一种供热需求负荷预测方法技术

本发明专利技术提出一种供热负荷预测方法，本方法包含如下步骤：步骤1、基于供热系统负荷的相关因素，确定需求负荷预测模型的输入变量和输出变量；步骤2、对接运行数据，并对缺失、异常数据进行数据清洗，无室温数据情况下，根据运行经验数据，给定修正因素，修正样本负荷，确定负荷预测模型训练数据；步骤3、基于深度长短期记忆网络算法，训练生成供热系统需求负荷预测模型；步骤4、结合经验值给出修正因素，提升预测模型精度；步骤5、在线检测模型精度，根据规则，重新训练生成需求负荷预测模型。本发明专利技术提出的供热需求负荷预测方法可以实现对供热系统需求负荷的精准预测。求负荷的精准预测。求负荷的精准预测。

【技术实现步骤摘要】
一种供热需求负荷预测方法


[0001]本专利技术涉及供热系统领域，具体涉及一种应用LSTM算法与无室温数据修正的供热需求负荷预测方法。

技术介绍

[0002]截止2016年底，北方城镇采暖面积约为206亿平方米，供热系统能耗约占建筑能耗的20％，然而，由于供热企业运行管理方式较为粗放，总体能耗水平较高。据《中国建筑节能年度发展研究报告》统计，我国供热系统超供负荷约为35％，能耗浪费较为严重。其中，需求负荷的预测是实现供热系统节能运行的主要途径之一。供热系统的用热负荷与很多因素相关，包括建筑物的围护结构、用户的用热习惯、运行人员的调控水平、自动化条件、实际用户的反馈情况都有关系，这些复杂因素是实现准确负荷预测的难点。其次，室温测点的数据是用来评价预测负荷最关键的参数，但因为目前热网信息化水平有限，大部分二级网没有室温测点数据，对负荷预测的评价存在一定困难。神经网络算法是一种基础数据的机器学习算法，针对这种复杂关联关系的特点，比较适合于用来建立多种因素之间关系模糊的“黑箱”模型。
[0003]近年来，以循环神经网络(Recurrent Neural Networks，简称RNNs)算法为代表，被成功应用于各个领域。RNNs是一个具有循环的网络，其特点是可以将以前的发生的信息连接到当前目标，允许信息持续存在，且利用之前的发生的信息来推断当前发生的内容，这是传统的神经网络不具备的，因此，它在自然语言处理、图像识别、语音识别、电网预测、工业过程建模的应用上，取得了很大的成功，然而，RNNs神经网络，在随时时间跨度的增加时，后面时间节点对于前面时间节点信息的感知力下降，无法有效的利用历史数据中的信息，从而会出现模型失真的问题。

技术实现思路

[0004]针对这些问题，本专利技术的目的是提供一种应用深度长短期记忆算法与无室温数据修正的供热需求负荷预测方法，该方法通过在线应用深度长短期记忆(Long Short Term Memory，简称LSTM)网络算法与运行人员根据经验参数修正供热系统相结合，来实现供热系统需求负荷的精准预测，以克服RNNs算法在时间跨度增加时的信息流失问题，实现对供热系统需求负荷的精准预测。
[0005]为解决上述问题，本专利技术提出一种供热需求负荷预测方法，该方法包括以下步骤：
[0006]步骤1、基于供热系统负荷的相关因素，确定需求负荷预测模型的输入变量和输出变量；
[0007]步骤2、对接运行数据，并进行缺失、异常数据进行数据清洗，无室温数据情况下，根据运行经验数据，给定修正因素，修正样本负荷，确定负荷预测模型训练数据；
[0008]步骤3、基于深度长短期记忆网络算法，训练生成供热系统需求负荷预测模型；
[0009]步骤4、结合经验值给出负荷修正因素，提升预测模型精度；
[0010]步骤5、在线检测模型精度，根据规则，重新训练生成需求负荷预测模型。
[0011]根据本专利技术的一些实施例，步骤1中需求负荷预测模型的输入变量为影响供热负荷的各种因素，输出变量的输出数据为待预测时刻的需求负荷数据，输入数据与输出数据构成负荷预测模型训练的样本集。
[0012]根据本专利技术的一些实施例，步骤2中的对接运行数据为实时接入输入数据，将获取的输入数据存入到负荷预测模型数据库中，并根据输入数据建立负荷预测模型的输入数据集，一定组数的输入数据集构成输入数据集矩阵。
[0013]根据本专利技术的一些实施例，在步骤2中，针对缺失、异常数据进行数据清洗过程，设置判断该条数据是否选作样本数据的缺失比例阈值，设置用于判断异常数据的异常数据阈值，按数据缺失比例分类进行处理：第一类、当前数据记录缺失数据条数占数据总条数的比例大于缺失比例阈值时，丢弃该组数据，样本数据条数自动补足；
[0014]第二类、当前数据记录缺失数据条数占数据总条数的比例小于等于缺失比例阈值，对数据进行补全处理；
[0015]第三类、当前数据异常判断超过异常数据阈值时，将异常数据丢弃后视为缺失数据，按第一类或第二类的方法对进行数据补充，对异常数据完成替换处理；
[0016]第四类、对没有室温测点的数据，增加负荷的修正因素，接合符合的修正因素对样本的负荷进行修正，以修正后的数据作为样本的输入数据与输出数据。
[0017]根据本专利技术的一些实施例，第二类处理方法包括：
[0018]缺失特征为非连续值时，补全方法采用前后数值算术平均数法；
[0019]缺失特征为连续值时，补全方法采用插值法。
[0020]根据本专利技术的一些实施例，对输入数据与输出数据进行标准化处理，标准化后的数据作为负荷预测训练模型的样本数据。
[0021]根据本专利技术的一些实施例，在步骤3的构造需求负荷预测模型步骤中，深度长短期记忆网络结构由输入层、隐藏层和输出层构成，输入层、隐藏层和输出层分别对应各自的系数，根据系数建立输入层、隐藏层和输出层之间的关系，通过算法优化系数形成需求负荷预测模型。
[0022]根据本专利技术的一些实施例，深度长短期记忆网络由长短期记忆单元链接而成，每个长短期记忆单元包括：
[0023]输入门，控制长短期记忆单元的信息是否需要被更新；
[0024]遗忘门，控制长短期记忆单元的信息是否需要被删除；
[0025]输出门，控制长短期记忆单元的信息是否需要在激活向量中被反映，其中，所用到的激活函数采用sigmoid函数。
[0026]根据本专利技术的一些实施例，在步骤3中，以均方差作为需求负荷预测模型训练的损失函数，设定迭代收敛系数，当损失函数小于迭代收敛系数时，完成需求负荷预测模型训练并得到用于预测需求负荷的需求负荷预测模型。
[0027]根据本专利技术的一些实施例，在步骤5中，当需求负荷预测模型计算值与实际测量值的精度偏差超过迭代收敛系数时，重新训练模型，重新训练模型的步骤包括：
[0028]步骤5.1、基于需求负荷预测模型，接入当前时刻的输入数据，计算当前时刻的需求负荷预测模型的预测负荷值；
[0029]步骤5.2、抓取当前时刻各站点的运行数据，计算站点当前时刻的消耗负荷；
[0030]步骤5.3、计算需求负荷预测模型的偏差精度；
[0031]步骤5.4、当偏差精度小于等于迭代收敛系数时，模型需求负荷预测不进行修正；
[0032]步骤5.5、当偏差精度大于迭代收敛系数时，从当前时刻的时间节点开始，读取时间区间中输入与输出的历史数据，重新训练模型，时间区间为与输入数据集矩阵中输入数据集组数相同组数的时间间隔的区间；当时间区间中出现缺失数据，则区间前移，直至满足输入数据集组数不变。
[0033]本专利技术的有益效果是：本专利技术采用深度LSTM网络方法中的特殊的“门”结构，对历史数据信息进行有效的记忆或筛选，解决传统RNNs神经网络无法有效利用远期数据信息的问题；其次，本专利技术结合了运行经验反馈的数据，作为负荷预测模型的修正，使预测负荷更加符合实际需求，提升了负荷预测模型的精度。
附图说明
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供热需求负荷预测方法，其特征在于，所述方法包括以下步骤：步骤1、基于供热系统负荷的相关因素，确定需求负荷预测模型的输入变量和输出变量；步骤2、对接运行数据，并对缺失、异常数据进行数据清洗，无室温数据情况下，基于修正因素修正样本负荷，确定负荷预测模型训练数据；步骤3、基于深度长短期记忆网络算法，训练生成供热系统需求负荷预测模型；步骤4、结合所述修正因素，提升预测模型精度；步骤5、在线检测模型精度，根据规则，重新训练生成需求负荷预测模型。2.根据权利要求1所述的供热需求负荷预测方法，其特征在于，所述步骤1中所述需求负荷预测模型的所述输入变量为影响供热负荷的各种因素，所述输出变量的输出数据为待预测时刻的需求负荷数据，所述输入数据与所述输出数据构成负荷预测模型训练的样本集。3.根据权利要求1所述的供热需求负荷预测方法，其特征在于，所述步骤2中的所述对接运行数据为实时接入所述输入数据，将获取的所述输入数据存入到负荷预测模型数据库中，并根据所述输入数据建立负荷预测模型的输入数据集，一定组数的所述输入数据集构成输入数据集矩阵。4.根据权利要求1所述的供热需求负荷预测方法，其特征在于，所述步骤2中，针对缺失、异常数据进行数据清洗过程包括设置判断其中至少一条数据是否选作样本数据的缺失比例阈值，设置用于判断异常数据的异常数据阈值，按数据缺失比例分类进行处理：第一类、当前数据记录缺失数据条数占数据总条数的比例大于所述缺失比例阈值时，丢弃该组数据，样本数据条数自动补足；第二类、当前数据记录缺失数据条数占数据总条数的比例小于等于所述缺失比例阈值，对数据进行补全处理；第三类、当前数据异常判断超过所述异常数据阈值时，将所述异常数据丢弃后视为缺失数据，按第一类或第二类的方法对进行数据补充，对异常数据完成替换处理；第四类、对没有室温测点的数据，增加负荷的修正因素，接合所述符合的修正因素对样本的负荷进行修正，以修正后的数据作为样本的输入数据与输出数据。5.根据权利要求4所述的供热需求负荷预测方法，其特征在于，所述第二类处理方法包括：缺失特征为非连续值时，补全方法采用前后数值算术平均数法；缺失特征为连续值时，补全方法采用插值法。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：刘荣，王嘉明，邓晓祺，张立申，荀志国，李淼，
申请(专利权)人：北京华热科技发展有限公司，
类型：发明
国别省市：