一种基于回归模型的工业园区负荷短期预测方法技术

本发明专利技术提供了一种基于回归模型的工业园区负荷短期预测方法，步骤如下：获取数据并预处理，通过负载CNN提取负载非线性特征，通过负载温度CNN提取负载非线性温度特征；将负载非线性特征、负载非线性温度特征和要预测其负荷的前一小时的预测温度输入SVR进行预测；根据风险函数中SVR的强制约束，最终通过以下公式得到回归输出，该方法称为非线性关系提取（NRE）分别提取负载的非线性特征和负载温度的非线性特征，然后将提取的非线性特征提供给SVR进行一步超前预测。SVR进行一步超前预测。SVR进行一步超前预测。

【技术实现步骤摘要】
一种基于回归模型的工业园区负荷短期预测方法


[0001]本专利技术涉及一种基于回归模型的工业园区负荷短期预测方法，属于综合能源管理


技术介绍

[0002]工业园区综合能源系统多元负荷预测结果的准确与否直接关系到系统优化调度结果是否合理有效，系统之中涵盖了冷、热、电等多种能源形式，作为综合能源系统优化调度的前提，进行多元负荷预测十分有必要。传统的能源负荷预测方法已经较为成熟，但局限在于忽视了多种能源系统之间的耦合特性，无法适用于综合能源系统的负荷预测任务需求。通过对已有负荷预测研究的梳理分析不难发现目前负荷预测研究多数针对单一负荷，且没有充分挖掘多元负荷之间的隐含信息，若进行综合能源系统负荷预测的研究需考虑多元负荷耦合特性经典的统计学习方法虽然模型简单且计算快速，但模型鲁棒性较差且建模过程未考虑气象、日期等其他因素难以应对复杂的非线性系统的负荷预测问题；进行工业园区综合能源系统多元负荷预测研究时需考虑如何应对上述问题。

技术实现思路

[0003]本专利技术目的是提供了一种基于回归模型的工业园区负荷短期预测方法，以通过将现有设备进行能源转换带来经济效益。
[0004]本专利技术为实现上述目的，通过以下技术方案实现：
[0005]一种基于回归模型的工业园区负荷短期预测方法，其特征在于，包括以下步骤：
[0006]步骤1：获取某工业园区历史负荷数据，对数据进行预处理，去除异常值，填充缺失值并对数据进行归一化；将数据划分为测试集和训练集；
[0007]步骤2：通过负载CNN提取负载非线性特征，通过负载温度CNN提取负载非线性温度特征；基于CNN的非线性特征提取通过相邻神经元之间的局部连通性来提取输入层相邻点的局部相关性；
[0008]步骤3：将负载非线性特征、负载非线性温度特征和要预测其负荷的前一小时的预测温度输入SVR进行预测，对于第i个训练样本，生成包含Ni特征的向量如下：
[0009][0010]其中，载荷特征从训练的载荷CNN中提取，为负载温度提取特征为负载温度提取特征
[0011]将回归问题表示为：
[0012]y
i
＝f(xi)；i＝1，...，M
[0013]其中，x
i
为训练样本提取的特征向量，y
i
是前一步的相关负载，i代表训练样本；
[0014]SVR线性回归通过以下方式在映射的特征空间中进行：
[0015][0016]其中，w是回归系数向量，是从原始空间转换到高维度的新特征空间的映射函数，b是回归偏差；
[0017]通过最小化风险函数来实现偏差和回归系数；
[0018]步骤4：根据风险函数中SVR的强制约束，训练样本x
i
位于ε内，ε外的样本表示错误；SVR通过最小化训练误差和考虑ε不确定性得到的公式：中的正则化项来处理训练样本的过拟合和欠拟合，其中，y表示上一步负载；
[0019]SVR优化问题通过如下引入由α
i
和表示的拉格朗日乘数来解决：
[0020][0021][0022]其中，是由两个特征向量x
i
和x
j
的映射函数的内积构造的核函数，α
i
和表示拉格朗日乘数相关系数；
[0023]步骤5：通过以下公式得到回归输出：
[0024][0025]其中，K(x
i
，x
j
)表示径向基函数。
[0026]优选的，所述负载CNN包括两个卷积层和激活层，卷积层的执行方式如下：
[0027]F
l
＝g(F
l
‑1*w
l
+b
l
)
[0028]其中，F
l
‑1表示特征图第l
‑
1层用作层l的输入，W
l
和b
l
分别是层l的权重和偏差，g(x)是激活函数，符号*表示线性卷积算子；
[0029]ReLU激活函数如下：
[0030][0031]g(x)是激活函数，max(0,x)分别为大于0或小于0的最大权重；
[0032]所述负载CNN训练并提取特征的具体步骤如下：
[0033][0034]其中，M表示训练样本数，表示响应于第i个训练负荷立方体基于负荷CNN的第L层的预测值，W
l
和b
l
分别是层l的权重和偏差，F
l
‑1表示特征图第l
‑
1层用作层l的输入，
[0035]基于预测负载值，计算平方误差损失函数Ψ：
[0036][0037]其中，表示实际荷载；
[0038]在负载CNN的训练之后，将训练的负载CNN用于特征提取，使用激活函数从第二卷积层提取特征。
[0039]优选的，所述径向基函数公式如下：
[0040]K(x
i
，x
j
)＝exp(
‑
γ||x
i
‑
x
j
||2)
[0041]其中Υ被设置为LIBSVM中建议的默认值，其中长度(x
i
)表示特征向量x
i
的长度，长
度(x
j
)表示特征向量x
j
的长度。
[0042]优选的，所述训练集合测试集比例为7:3。
[0043]优选的，所述风险函数如下：
[0044][0045][0046]其中，和代表上下训练错误，表示正规化项，C为恒定正规化参数，x
i
为训练样本提取的特征向量，y
i
是前一步的相关负载，ε代表其他样本。
[0047]本专利技术的优点在于：本专利技术从历史负荷数据集中提取负荷之间的非线性关系，并从构建的负荷
‑
温度数据中提取负荷与温度值之间的非线性关系，设计一种简单的CNN负荷
‑
温度特征自动提取方法，然后将提取的非线性特征提供给SVR进行超前预测。
附图说明
[0048]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0049]图1为本专利技术本专利技术的负荷预测方法的流程示意图。
具体实施方式
[0050]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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做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。
[0051]数据预处理
[0052]数据预处理分为两个主要部分：数据清理和数据提取。数据的测试数据集用于测试算法的真实性，数据的训练集用于训练算法。测试数据需包含最近一周或连续几本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于回归模型的工业园区负荷短期预测方法，其特征在于，包括以下步骤：步骤1：获取某工业园区历史负荷数据，对数据进行预处理，去除异常值，填充缺失值并对数据进行归一化；将数据划分为测试集和训练集；步骤2：通过负载CNN提取负载非线性特征，通过负载温度CNN提取负载非线性温度特征；基于CNN的非线性特征提取通过相邻神经元之间的局部连通性来提取输入层相邻点的局部相关性；步骤3：将负载非线性特征、负载非线性温度特征和要预测其负荷的前一小时的预测温度输入SVR进行预测，对于第i个训练样本，生成包含Ni特征的向量如下：其中，载荷特征从训练的载荷CNN中提取，为负载温度提取特征为负载温度提取特征将回归问题表示为：y
i
＝f(x
i
)；i＝1，
…
，M其中，x
i
为训练样本提取的特征向量，yi是前一步的相关负载，i代表训练样本；SVR线性回归通过以下方式在映射的特征空间中进行：其中，w是回归系数向量，是从原始空间转换到高维度的新特征空间的映射函数，b是回归偏差；通过最小化风险函数来实现偏差和回归系数；步骤4：根据风险函数中SVR的强制约束，训练样本x
i
位于ε内，ε外的样本表示错误；SVR通过最小化训练误差和考虑ε不确定性得到的公式：中的正则化项来处理训练样本的过拟合和欠拟合，其中，y表示上一步负载；SVR优化问题通过如下引入由α
i
和表示的拉格朗日乘数来解决：表示的拉格朗日乘数来解决：其中，是由两个特征向量x
i
和x
j
的映射函数的内积构造的核函数，α
i
和表示拉格朗日乘数相关系数；步骤5：通过以下公式得到回归输出：其中，K(x
i
，x
j
)表示径向基函数。2.根据权利要求1所述的基于回归模型的工业园区负荷短期预测方法，其特征在于，所述负载CNN包括两个卷积层和激活层，卷积层的执行方式如下：F
l
＝g(F
l

【专利技术属性】
技术研发人员：冯媛媛，梁小姣，刘剑宁，孙涛，李燕，李成，沈海波，刘永军，付永，刘淼，张新玲，于文嫣，王书强，周丽娟，
申请(专利权)人：国网山东省电力公司东营供电公司，
类型：发明
国别省市：