一种基于Informer网络的商业建筑负荷预测方法及系统技术方案

一种基于Informer网络的商业建筑负荷预测方法及系统，包括：采集各商业建筑的历史耗能元数据信息，包括时间戳信息和建筑负荷数据；对耗能元数据信息进行预处理并按照时间顺序进行排序，得到正规化耗能元数据；获取气象局气温数据，并基于informer网络进行训练，得到气温预测模型；分别构建不同类别的商业建筑对应的负荷训练数据集；采用各类别商业建筑对应的负荷训练数据集分别对Informer网络进行训练，得到不同类别商业建筑对应的负荷预测模型；采集待预测商业建筑的历史耗能元数据和历史气温数据，并通过气温预测模型和负荷预测模型得到其负荷预测结果。本发明专利技术能够对不同用电行为模式的商业建筑采用不同的预测模型进行处理，得到更准确的负荷预测结果。得到更准确的负荷预测结果。得到更准确的负荷预测结果。

【技术实现步骤摘要】
一种基于Informer网络的商业建筑负荷预测方法及系统


[0001]本专利技术属于负荷预测
，更具体地，涉及一种基于Informer网络的商业建筑负荷预测方法。

技术介绍

[0002]近年来，随着智能电网的不断发展，更精确的智能电表得到普及，这使得电力企业可获取更多电力负荷用户的细粒用电数据，充分挖掘此类负荷数据的隐藏信息，可为保障电网的安全可靠运行做好规划。在数据预处理方面，聚类可以从电力消费者负荷数据中区分出不同的消费群体并且概括出每一类消费者的负荷模式。智能电表采集的数据天然具有时间序列性质，因此采用时间序列聚类算法可最大程度提取商业建筑负荷的耗能模式。针对不同商业建筑负荷模式，采用本文所提Informer*模型进行负荷预测验证，可实现多种商业建筑模式负荷的精确预测。
[0003]实现多种耗能模式的商业建筑负荷精准预测可以帮助电力公司提前预判用电的峰谷，提前调整各电厂的发电计划和电力消费者的能源分配，以满足电力用户的用电需求并提升电网运行的稳定性。尤其是在全球减少碳排放量的趋势下，具有较强波动性的太阳能、风能等可再生能源不断接入电网，对电网的消纳能力提出了全新的挑战，实现商业建筑电能负荷的预测，可使电力公司合理规划可控发电厂的发电计划，从负荷侧减少波动源荷对电网的冲击，提升电网对新能源的消纳能力。
[0004]目前，面对商业建筑负荷预测问题，方法主要集中于单一负荷的预测，大多采用矢量自回归模型、整合移动平均自回归模型等传统方法，他们都没有充分利用时间序列的负荷信息，未考虑耗能模式对预测结果的重要影响。
[0005]现有技术文件1(CN1 15759376A)提供了一种基于组合预测模型的综合能源系统多元负荷预测方法，步骤如下：获取某区域综合能源系统中的冷热电负荷和影响因子的历史数据，建立特征数据库；构建Informer预测模型，建立基于全局时间戳和局部时间戳的输入表示模块，经过编码器的多头自注意力和自注意蒸馏机制降低复杂度，通过多头注意力和特征进行交互，直接一次生成输出；构建多任务学习的长短期记忆人工神经网络预测模型，提取冷热电负荷的周期性和耦合性特征进行多元负荷预测；建立支持向量机模型，进行组合均分训练，得到最终的预测结果。现有技术存在的问题包括：商业建筑的具体用电行为模式较多且各不相同，采用同一预测模型难以快速实现较准确的预测。

技术实现思路

[0006]为解决现有技术中存在的不足，本专利技术提供一种基于Informer网络的商业建筑负荷预测方法，能够利用区域气温数据以及商业建筑负荷时间序列特征，通过时间序列聚类算法将在时间上具有相似性的负荷数据归为一组，对其分别采用最佳的预测算法实现不同用电行为模式的商业建筑负荷预测，将各建筑负荷预测结果求和得到区域商业建筑负荷预测结果。
[0007]本专利技术采用如下的技术方案。
[0008]一种基于Informer网络的商业建筑负荷预测方法，包括以下步骤：
[0009]步骤1，采集各商业建筑的历史耗能元数据信息，包括时间戳信息和每个商业建筑的建筑负荷数据；
[0010]步骤2，对步骤1采集的耗能元数据信息进行预处理并按照时间顺序进行排序，得到各商业建筑的正规化耗能元数据；
[0011]步骤3，获取气象局气温数据，构建该区域商业建筑的时间序列历史气温训练数据集，并基于informer网络进行训练，得到气温预测模型；
[0012]步骤4，确定最佳聚类数目并通过聚类算法实现具有相似用电行为习惯的商业建筑分类，根据步骤2得到的各商业建筑的正规化耗能元数据和步骤3采集的历史气温数据分别构建不同类别的商业建筑对应的负荷训练数据集；
[0013]步骤5，根据步骤4得到的最佳聚类数目构建负荷预测模型个数，采用各类别商业建筑对应的负荷训练数据集分别对Informer网络进行训练，得到不同类别商业建筑对应的负荷预测模型；
[0014]步骤6，采集待预测商业建筑的历史耗能元数据和历史气温数据，并通过气温预测模型和负荷预测模型得到其负荷预测结果。
[0015]优选地，所述步骤1中，采集多个商业建筑的历史建筑负荷数据，并记录采集每个建筑负荷数据时的时间戳信息，时间戳信息为包含年、月、日、小时、分的具体时间信息，得到的各商业建筑耗能元数据信息包括时间戳信息及对应时间戳的建筑负荷数据；
[0016]其中，采集的历史负荷数据应至少包含三个月的数据，建筑负荷数据每隔15分钟采样一次。
[0017]优选地，所述步骤2还包括：
[0018]步骤2
‑
1，对步骤1采集到的数据进行清洗，剔除耗能元数据信息中的噪声数据；
[0019]步骤2
‑
2，对步骤1采集到的建筑负荷数据进行正规化处理，得到正规化处理后的建筑负荷数据；
[0020]步骤2
‑
3，对步骤1采集的各商业建筑时间戳信息和正规化处理后的建筑负荷数据按照时间顺序进行排序，得到正规化耗能元数据。
[0021]优选地，所述步骤2
‑
3还包括：
[0022]按照时间先后顺序将时间戳信息按列排序，得到时间戳信息列；
[0023]将正规化处理后的建筑负荷数据与对应的时间戳信息对齐，得到按照时间顺序排列的正规化处理后的建筑负荷数据列；
[0024]各商业建筑的时间戳信息列和对应的正规化处理后的建筑负荷数据列共同构成该商业建筑对应的正规化耗能元数据。
[0025]优选地，所述步骤3还包括：
[0026]步骤3
‑
1，采集历史气温数据并构建历史气温训练数据集；
[0027]其中，历史气温数据以步骤1中建筑负荷数据的采样频率对气温数据进行重采样得到，生成含采样时间列和气温数据列的历史气温训练数据集；
[0028]步骤3
‑
2，通过历史气温训练数据集对informer网络进行训练，得到训练后的informer网络作为气温预测模型。
[0029]优选地，所述步骤4还包括：
[0030]步骤4
‑
1，计算不同聚类数目下商业建筑的负荷数据通过k
‑
shape聚类算法聚类后得到的结果的误差平方和，并根据手肘法和轮廓系数法综合确定最佳聚类数目；
[0031]步骤4
‑
2，根据最佳聚类数目，通过k
‑
shape聚类算法实现对具有相似用电行为习惯的商业建筑分类，得到聚类结果；
[0032]步骤4
‑
3，根据聚类结果将各商业建筑进行分类，并基于正规化耗能元数据和历史气温数据对每个商业建筑构建时间序列训练数据集，作为各类别商业建筑的训练数据。
[0033]优选地，所述步骤4
‑
3中，将步骤3采集到的历史气温数据与步骤1采集的负荷数据按照时间列进行合并，得到包含三列数据的商业建筑负荷的时间序列训练数据集：时间列、历史气温列、历时负荷列。
[0034]优选地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Informer网络的商业建筑负荷预测方法，其特征在于，包括以下步骤：步骤1，采集各商业建筑的历史耗能元数据信息，包括时间戳信息和每个商业建筑的建筑负荷数据；步骤2，对步骤1采集的耗能元数据信息进行预处理并按照时间顺序进行排序，得到各商业建筑的正规化耗能元数据；步骤3，获取气象局气温数据，构建该区域商业建筑的时间序列历史气温训练数据集，并基于informer网络进行训练，得到气温预测模型；步骤4，确定最佳聚类数目并通过聚类算法实现具有相似用电行为习惯的商业建筑分类，根据步骤2得到的各商业建筑的正规化耗能元数据和步骤3采集的历史气温数据分别构建不同类别的商业建筑对应的负荷训练数据集；步骤5，根据步骤4得到的最佳聚类数目构建负荷预测模型个数，采用各类别商业建筑对应的负荷训练数据集分别对Informer网络进行训练，得到不同类别商业建筑对应的负荷预测模型；步骤6，采集待预测商业建筑的历史耗能元数据和历史气温数据，并通过气温预测模型和负荷预测模型得到其负荷预测结果。2.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，所述步骤1中，采集多个商业建筑的历史建筑负荷数据，并记录采集每个建筑负荷数据时的时间戳信息，时间戳信息为包含年、月、日、小时、分的具体时间信息，得到的各商业建筑耗能元数据信息包括时间戳信息及对应时间戳的建筑负荷数据；其中，采集的历史负荷数据应至少包含三个月的数据，建筑负荷数据每隔15分钟采样一次。3.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，所述步骤2还包括：步骤2
‑
1，对步骤1采集到的数据进行清洗，剔除耗能元数据信息中的噪声数据；步骤2
‑
2，对步骤1采集到的建筑负荷数据进行正规化处理，得到正规化处理后的建筑负荷数据；步骤2
‑
3，对步骤1采集的各商业建筑时间戳信息和正规化处理后的建筑负荷数据按照时间顺序进行排序，得到正规化耗能元数据。4.如权利要求书3所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，所述步骤2
‑
3还包括：按照时间先后顺序将时间戳信息按列排序，得到时间戳信息列；将正规化处理后的建筑负荷数据与对应的时间戳信息对齐，得到按照时间顺序排列的正规化处理后的建筑负荷数据列；各商业建筑的时间戳信息列和对应的正规化处理后的建筑负荷数据列共同构成该商业建筑对应的正规化耗能元数据。5.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在
于，所述步骤3还包括：步骤3
‑
1，采集历史气温数据并构建历史气温训练数据集；其中，历史气温数据以步骤1中建筑负荷数据的采样频率对气温数据进行重采样得到，生成含采样时间列和气温数据列的历史气温训练数据集；步骤3
‑
2，通过历史气温训练数据集对informer网络进行训练，得到训练后的informer网络作为气温预测模型。6.如权利要求书1所述的一种基于Informer网络的商业建筑负荷预测方法，其特征在于，所述步骤4还包括：步骤4
‑
1，计算不同聚类数目下商业建筑的负荷数据通过k
‑
shape聚类算法聚类后得到的结果的误差平方和，并根据手肘法和轮廓系数法综合确定最佳聚类数目；步骤4
‑
2，根据最佳聚类数目，通过k
‑
shape聚类算法实现对具有相似用电行为习惯的商业建筑分类，得到聚类结果；步骤4
‑
3，根据聚类结果将各商业建筑进行分类，并基于...

【专利技术属性】
技术研发人员：李洁，顾水福，周磊，刘乙，李亚飞，李圆琪，朱超群，赵猛，李敏，钱旸，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：