一种可解释区域热负荷预测方法、装置、设备及存储介质制造方法及图纸

本申请提供一种可解释区域热负荷预测方法、装置、设备及存储介质，涉及智慧供暖技术领域。其中方法包括：获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。本申请的供暖负荷预测结果具有可解释性，面对复杂的实时变化情况，可以解释预测结果产生的原因和时序数据波动的内在规律，与传统的供暖负荷预测相比，能够提高对区域内多个客户热负荷预测的精准性。性。性。

【技术实现步骤摘要】
一种可解释区域热负荷预测方法、装置、设备及存储介质


[0001]本申请涉及智慧供暖
，具体涉及一种可解释区域热负荷预测方法、装置、设备及存储介质。

技术介绍

[0002]一直注重能源的可持续发展和节能减排，其中能源转型和智能能源系统建设是重点发展方向之一。可解释区域热负荷预测作为智能能源系统的重要组成部分，可以为能源管理和节能减排提供重要的支持和指导。
[0003]传统热负荷预测技术所具有的缺点：传统热负荷预测技术通常采用黑盒模型进行预测，难以解释预测结果的原因和内在规律，缺乏可解释性；传统热负荷预测技术通常采用经验模型或者传统的统计模型进行热负荷预测，对于复杂的非线性系统难以准确预测，预测精度较低；传统热负荷预测技术通常采用静态的模型进行预测，难以应对复杂的实时变化情况，如用户用能行为变化等。

技术实现思路

[0004]本申请的目的是提供一种可解释区域热负荷预测方法、装置、电子设备及存储介质，从而提高区域内的多个客户的热负荷预测的精准性。
[0005]第一方面，本申请实施例提供了一种可解释区域热负荷预测方法，包括：
[0006]获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；
[0007]对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；
[0008]所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。r/>[0009]在本申请的一些实施方式中，按照以下方式预先训练所述供暖负荷预测模型：
[0010]获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本；
[0011]对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据；
[0012]设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。
[0013]在本申请的一些实施方式中，所述将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据，包括：
[0014]将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。
[0015]在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。
[0016]在本申请的一些实施方式中，所述可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器；
[0017]所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单层卷积模块，所述时间维度上的多层图卷积模块用于从时序数据中提取时间相关性，所述空间维度上的单层卷积模块用于从时序数据中提取空间相关性；
[0018]所述时空记忆增强组件包括：空间注意力模块和循环神经网络模块，所述空间注意力模块用于从时序数据中提取空间维度上的局部动态相关性，所述循环神经网络模块用于从时序数据中进一步提取时间相关性；
[0019]所述多组分融合组件用于将各输入进行组合；
[0020]所述预测器用于基于所述多组分融合组件的输出数据进行最终预测。
[0021]在本申请的一些实施方式中，所述循环神经网络模块采用门控递归单元。
[0022]在本申请的一些实施方式中，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
[0023]第二方面，本申请实施例提供了一种可解释区域热负荷预测装置，包括：
[0024]获取模块，用于获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；
[0025]预测模块，用于对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；
[0026]所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。
[0027]在本申请的一些实施方式中，所述装置还包括：模型训练模块，按照以下方式预先训练所述供暖负荷预测模型：
[0028]获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本；
[0029]对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据；
[0030]设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。
[0031]在本申请的一些实施方式中，所述模型训练模块，具体用于：
[0032]将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。
[0033]在本申请的一些实施方式中，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。
[0034]在本申请的一些实施方式中，所述可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器；
[0035]所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单层卷积模块，所述时间维度上的多层图卷积模块用于从时序数据中提取时间相关性，所述空间维度上的单层卷积模块用于从时序数据中提取空间相关性；
[0036]所述时空记忆增强组件包括：空间注意力模块和循环神经网络模块，所述空间注
意力模块用于从时序数据中提取空间维度上的局部动态相关性，所述循环神经网络模块用于从时序数据中进一步提取时间相关性；
[0037]所述多组分融合组件用于将各输入进行组合；
[0038]所述预测器用于基于所述多组分融合组件的输出数据进行最终预测。
[0039]在本申请的一些实施方式中，所述循环神经网络模块采用门控递归单元。
[0040]在本申请的一些实施方式中，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
[0041]第三方面，本申请提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现如第一方面所述的方法。
[0042]第四方面，本申请实提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如第一方面所述的方法。
[0043]相较于现有技术，本申请提供的可解释区域热负荷预测方法，通过获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可解释区域热负荷预测方法，其特征在于，包括：获取区域内的多个目标客户在历史时间段内的供暖负荷时序数据；对所述供暖负荷时序数据进行预处理后，输入预先训练的供暖负荷预测模型，得到所述区域内的多个目标客户在未来设定时间段内的预测供暖负荷数据；所述供暖负荷预测模型是通过区域内的多个目标客户的历史供暖负荷时序数据样本对可解释的图神经网络进行训练得到的。2.根据权利要求1所述的方法，其特征在于，按照以下方式预先训练所述供暖负荷预测模型：获取区域内的多个目标客户的历史供暖负荷数据，并统计为相同时间间隔内的时间序列，得到区域内的多个目标客户的历史供暖负荷时序数据样本；对所述历史供暖负荷时序数据样本进行所述预处理后，将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据；设置目标函数，将所述供暖负荷有监督数据输入所述可解释的图神经网络进行训练，在达到预设训练截止条件后得到所述供暖负荷预测模型。3.根据权利要求2所述的方法，其特征在于，所述将所述历史供暖负荷时序数据样本转化为供暖负荷有监督数据，包括：将所述历史供暖负荷时序数据样本中前若干个变量作为模型的输入变量，后一个变量作为模型的输出进行聚合，得到供暖负荷有监督数据。4.根据权利要求1所述的方法，其特征在于，所述预处理包括最大值处理、最小值处理、数据均值化以及归一化处理。5.根据权利要求2所述的方法，其特征在于，所述可解释的图神经网络包括顺序连接的时空卷积组件、时空记忆增强组件、多组分融合组件以及预测器；所述时空卷积组件包括：时间维度上的多层图卷积模块和空间维度上的单...

【专利技术属性】
技术研发人员：王智谨，黄耀辉，刘含静，张斐斐，付永钢，刘年生，陈志荣，
申请(专利权)人：厦门盛世锦华智能科技有限公司，
类型：发明
国别省市：