CN117370770B

CN117370770B - 一种基于Shapelet-XGboost的酒店负荷综合预测方法

Info

Publication number: CN117370770B
Application number: CN202311678212.0A
Authority: CN
Inventors: 刘刚; 陈又丰; 姜华; 张绚
Original assignee: Jiangsu Mite Internet Of Things Technology Co ltd
Current assignee: Jiangsu Mite Internet Of Things Technology Co ltd
Priority date: 2023-12-08
Filing date: 2023-12-08
Publication date: 2024-02-13
Anticipated expiration: 2043-12-08
Also published as: CN117370770A

Abstract

本发明公开了一种基于Shapelet‑XGboost的酒店负荷综合预测方法，涉及超短期负荷预测技术领域；包括以下步骤：首先，确定影响酒店负荷的关键特征集，采集关键特征数据以及酒店负荷数据，形成样本数据库，基于此，分别采用Shapelet方法和XGboost方法生成模式匹配数据库和人工智能模型；其次，在线应用时，基于天气预报及酒店运行计划信息，获得酒店未来一天各时刻的关键特征数据，分别采用模式匹配数据库和人工智能模型对未来一天酒店负荷曲线进行预测；最后，基于两种方法的权重系数进行加权计算，获得最终的酒店负荷预测结果；本发明能够综合模式匹配方法与人工智能方法的优势，提高酒店负荷预测结果的准确性和合理性。

Description

一种基于Shapelet-XGboost的酒店负荷综合预测方法

技术领域

本发明涉及超短期负荷预测技术领域，尤其涉及一种基于Shapelet-XGboost的酒店负荷综合预测方法。

背景技术

随着电网电力市场以及虚拟电厂的建设，对建筑、园区的负荷进行高效管控成为重要趋势。由于电能的难以储存性，为实现区域内负荷的有效管控，精准全面地对区域内未来一天的电力负荷进行预测成为关键问题。其中，由于酒店建筑功能分区繁多、人员流动随机性大、外部气象影响因素复杂，对酒店负荷的预测面临着极大的困难。另外，分布式新能源技术的发展使得酒店从单一的电力消费者，转变为双向的电力消费与生产者，其电力负荷预测难度进一步增加，需更加全面的酒店负荷预测方法。

在酒店负荷预测方面，目前主要依赖于对酒店历史负荷数据的挖掘实现，主要的方法要么采用基于相似日比较的模式匹配方法，要么采用历史数据拟合的人工智能方法。在大多数研究中，其步骤为以外部气象因素等为特征，通过模式匹配或人工智能等纯数据驱动方法来预测酒店负荷。但是这两种方法的单独使用，使得在酒店负荷预测中难以兼顾酒店负荷相似日间的相关性以及外部因素对酒店负荷的影响，酒店负荷的预测结果的准确性受到较大的影响。为提高酒店负荷的预测结果的准确性和合理性，故提出了一种基于Shapelet-XGboost的酒店负荷综合预测方法。

发明内容

本发明的目的在于提供一种基于Shapelet-XGboost的酒店负荷综合预测方法，能够综合模式匹配方法与人工智能方法的优势，提高酒店负荷预测结果的准确性和合理性以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于Shapelet-XGboost的酒店负荷综合预测方法，包括以下步骤：

步骤（A）、基于酒店历史运行信息与负荷信息，建立历史样本数据库；

步骤（B）、基于历史样本数据库，采用Shapelet方法聚类，建立酒店负荷模式匹配数据库；

步骤（C）、基于历史样本数据库，采用XGboost方法训练，生成酒店负荷预测人工智能模型；

步骤（D）、基于天气预报信息与酒店运行计划信息，以1小时为时间间隔，获得酒店未来一天各时刻的关键特征预报数据；

步骤（E）、基于关键特征预报数据，利用酒店负荷模式匹配数据库，采用模式匹配方法，预测酒店未来一天的负荷曲线LC_1；

步骤（F），基于关键特征预报数据，以其为输入特征，利用离线训练生成的人工智能模型计算，输出酒店未来一天各时刻的负荷量，形成酒店未来一天的负荷曲线LC_2；

步骤（G）、将预测的酒店负荷曲线LC_1和LC_2加权求和，权重系数分别为w1和w2，获得最终的酒店负荷预测结果LC_Pre，其中：。

优选的，所述步骤（D）中的关键特征预报数据包括如下可量测信息：冷水盘管阀门开度值（t1，单位：%），室内湿度设定值（t2，单位：%），室内温度设定值（t3，单位：℃），冷水盘管进水温度（t4，单位：℃），回风机气体流量设定值（t5，单位：CFM），外部空气湿度（t6，单位：%），外部空气温度（t7，单位：℃），外部二氧化碳浓度（t8，单位：PPM），红外辐射强度（t9，单位：W/m2），太阳辐射强度（t10，单位：W/m2），大气压力（t11，单位：kpa），外部风速（t12，单位：km/h），以如下向量形式表示：x=[t1, t2, t3,…, t11, t12]。

优选的，所述步骤（E）中用于构建模式匹配数据库与步骤（F）中用于训练人工智能模型的历史样本数据库相同，且均通过实际采集数据构建，其中，实际采集的数据为某个时刻下关键特征量测数据x_i,k以及酒店实际负荷数据P _i,k，采样时间间隔为1小时，连续采集一天为一个完整样本数据S _i。

；其中，S _i表示第i个样本数据，x_i,k表示第i个样本在k时刻的关键特征量测数据向量，包括12类量测信息，P _i,k表示第i个样本在k时刻的酒店实际负荷数据。

优选的，所述步骤（B）中酒店负荷模式匹配数据库的构建方法如下：

步骤（B1）、采用Shapelet方法对历史样本数据库中酒店的n个日负荷曲线进行聚类，获得m个典型类/>；

步骤（B2）、对同一聚类中的酒店日负荷曲线计算平均值，获得该聚类下酒店日负荷典型曲线，则第i个典型类下的日负荷典型曲线为：；其中，/>为典型类/>的日负荷典型曲线，a为典型类/>包含的日负荷曲线数量；/>表示典型类中所有负荷曲线的和；/>表示典型类/>中第s个样本数据；

第i个典型类下的酒店日关键特征数据典型曲线也以步骤（B2）中平均值方式计算获得，计算方法为：；其中，/>为样本库中第S _s个样本对应的关键特征数据矩阵，t _i,j表示该样本下第i个关键特征在j时刻的数值；/>表示典型类/>的酒店日关键特征数据典型曲线组成的矩阵；

步骤（B3）、将不同聚类下酒店日关键特征数据典型曲线与酒店日负荷典型曲线组合，形成用于酒店负荷预测的酒店负荷模式匹配数据库；；其中，/>表示由不同典型类中酒店日关键特征数据典型曲线与酒店日负荷典型曲线共同组成的酒店负荷模式匹配数据库。

优选的，所述步骤（E）中基于模式匹配数据库的酒店负荷预测方法如下：

步骤（E1）、基于天气预报信息与酒店运行计划信息，获得酒店未来一天各时刻的关键特征预报数据；

步骤（E2）、以预报的关键特征数据曲线与模式匹配数据库中存储的关键特征数据典型曲线族进行比对，获得距离向量D _i，计算方法如下：；

步骤（E3）、选择距离向量D _i中的最小值D _res所在聚类对应的日负荷典型曲线LC_1，将其作为酒店未来一天的负荷预测结果。

优选的，所述步骤（C）中酒店负荷人工智能预测模型的构建方法如下：

步骤（C1）、基于不同日期下不同时间断面，重新整理历史样本数据库，以时间断面选取关键特征数据向量和酒店负荷量/>，其中y表示年份，d表示日期，h表示时刻，样本库规模为/>；

步骤（C2）、以时间断面选取关键特征数据和酒店负荷量分别为输入特征和预测目标，通过XGboost方法进行训练，生成酒店负荷预测人工智能模型。

优选的，所述步骤（F）中基于人工智能模型的酒店负荷预测方法如下：

步骤（F1）、基于天气预报信息与酒店运行计划信息，获得酒店未来一天各时刻的关键特征预报数据，以/>作为特征，其中T表示向量的转置，按照k=1,2,…,24逐次输入酒店负荷预测人工智能模型中，逐次输出/>；

步骤（F2）、将不同时刻k下的P _pre,k保存，形成酒店未来一天的负荷预测结果。

优选的，所述步骤（G）中酒店负荷预测结果LC_1和LC_2的权重系数w ₁和w ₂，通过如下方法确定：

步骤（G1）、任意选取样本数据库中的一个样本，其中，/>表示从历史样本数据库中抽取出的样本数据，作为确定权重系数的基准样本，/>表示样本数据中酒店日关键特征数据曲线所形成的矩阵，/>表示样本数据中酒店日负荷曲线，分别采用基于模式匹配数据库方法和人工智能模型方法计算，计算得酒店未来一天负荷曲线分别为/>和/>，k=1,2,3,…24；

步骤（G2）、分别计算两种方法的误差E _LC1和E _LC2，计算公式如下：；其中，/>，/>以及/>已在步骤（G1）中说明，和/>分别代表基于模式匹配数据库方法和人工智能模型方法对酒店日负荷曲线预测时，预测结果的误差值；

步骤（G3）、酒店负荷预测结果LC_1和LC_2的权重系数w ₁和w ₂以如下方式进行计算：。

与现有技术相比，本发明的优点与好处：

现有的酒店负荷预测方法，要么采用基于相似日比较的模式匹配方法，要么采用历史数据拟合的人工智能方法；但二者单独使用的方式，使得在酒店负荷预测中难以兼顾酒店负荷相似日间的相关性以及外部因素对酒店负荷的影响，酒店负荷的预测结果的准确性受到影响；与现有技术相比，本发明的有益效果体现在能够综合模式匹配方法与人工智能方法的优势，提高酒店负荷预测结果的准确性和合理性。

附图说明

图1为本发明模式匹配数据库方法与人工智能方法误差示意图；

图2为本发明实际应用中计算结果与实际结果误差示意图；

图3为本发明综合预测方法流程图。

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做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。

请参阅图1-3，并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的实例。

本发明以某酒店运行历史数据（包括：关键特征数据和酒店负荷数据）为基础，采用蒙特卡洛方法生成具有300个样本的数据库，用于分析计算。

（1）构建酒店负荷模式匹配数据库

采用Shapelet方法，以样本数据库中酒店日负荷为聚类特征进行分析。经过计算，酒店日负荷曲线被划分为3个典型类。

基于3个典型类，对各典型类中的关键特征数据进行平均值计算，从而获得各典型类对应的关键特征数据典型曲线。

（2）构建酒店负荷人工智能预测模型

基于样本数据库中的数据，可获得用于人工智能模型生成的300*24个样本。将300*20个样本用于人工智能模型训练，300*2个样本用于验证，300*2个样本用于测试。以某时刻的关键特征信息为输入特征，以某时刻的酒店负荷量为预测目标，采用XGboost方法训练，并通过测试验证，生成人工智能模型。

（3）确定模式匹配数据库方法与人工智能预测模型方法权重系数w ₁和w ₂

从样本数据库中随机选择一个样本，分别采用模式匹配数据库方法与人工智能方法进行预测，结果如图1所示，二者的误差分别为23.1和18.4，故权重系数w ₁和w ₂分别为0.44和0.56。

（4）实际预测过程

通过天气预报和酒店运行计划，可获得酒店未来一天中的关键特征信息在各时刻的情况。基于此关键特征信息，通过酒店负荷模式匹配数据库进行预测，酒店负荷预测结果为LC1。另外，通过生成的人工智能模型进行计算，酒店负荷预测结果为LC2。

通过之前计算出的权重系数，对LC1和LC2的结果进行加权求和，获得最终的酒店负荷预测结果，实际结果与预测结果的对比如图2所示。

综上，图2中展示出酒店负荷预测结果与实际结果的相似性很高，且数值上差异较小，基本实现了本专利的实施目的，可用于指导酒店负荷预测，提升酒店负荷管控水平。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims

1.一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：包括以下步骤：

步骤(A)、基于酒店历史运行信息与负荷信息，建立历史样本数据库；

步骤(B)、基于历史样本数据库，采用Shapelet方法聚类，建立酒店负荷模式匹配数据库；

步骤(C)、基于历史样本数据库，采用XGboost方法训练，生成酒店负荷预测人工智能模型；

步骤(D)、基于天气预报信息与酒店运行计划信息，以1小时为时间间隔，获得酒店未来一天各时刻的关键特征预报数据；

步骤(E)、基于关键特征预报数据，利用酒店负荷模式匹配数据库，采用模式匹配方法，预测酒店未来一天的负荷曲线LC_1；具体方法如下：

步骤(E1)、基于天气预报信息与酒店运行计划信息，获得酒店未来一天各时刻的关键特征预报数据x_pre；

步骤(E2)、以预报的关键特征数据曲线与模式匹配数据库中存储的关键特征数据典型曲线族进行比对，获得距离向量Di，计算方法如下：

步骤(E3)、选择距离向量Di中的最小值Dres所在聚类对应的日负荷典型曲线LC_1，将其作为酒店未来一天的负荷预测结果；

步骤(F)，基于关键特征预报数据，以其为输入特征，利用离线训练生成的人工智能模型计算，输出酒店未来一天各时刻的负荷量，形成酒店未来一天的负荷曲线LC_2；具体方法如下：

步骤(F1)、基于天气预报信息与酒店运行计划信息

获得酒店未来一天各时刻的关键特征预报数据，以x_pre,k＝[t_pre,1,k,t_pre,2,k,...,t_pre,12,k]^T作为特征，其中T表示向量的转置，按照k＝1,2,…,24逐次输入酒店负荷预测人工智能模型中，逐次输出P_pre,k；

步骤(F2)、将不同时刻k下的P_pre,k保存，形成酒店未来一天的负荷预测结果LC_2；

步骤(G)、将预测的酒店负荷曲线LC_1和LC_2加权求和，权重系数分别为w1和w2，获得最终的酒店负荷预测结果LC_Pre，

其中：LC_Pre＝w₁·LC_1+w₂·LC_2；

步骤(G)中酒店负荷预测结果LC_1和LC_2的权重系数w₁和w₂，通过如下方法确定：

步骤(G1)、任意选取样本数据库中的一个样本S_base＝{(x_base,k,P_base,k)|k＝1,2,3,...,24}，其中，S_base表示从历史样本数据库中抽取出的样本数据，作为确定权重系数的基准样本，x_base,k表示样本数据中酒店日关键特征数据曲线所形成的矩阵，P_base,k表示样本数据中酒店日负荷曲线，分别采用基于模式匹配数据库方法和人工智能模型方法计算，计算得酒店未来一天负荷曲线分别为P_LC1,k和P_LC2,k，k＝1,2,3,…24；

步骤(G2)、分别计算两种方法的误差E_LC1和E_LC2，计算公式如下：其中，P_LC1,k，P_LC2,k以及P_base,k已在步骤(G1)中说明，E_LC1和E_LC2分别代表基于模式匹配数据库方法和人工智能模型方法对酒店日负荷曲线预测时，预测结果的误差值；

步骤(G3)、酒店负荷预测结果LC_1和LC_2的权重系数w₁和w₂以如下方式进行计算：

2.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤(D)中的关键特征预报数据包括如下可量测信息：冷水盘管阀门开度值t₁，室内湿度设定值t₂，室内温度设定值t₃，冷水盘管进水温度t₄，回风机气体流量设定值t₅，外部空气湿度t₆，外部空气温度t₇，外部二氧化碳浓度t₈，红外辐射强度t₉，太阳辐射强度t₁₀，大气压力t₁₁，外部风速t₁₂，以如下向量形式表示：x＝[t₁,t₂,t₃,…,t₁₁,t₁₂]。

3.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤(E)中用于构建模式匹配数据库与步骤(F)中用于训练人工智能模型的历史样本数据库相同，且均通过实际采集数据构建，其中，实际采集的数据为某个时刻下关键特征量测数据x_i,k以及酒店实际负荷数据P_i,k，采样时间间隔为1小时，连续采集一天为一个完整样本数据S_i；

S_i＝{(x_i,k,P_i,k)|k＝1,2,3,...,24}；

其中，S_i表示第i个样本数据，x_i,k表示第i个样本在k时刻的关键特征量测数据向量，包括12类量测信息，P_i,k表示第i个样本在k时刻的酒店实际负荷数据。

4.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤(B)中酒店负荷模式匹配数据库的构建方法如下：

步骤(B1)、采用Shapelet方法对历史样本数据库中酒店的n个日负荷曲线P_i＝{P_i,1,P_i,2,…,P_i,23,P_i,24},i＝1,2,...,n进行聚类，获得m个典型类φ_i,i＝1,2,...,m；

步骤(B2)、对同一聚类中的酒店日负荷曲线计算平均值，获得该聚类下酒店日负荷典型曲线，则第i个典型类下的日负荷典型曲线为：

其中，为典型类φ_i的日负荷典型曲线，a为典型类φ_i包含的日负荷曲线数量；表示典型类φ中所有负荷曲线的和；S_s表示典型类φ_i中第s个样本数据；

第i个典型类下的酒店日关键特征数据典型曲线也以步骤(B2)中平均值方式计算获得，计算方法为：

其中，为样本库中第S_s个样本对应的关键特征数据矩阵，t_i,j表示该样本下第i个关键特征在j时刻的数值；/>表示典型类φ_i的酒店日关键特征数据典型曲线组成的矩阵；

步骤(B3)、将不同聚类下酒店日关键特征数据典型曲线与酒店日负荷典型曲线组合，形成用于酒店负荷预测的酒店负荷模式匹配数据库；

其中，Load_base表示由不同典型类中酒店日关键特征数据典型曲线与酒店日负荷典型曲线共同组成的酒店负荷模式匹配数据库。

5.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤(C)中酒店负荷人工智能预测模型的构建方法如下：

步骤(C1)、基于不同日期下不同时间断面，重新整理历史样本数据库，以时间断面选取关键特征数据向量x_y,d,h＝[t₁,t₂,t₃,....,t₁₁,t₁₂]和酒店负荷量P_y,d,h，其中y表示年份，d表示日期，h表示时刻，样本库规模为n×24；

步骤(C2)、以时间断面选取关键特征数据和酒店负荷量分别为输入特征和预测目标，通过XGboost方法进行训练，生成酒店负荷预测人工智能模型。