基于动态时间规整的热负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于动态时间规整的热负荷预测方法及装置，针对不同用户通过基于动态时间规整和极限学习机模型的热负荷预测算法，根据用户历史用热信息采用基于动态时间规整的K‑中心点聚类算法对用户进行细粒度划分，该划分方法能够很好的保留原始用户的历史信息，之后在各个子类分别建立热预测模型，通过对每个用户个体的各种用热行为进行准确的分析，更加深入地理解宏观用热需求变化的内因，从而制定更加合理的运营管理调度优化策略。同时本发明专利技术选取极限学习机模型作为热预测模型，相比于BP神经网络模型具有训练速度快，泛化能力强等优点。

Thermal load forecasting method and device based on dynamic time regulation

【技术实现步骤摘要】
基于动态时间规整的热负荷预测方法及装置
本专利技术涉及蒸汽供热用户的用热行为及用热数据分析预测
，尤其涉及一种基于动态时间规整的热负荷预测方法及装置，及其可读介质和电子设备。
技术介绍
实际生活中，不同蒸汽供热区域的热用户会达到几十、几百甚至上千个，只有对每个用户个体的各种用热行为进行准确的分析，才能更加深入地理解宏观用热需求变化的内因，从而制定更加合理的运营管理调度优化策略。传统的对于热负荷预测研究通常基于宏观的角度，对一定范围内的热用户总体进行展开，较少考虑到用户个体的热行为差异。不同用户之间的热负荷水平及规律有很大的不同，针对一个热源区域中含有几十甚至上百个用户的情况，采用宏观单一的预测模型显然是不合适的。宏观单一的负荷预测算法没有考虑到用户的个体行为差异，预测准确性欠佳，不利于后期调度优化。因此关于针对蒸汽供热负荷中不同用户的个体用热差异，如何针对不同用户的个性化热行为对热负荷进行预测还未见相关说明。动态时间规整(DTW)算法是一种衡量两个长度不同的时间序列的相似的的方法，主要应用于模板匹配中。时间序列是数据的一种常见的表述形式，对于时间序列处理来说，一个普遍的任务就是本文档来自技高网...

【技术保护点】
1.一种基于动态时间规整的热负荷预测方法，其特征在于，包括以下步骤：(1)采集样本用户的历史用热信息，利用基于动态时间规整的K‑中心点聚类算法对样本用户进行细粒度划分，将样本用户划分为多个子类；(2)利用趋势相似性算法选取与待预测日相似性最高的历史相似日；(3)将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。

【技术特征摘要】
1.一种基于动态时间规整的热负荷预测方法，其特征在于，包括以下步骤：(1)采集样本用户的历史用热信息，利用基于动态时间规整的K-中心点聚类算法对样本用户进行细粒度划分，将样本用户划分为多个子类；(2)利用趋势相似性算法选取与待预测日相似性最高的历史相似日；(3)将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。2.根据权利要求1所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(1)中所述样本用户的历史用热信息包括同一区域内选取的样本用户在过去一个时间周期内的用热行为数据。3.根据权利要求1所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(1)中所述同一个子类中的用户个体之间具有相似的用热行为，不同子类用户总体之间的用热行为具有显著差异，并且同一个子类中至少包含一个用户，一个用户仅能被划分到一个子类中。4.根据权利要求3所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(1)所述利用基于动态时间规整的K-中心点聚类算法对样本用户进行细粒度划分，具体包括：(11)从样本用户中随机选择k个用户对象作为初始中心点并根据用户的用热信息计算每个对象到中心点的动态时间规整距离；(12)将样本用户中剩余的每个用户对象指派给动态时间规整距离最近的初始中心点所代表的簇；(13)分别计算每个簇中每个用户对象到该簇中其他用户对象的动态时间规整距离平方和，选择使距离平方和最小的用户对象作为该簇新的中心点；(14)根据所述新的中心点，样本用户的用热信息被分为k簇，即样本用户被分为k个子类。5.根据权利要求1所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(2)所述利用趋势相似性算法选取与待预测日相似性最高的历史相似日，具体包括：(21)根据气象情况获取待预测日和历史相似日每天对应时刻的采样点；(22)分别构建待预测日和历史相似日的采...

【专利技术属性】
技术研发人员：黄信，杨杰，
申请(专利权)人：新奥数能科技有限公司，
类型：发明
国别省市：北京,11