CN117200204A - 一种多元负荷预测方法、装置及存储介质 - Google Patents
一种多元负荷预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117200204A CN117200204A CN202311161272.5A CN202311161272A CN117200204A CN 117200204 A CN117200204 A CN 117200204A CN 202311161272 A CN202311161272 A CN 202311161272A CN 117200204 A CN117200204 A CN 117200204A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- load prediction
- historical
- prediction model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 118
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000003066 decision tree Methods 0.000 claims description 64
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 32
- 230000008878 coupling Effects 0.000 description 13
- 238000010168 coupling process Methods 0.000 description 13
- 238000005859 coupling reaction Methods 0.000 description 13
- 230000015654 memory Effects 0.000 description 12
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多元负荷预测方法、装置及存储介质，方法包括：获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据；对所述原始数据进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集；利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型；所述初始多元负荷预测模型为基于MTL的LSTM网络模型；将园区多能源系统的预设时间段的运行数据、日类型和气象数据输入多元负荷预测模型，得到预设时间段的多元负荷预测结果，考虑了输入特征集较大的问题和多元负荷预测的影响因素，提高了多元负荷预测精度，有利于园区能源系统优化调度，提高了能源利用效率。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种多元负荷预测方法、装置及存储介质。
背景技术
随着热电联产单元和燃煤机等耦合装置的不断利用，电力系统与其他能源系统的联系也越来越紧密。通过这些耦合装置将不同子系统连接成能源系统，可以显著提高能源的利用效率。园区能源系统即是典型代表。然而园区能源系统的清洁能源出力和负荷需求具有不确定性，会给园区能源系统的安全稳定运行带来挑战。短期负荷预测是园区能源系统用能管理和优化调度的前提，需要统筹兼顾多个能源系统，不再像传统电力系统一样受限于单一负荷。园区多能源系统间的耦合关系和多元负荷的随机性对负荷预测提出了更高的要求。
目前短期负荷预测分为传统方法和机器学习方法。传统方法以时间序列法、回归分析法为代表。机器学习方法以随机森林、支持向量机为代表。随着可再生能源接入、需求侧响应等新因素的加入，目前短期负荷预测方法也面临着挑战，由于园区能源系统中不同能源间存在耦合关联，因此，负荷需求的预测不应是冷、热、电负荷预测的简单叠加，还需要考虑不同负荷间的相互影响，提升模型的预测效果。但是目前对综合能源系统的多元负荷预测方法不能处理不同形式用能耦合问题，也未对模型的输入特征进行筛选，致使预测模型输入参数过多，增加了预测模型的复杂度，进而导致负荷预测准确率低。
发明内容
本发明提供了一种多元负荷预测方法、装置及存储介质，考虑了输入特征集较大的问题和多元负荷预测的影响因素，提高了多元负荷预测精度，有利于园区能源系统优化调度，提高了能源利用效率。
本发明提供了一种多元负荷预测方法，包括：获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据；对所述原始数据进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集；利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型；所述初始多元负荷预测模型为基于MTL的LSTM网络模型；将所述园区多能源系统的预设时间段的运行数据、日类型和气象数据输入多元负荷预测模型，得到所述预设时间段的多元负荷预测结果。
进一步地，获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据，具体为：
获取园区多能源系统的历史运行数据、历史日类型和历史气象数据，并分别对所述历史运行数据、所述历史日类型和所述历史气象数据进行归一化处理，将归一化处理后的运行数据、日类型和历史气象数据作为原始数据；
其中，所述历史运行数据包括历史电、冷和热负荷数据；历史气象数据包括温度、湿度、光照和风速数据。
进一步地，对所述原始数据进行误差分析，生成分析结果，具体为：
采用随机重采样法对原始数据进行若干次采样，生成若干个训练集和若干个袋外数据；其中，每次采样出若干个样本作为一个决策树训练集，剩余样本作为一个对应的袋外数据；
将若干个决策树训练集训练对应的决策树，形成随机森林；利用每棵所述决策树的袋外数据，计算每棵所述决策树的第一袋外误差；对所述袋外数据中的所有样本中的第一特征对应的数值加入随机干扰，计算每棵所述决策树的第二袋外数据误差。
进一步地，根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集，具体为：
根据每棵所述决策树的第一袋外误差和第二袋外数据误差，生成所述第一特征的重要指标值；在对若干个预设特征的重要指标值进行计算，并将重要指标值大于预设阈值的预设特征加入初始训练数据集后，获得训练数据集；所述初始训练数据集在加入重要指标值大于预设阈值的预设特征之前为空集；
所述重要指标值的表达式为：
其中，ξ1k为第k棵决策树加入随机干扰前的第一袋外误差、ξ0k为第k棵决策树加入随机干扰后的第二袋外误差；k＝1，2，3...n；n为决策树的数量；P为第一特征的重要性指标。
进一步地，利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型，具体为：
将训练数据集构建成初始多元负荷预测模型的输入数据集合，包括若干个数据样本和若干组任务；
所述输入数据集合的表达式为：
其中，N为数据样本个数，xi为第i个数据样本；为第i个数据点的第t个任务的标签；t∈T，T为任务个数；
构建所述初始多元负荷预测模型的初始预测函数为ft(x；θsh,θt):x→yt；
其中，ft为初始预测函数；x为数据样本，θsh为不同任务共享的参数，θ为任务相关的参数，yt(t∈T)为第t个任务的标签；
构建所述初始多元负荷预测模型的整体损失函数为：
其中，εt为任务的权重系数；为损失函数，所述损失函数定义为
将输入数据集合输入所述初始多元负荷预测模型中进行训练，直到整体损失函数最小化，生成多元负荷预测模型。
进一步地，多元负荷预测模型的具体函数为：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝Ot·tanh(Ct)
其中，ft，it和ot分别是遗忘门、输入门和输出门在t时刻的输出状态；xt为t时刻输入样本数据；和Ct分别是神经元t时刻的即时状态和长期状态；ht和ht-1分别是神经元t时刻和t-1时刻的隐藏状态；Wf，Wi，Wo和Wc分别是遗忘门、输入门、输出门和神经元对应的权重系数矩阵；bf，bi，bc和bo分别是遗忘门、输入门、输出门和神经元对应的偏置项；σ(·)和tanh(·)分别是sigmoid激活函数和线性整流激活函数。
进一步地，得到所述预设时间段的多元负荷预测结果之后，还包括：
计算每种负荷类型的实际负荷值和预测负荷值的平均百分比误差和均方根误差，根据每种所述负荷类型各自的权重，计算园区多能源系统的整体平均百分比误差和整体均方根误差作为多元负荷预测模型的评价指标。
作为优选方案，本发明公开了一种基于随机森林(RF)、长短时记忆(LSTM)神经网络和多任务学习(MTL)的多元负荷预测方法，在获取园区能源系统负荷、气象历史数据，对数据进行预处理后，利用RF对预处理后生成的样本数据进行特征选择，筛选出重要指标值较大的，影响负荷较大的重要特征，减少预测模型输入的维度；将特征选择后的数据输入基于MTL的LSTM网络搭建的共享学习层，充分挖掘和利用负荷间耦合特征，实现精准负荷预测；最后使用多权重的平均绝对百分误差和均方根误差对模型的整体预测效果进行评价。本发明考虑了输入特征集较大的问题和多元负荷预测的影响因素，利用RF的特征选择对输入特征集进行降维，利用基于MTL的LSTM网络模型挖掘和利用负荷间耦合特征，实现精准负荷预测，提高了多元负荷预测精度，有利于园区能源系统优化调度，提高了能源利用效率。
相应地，本发明还提供一种多元负荷预测装置，包括：训练模块和预测模块；其中，所述训练模块用于获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据；对所述原始数据进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集；利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型；所述预测模块用于将所述园区多能源系统的预设时间段的运行数据、日类型和气象数据输入多元负荷预测模型，得到所述预设时间段的多元负荷预测结果。
训练模块包括预处理单元、分析单元、特征选择单元和训练单元；
所述预处理单元用于获取园区多能源系统的历史运行数据、历史日类型和历史气象数据，并分别对所述历史运行数据、所述历史日类型和所述历史气象数据进行归一化处理，将归一化处理后的运行数据、日类型和历史气象数据作为原始数据；其中，所述历史运行数据包括历史电、冷和热负荷数据；历史气象数据包括温度、湿度、光照和风速数据；
所述分析单元用于采用随机重采样法对原始数据进行若干次采样，生成若干个训练集和若干个袋外数据；其中，每次采样出若干个样本作为一个决策树训练集，剩余样本作为一个对应的袋外数据；
将若干个决策树训练集训练对应的决策树，形成随机森林；利用每棵所述决策树的袋外数据，计算每棵所述决策树的第一袋外误差；对所述袋外数据中的所有样本中的第一特征对应的数值加入随机干扰，计算每棵所述决策树的第二袋外数据误差；
所述特征选择单元用于根据每棵所述决策树的第一袋外误差和第二袋外数据误差，生成所述第一特征的重要指标值；在对若干个预设特征的重要指标值进行计算，并将重要指标值大于预设阈值的预设特征加入初始训练数据集后，获得训练数据集；所述初始训练数据集在加入重要指标值大于预设阈值的预设特征之前为空集；
所述重要指标值的表达式为：
其中，ξ1k为第k棵决策树加入随机干扰前的第一袋外误差、ξ0k为第k棵决策树加入随机干扰后的第二袋外误差；k＝1，2，3...n；P为第一特征的重要性指标；
所述训练单元用于将训练数据集构建成初始多元负荷预测模型的输入数据集合，包括若干个数据样本和若干组任务；
所述输入数据集合的表达式为：
其中，N为数据样本个数，xi为第i个数据样本；为第i个数据点的第t个任务的标签；t∈T，T为任务个数；
构建所述初始多元负荷预测模型的初始预测函数为ft(x；θsh,θt):x→yt；
其中，ft为初始预测函数；x为数据样本，θsh为不同任务共享的参数，θ为任务相关的参数，yt(t∈T)为第t个任务的标签；
构建所述初始多元负荷预测模型的整体损失函数为：
其中，εt为任务的权重系数；为损失函数，所述损失函数定义为
将输入数据集合输入所述初始多元负荷预测模型中进行训练，直到整体损失函数最小化，生成多元负荷预测模型。
所述的一种多元负荷预测装置，还包括评估模块，所述评估模块用于计算每种负荷类型的实际负荷值和预测负荷值的平均百分比误差和均方根误差，根据每种所述负荷类型各自的权重，计算园区多能源系统的整体平均百分比误差和整体均方根误差作为多元负荷预测模型的评价指标。
作为优选方案，本发明装置考虑了输入特征集较大的问题和多元负荷预测的影响因素，训练模块中利用RF的特征选择对输入特征集进行降维，并生成了基于MTL的LSTM网络模型挖掘和利用负荷间耦合特征，通过预测模块实现园区能源系统的精准负荷预测，提高了多元负荷预测精度，有利于园区能源系统优化调度，提高了能源利用效率。
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如本发明内容所述的一种多元负荷预测方法。
附图说明
图1是本发明提供的多元负荷预测方法的一种实施例的流程示意图；
图2是本发明提供的多元负荷预测方法的一种实施例的特征选择的流程示意图；
图3是本发明提供的多元负荷预测方法的一种实施例的初始多元负荷预测模型的结构示意图；
图4是本发明提供的多元负荷预测方法的一种实施例的LSTM神经元内部结构示意图；
图5是本发明提供的多元负荷预测方法的一种实施例的具体流程示意图；
图6是本发明提供的多元负荷预测装置的一种实施例的结构示意图。
具体实施方式
下面将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楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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所有其他实施例，都属于本发明保护的范围。
实施例一
请参照图1，为本发明实施例提供的一种多元负荷预测方法，包括步骤S101-S102：
步骤S101：获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据；对所述原始数据进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集；利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型；所述初始多元负荷预测模型为基于MTL的LSTM网络模型；
进一步地，获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据，具体为：
获取园区多能源系统的历史运行数据、历史日类型和历史气象数据，并分别对所述历史运行数据、所述历史日类型和所述历史气象数据进行归一化处理，将归一化处理后的运行数据、日类型和历史气象数据作为原始数据；
其中，所述历史运行数据包括历史电、冷和热负荷数据；历史气象数据包括温度、湿度、光照和风速数据。
在本实施例中，获取负荷历史数据以及对应的日期类型数据和气象数据；对获取的数据进行归一化处理；将获取的数据集划分为训练集和测试集，其中85％作为训练集使用15％作为测试集使用。训练集用来对模型进行训练，测试集用来对训练完的模型进行测试。负荷历史数据包括园区能源系统的电、冷和热负荷的历史数据，气象数据包括温度、湿度、光照和风速数据。
进一步的，日期类型数据用1和0区分休息日和工作日。收集的历史数据为园区能源系统中一年的实际运行数据，采样周期为15分钟/点。采用(x-xmin)/(xmax-xmin)+1的方式将获取的历史数据归一化至(1,2)之间，其中xmin为待归一化数据的最小值，xmax为待归一化数据的最大值。
进一步地，对所述原始数据进行误差分析，生成分析结果，具体为：
采用随机重采样法对原始数据进行若干次采样，生成若干个训练集和若干个袋外数据；其中，每次采样出若干个样本作为一个决策树训练集，剩余样本作为一个对应的袋外数据；
将若干个决策树训练集训练对应的决策树，形成随机森林；利用每棵所述决策树的袋外数据，计算每棵所述决策树的第一袋外误差；对所述袋外数据中的所有样本中的第一特征对应的数值加入随机干扰，计算每棵所述决策树的第二袋外数据误差。
进一步地，根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集，具体为：
根据每棵所述决策树的第一袋外误差和第二袋外数据误差，生成所述第一特征的重要指标值；在对若干个预设特征的重要指标值进行计算，并将重要指标值大于预设阈值的预设特征加入初始训练数据集后，获得训练数据集；所述初始训练数据集在加入重要指标值大于预设阈值的预设特征之前为空集；
所述重要指标值的表达式为：
其中，ξ1k为第k棵决策树加入随机干扰前的第一袋外误差、ξ0k为第k棵决策树加入随机干扰后的第二袋外误差；k＝1，2，3...n；n为决策树的数量；P为第一特征的重要性指标。
在本实施例中，请参考图2，为本实施例通过RF特征选择模型实现对原始数据进行特征选择，通过RF特征选择模型采用随机重采样技术对原始数据集中的样本进行有放回的随机采样，选出m个样本作为训练集，未被选中的样本视为袋外数据，共进行n次采样,得到n个训练集。对于单棵决策树，随机抽取部分变量作为该决策树的属性集，并对决策树进行训练，训练过程中采用Gini系数作为节点分裂条件。每个训练集训练一棵决策树，共训练n棵决策树，形成随机森林；对于每棵决策树，采用其对应的袋外数据计算袋外误差ξ1，以计算变量x的重要性为例，对袋外数据所有样本中的特征x对应的数值加入随机干扰，再次计算袋外数据误差，记为ξ0。根据袋外数据误差，生成每个特征的重要指标值，并根据每个特征的重要指标值对每个特征进行投票表决，即特征选择，具体为，将重要指标值大于预设阈值的预设特征加入初始训练数据集，获得训练数据集作为投票结果。
在本实施例中，采取RF算法对可能影响负荷的因素进行重要性分析，剔除不重要的特征，并使剩余重要特征与历史负荷数据构成输入特征集，减少预测模型输入的维度，可以提高模型的预测精度。
进一步地，利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型，具体为：
将训练数据集构建成初始多元负荷预测模型的输入数据集合，包括若干个数据样本和若干组任务；
所述输入数据集合的表达式为：
其中，N为数据样本个数，xi为第i个数据样本；为第i个数据点的第t个任务的标签；t∈T，T为任务个数；
构建所述初始多元负荷预测模型的初始预测函数为ft(x；θsh,θt):x→yt；
其中，ft为初始预测函数；x为数据样本，θsh为不同任务共享的参数，θ为任务相关的参数，yt(t∈T)为第t个任务的标签；
步骤S102：将所述园区多能源系统的预设时间段的运行数据、日类型和气象数据输入多元负荷预测模型，得到所述预设时间段的多元负荷预测结果。
构建所述初始多元负荷预测模型的整体损失函数为：
其中，εt为任务的权重系数；为损失函数，所述损失函数定义为
将输入数据集合输入所述初始多元负荷预测模型中进行训练，直到整体损失函数最小化，生成多元负荷预测模型。
构建基于MTL的初始多元负荷预测模型的结构为图3所示，i个数据样本x1-xi输入初始多元负荷预测模型后，输出冷负荷、热负荷和电负荷预测结果。
园区能源系统结构复杂，不同能源系统通过能源转换装置进行耦合。因此，园区能源系统输出的冷、热、电负荷数据中存在大量关于能量转换的耦合信息，这些能量耦合特征难以用传统的人工特征方法提取。而MTL通过共享层对用户总体多元负荷间的复杂耦合信息进行学习，以确保园区能源系统服务商能够向用户提供精确的多元负荷需求。
更进一步的，采用Adam算法确定学习率、子训练样本集个数、最大训练次数等参数，剩余超参数采用控制变量法确定。
进一步地，采用具有记忆特性的LSTM神经网络来搭建共享学习层。LSTM在每个神经元内部添加了遗忘门、输入门和输出门，并且增加了一条代表长期记忆的信息流，构建基于LSTM的多元负荷预测模型的结构，其LSTM神经元内部结构如图4所示，多元负荷预测模型的具体函数为：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝Ot·tanh(Ct)
其中，ft，it和ot分别是遗忘门、输入门和输出门在t时刻的输出状态；xt为t时刻输入样本数据；和Ct分别是神经元t时刻的即时状态和长期状态；ht和ht-1分别是神经元t时刻和t-1时刻的隐藏状态；Wf，Wi，Wo和Wc分别是遗忘门、输入门、输出门和神经元对应的权重系数矩阵；bf，bi，bc和bo分别是遗忘门、输入门、输出门和神经元对应的偏置项；σ(·)和tanh(·)分别是sigmoid激活函数和线性整流激活函数。
进一步地，得到所述预设时间段的多元负荷预测结果之后，还包括：
计算每种负荷类型的实际负荷值和预测负荷值的平均百分比误差和均方根误差，根据每种所述负荷类型各自的权重，计算园区多能源系统的整体平均百分比误差和整体均方根误差作为多元负荷预测模型的评价指标。
选取平均绝对百分比误差、均方根误差两个指标评价模型的预测效果；平均绝对百分比误差和均方根误差越小，模型的预测精度越高；所述指标表示为：
负荷X的平均百分比误差：
负荷X的均方根误差：
其中，yi代表实际负荷值，y′i代表预测负荷值，M为样本总数。
进一步的，考虑到所构建多元负荷预测模型需要同时预测多种负荷，为了从整体上对多元负荷的预测精度进行评价，对不同负荷选择不同权重，使用多权重的平均百分比误差和均方根误差对模型的预测效果进行整体评价。
IMAPE＝αCIMAPE,C+αHIMAPE,H+αPIMAPE,P
IRMSE＝αCIRMSE,C+αHIRMSE,H+αPIRMSE,P
其中，IMAPE,C、IMAPE,H、IMAPE,P为冷、热、电负荷平均百分比误差；IRMSE,C、IRMSE,H、IRMSE,P为冷、热、电负荷的均方根误差；αC、αH、αP为冷、热、电负荷的权重，由园区能源系统的冷、热、电负荷水平和负荷特性共同确定。IMAPE和IRMSE分别为整体平均百分比误差和整体均方根误差，整体平均百分比误差和整体均方根误差越低，预测效果越好。
为了更好说明本实施例，请参考图5，提供一个多元负荷预测方法的具体流程，先对园区多能源系统的数据进行采集和预处理，并将预处理后的数据分为，历史负荷数据和其他变量，其他变量包括历史运行数据、历史日类型和历史气象数据，历史负荷数据为预设时间段的运行数据、日类型和气象数据；
利用随机森林算法对其他变量进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，构建影响因素和历史负荷特征集，即训练数据集；将训练数据集输入基于MTL初始多元负荷预测模型进行训练，生成多元负荷预测模型；
将历史负荷数据输入多元负荷预测模型，经过融合层和LSTM共享层分别进入三个全连接层，三个全连接层分别输出电负荷预测值、热负荷预测值和冷负荷预测值。
实施本发明实施例，具有如下效果：
本发明考虑了输入特征集较大的问题和多元负荷预测的影响因素，利用RF的特征选择对输入特征集进行降维，利用基于MTL的LSTM网络模型挖掘和利用负荷间耦合特征，实现精准负荷预测，提高了多元负荷预测精度，有利于园区能源系统优化调度，提高了能源利用效率。
实施例二
请参照图6，为本发明实施例提供的一种多元负荷预测装置，包括：训练模块201和预测模块202；
其中，所述训练模块201用于获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据；对所述原始数据进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集；利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型；
所述预测模块202用于将所述园区多能源系统的预设时间段的运行数据、日类型和气象数据输入多元负荷预测模型，得到所述预设时间段的多元负荷预测结果。
所述训练模块201包括预处理单元、分析单元、特征选择单元和训练单元；
所述预处理单元用于获取园区多能源系统的历史运行数据、历史日类型和历史气象数据，并分别对所述历史运行数据、所述历史日类型和所述历史气象数据进行归一化处理，将归一化处理后的运行数据、日类型和历史气象数据作为原始数据；其中，所述历史运行数据包括历史电、冷和热负荷数据；历史气象数据包括温度、湿度、光照和风速数据；
所述分析单元用于采用随机重采样法对原始数据进行若干次采样，生成若干个训练集和若干个袋外数据；其中，每次采样出若干个样本作为一个决策树训练集，剩余样本作为一个对应的袋外数据；
将若干个决策树训练集训练对应的决策树，形成随机森林；利用每棵所述决策树的袋外数据，计算每棵所述决策树的第一袋外误差；对所述袋外数据中的所有样本中的第一特征对应的数值加入随机干扰，计算每棵所述决策树的第二袋外数据误差；
所述特征选择单元用于根据每棵所述决策树的第一袋外误差和第二袋外数据误差，生成所述第一特征的重要指标值；在对若干个预设特征的重要指标值进行计算，并将重要指标值大于预设阈值的预设特征加入初始训练数据集后，获得训练数据集；所述初始训练数据集在加入重要指标值大于预设阈值的预设特征之前为空集；
所述重要指标值的表达式为：
其中，ξ1k为第k棵决策树加入随机干扰前的第一袋外误差、ξ0k为第k棵决策树加入随机干扰后的第二袋外误差；k＝1，2，3...n；n为决策树的数量；P为第一特征的重要性指标；
所述训练单元用于将训练数据集构建成初始多元负荷预测模型的输入数据集合，包括若干个数据样本和若干组任务；
所述输入数据集合的表达式为：
其中，N为数据样本个数，xi为第i个数据样本；为第i个数据点的第t个任务的标签；t∈T，T为任务个数；
构建所述初始多元负荷预测模型的初始预测函数为ft(x；θsh,θt):x→yt；
其中，ft为初始预测函数；x为数据样本，θsh为不同任务共享的参数，θ为任务相关的参数，yt(t∈T)为第t个任务的标签；
构建所述初始多元负荷预测模型的整体损失函数为：
其中，εt为任务的权重系数；为损失函数，所述损失函数定义为
将输入数据集合输入所述初始多元负荷预测模型中进行训练，直到整体损失函数最小化，生成多元负荷预测模型。
所述多元负荷预测模型，具体函数为：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝Ot·tanh(Ct)
其中，ft，it和ot分别是遗忘门、输入门和输出门在t时刻的输出状态；xt为t时刻输入样本数据；和Ct分别是神经元t时刻的即时状态和长期状态；ht和ht-1分别是神经元t时刻和t-1时刻的隐藏状态；Wf，Wi，Wo和Wc分别是遗忘门、输入门、输出门和神经元对应的权重系数矩阵；bf，bi，bc和bo分别是遗忘门、输入门、输出门和神经元对应的偏置项；σ(·)和tanh(·)分别是sigmoid激活函数和线性整流激活函数。
所述多元负荷预测装置还包括评估模块，所述评估模块用于计算每种负荷类型的实际负荷值和预测负荷值的平均百分比误差和均方根误差，根据每种所述负荷类型各自的权重，计算园区多能源系统的整体平均百分比误差和整体均方根误差作为多元负荷预测模型的评价指标。
上述的多元负荷预测装置可实施上述方法实施例的多元负荷预测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
实施本发明实施例，具有如下效果：
本发明装置考虑了输入特征集较大的问题和多元负荷预测的影响因素，训练模块中利用RF的特征选择对输入特征集进行降维，并生成了基于MTL的LSTM网络模型挖掘和利用负荷间耦合特征，通过预测模块实现园区能源系统的精准负荷预测，提高了多元负荷预测精度，有利于园区能源系统优化调度，提高了能源利用效率。
实施例三
相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的多元负荷预测方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多元负荷预测方法，其特征在于，包括：
获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据；对所述原始数据进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集；利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型；所述初始多元负荷预测模型为基于MTL的LSTM网络模型；
将所述园区多能源系统的预设时间段的运行数据、日类型和气象数据输入多元负荷预测模型，得到所述预设时间段的多元负荷预测结果。
2.如权利要求1所述的一种多元负荷预测方法，其特征在于，所述获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据，具体为：
获取园区多能源系统的历史运行数据、历史日类型和历史气象数据，并分别对所述历史运行数据、所述历史日类型和所述历史气象数据进行归一化处理，将归一化处理后的运行数据、日类型和历史气象数据作为原始数据；
其中，所述历史运行数据包括历史电、冷和热负荷数据；历史气象数据包括温度、湿度、光照和风速数据。
3.如权利要求1所述的一种多元负荷预测方法，其特征在于，所述对所述原始数据进行误差分析，生成分析结果，具体为：
采用随机重采样法对原始数据进行若干次采样，生成若干个训练集和若干个袋外数据；其中，每次采样出若干个样本作为一个决策树训练集，剩余样本作为一个对应的袋外数据；
将若干个决策树训练集训练对应的决策树，形成随机森林；利用每棵所述决策树的袋外数据，计算每棵所述决策树的第一袋外误差；对所述袋外数据中的所有样本中的第一特征对应的数值加入随机干扰，计算每棵所述决策树的第二袋外数据误差。
4.如权利要求3所述的一种多元负荷预测方法，其特征在于，所述根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集，具体为：
根据每棵所述决策树的第一袋外误差和第二袋外数据误差，生成所述第一特征的重要指标值；在对若干个预设特征的重要指标值进行计算，并将重要指标值大于预设阈值的预设特征加入初始训练数据集后，获得训练数据集；所述初始训练数据集在加入重要指标值大于预设阈值的预设特征之前为空集；
所述重要指标值的表达式为：
其中，ξ1k为第k棵决策树加入随机干扰前的第一袋外误差、ξ0k为第k棵决策树加入随机干扰后的第二袋外误差；k＝1，2，3...n；n为决策树的数量；P为第一特征的重要性指标。
5.如权利要求1所述的一种多元负荷预测方法，其特征在于，所述利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型，具体为：
将训练数据集构建成初始多元负荷预测模型的输入数据集合，包括若干个数据样本和若干组任务；
所述输入数据集合的表达式为：
其中，N为数据样本个数，xi为第i个数据样本；为第i个数据点的第t个任务的标签；t∈T，T为任务个数；
构建所述初始多元负荷预测模型的初始预测函数为ft(x；θsh,θt):x→yt；
其中，ft为初始预测函数；x为数据样本，θsh为不同任务共享的参数，θ为任务相关的参数，yt(t∈T)为第t个任务的标签；
构建所述初始多元负荷预测模型的整体损失函数为：
其中，εt为任务的权重系数；为损失函数，所述损失函数定义为
将输入数据集合输入所述初始多元负荷预测模型中进行训练，直到整体损失函数最小化，生成多元负荷预测模型。
6.如权利要求1所述的一种多元负荷预测方法，其特征在于，所述多元负荷预测模型，具体函数为：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝ot·tanh(Ct)
其中，ft，it和ot分别是遗忘门、输入门和输出门在t时刻的输出状态；xt为t时刻输入样本数据；和Ct分别是神经元t时刻的即时状态和长期状态；ht和ht-1分别是神经元t时刻和t-1时刻的隐藏状态；Wf，Wi，Wo和Wc分别是遗忘门、输入门、输出门和神经元对应的权重系数矩阵；bf，bi，bc和bo分别是遗忘门、输入门、输出门和神经元对应的偏置项；σ(·)和tanh(·)分别是sigmoid激活函数和线性整流激活函数。
7.如权利要求1所述的一种多元负荷预测方法，其特征在于，所述得到所述预设时间段的多元负荷预测结果之后，还包括：
计算每种负荷类型的实际负荷值和预测负荷值的平均百分比误差和均方根误差，根据每种所述负荷类型各自的权重，计算园区多能源系统的整体平均百分比误差和整体均方根误差作为多元负荷预测模型的评价指标。
8.一种多元负荷预测装置，其特征在于，包括：训练模块和预测模块；
其中，所述训练模块用于获取园区多能源系统的历史运行数据、历史日类型和历史气象数据作为原始数据；对所述原始数据进行误差分析，生成分析结果；根据所述分析结果，对所述原始数据进行特征选择，获得训练数据集；利用所述训练数据集对初始多元负荷预测模型进行训练，生成多元负荷预测模型；
所述预测模块用于将所述园区多能源系统的预设时间段的运行数据、日类型和气象数据输入多元负荷预测模型，得到所述预设时间段的多元负荷预测结果。
9.如权利要求8所述的一种多元负荷预测装置，其特征在于，所述训练模块包括预处理单元、分析单元、特征选择单元和训练单元；
所述预处理单元用于获取园区多能源系统的历史运行数据、历史日类型和历史气象数据，并分别对所述历史运行数据、所述历史日类型和所述历史气象数据进行归一化处理，将归一化处理后的运行数据、日类型和历史气象数据作为原始数据；其中，所述历史运行数据包括历史电、冷和热负荷数据；历史气象数据包括温度、湿度、光照和风速数据；
所述分析单元用于采用随机重采样法对原始数据进行若干次采样，生成若干个训练集和若干个袋外数据；其中，每次采样出若干个样本作为一个决策树训练集，剩余样本作为一个对应的袋外数据；
将若干个决策树训练集训练对应的决策树，形成随机森林；利用每棵所述决策树的袋外数据，计算每棵所述决策树的第一袋外误差；对所述袋外数据中的所有样本中的第一特征对应的数值加入随机干扰，计算每棵所述决策树的第二袋外数据误差；
所述特征选择单元用于根据每棵所述决策树的第一袋外误差和第二袋外数据误差，生成所述第一特征的重要指标值；在对若干个预设特征的重要指标值进行计算，并将重要指标值大于预设阈值的预设特征加入初始训练数据集后，获得训练数据集；所述初始训练数据集在加入重要指标值大于预设阈值的预设特征之前为空集；
所述重要指标值的表达式为：
其中，ξ1k为第k棵决策树加入随机干扰前的第一袋外误差、ξ0k为第k棵决策树加入随机干扰后的第二袋外误差；k＝1，2，3...n；n为决策树的数量；P为第一特征的重要性指标；
所述训练单元用于将训练数据集构建成初始多元负荷预测模型的输入数据集合，包括若干个数据样本和若干组任务；
所述输入数据集合的表达式为：
其中，N为数据样本个数，xi为第i个数据样本；为第i个数据点的第t个任务的标签；t∈T，T为任务个数；
构建所述初始多元负荷预测模型的初始预测函数为ft(x；θsh,θt):x→yt；
其中，ft为初始预测函数；x为数据样本，θsh为不同任务共享的参数，θ为任务相关的参数，yt(t∈T)为第t个任务的标签；
构建所述初始多元负荷预测模型的整体损失函数为：
其中，εt为任务的权重系数；为损失函数，所述损失函数定义为
将输入数据集合输入所述初始多元负荷预测模型中进行训练，直到整体损失函数最小化，生成多元负荷预测模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7中任意一项所述的一种多元负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311161272.5A CN117200204A (zh) | 2023-09-08 | 2023-09-08 | 一种多元负荷预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311161272.5A CN117200204A (zh) | 2023-09-08 | 2023-09-08 | 一种多元负荷预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117200204A true CN117200204A (zh) | 2023-12-08 |
Family
ID=88986470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311161272.5A Pending CN117200204A (zh) | 2023-09-08 | 2023-09-08 | 一种多元负荷预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200204A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118349899A (zh) * | 2024-06-18 | 2024-07-16 | 国网山东省电力公司青岛供电公司 | 一种考虑多源异构数据融合的负荷预测方法及系统 |
| CN118503716A (zh) * | 2024-07-18 | 2024-08-16 | 国网山东省电力公司泰安供电公司 | 多源停电预测模型构建方法、系统、终端及存储介质 |
-
2023
- 2023-09-08 CN CN202311161272.5A patent/CN117200204A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118349899A (zh) * | 2024-06-18 | 2024-07-16 | 国网山东省电力公司青岛供电公司 | 一种考虑多源异构数据融合的负荷预测方法及系统 |
| CN118503716A (zh) * | 2024-07-18 | 2024-08-16 | 国网山东省电力公司泰安供电公司 | 多源停电预测模型构建方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
| Bianchi et al. | Short-term electric load forecasting using echo state networks and PCA decomposition | |
| Hong et al. | SVR with hybrid chaotic genetic algorithms for tourism demand forecasting | |
| Zhang et al. | Deep learning for day‐ahead electricity price forecasting | |
| Chang et al. | Trend discovery in financial time series data using a case based fuzzy decision tree | |
| He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
| Kavousi-Fard | A new fuzzy-based feature selection and hybrid TLA–ANN modelling for short-term load forecasting | |
| Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
| CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN117200204A (zh) | 一种多元负荷预测方法、装置及存储介质 | |
| Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
| 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 | |
| Kıran et al. | Tree-seed programming for modelling of Turkey electricity energy demand | |
| Almalaq et al. | Comparison of recursive and non-recursive ANNs in energy consumption forecasting in buildings | |
| Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
| Zhang et al. | Building energy consumption prediction based on temporal-aware attention and energy consumption states | |
| Ahmed et al. | A deep learning approach towards price forecasting using enhanced convolutional neural network in smart grid | |
| Chen et al. | A dual attention-based CNN-GRU model for short-term electric load forecasting | |
| Junhuathon et al. | Deep-learning-based short-term photovoltaic power generation forecasting using improved self-organization map neural network | |
| Sala et al. | Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms | |
| Dong et al. | Image-based with peak load ensemble prediction system for demand response in smart grid | |
| Gao et al. | Daily power load curves analysis based on grey wolf optimization clustering algorithm | |
| Xiao et al. | Smart grid energy storage capacity planning and scheduling optimization through PSO-GRU and multihead-attention | |
| Shu et al. | Wind power generation prediction based on the SSA-CNN-BiLSTM neural network model |
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 |