【技术实现步骤摘要】
本专利技术属于区域空调负荷预测，具体涉及一种基于组合神经网络的空调负荷预测方法。
技术介绍
1、空调系统能耗随着社会经济的发展逐年上升，其夏季高峰用电负荷占城市电力高峰负荷的比例逐年增大，成为造成城市电力缺口的重要因素，空调系统节能成为当今社会实现可持续发展的关注热点之一。
2、近年来，我国各地持续高温，以空调为主的制冷负荷占电力峰荷比重达到36％，是负荷峰谷差逐年拉大、负荷尖峰化特征越专利技术显的重要原因。超过80％的空调设定温度偏低，运行方式不经济，空调负荷调节在缓解电力供需紧张方面潜力巨大。在灵活电源相对受限的情况下，空调负荷资源作为需求侧资源，其灵活调节作用将成为保障新型电力系统电力可靠、稳定和低成本供应的关键手段。
3、为制定空调负荷调节策略，实现空调负荷参与需求侧响应，首先需要较为准确地预测空调负荷。但是，空调冷负荷受室内环境参数、室外气象参数、建筑围护结构、空调房间人员散热和散湿、设备及照明散热等诸多因素的影响，单个神经网络面对多维因素影响的电力系统，其对数据特征的挖掘略显不足，无法全面的计及不同因素的关联性对空调负荷进行精确的预测。而在组合多个神经网络时，则面临诸多不确定性。
技术实现思路
1、本专利技术针对现有空调负荷预测方法采用单个神经网络，预测精度有提升空间的不足，提供一种基于组合神经网络的空调负荷预测方法，组合多个神经网络，提升预测精度，且组合不同于现有。
2、为实现上述目的，本专利技术采用如下技术方案：一种基于组合神经网
3、步骤s1、获取空调负荷预测所需的相关数据，相关数据包括含有时间信息的历史空调负荷数据；
4、步骤s2、数据预处理；
5、步骤s3、建立组合神经网络模型，组合神经网络模型综合长短期记忆网络模型、neural prophet模型和人工神经网络模型；
6、步骤s4、设置各模型的超参数；
7、步骤s5、组合神经网络模型训练和测试，将历史空调负荷数据分成训练集和测试集，将训练集分别输入长短期记忆网络模型和neural prophet模型得到两个输出，并将两个输出输入人工神经网络模型，人工神经网络模型输出预测值，组合神经网络模型学习规律参数后，将测试集输入组合神经网络模型，评估组合神经网络模型的泛化误差；
8、步骤s6、将训练和测试后的组合神经网络模型用于空调负荷预测。
9、本专利技术的基于组合神经网络的空调负荷预测方法，组合长短期记忆网络(longshort-term memory，lstm)模型、neural prophet模型和人工神经网络(artificialneural network，ann)模型，neural prophet模型可以考虑数据的周期性、节日效应和变化趋势点，lstm模型在学习和挖掘长期历史数据中的隐藏非线性和非周期性等特征有独特的优势，ann模型具有高度的自适应性和非线性表达能力，能够模拟复杂的非线性问题，将三者优势结合可以精度地预测长短周期的负荷。
10、作为改进，步骤s2中，数据预处理采用归一化和正则化；
11、归一化变换公式为：
12、
13、式中：xi′与xi分别为归一化前后的第i个值，xmax与xmin分别为序列的最大值与最小值；
14、正则化变换公式为：
15、
16、式中：x_reg为正则化后的数据，x为原始数据，x_mean为原始数据的均值，x_std为原始数据的标准差。
17、作为改进，步骤s4中，人工神经网络模型的超参数包括输入层神经元数量、隐藏层神经元数量和输出层神经元数量；长短期记忆网络模型的超参数包括层数和丢弃率。
18、作为改进，步骤s5包括：步骤s51、基于levenberg-marquardt算法反向传播训练人工神经网络，步骤s51步骤包括：
19、步骤s511：初始化权重和输入参数；
20、步骤s512：使用人工神经网络来训练和传播数据集，人工神经网络包括输入层、隐藏层和输出层，ωij是连接输入层和隐藏层的权重向量，ωjk是连接隐藏层和输出层的权重矢量；
21、步骤s513：通过实际结果和预测结果之间的比较将误差最小化；
22、步骤s514：使用levenberg-marquardt算法更新权重，并对每个模式重复此过程；
23、步骤s515：继续上述过程，直到符合公差水平。
24、作为改进，levenberg-marquardt算法的性能指标表示为：
25、
26、式中，ω＝[ω1,ω2,ω3…,ωn]t为网络的权重；n为权重的数量；k为输出数量；p为模式数量；pk为第k个预测值；ak为第k个实际值；
27、权重的更新规则等式表示为：
28、δω＝(jt*j+μi)-1*jt*e (3)
29、
30、式中，j是雅可比矩阵，由每个误差对每个权重的导数构成；μ是levenberg阻尼因子；i是是单位矩阵；e为误差矢量；如果μ很大，则使用近似梯度下降；如果μ很小，则使用高斯-牛顿方法进行求解。
31、作为改进，步骤s5中，长短期记忆网络模型包括四个关键层，分别为是遗忘门层、输入门层、存储单元层和输出门层，四个关键层的方程表示为：
32、ft＝σ(wfxt+ufht-1+bf) (5)
33、it＝σ(wixt+uiht-1+bi) (6)
34、
35、ot＝σ(woxt+uoht-1+bo) (8)
36、
37、
38、式中，ft为遗忘门的输出，σ为sigmoid函数，xt为输入信号；wf、uf为长短期记忆神经网络的权重，bf为偏置；it为输入门的输出，wi、ui为权重，bi为偏置；为细胞激活状态，wc、uc为权重，bc为偏置；ot为输出门的输出，wo、uo为权重，bo为偏置；ct为细胞状态；ht为隐含层状态。
39、作为改进，步骤s5中，neural prophet是一种可分解的时间序列预测模型，其将深度学习集成到基于滞后数据拟合的方程中，neural prophet的组成部分包括趋势、季节性、自回归、附加回归，表示为：
40、y(t)＝g(t)+s(t)+h(t)+e(t) (11)
41、式中，g(t)是可以指定为线性函数或逻辑函数的趋势建模函数；s(t)表示每日、每周和/或每年的季节性函数，用傅立叶项处理；h(t)是一个假日函数，它考虑了不规则出现的假日的影响；e(t)表示模型未拟合的误差变化。
42、作为改进，步骤s1中，相关数据还包括影响因素数据，影响因素数据包括气温数据和/或天气数据。
43、作为本文档来自技高网...
【技术保护点】
1.一种基于组合神经网络的空调负荷预测方法，其特征在于：所述基于组合神经网络的空调负荷预测方法包括：
2.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤S2中，数据预处理采用归一化和正则化；
3.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤S4中，人工神经网络模型的超参数包括输入层神经元数量、隐藏层神经元数量和输出层神经元数量；长短期记忆网络模型的超参数包括层数和丢弃率。
4.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤S5包括：步骤S51、基于Levenberg-Marquardt算法反向传播训练人工神经网络，步骤S51步骤包括：
5.据权利要求4所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：Levenberg-Marquardt算法的性能指标表示为：
6.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤S5中，长短期记忆网络模型包括四个关键层，分别为是遗忘门层、输入门层、存储单元层和输
7.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤S5中，Neural Prophet是一种可分解的时间序列预测模型，其将深度学习集成到基于滞后数据拟合的方程中，Neural Prophet的组成部分包括趋势、季节性、自回归、附加回归，表示为：
8.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤S1中，相关数据还包括影响因素数据，影响因素数据包括气温数据和/或天气数据。
9.根据权利要求8所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤S5中，长短期记忆网络模型和Neural Prophet模型分别产生具有时间序列数据的输出特征FN和FL，然后，将输出特征FN和FL输入到人工神经网络模型中，人工神经网络模型将气温和/或天气作为额外的回归因子，以提高组合模型的精度。
10.根据权利要求9所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：人工神经网络模型还考虑时间序列数据的统计参数和历史负荷的统计参数。
...【技术特征摘要】
1.一种基于组合神经网络的空调负荷预测方法，其特征在于：所述基于组合神经网络的空调负荷预测方法包括：
2.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤s2中，数据预处理采用归一化和正则化；
3.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤s4中，人工神经网络模型的超参数包括输入层神经元数量、隐藏层神经元数量和输出层神经元数量；长短期记忆网络模型的超参数包括层数和丢弃率。
4.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤s5包括：步骤s51、基于levenberg-marquardt算法反向传播训练人工神经网络，步骤s51步骤包括：
5.据权利要求4所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：levenberg-marquardt算法的性能指标表示为：
6.根据权利要求1所述的一种基于组合神经网络的空调负荷预测方法，其特征在于：步骤s5中，长短期记忆网络模型包括四个关键层，分别为是遗忘门层、输入门层、存储...
【专利技术属性】
技术研发人员：李磊，朱军，杨玉强，王朝亮，肖涛，马亮，胡海，闻铭，章康，李亦龙，岑奇阳，
申请(专利权)人：国网浙江省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。