【技术实现步骤摘要】
基于章鱼模型的自适应长短期IES负荷预测方法
本专利技术涉及综合能源负荷预测和人工智能
，具体涉及一种基于章鱼模型的自适应长短期IES负荷预测方法。
技术介绍
目前，我国的综合能源系统(简称IES)规模不断扩大，综合能源系统的长短期负荷预测影响综合能源系统运行及规划。而提升综合能源系统负荷预测速度与精度对实现综合能源系统的实时调度与优化运行都具至关重要的作用。在综合能源系统进行规划时，需要进行长期负荷预测，与此同时，由于综合能源系统的日调度需要对综合能源进行短期负荷预测，针对长短期预测都属于预测问题，当两种预测同时存在时，由于长期预测是以10年以上的时间为计算单位来进行预测，一般采集的数据为季度总负荷或年度总负荷，训练数据样本偏少，为小样本数据(小样本数据为训练数据样本数量偏少的数据)；而短期预测是以一个月以下的时间为计算单位，一般采集的负荷为分钟级负荷，训练数据样本较多，为大数据，根据数据量的不同，目前已有的模型是针对这两种时期预测需要建立两种模型。已有的综合能源系统负荷预测方法中，预测速度较好的长期综合能源负荷预测模型在短期预测时可能会造成梯度爆炸，而预测精度较好的短期综合能源负荷预测模型在长期预测中会引起数据冗余的问题。而且，目前存在的综合能源负荷预测不存在长、短期模型结合的情况。近年来，机器学习法被应用到负荷预测问题中，例如人工神经网络、支持向量机等方法，在综合能源系统长期预测取得了较大的进展，但是它们由于特征学习能力弱的特性，在综合能源系统短期预测准确率难以保证；在综合能源系统短期负荷预测模型...
【技术保护点】
1.一种基于章鱼模型的自适应长短期IES负荷预测方法，其特征在于，包括以下步骤：/n步骤1：采集原始样本数据集，所述原始样本数据集包括综合能源系统的历史样本数据集以及实际负荷特征数据的历史样本数据集，所述综合能源系统的历史样本数据集包括四个样本数据集，分别为综合能源系统的温度样本数据集、湿度样本数据集、日期样本数据集和经济样本数据集，所述实际负荷特征数据的历史样本数据集包括三个样本数据集，分别为电负荷样本数据集、气负荷样本数据集和热负荷样本数据集；/n步骤2：利用公式(1)归一化处理综合能源系统的历史样本数据集中的所有样本数据，分别得到温度真实样本数据集、湿度真实样本数据集、日期真实样本数据集、经济真实样本数据集中的真实样本数据：/n
【技术特征摘要】
1.一种基于章鱼模型的自适应长短期IES负荷预测方法，其特征在于，包括以下步骤：
步骤1：采集原始样本数据集，所述原始样本数据集包括综合能源系统的历史样本数据集以及实际负荷特征数据的历史样本数据集，所述综合能源系统的历史样本数据集包括四个样本数据集，分别为综合能源系统的温度样本数据集、湿度样本数据集、日期样本数据集和经济样本数据集，所述实际负荷特征数据的历史样本数据集包括三个样本数据集，分别为电负荷样本数据集、气负荷样本数据集和热负荷样本数据集；
步骤2：利用公式(1)归一化处理综合能源系统的历史样本数据集中的所有样本数据，分别得到温度真实样本数据集、湿度真实样本数据集、日期真实样本数据集、经济真实样本数据集中的真实样本数据：
式中，x表示综合能源系统的历史样本数据集中的每个样本数据值，xmax表示每个样本数据集中绝对值最大的样本数据值，xmin表示每个样本数据集中绝对值最小的样本数据值，xstd表示真实样本数据集中的真实样本数据值；
步骤3：从真实样本数据集中随机选取R组样本数据构成一个随机样本数据集，每组样本数据中均包含温度、湿度、日期、经济四个真实样本数据集中的真实样本数据；
步骤4：构建一个GAN用于扩展样本数据集，具体步骤如下：
步骤4.1：利用GAN构建n个隐藏层的生成器模型，输入层的输入为随机样本数据集，输出层的输出为伪样本数据集；
步骤4.2：利用GAN构建m个隐藏层且输出层为Softmax分类器的判别器模型，将真实样本数据集与伪样本数据集共同作为输入，通过Softmax分类器输出的预测判断结果来判断输出的每个样本是伪样本数据集中的样本还是真实样本数据集中的样本；
步骤4.3：依据判别器输出的预测判断结果，采用小波激活函数调整生成器中的参数，使得生成器生成的伪样本数据集与真实样本数据集具有相同的分布概型，所述参数包括神经元的权值和偏重、网络层数、神经元个数；
步骤4.4：根据激活函数不断调整生成器和判别器的参数，使得生成器和判别器的博弈达到纳什平衡；
步骤4.5：当GAN的生成器与判别器的博弈达到纳什均衡时，通过权值共享并行训练输出维数为4的样本集作为伪样本数据集；
步骤4.6：利用生成器生成的与真实样本数据集具有相同分布概型的伪样本数据集对真实样本数据集中的不完备数据进行扩展，得到扩展样本数据集；
步骤5：将扩展样本集按照时间维度平均分为四个子数据集，且保证每个子数据集中的样本数据互不重合，分别记为L1、L2、L3、L4四个子数据集；
步骤6：构建章鱼模型的四足，每足构建一个基学习器，其中第一个足的基学习器采用LSTM模型构建，通过权值共享并行训练LSTM模型；第二个足的基学习器采用SVM模型构建，通过权值共享并行训练SVM模型；第三个足的基学习器采用RBM模型构建，通过权值共享并行训练RBM模型；第四个足的基学习器采用PID模型构建，通过权值共享并行训练PID模型；
步骤7：构建章鱼模型的头部模型，基于优胜劣汰机制确定章鱼模型的动作足，并行输出电、气、热的预测负荷值。
2.根据权利要求1所述的基于章鱼模型的自适应长短期IES负荷预测方法，其特征在于，所述利用GAN构建n个隐藏层生成器模型，具体步骤为：
4.1.1)利用GAN构建神经元个数为M1的第1层隐藏层，所有激活函数为任意选取的小波激活函数，所述第1层隐藏层的输入为输入层的输出；
4.1.2)利用GAN构建神经元个数为M2的第2层隐藏层，所有激活函数为任意选取的小波激活函数，所述第2层隐藏层的输入为第1层隐藏层的输出；
4.1.3)利用GAN构建神经元个数为Mp的第p层隐藏层，所有激活函数为任意选取的小波激活函数，所述第p层隐藏层的输入为第p-1层隐藏层的输出，p＝2,3,…,n，n为生成器中隐藏层的总层数，其中第n层隐藏层的输出为输出层的输入。
3.根据权利要求1所述的基于章鱼模型的自适应长短期IES负荷预测方法，其特征在于，所述的利用GAN构建m个隐藏层且输出层为Softmax分类器的判别器模型，具体步骤为：
4.2.1)利用GAN构建神经元个数为H1的第1层隐藏层，所有激活函数为任意选取的小波激活函数，所述第1层隐藏层的输入为输入层的输出；
4.2.2)利用GAN构建神经元个数为H2的第2层隐藏层，所有激活函数为任意选取的小波激活函数，所述第2层隐藏层的输入为第1层隐藏层的输出；
4.2.3)利用GAN构建神经元个数为Hq的第q层隐藏层，所有激活函数为任意选取的小波激活函数，所述第q层隐藏层的输入为第q-1层隐藏层的输出，q＝2,3,…,m，m为判别器中隐藏层的总层数，第m层隐藏层的输出为输出层的输入，所述判别器的输出层为Softmax分类器。
4.根据权利要求1所述的基于章鱼模型的自适应长短期IES负荷预测方法，其特征在于，所述的步骤4.5具体表述为：
4.5.1)将真实样本数据集以及与真实样本数据集具有相同分布概型的伪样本数据集共同输入到判别器中，采用梯度下降法训练生成器和判别器的博弈达到纳什平衡时的GAN，直到GAN模型生成的数据精度δ1大于等于GAN的给定阈值s1，或者达到GAN的最大迭代次数t'max终止，并通过生成器输出伪样本数据集，所述GAN模型的数据精度δ1表示为：
式中，表示伪样本数据集中的第i个样本数据，表示真实样本数据集中的第i个样本数据，ki表示第i个样本数据的系数；
4.5.2)当达到GAN的最大迭代次数t'max时，且GAN模型生成的数据精度δ1仍小于GAN的给定阈值s1时，通过不断综合调整三方面的变量进行训练并判断，直至GAN模型生成的数据精度δ1大于等于GAN的给定阈值s1，使得GAN中的生成器输出与真实样本数据集具有相同分布概型的伪样本数据集；所述三方面的变量包括：⑴改变生成器或者判别器的每个隐藏层中的神经元的个数，⑵增加生成器或者判别器的隐藏层的层数，⑶改变生成器或者判别器中的激活函数。
5.根据权利要求1所述的基于章鱼模型的自适应长短期IES负荷预测方法，其特征在于，所述的第一个足的基学习器采用LSTM模型构建，具体表述为：
6.1.1.1)利用LSTM构建神经元个数为A1的第1层隐藏层，所述第1层隐藏层的输入为输入层的输出；
6.1.1.2)利用LSTM构建神经元个数为A2的第2层隐藏层，所述第2层隐藏层的输入为第1层隐藏层的输出；
6.1.1.3)利用LSTM构建神经元个数为Aa的第a层隐藏层，所述第a层隐藏层的输入为第a-1层隐藏层的输出，a＝2,3,…,n1，n1为LSTM模型中的隐藏层总层数，其中第n1层隐藏层的输出为输出层的输入；
所述LSTM模型的训练过程，具体表述为：
6.1.2.1)将子数据集L2、L3、L4作为训练集，子数据集L1作为验证...
【专利技术属性】
技术研发人员：张化光，苏梦梦，黄博南，刘鑫蕊，孙秋野，马大中，杨珺，刘玲，王嘉媛，殷健舒，王勇，刘月，季红，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。