数据集：时间列、历史气温列、历时负荷列。
优选地，所述步骤5还包括：
步骤5-1，对每个类别的负荷训练数据集，分别选取样本数据的80％、10％和10％作为训练数据、验证数据和测试数据；
步骤5-2，设定informer网络的多输入预测单输出模式，并对网络参数进行初始化；
步骤5-3，设置informer网络的输入步长，包括编码器和解码器个数；
步骤5-4，根据目标预测时间长短设置Informer网络的预测步长；
步骤5-5，设置Informer网络的批尺寸和丢弃率，设置训练周期epoch，采用Adam优化器，并使初始学习率在[0，1]之间调整；
步骤5-6，采用gelu函数作为Informer网络的激活函数，采用平均平方误差和MSE作为模型预测评估的评价指标进行训练，得到各别商业建筑对应的负荷预测模型。
优选地，所述步骤6还包括：
步骤6-1，采集待预测商业建筑的历史耗能元数据和历史气温数据，并对采集到的进行预处理和排序；
步骤6-2，确定预测目标时间长度，并根据目标时间长度对应的网络预测步长；
步骤6-3，将气温预测模型输出设置为反归一化模式，将气温预测模型在输入数据集过程中归一化的数据进行反归一化，最终生成带时间信息的目标时间段气温预测数据集；
步骤6-4，将采集到的将历史气温数据集与目标时间段气温预测数据集按照时间信息进行合并，并将生成的完整气温数据集按照时间列与采集的商业建筑历史负荷数据合并，最终生成包含时间数据、气温数据以及负荷数据的商业建筑负荷时间序列数据集；
步骤6-5，对待预测商业建筑进行分类，根据其所属类别选择负荷预测模型，将商业建筑负荷时间序列数据集输入该负荷预测模型，得到目标时间段的负荷预测结果。
本发明还提供了一种基于Informer网络的商业建筑负荷预测系统，包括：数据采集模块、数据处理模块、模型训练模块及预测模块；
数据采集模块用于采集时间戳信息、各商业建筑的负荷数据信息以及各商业建筑所在区域的气温信息；
数据处理模块用于对数据采集模块采集到的数据进行处理；
模型训练模块能够基于数据采集模块和数据处理模块得到的数据进行模型训练，并得到气温预测模型和负荷预测模型；
预测模块能够基于数据采集模块和数据处理模块得到的数据，通过气温预测模型和负荷预测模型预测商业建筑在未来时间段内的负荷数据。
本发明还提供了一种终端，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行所述基于Informer网络的商业建筑负荷预测方法的步骤。
本发明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所述基于Informer网络的商业建筑负荷预测方法的步骤。
本发明的有益效果在于，与现有技术相比，本发明通过运用人工智能领域的先进技术，即k-shape聚类算法和Informer网络实现对区域商业建筑负荷的预测，考虑用电行为模式可减少构建informer模型时所耗费的内存资源与运行时间，引入区域气温数据进一步提高最终区域内总商业建筑负荷预测的精确度，而且本发明只需要利用逐渐普及智能电表采集的数据以及公开的气象局气温数据，有效地降低了增加其它测量设备带来的经济成本；
用电行为模式反映了特定商业用途的负荷行为和耗能模式，不同类型的商业建筑负荷具有不同的负荷特征，如峰谷期、营歇业时间、周日休息等，充分挖掘此类信息可大大提高商业建筑负荷预测的准确度，本发明通过K-shape聚类算法可首先将时间上具有强相似性的商业建筑负荷归为一组，而时间序列预测算法informer网络天然具有挖掘时间信息的巨大潜力，其多头注意力机制可通过时间序列历史负荷变化来预测未来的负荷消耗，同时该网络具有多输入特征预测单输入的能力，通过增补区域气温数据来提高预测的准确性。时间序列聚类算法k-shape可实现初步的时间信息特征识别与分组，Informer*预测模型可通过挖掘这些被分类的时间信息特征以提高区域商业建筑负荷预测的准确性，故本发明所提商业建筑电能负荷处理方法可大大提高区域商业建筑负荷预测的准确性和可靠性。
附图说明
图1是本发明中基于Informer网络的商业建筑负荷预测方法的流程示意图；
图2是本发明中Informer的整体架构图；
图3是本发明中基于Informer网络的商业建筑负荷预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
本发明的一种基于Informer网络的商业建筑负荷预测方法，如图1所示，包括以下步骤：
步骤1，通过智能电表采集各商业建筑的历史耗能元数据信息，包括时间戳信息和每个商业建筑的建筑负荷数据。
具体的，采集多个商业建筑的历史建筑负荷数据，并记录采集每个建筑负荷数据时的时间戳信息，时间戳信息为包含年、月、日、小时、分的具体时间信息，得到的各商业建筑耗能元数据信息包括时间戳信息及对应时间戳的建筑负荷数据；
其中，采集的历史负荷数据应至少包含三个月的数据，拥有的历史负荷数据越多进行模型训练时可学习的负荷变化周期性越强；
优选的，建筑负荷数据每隔15分钟采样一次。
步骤2，对步骤1采集的耗能元数据信息进行预处理并按照时间顺序进行排序，得到各商业建筑的正规化耗能元数据；
具体的，步骤2还包括：
步骤2-1，对步骤1采集到的数据进行清洗，剔除耗能元数据信息中的噪声数据；
步骤2-2，对步骤1采集到的建筑负荷数据进行正规化处理，得到正规化处理后的建筑负荷数据；
为了避免电能负荷量纲不同给聚类和预测带来的影响，需要对采集到的建筑负荷数据进行正规化处理，具体正规化公式如下：
式中。μ为原始数据集的均值，σ为原始数据集的方差。x为智能电表采集的元数据，x′为各元数据经归一化后的数值。
步骤2-3，对步骤1采集的各商业建筑时间戳信息和正规化处理后的建筑负荷数据按照时间顺序进行排序，得到正规化耗能元数据；
按照商业建筑电能负荷消耗的时间戳信息，将步骤1采集到的包含时间戳信息和建筑负荷数据进行排序，进行时间序列的正规化处理；具体包括：
按照时间先后顺序将时间戳信息按列排序，得到时间戳信息列；
将正规化处理后的建筑负荷数据与对应的时间戳信息对齐，得到按照时间顺序排列的正规化处理后的建筑负荷数据列；
各商业建筑的时间戳信息列和对应的正规化处理后的建筑负荷数据列共同构成该商业建筑对应的正规化耗能元数据。
步骤3，通过气象局采集各商业建筑所在区域的历史气温数据，构建该区域商业建筑的时间序列历史气温训练数据集，并基于informer网络进行训练，得到气温预测模型；
利用其训练informer气温预测模型，生成气温预测数据集。
步骤3具体包括：
步骤3-1，采集历史气温数据并构建历史气温训练数据集；
步骤3-1-1，获取气象局历史气温数据并以步骤1中建筑负荷数据的采样频率对气温数据进行重采样；
步骤3-1-2，生成含采样时间列和气温数据列的历史气温训练数据集；
步骤3-2，通过历史气温训练数据集对informer网络进行训练，得到训练后的informer网络作为气温预测模型；
具体的，步骤3-2还包括：
步骤3-2-1，分别选取气温训练数据集的80％、10％和10％作为训练数据、验证数据和测试数据；
步骤3-2-2，采用informer网络单输入预测单输出模式训练气温预测模型；
步骤3-2-3，获取气温训练数据集的特征，初始化informer模型的参数；
步骤3-2-4，确定informer的输入步长和网络预测步长，预测步长的选取可根据目标预测时间计算求得，公式如下：
式中，Sforecast为网络预测步长，T为目标预测时间，单位为小时，f为气温训练数据的重采样频率，单位为次/小时。
可以理解的是本发明中气温数据的采样频率和负荷数据的采样频率相同。
步骤3-2-5，设置informer网络的批尺寸和丢弃率，以及informer网络的训练周期epoch，通过训练数据、验证数据和测试数据完成对informer网络的训练，并将训练后的informer网络作为气温预测模型；
上述参数可由本领域技术人员根据实际情况进行设置。
步骤4，确定最佳聚类数目并通过聚类算法实现具有相似用电行为习惯的商业建筑分类，根据步骤2得到的各商业建筑的正规化耗能元数据和步骤3采集的历史气温数据分别构建不同类别的商业建筑对应的负荷训练数据集；
本发明中通过对不同类别的商业建筑分别构造包含时间序列、负荷数据和气温数据的负荷训练数据集，然后利用手肘法和轮廓系数法综合确定聚类数目，通过k-shape聚类算法实现具有相似用电行为习惯的商业建筑识别，结合步骤3，增补商业建筑所在区域的历史气温数据并生成各类别商业建筑对应的负荷训练数据集。
在未有关于商业建筑负荷用电行为模式先验知识的情况下，通过聚类的方式根据各商业建筑的用电行为模式特征对其进行分类，具体的，步骤4还包括：
步骤4-1，计算不同聚类数目下商业建筑的负荷数据通过k-shape聚类算法聚类后得到的结果的误差平方和(sum ofthe squared errors，SSE)，并根据手肘法和轮廓系数法综合确定最佳聚类数目；
误差平方和的计算公式如下：
式中，Ci是第i个簇，p是Ci的样本点，mi是Ci的簇原型，SSE是所有样本的误差平方和。
每个聚类数目下的通过k-shape聚类算法得到的聚类结果可以计算一个误差平方和，以聚类数目为横坐标，误差平方和SSE为纵坐标，能够得到一个折线图，利用手肘法并结合轮廓系数法进行判断，综合确定一个最佳的聚类数目。
步骤4-2，根据最佳聚类数目，通过k-shape聚类算法实现对具有相似用电行为习惯的商业建筑分类，得到聚类结果；
k-shape聚类算法在聚类过程中具有尺度不变性和平移不变性，在对具有时间复杂性的区域商业建筑负荷数据进行聚类时可将具有相似用电行为模式的建筑有效分组，将在时间上具有相似性的负荷归为一组可在下一步构建informer时间序列预测模型时采用相同的损失函数以实现最佳预测效果。
本发明中通过k-shape聚类算法实现具有相似用电行为习惯的商业建筑识别的优势在于：k-shape聚类算法在聚类过程中具有尺度不变性和平移不变性，在对具有时间复杂性的区域商业建筑负荷数据进行聚类时可将具有相似用电行为模式的建筑有效分组，无需通过大量复杂的定量指标计算便可将负荷曲线中相似的峰谷值、负荷波动性等信息归为一组，并在步骤5中构建预测模型时采用相同的损失函数以实现模型的最佳预测效果。
步骤4-3，根据聚类结果将各商业建筑进行分类，并基于正规化耗能元数据和历史气温数据对每个商业建筑构建时间序列训练数据集，作为各类别商业建筑的训练数据；
具体的，将步骤3采集到的历史气温数据与步骤1采集的负荷数据按照时间列进行合并，得到包含三列数据的商业建筑负荷的时间序列训练数据集：时间列、历史气温列、历时负荷列，并按照聚类结果，划分不同类别商业建筑所对用的时间序列训练数据集，各类别内的商业建筑具有相似的用电行为模式。
步骤5，根据步骤4得到的最佳聚类数目构建负荷预测模型个数，采用各类别商业建筑对应的负荷训练数据集分别对Informer网络进行训练，得到不同类别商业建筑对应的负荷预测模型；
分别对k-shape聚类下的多种建筑负荷构建负荷预测模型，实现各类用电行为模式的商业建筑负荷模式的负荷预测，并将区域内多种用电行为模式的商业建筑负荷预测结果进行求和获取区域内总商业建筑负荷预测结果。具体包括：
如图2所示，步骤5还包括：
步骤5-1，对每个类别的负荷训练数据集，分别选取样本数据的80％、10％和10％作为训练数据、验证数据和测试数据；
步骤5-2，确定informer网络的多输入预测单输出模式，并对网络参数进行初始化；
步骤5-3，设置informer网络的输入步长，包括编码器和解码器个数；
本发明中采用的Informer网络的整体架构图如图2所示。
步骤5-4，根据目标预测时间长短设置Informer网络的预测步长；
具体的，确定Informer网络预测步长，可根据目标预测时间长短的需要进行设置，计算公式如式(2)，即：
其中，Sforecast为网络预测步长，T为目标预测时间，单位为小时，f为负荷数据的重采样频率，单位为次/小时。
步骤5-5，设置Informer网络的批尺寸和丢弃率，设置训练周期epoch，采用Adam优化器，并使初始学习率在[0，1]之间调整；
步骤5-6，采用gelu作为Informer网络的激活函数，采用平均平方误差和MSE作为模型预测评估的评价指标进行训练，得到各别商业建筑对应的负荷预测模型；
具体的，为了适应本发明的预测对象，对Informer网络进行改进，采用Huber作为模型预测评估的损失函数，具体如下：
其中，δ为Huber损失函数的超参数，yi为商业建筑用户实际负荷值，为模型输出的预测值。
采用平均平方误差和MSE作为模型预测评估的评价指标。
其中，m为训练样本的个数，yi为商业建筑用户实际负荷值，为模型输出的预测值。并通过选取yi和/>的对应的Huber误差作为损失函数，来修正Informer网络对应的各个参数，确保网络达到收敛状态，将训练后的网络作为负荷预测模型。
步骤6，采集待预测商业建筑的历史耗能元数据和历史气温数据，并通过气温预测模型和负荷预测模型得到其负荷预测结果。
历史耗能元数据包括历史负荷数据信息和时间戳信息，利用训练完成的气温预测模型，预测目标时间段的气温数据，并生成预测气温数据集，具体包括：
步骤6-1，采集待预测商业建筑的历史耗能元数据和历史气温数据，并对采集到的进行预处理和排序；
步骤6-2，确定预测目标时间长度，并根据目标时间长度对应的网络预测步长；
其中，根据目标时间长度对应的网络预测步长的计算方法如式(2)。
步骤6-3，将气温预测模型输出设置为反归一化模式，将气温预测模型在输入数据集过程中归一化的数据进行反归一化，最终生成带时间信息的目标时间段气温预测数据集；
步骤6-4，将采集到的将历史气温数据集与目标时间段气温预测数据集按照时间信息进行合并，并将生成的完整气温数据集按照时间列与采集的商业建筑历史负荷数据合并，最终生成包含时间数据、气温数据以及负荷数据的商业建筑负荷时间序列数据集；
步骤6-5，对待预测商业建筑进行分类，根据其所属类别选择负荷预测模型，将商业建筑负荷时间序列数据集输入该负荷预测模型，得到目标时间段的负荷预测结果。
优选的，负荷预测结果以负荷数据在目标时间段内的随时间变化的曲线进行显示，供用户参考。
如图3所示，本发明还提供了一种基于Informer网络的商业建筑负荷预测系统，上述商业建筑负荷预测方法能够基于该系统实现，该系统包括：数据采集模块、数据处理模块、模型训练模块及预测模块；
数据采集模块用于采集时间戳信息、各商业建筑的负荷数据信息以及各商业建筑所在区域的气温信息；
数据处理模块用于对数据采集模块采集到的数据进行处理；
模型训练模块能够基于数据采集模块和数据处理模块得到的数据进行模型训练，并得到气温预测模型和负荷预测模型；
预测模块能够基于数据采集模块和数据处理模块得到的数据，通过气温预测模型和负荷预测模型预测商业建筑在未来时间段内的负荷数据。
本发明的有益效果在于，与现有技术相比，本发明考虑到每个商业建筑的商户都有自己的个性化营业模式，即便同为一种类型的建筑，如咖啡店，但营业时间等也存在差别，本发明构建的负荷预测方法重点考虑各商业建筑实际经营上的差别，先根据用电行为模式对商业建筑进行分组，再对历史负荷进行学习得到预测模型，得到的预测结果更加个性化且细致化，从而提升预测结果的准确度。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言-诸如Smalltalk、C++等，以及常规的过程式编程语言-诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种基于Informer网络的商业建筑负荷预测方法，其特征在于，包括以下步骤：
步骤1，采集各商业建筑的历史耗能元数据信息，包括时间戳信息和每个商业建筑的建筑负荷数据；
步骤2，对步骤1采集的耗能元数据信息进行预处理并按照时间顺序进行排序，得到各商业建筑的正规化耗能元数据；
步骤3，获取气象局气温数据，构建该区域商业建筑的时间序列历史气温训练数据集，并基于informer网络进行训练，得到气温预测模型；
步骤4，确定最佳聚类数目并通过聚类算法实现具有相似用电行为习惯的商业建筑分类，根据步骤2得到的各商业建筑的正规化耗能元数据和步骤3采集的历史气温数据分别构建不同类别的商业建筑对应的负荷训练数据集；
步骤5，根据步骤4得到的最佳聚类数目构建负荷预测模型个数，采用各类别商业建筑对应的负荷训练数据集分别对Informer网络进行训练，得到不同类别商业建筑对应的负荷预测模型；
步骤6，采集待预测商业建筑的历史耗能元数据和历史气温数据，并通过气温预测模型和负荷预测模型得到其负荷预测结果。
2.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤1中，采集多个商业建筑的历史建筑负荷数据，并记录采集每个建筑负荷数据时的时间戳信息，时间戳信息为包含年、月、日、小时、分的具体时间信息，得到的各商业建筑耗能元数据信息包括时间戳信息及对应时间戳的建筑负荷数据；
其中，采集的历史负荷数据应至少包含三个月的数据，建筑负荷数据每隔15分钟采样一次。
3.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤2还包括：
步骤2-1，对步骤1采集到的数据进行清洗，剔除耗能元数据信息中的噪声数据；
步骤2-2，对步骤1采集到的建筑负荷数据进行正规化处理，得到正规化处理后的建筑负荷数据；
步骤2-3，对步骤1采集的各商业建筑时间戳信息和正规化处理后的建筑负荷数据按照时间顺序进行排序，得到正规化耗能元数据。
4.如权利要求书3所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤2-3还包括：
按照时间先后顺序将时间戳信息按列排序，得到时间戳信息列；
将正规化处理后的建筑负荷数据与对应的时间戳信息对齐，得到按照时间顺序排列的正规化处理后的建筑负荷数据列；
各商业建筑的时间戳信息列和对应的正规化处理后的建筑负荷数据列共同构成该商业建筑对应的正规化耗能元数据。
5.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤3还包括：
步骤3-1，采集历史气温数据并构建历史气温训练数据集；
其中，历史气温数据以步骤1中建筑负荷数据的采样频率对气温数据进行重采样得到，生成含采样时间列和气温数据列的历史气温训练数据集；
步骤3-2，通过历史气温训练数据集对informer网络进行训练，得到训练后的informer网络作为气温预测模型。
6.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤4还包括：
步骤4-1，计算不同聚类数目下商业建筑的负荷数据通过k-shape聚类算法聚类后得到的结果的误差平方和，并根据手肘法和轮廓系数法综合确定最佳聚类数目；
步骤4-2，根据最佳聚类数目，通过k-shape聚类算法实现对具有相似用电行为习惯的商业建筑分类，得到聚类结果；
步骤4-3，根据聚类结果将各商业建筑进行分类，并基于正规化耗能元数据和历史气温数据对每个商业建筑构建时间序列训练数据集，作为各类别商业建筑的训练数据。
7.如权利要求书6所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤4-3中，将步骤3采集到的历史气温数据与步骤1采集的负荷数据按照时间列进行合并，得到包含三列数据的商业建筑负荷的时间序列训练数据集：时间列、历史气温列、历时负荷列。
8.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤5还包括：
步骤5-1，对每个类别的负荷训练数据集，分别选取样本数据的80％、10％和10％作为训练数据、验证数据和测试数据；
步骤5-2，设定informer网络的多输入预测单输出模式，并对网络参数进行初始化；
步骤5-3，设置informer网络的输入步长，包括编码器和解码器个数；
步骤5-4，根据目标预测时间长短设置Informer网络的预测步长；
步骤5-5，设置Informer网络的批尺寸和丢弃率，设置训练周期epoch，采用Adam优化器，并使初始学习率在[0，1]之间调整；
步骤5-6，采用gelu函数作为Informer网络的激活函数，采用平均平方误差和MSE作为模型预测评估的评价指标进行训练，得到各别商业建筑对应的负荷预测模型。
9.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，
所述步骤6还包括：
步骤6-1，采集待预测商业建筑的历史耗能元数据和历史气温数据，并对采集到的进行预处理和排序；
步骤6-2，确定预测目标时间长度，并根据目标时间长度对应的网络预测步长；
步骤6-3，将气温预测模型输出设置为反归一化模式，将气温预测模型在输入数据集过程中归一化的数据进行反归一化，最终生成带时间信息的目标时间段气温预测数据集；
步骤6-4，将采集到的将历史气温数据集与目标时间段气温预测数据集按照时间信息进行合并，并将生成的完整气温数据集按照时间列与采集的商业建筑历史负荷数据合并，最终生成包含时间数据、气温数据以及负荷数据的商业建筑负荷时间序列数据集；
步骤6-5，对待预测商业建筑进行分类，根据其所属类别选择负荷预测模型，将商业建筑负荷时间序列数据集输入该负荷预测模型，得到目标时间段的负荷预测结果。
10.一种利用权利要求1-9任一项权利要求所述商业建筑负荷预测方法的基于Informer网络的商业建筑负荷预测系统，其特征在于，包括：数据采集模块、数据处理模块、模型训练模块及预测模块；
数据采集模块用于采集时间戳信息、各商业建筑的负荷数据信息以及各商业建筑所在区域的气温信息；
数据处理模块用于对数据采集模块采集到的数据进行处理；
模型训练模块能够基于数据采集模块和数据处理模块得到的数据进行模型训练，并得到气温预测模型和负荷预测模型；
预测模块能够基于数据采集模块和数据处理模块得到的数据，通过气温预测模型和负荷预测模型预测商业建筑在未来时间段内的负荷数据。
11.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-9任一项所述方法的步骤。
12.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权利要求1-9任一项所述方法的步骤。
CN202310740982.7A 2023-06-21 2023-06-21 一种基于Informer网络的商业建筑负荷预测方法及系统 Pending CN116979503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310740982.7A CN116979503A (zh) 2023-06-21 2023-06-21 一种基于Informer网络的商业建筑负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310740982.7A CN116979503A (zh) 2023-06-21 2023-06-21 一种基于Informer网络的商业建筑负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN116979503A true CN116979503A (zh) 2023-10-31

Family

ID=88480599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310740982.7A Pending CN116979503A (zh) 2023-06-21 2023-06-21 一种基于Informer网络的商业建筑负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN116979503A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422182A (zh) * 2023-12-18 2024-01-19 保大坊科技有限公司 数据预测方法、装置及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422182A (zh) * 2023-12-18 2024-01-19 保大坊科技有限公司 数据预测方法、装置及存储介质

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
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
Afrasiabi et al. Deep-based conditional probability density function forecasting of residential loads
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
Bunn et al. Comparative models for electrical load forecasting
Shang et al. Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
He et al. A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data
Lv et al. EGA-STLF: A hybrid short-term load forecasting model
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
Yu et al. Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN116979503A (zh) 一种基于Informer网络的商业建筑负荷预测方法及系统
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
Yang et al. Photovoltaic power forecasting with a rough set combination method
Li et al. GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method
Fan et al. Fluctuation pattern recognition based ultra-short-term wind power probabilistic forecasting method
CN114548586A (zh) 一种基于混合模型的短期电力负荷预测方法及系统
CN112614004A (zh) 用电信息的处理方法及装置
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN116757465A (zh) 一种基于双训练权重分配模型的线路风险评估方法及装置
Kim et al. Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction
Li et al. Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors
CN111967919A (zh) 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法

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