一种基于机器学习的综合能源系统多元负荷预测方法技术方案

本发明专利技术公开了一种基于机器学习的综合能源系统多元负荷预测方法，包括：对历史负荷数据可能出现的残缺或异常进行处理，利用拉依达准则完成异常数据的剔除，使用加权顺序填补法完成数据补齐，再用皮尔逊相关系数去确定预测负荷过程中的其相关影响因素，确定影响因素后，对数据进行归一化处理，然后基于相似日理论筛选数据，将处理后的数据分为训练集和测试集，然后构建改进智能水滴算法优化深度置信网络模型，将训练集送到深度置信网络，得到负荷预测模型，将测试集输到负荷预测模型，得到该模型的预测结果。采用本发明专利技术的方法，尤其在训练样本较大且负荷影响因素复杂的情况下，可以提高综合能源系统多元负荷的预测精度，提升计算效率。算效率。算效率。

【技术实现步骤摘要】
一种基于机器学习的综合能源系统多元负荷预测方法


[0001]本专利技术涉及一种电力系统的负荷预测方法，尤其涉及一种基于机器学习的综合能源系统多元负荷预测方法。

技术介绍

[0002]能源是人类赖以生存和发展的基础，是经济社会发展的命脉。随着工业生产和居民用户用电需求日趋多样化，综合能源系统能够实现能源产销清洁高效和协调供需平衡，相比于传统的单独规划、独立运行的电力系统，综合能源系统实现了不同能量之间的耦合，因此推进综合能源系统相关技术的研究成为必要。
[0003]负荷预测是实现电力系统安全经济运行的基础，也是提高能源利用率和满足用户不确定需求的重要保证。目前一些常用的负荷预测的方法包括回归分析法、时间序列分析法和机器学习算法，其中，回归分析法和时间序列分析法都强依赖于大量的历史负荷及相关的数据，预测效率低，精度差。而基于机器学习的负荷预测方法，目前主要用于单一负荷预测，若用于多元负荷预测时，因数据为多类型的负荷数据，不但需要较大的训练样本；还因每一类型的负荷数据其负荷影响因素不同，则多元负荷影响因素为多样，且如果结合已有的单一负荷预测模型将出现训练的网络迭代次数过多，预测效率下降且预测精度不稳定的问题。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术提出一种基于机器学习的综合能源系统多元负荷预测方法，能够实现对综合能源系统多元负荷的高精度预测，并提高模型效率。
[0005]技术方案：本专利技术所采用的技术方案是一种基于机器学习的综合能源系统多元负荷预测方法，包括以下步骤：
[0006]步骤1，获取预测日的实时气象数据；获取综合能源系统里冷、热、电负荷的历史负荷数据与相对应的历史气象数据；
[0007]步骤2，根据所述预测日的实时气象数据，从所述历史负荷数据与所述历史气象数据筛选出目标负荷数据和目标气象数据，利用所述目标负荷数据和所述目标气象数据构建样本集；具体包括以下步骤：
[0008]对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据进行处理，得到处理后的预测日实时气象数据、处理后的历史负荷数据以及处理后的历史气象数据；对所述处理后的历史气象数据中各气象特征与处理后的历史负荷数据中各负荷之间的相关性进行分析得到气象影响因素；根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出与所述预测日的实时气象数据相似的日期，并将筛选出的相似日所包含的负荷数据及气象数据构成样本集。
[0009]其中，所述的对历史负荷数据和历史气象数据进行处理，包括采用拉依达准则剔除异常数据，以及采用加权顺序填补法完成数据补齐；所述的确定影响负荷预测的因素，包
括采用皮尔逊相关系数分别计算冷、热、电负荷与各个气象特征之间的相关性，分别将每个气象特征与三种负荷的相关性求和得到该气象特征总相关性值，根据气象特征总相关性值确定气象影响因素的筛选。
[0010]所述的根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出与所述预测日的实时气象数据相似的日期，包括：采用极差法对气象影响因素进行数据归一化处理，建立气象特征向量；计算预测日和第j日的特征向量在第k个分量的关联系数，根据关联系数计算预测日和第j日的特征向量的相似度，筛选出相似日。
[0011]所述的预测日和第j日的特征向量在第k个分量的关联系数，计算公式为：
[0012][0013]式中：Δ
j
(k)＝h
pre
(k)
‑
h
j
(k)，h
pre
(k)和h
j
(k)分别为预测日和第j日的特征向量的第k个分量，ρ是分辨系数，η
j
(k)为关联系数；
[0014]所述相似度定义为：
[0015][0016]其中，n为特征向量的维数。
[0017]步骤3，根据冷、热、电负荷类型分别建立相应的优化后的深度置信网络模型，利用所述样本集对冷、热、电负荷类型的优化后的深度置信网络模型进行训练，得到分别针对冷、热、电负荷类型的多元负荷预测模型；
[0018]将步骤2筛选出的相似日数据分为训练集和测试集，根据负荷的类型分别建立相应的改进智能水滴算法优化深度置信网络模型；所述的改进智能水滴算法优化深度置信网络模型，是利用改进智能水滴算法来优化深度置信网络的初始权重；
[0019]所述的利用改进智能水滴算法来优化深度置信网络的初始权重，包括以下步骤：
[0020](1)利用试探法确定深度置信网络中神经元层数和每层神经元的个数，以确定需要优化的初始权重的个数；
[0021](2)初始化改进智能水滴算法的水滴数量、速度、初始携带泥土量；
[0022](3)每个水滴流过每个初始权重所可能取值所构成的集合，构成一条完整路径，测试该路径下的深度置信网络的性能；
[0023](4)重复步骤(3)，直到精英率超过阈值，精英率表达式为：
[0024][0025]式中，I
sum
为水滴总数，δ是精英水滴的个数，φ为精英率。
[0026]所述的改进智能水滴算法包括：
[0027]水滴k在从节点i流向下一个节点j时，设定一个服从[0，1]均匀分布的随机数p，节点选择公式为：
[0028][0029][0030]其中，soil(i，j)为节点i到节点j路径上的泥土量，l表示任一节点，为水滴k流过的节点集，为在节点i处的水滴k流向节点j的概率，p0为扰动参数，为轮盘赌算法选择的概率，ε为一个微小正数；
[0031]设搜索到最优路径的水滴为精英水滴，每次水滴完成搜索后，给路径中的泥土量额外更新，更新公式为：
[0032]soil(i，j)＝soil(i，j)
‑
Δs
ij
[0033]式中：Δs
ii
为精英水滴从节点i到节点j时的额外泥土奖励量，其表达式为：
[0034][0035]其中，δ是精英水滴的个数。
[0036]步骤4，利用所述多元负荷预测模型对所述预测日的实时气象数据进行处理得到所述预测日对应预测结果。
[0037]本专利技术提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于机器学习的综合能源系统多元负荷预测方法的步骤。
[0038]本专利技术提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于机器学习的综合能源系统多元负荷预测方法的步骤。
[0039]有益效果：相比现有技术，本专利技术具有以下优点：本专利技术充分利用综合能源系统中大量的冷、热、电负荷历史数据，对处理后的历史气象数据中各气象特征与处理后的历史负荷数据中各负荷之间的相关性进行分析得到气象影响因素；根据气象影响因素，利用相似日算法从处理后的历史气象数据中筛选出相似日数据，基于较大的训练样本利用本方案可高效地提炼出有效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：步骤1，获取预测日的实时气象数据；获取综合能源系统里冷、热、电负荷的历史负荷数据与相对应的历史气象数据；步骤2，根据所述预测日的实时气象数据，从所述历史负荷数据与所述历史气象数据筛选出目标负荷数据和目标气象数据，利用所述目标负荷数据和所述目标气象数据构建样本集；步骤3，根据冷、热、电负荷类型分别建立相应的优化后的深度置信网络模型，利用所述样本集对冷、热、电负荷类型的优化后的深度置信网络模型进行训练，得到分别针对冷、热、电负荷类型的多元负荷预测模型；步骤4，利用所述多元负荷预测模型对所述预测日的实时气象数据进行处理得到所述预测日对应预测结果。2.根据权利要求1所述的基于机器学习的综合能源系统多元负荷预测方法，其特征在于，所述步骤2包括：对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据进行处理，得到处理后的预测日实时气象数据、处理后的历史负荷数据以及处理后的历史气象数据；对所述处理后的历史气象数据中各气象特征与处理后的历史负荷数据中各负荷之间的相关性进行分析得到气象影响因素；根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出与所述预测日的实时气象数据相似的日期，并将筛选出的相似日所包含的负荷数据及气象数据构成样本集；所述的对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据进行处理，包括：采用拉依达准则分别对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据中的异常数据剔除，得到第一预测日的实时气象数据、第一历史负荷数据和第一历史气象数据；采用加权顺序填补法分别对第一预测日的实时气象数据、第一历史负荷数据和第一历史气象数据中缺失数据进行数据补齐，得到处理后的预测日实时气象数据、处理后的历史负荷数据和处理后的历史气象数据。3.根据权利要求1所述的基于机器学习的综合能源系统多元负荷预测方法，其特征在于：所述的对所述处理后的历史气象数据中各气象特征与处理后的历史负荷数据中各负荷之间的相关性进行分析得到气象影响因素，包括：采用皮尔逊相关系数分别计算处理后的历史气象数据中冷、热、电负荷与处理后的历史负荷数据中各个气象特征之间的相关性，得到处理后的历史负荷数据中每个气象特征分别与处理后的历史气象数据中冷、热、电负荷的相关性；分别将每个气象特征与所述冷、热、电负荷的相关性求和得到每个气象特征的总相关性值，根据每个气象特征的总相关性值确定气象影响因素。4.根据权利要求1所述的基于机器学习的综合能源系统多元负荷预测方法，其特征在于：所述的根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出相似日，包括：采用极差法对所述气象影响因素对应的气象数据进行数据归一化处理，建立预测日的气象特征向量和历史气象数据中第j日的气象特征向量；所述气象特征向量：
D＝[W1，W2，...，W
n
]
T
其中n是影响综合能源系统中冷、热、电负荷的气象影响因素个数，W1，W2，...，W
n
W1，W2，...，W
n
表示各气象影响因素对应的气象数据；计算预测日的气象特征向量和历史气象数据中第j日的气象特征向量的相似度值，所述相似度值超过设定值则判定所述预测...

【专利技术属性】
技术研发人员：付明，赵景涛，黄堃，陈哲，王海龙，梁加本，李志浩，林达，王丙文，孙伟伟，
申请(专利权)人：国网电力科学研究院有限公司国网浙江省电力有限公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：