一种日前电力负荷预测的方法、装置、终端和存储介质制造方法及图纸

本发明专利技术公开了一种日前电力负荷预测的方法、装置、终端和存储介质，该方法包括：将源域建筑的历史负荷数据迁移至目标建筑的历史数据中，得到更新后的所述目标建筑的历史数据；基于更新后的所述目标建筑的历史数据，训练得到基于神经网络的负荷预测模型记为第一负荷预测模型，并训练得到基于相似日的负荷预测模型记为第二负荷预测模型；将所述第一负荷预测模型与所述第二负荷预测模型进行集成，得到集成负荷预测模型；利用所述集成负荷预测模型，对待进入日前电力负荷预测的源域建筑进行日前电力负荷预测。该方案，通过采用基于多元分解迁移和集成学习的综合能源系统负荷预测方式，避免负迁移，提升日前负荷预测模型建立的准确性。准确性。准确性。

【技术实现步骤摘要】
一种日前电力负荷预测的方法、装置、终端和存储介质


[0001]本专利技术属于计算机
，具体涉及一种日前电力负荷预测的方法、装置、终端和存储介质，尤其涉及一种综合能源系统日前电力负荷预测方法、装置、终端和存储介质。

技术介绍

[0002]随着社会经济的快速发展，人们对能源的需求持续增加，由于化石能源逐渐枯竭，传统的火力发电效率低下、环境污染严重等问题，综合能源系统(Integrated Energy System，IES)应运而生。IES是下一代智能的能源系统，其将多种类型的能源紧密结合，使用系统化、集成化和精细化的方法来优化整个能源系统的能量生产、传输、存储和使用，从而极大的提高整个能源系统的能源利用效率、可持续性和安全可靠性。IES以其高效性、分布式和各能源之间的耦合性强等优势受到广泛的应用，其主要形式是以天然气为主清洁能源为辅的冷热电联供，而用户侧的负荷预测对IES的规划、运行、调度和储能有重要意义，已经成为当今的研究热点。
[0003]在机器学习中，若想准确的预测IES中一栋建筑物未来一段一时间的负荷需求量，需要大量的历史负荷数据作为模型的支撑。随着园区的逐步扩大，越来越多的新建筑物并入IES中，这些新建筑物的历史负荷数据非常少，而综合能源系统的管理者希望尽早做出准确的预测以便于对IES进行优化和调整。所以挑战在于使用有限的数据做出准确的预测。
[0004]在同一IES中，相同类型的建筑必然有相似的负荷消耗模式，因此他们的历史负荷数据可以共享于新建筑。迁移学习是一种很好的解决数据缺失的方法，它通过将源域中提取到的数据特征整合到目标域来强化目标模型；但是这个方法存在产生负迁移的可能性，在负荷预测领域中主要有以下两点：一是源域的选择问题，虽然源域建筑来源于同一IES，但是不同建筑的用电模式不同，负荷数据的相似性也不同，如果源域建筑选择不当甚至会降低预测性能，并且与目标建筑的负荷相似性较高的源域建筑可能多于一个，这时可能需要选择多个建筑进行迁移；二是数据迁移的问题，负荷预测的准确性和历史数据的数量和质量呈现正相关的关系，长期的负荷数据存在明显的季节性趋势，若直接进行样本迁移或参数迁移，可能导致预测性能达不到最优甚至下降。
[0005]可见，在针对新并入能源管理系统的建筑物的历史数据，采用迁移学习的方式建立日前负荷预测模型的情况下，负荷数据的波动性和随机性会导致负迁移，影响了日前负荷预测模型建立的准确性。
[0006]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0007]本专利技术的目的在于，提供一种日前电力负荷预测的方法、装置、终端和存储介质，以解决在针对新并入能源管理系统的建筑物的历史数据，采用迁移学习的方式建立日前负荷预测模型的情况下，负荷数据的波动性和随机性会导致负迁移，影响了日前负荷预测模
型建立的准确性的问题，达到通过采用基于多元分解迁移和集成学习的综合能源系统负荷预测方式，将同一综合能源系统中的其他相似建筑物负荷数据迁移到目标建筑物，并将相似日预测模型与神经网络预测模型相结合提出了集成预测模型，能够避免负迁移，有利于提升日前负荷预测模型建立的准确性的效果。
[0008]本专利技术提供一种日前电力负荷预测的方法，包括：针对待进入日前电力负荷预测的源域建筑，获取所述源域建筑的历史负荷数据；将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，以实现对所述目标建筑的历史数据的更新，得到更新后的所述目标建筑的历史数据；基于更新后的所述目标建筑的历史数据，训练得到基于神经网络的负荷预测模型，记为第一负荷预测模型；基于更新后的所述目标建筑的历史数据，训练得到基于相似日的负荷预测模型，记为第二负荷预测模型；将所述第一负荷预测模型与所述第二负荷预测模型进行集成，得到集成负荷预测模型；利用所述集成负荷预测模型，对待进入日前电力负荷预测的源域建筑进行日前电力负荷预测。
[0009]在一些实施方式中，将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，以实现对所述目标建筑的历史数据的更新，得到更新后的所述目标建筑的历史数据，包括：以所述源域建筑的历史负荷数为源域，以所述目标建筑的历史数据为目标域，采用移动平均分解法将所述源域中的每个数据集划分为趋势、季节和残差三类，得到源域分类数据集；采用移动平均分解法将所述目标域中的每个数据集划分为趋势、季节和残差三类，得到目标域分类数据集；采用皮尔逊相关系数量化所述源域分类数据集和所述目标域分类数据集之间的线性相关性，得到线性相关性量化结果；在所述源域分类数据集中的每类数据集中选择所述线性相关性量化结果在相似度阈值以上的相应数据，形成迁移数据集；基于所述迁移数据集，采用多元线性回归方式重构所述目标域的历史数据，以实现将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，得到更新后的所述目标建筑的历史数据。
[0010]在一些实施方式中，其中，基于更新后的所述目标建筑的历史数据，训练得到基于神经网络的负荷预测模型，记为第一负荷预测模型，包括：将更新后的所述目标建筑的历史数据中待预测日前一天的负荷、以及待预测日当天的负荷作为第一训练样本；将第一训练样本中待预测日前一天的负荷作为长短时记忆网络模型的输入量，并将第一训练样本中待预测日当天的负荷作为所述长短时记忆网络模型的输出量，以此训练，得到基于神经网络的负荷预测模型，记为第一负荷预测模型；和/或，基于更新后的所述目标建筑的历史数据，训练得到基于相似日的负荷预测模型，记为第二负荷预测模型，包括：对更新后的所述目标建筑的历史数据进行相似性分析，得到更新后的所述目标建筑的历史数据中日期负荷相同、且负荷曲线的相近程度达到设定程度的历史日的历史数据作为第二训练样本；从所述第二训练样本中按设定顺序排列的n个相似日的第二日负荷中筛选出与待预测日日期类型相同、且相似度最大的前m个日子作为相似日的负荷值；计算所述相似日的负荷值的加权平均值来预测待预测日的负荷值，以此训练，得到基于相似日的负荷预测模型，记为第二负荷预测模型；其中，计算所述相似日的负荷值的加权平均值所用的权重，为日期类型相同的第i个历史日的负荷向量与该日的欧氏距离的倒数，i为正整数。
[0011]在一些实施方式中，将所述第一负荷预测模型与所述第二负荷预测模型进行集成，得到集成负荷预测模型，包括：按设定的非负权重系数，利用线性回归分析法，将所述第
一负荷预测模型与所述第二负荷预测模型进行加权结合，实现对所述第一负荷预测模型与所述第二负荷预测模型的集成，得到集成负荷预测模型。
[0012]与上述方法相匹配，本专利技术另一方面提供一种日前电力负荷预测的装置，包括：获取单元，被配置为针对待进入日前电力负荷预测的源域建筑，获取所述源域建筑的历史负荷数据；控制单元，被配置为将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，以实现对所述目标建筑的历史数据的更新，得到更新后的所述目标建筑的历史数据；所述控制单元，还被配置为基于更新后的所述目标建筑的历史数据，训练得到基于神经网络的负荷预测模型，记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种日前电力负荷预测的方法，其特征在于，包括：针对待进入日前电力负荷预测的源域建筑，获取所述源域建筑的历史负荷数据；将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，以实现对所述目标建筑的历史数据的更新，得到更新后的所述目标建筑的历史数据；基于更新后的所述目标建筑的历史数据，训练得到基于神经网络的负荷预测模型，记为第一负荷预测模型；基于更新后的所述目标建筑的历史数据，训练得到基于相似日的负荷预测模型，记为第二负荷预测模型；将所述第一负荷预测模型与所述第二负荷预测模型进行集成，得到集成负荷预测模型；利用所述集成负荷预测模型，对待进入日前电力负荷预测的源域建筑进行日前电力负荷预测。2.根据权利要求1所述的日前电力负荷预测的方法，其特征在于，将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，以实现对所述目标建筑的历史数据的更新，得到更新后的所述目标建筑的历史数据，包括：以所述源域建筑的历史负荷数为源域，以所述目标建筑的历史数据为目标域，采用移动平均分解法将所述源域中的每个数据集划分为趋势、季节和残差三类，得到源域分类数据集；采用移动平均分解法将所述目标域中的每个数据集划分为趋势、季节和残差三类，得到目标域分类数据集；采用皮尔逊相关系数量化所述源域分类数据集和所述目标域分类数据集之间的线性相关性，得到线性相关性量化结果；在所述源域分类数据集中的每类数据集中选择所述线性相关性量化结果在相似度阈值以上的相应数据，形成迁移数据集；基于所述迁移数据集，采用多元线性回归方式重构所述目标域的历史数据，以实现将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，得到更新后的所述目标建筑的历史数据。3.根据权利要求1所述的日前电力负荷预测的方法，其特征在于，其中，基于更新后的所述目标建筑的历史数据，训练得到基于神经网络的负荷预测模型，记为第一负荷预测模型，包括：将更新后的所述目标建筑的历史数据中待预测日前一天的负荷、以及待预测日当天的负荷作为第一训练样本；将第一训练样本中待预测日前一天的负荷作为长短时记忆网络模型的输入量，并将第一训练样本中待预测日当天的负荷作为所述长短时记忆网络模型的输出量，以此训练，得到基于神经网络的负荷预测模型，记为第一负荷预测模型；和/或，基于更新后的所述目标建筑的历史数据，训练得到基于相似日的负荷预测模型，记为第二负荷预测模型，包括：对更新后的所述目标建筑的历史数据进行相似性分析，得到更新后的所述目标建筑的历史数据中日期负荷相同、且负荷曲线的相近程度达到设定程度的历史日的历史数据作为第二训练样本；
从所述第二训练样本中按设定顺序排列的n个相似日的第二日负荷中筛选出与待预测日日期类型相同、且相似度最大的前m个日子作为相似日的负荷值；计算所述相似日的负荷值的加权平均值来预测待预测日的负荷值，以此训练，得到基于相似日的负荷预测模型，记为第二负荷预测模型；其中，计算所述相似日的负荷值的加权平均值所用的权重，为日期类型相同的第i个历史日的负荷向量与该日的欧氏距离的倒数，i为正整数。4.根据权利要求1至3中任一项所述的日前电力负荷预测的方法，其特征在于，将所述第一负荷预测模型与所述第二负荷预测模型进行集成，得到集成负荷预测模型，包括：按设定的非负权重系数，利用线性回归分析法，将所述第一负荷预测模型与所述第二负荷预测模型进行加权结合，实现对所述第一负荷预测模型与所述第二负荷预测模型的集成，得到集成负荷预测模型。5.一种日前电力负荷预测的装置，其特征在于，包括：获取单元，被配置为针对待进入日前电力负荷预测的源域建筑，获取所述源域建筑的历史负荷数据；控制单元，被配置为将所述源域建筑的历史负荷数据迁移至目标建筑的历史数据中，以实现对所述...

【专利技术属性】
技术研发人员：刘宁，王栋，杨明杰，张驰，赵书函，闫润珍，
申请(专利权)人：国网甘肃省电力公司信息通信公司，
类型：发明
国别省市：