一种区域冷热电负荷的联合预测方法和装置制造方法及图纸

本发明专利技术涉及一种区域冷热电负荷的联合预测方法和装置，方法包括：获取区域冷热电负荷的历史数据，并进行降噪预处理；对数据进行相关性分析，确定影响因素，并划分为训练集、测试集和验证集；获取预先构建好的神经网络集合，该神经网络集合包括基础LSTM神经网络结构、堆叠式LSTM网络结构和双向式LSTM网络结构，采用训练集对各个网络结构分别进行训练，直至分别达到预设的网络收敛条件；然后采用验证集验证各个网络结构的误差，最后由验证集进行验证预测；选取预测结果最优的网络结构作为最优的网络结构，进行区域冷热电负荷的预测。与现有技术相比，本发明专利技术能更精准地捕捉到负荷间的相关性特征，获取最适用于当前园区负荷的预测模型。型。型。

【技术实现步骤摘要】
一种区域冷热电负荷的联合预测方法和装置


[0001]本专利技术涉及负荷预测
，尤其是涉及一种区域冷热电负荷的联合预测方法和装置。

技术介绍

[0002]在能源领域，负荷是指用户取用冷、热、电等不同类型能源的瞬时功率，具有时序相关性和动态特性。不同类型用户通常具有个性化的负荷特性。为此，负荷研究的起点和立足点是负荷画像，即从不同角度探究负荷所呈现的多样化、个性化特征。用户负荷特征具有定性和定量两个方面：定性特征大多属于经验性特征，只适用于宏观层面分析；定量特征是对负荷数据的精准画像，可以在微观层面指导整个能源系统的优化配置乃至运行调度，通常以一系列指标形式呈现。
[0003]负荷预测方法根据所采取的整体预测思路，大体可分为自上而下和自下而上两大类。前者属于宏观类预测方法，是将整个区域看成一个整体，从宏观层面寻求能耗消费与经济、人口、自然环境等因素间的内在联系，并构建如产值单耗、负荷密度、弹性系数等相应指标关系；后者属于微观类预测方法，其聚焦于各种因素对区域内每个单元的影响，着重探讨负荷的动态特性。
[0004]与单一负荷预测不同的是，综合能源系统中多能源耦合转换设备的引入，极大增强了系统中多元负荷间的关联性，因此如何针对多元负荷进行预测，是目前迫待解决的问题。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种适用于多元负荷关联性特点的区域冷热电负荷的联合预测方法和装置。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种区域冷热电负荷的联合预测方法，包括以下步骤：
[0008]获取区域冷热电负荷的历史数据，并进行降噪预处理；
[0009]对预处理后的历史数据进行相关性分析，确定影响因素，并将历史数据划分为训练集、测试集和验证集；
[0010]获取预先构建好的神经网络集合，该神经网络集合包括基础LSTM神经网络结构、堆叠式LSTM网络结构和双向式LSTM网络结构，采用训练集对神经网络集合中的各个网络结构分别进行训练，直至分别达到预设的网络收敛条件；
[0011]然后采用验证集验证神经网络集合中的各个网络结构的损失值是否高于预设的误差阈值，若否，则采用测试集对对应的网络结构进行预测，获取预测结果，若是，则重新采用所述训练集进行网络训练；
[0012]对比不同网络结构的预测结果，选取预测结果最优的网络结构作为最优的网络结构，进行区域冷热电负荷的预测。
[0013]进一步地，基于Copula理论进行所述相关性分析，所述Copula理论具体为：
[0014]对于随机变量x和y，对应的边缘分布函数分别为F(x)和E(y)，必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关。
[0015]进一步地，ρ的计算表达式为：
[0016][0017][0018]式中，I
[*]为示性函数，条件成立时，I
[*]＝1，反之则为0；当ρ＞0时，表示变量之间呈现为正相关，当ρ＜0时，表示变量之间呈现负相关，当ρ＝0时，表现变量之间相关性待定。
[0019]进一步地，所述堆叠式LSTM网络结构是将每一LSTM层解决的信息流，传递至下一层，并在最后一层提供输出。
[0020]进一步地，所述，堆叠式LSTM模型框架由多层LSTM构成，且每层由多个LSTM网络单元组成，每层LSTM的信息提取持续进行三维输入和三维输出，最后采用全连接层作为预测数据的输出，并采用线性回归函数作为激活函数。
[0021]进一步地，所述双向式LSTM网络结构由正反两个方向的LSTM网络链组合，呈现出两层并排LSTM传递网络，正向的LSTM网络链组合向前传递信息，反向的LSTM网络链组合向后传递信息，最终两组信息交汇组合并将信息传递至连接层，形成输出结果。
[0022]进一步地，选用80％
‑
90％的历史数据作为训练集，其余历史数据分别划分为测试集和验证集。
[0023]进一步地，所述基础LSTM神经网络结构包括输入门、遗忘门和输出门，所述输入门、遗忘门和输出门均连接有记忆单元后得到最终输出。
[0024]进一步地，所述基础LSTM神经网络结构通过门结构判断、决定输出各时间步长的数据是否具有相关性，从而决定是否被储存、传递至下个神经环节。
[0025]本专利技术还提供一种区域冷热电负荷的联合预测装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。
[0026]与现有技术相比，本专利技术具有以下优点：
[0027](1)本专利技术考虑到区域多元负荷具有时间周期性、负荷之间有着耦合特性，因此采用不同结构的模型对时间序列信息记忆能力的不同，建立适应园区多元负荷预测的模型，获取最适用于当前园区负荷的模型，另外还考虑到常规RNN神经网络虽然具有记忆功能，但随着时间深度增大记忆误差就随之放大，从而产生梯度消失或者梯度爆炸，使得RNN无法继续学习时间序列过大的信息；本申请提出均采用LSTM神经网络结构，其由于特殊的记忆细胞和控制门结构，能够拥有一定的记忆能力，以提取长序列数据中的数据特征，从而解决原始RNNs由于长序列学习所导致的梯度消失和梯度爆炸问题。
[0028](2)关于负荷及其影响因素间的相关性分析，常规采用可处理变量间线性关系的Pearson相关系数法。然而，在园区多能耦合场景下，各因素间的非线性关系更为凸显，为此本实施例引入可精确捕捉变量间非线性特征的Copula理论进行相关性分析。
附图说明
[0029]图1为本专利技术实施例中提供的一种能源集线器模型结构示意图；
[0030]图2为本专利技术实施例中提供的一种RNN神经网络拓扑结构；
[0031]图3为本专利技术实施例中提供的一种LSTM(L1)网络结构模块示意图；
[0032]图4为本专利技术实施例中提供的一种堆叠式LSTM(L2)网络结构模块示意图；
[0033]图5为本专利技术实施例中提供的一种双向式LSTM(L3)网络结构模块示意图；
[0034]图6为本专利技术实施例中提供的一种基于LSTM及其改进型网络的多元负荷预测流程示意图。
具体实施方式
[0035]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0036]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0037]应注意到：相似的标号和字母在下面的附图中表示类似项，因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域冷热电负荷的联合预测方法，其特征在于，包括以下步骤：获取区域冷热电负荷的历史数据，并进行降噪预处理；对预处理后的历史数据进行相关性分析，确定影响因素，并将历史数据划分为训练集、测试集和验证集；获取预先构建好的神经网络集合，该神经网络集合包括基础LSTM神经网络结构、堆叠式LSTM网络结构和双向式LSTM网络结构，采用训练集对神经网络集合中的各个网络结构分别进行训练，直至分别达到预设的网络收敛条件；然后采用验证集验证神经网络集合中的各个网络结构的损失值是否高于预设的误差阈值，若否，则采用测试集对对应的网络结构进行预测，获取预测结果，若是，则重新采用所述训练集进行网络训练；对比不同网络结构的预测结果，选取预测结果最优的网络结构作为最优的网络结构，进行区域冷热电负荷的预测。2.根据权利要求1所述的一种区域冷热电负荷的联合预测方法，其特征在于，基于Copula理论进行所述相关性分析，所述Copula理论具体为：对于随机变量x和y，对应的边缘分布函数分别为F(x)和E(y)，必存在一个Copula函数C[F(x),E(y)]使得ρ表征x和y之间的非线性相关。3.根据权利要求2所述的一种区域冷热电负荷的联合预测方法，其特征在于，ρ的计算表达式为：表达式为：式中，I
[*]
为示性函数，条件成立时，I
[*]
＝1，反之则为0；当ρ＞0时，表示变量之间呈现为正相关，当ρ＜0时，表示变量之间呈现负相关，当ρ＝0时，表现变量之间相关性待定。4.根据权利要求1所述的一种区域冷热电负荷的联合预测方法，其特征在于，所述堆叠式LSTM...

【专利技术属性】
技术研发人员：马欢，王娜，曹颖爽，张鹏飞，刘哲，范莹，赵三珊，
申请(专利权)人：华东电力试验研究院有限公司，
类型：发明
国别省市：