本申请提供一种基于稀疏动态图神经网络的区域热负荷预测方法和装置，涉及智慧供暖技术领域。其中方法包括：获取目标区域在历史时间段内的热负荷时序数据和外部气象因子时序数据；对所述热负荷时序数据和外部气象因子时序数据进行预处理后，输入预先训练的热负荷预测模型，得到所述目标区域在未来设定时间段内的预测热负荷数据；其中，所述热负荷预测模型是基于多个区域的历史热负荷时序数据样本和历史外部气象因子时序数据样本对稀疏动态图神经网络进行训练得到的。可见，本申请通过基于稀疏动态图神经网络的热负荷预测模型能够对数据进行高效的学习和建模，从而可以获得更准确的区域热负荷预测结果。
【技术实现步骤摘要】
本申请涉及智慧供暖，具体涉及一种基于稀疏动态图神经网络的区域热负荷预测方法和装置。
技术介绍
1、区域供暖是一个集中的能源分配系统，从一个共同的热源为住宅和商业建筑提供热量。作为满足供暖需求的一种可持续和高效的解决方案，它在世界各地的城市地区被广泛采用。
2、然而，区域供热系统的优化运行和管理依赖于对热负荷的准确预测，热负荷是指用户在给定时间内所需的热量。由于区域供热网络的复杂性和动态性，热负荷预测是一项具有挑战性的任务，涉及多种因素和不确定性。传统区域热负荷预测方法采用各种统计和机器学习方法。面对区域热需求的复杂性和动态性，这些方法往往会预测准确性不佳。
技术实现思路
1、本申请的目的是提供一种基于稀疏动态图神经网络的区域热负荷预测方法、装置、电子设备及存储介质，从而提高区域内的热负荷预测的精准性。
2、第一方面，本申请实施例提供了一种基于稀疏动态图神经网络的区域热负荷预测方法，包括：
3、获取目标区域在历史时间段内的热负荷时序数据和外部气象因子时序数据；
4、对所述热负荷时序数据和外部气象因子时序数据进行预处理后，输入预先训练的热负荷预测模型，得到所述目标区域在未来设定时间段内的预测热负荷数据；
5、其中，所述热负荷预测模型是基于多个区域的历史热负荷时序数据样本和历史外部气象因子时序数据样本对稀疏动态图神经网络进行训练得到的。
6、在本申请的一些实施方式中，按照以下方式预先训练所述热负荷预测模型：
<
p>7、获取多个区域的历史热负荷数据和外部气象因子数据，并统计为相同时间间隔内的时间序列，得到多个区域的历史热负荷时序数据样本和历史外部气象因子时序数据样本；8、对所述历史热负荷时序数据样本和历史外部气象因子时序数据样本进行所述预处理后，将所述历史热负荷时序数据样本和历史外部气象因子时序数据样本划分为等长度的批数据；
9、设置目标函数，将预处理所述历史热负荷时序数据样本和历史外部气象因子时序数据样本得到的批数据输入所述稀疏动态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热负荷预测模型。
10、在本申请的一些实施方式中，所述预处理为将时序数据划分为多个批数据。
11、在本申请的一些实施方式中，所述稀疏动态图神经网络包括顺序连接的稀疏图学习模块、时空记忆增强模块以及时间融合模块；
12、所述稀疏图学习模块包括：稀疏图构建组件和时态图学习组件；
13、所述时空记忆增强模块包括：时空卷积组件和全局注意机制组件；
14、所述时间融合模块使用了跳跃连接架构。
15、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。
16、第二方面，本申请实施例提供了一种基于稀疏动态图神经网络的区域热负荷预测装置，包括：
17、获取模块，用于获取目标区域在历史时间段内的热负荷时序数据和外部气象因子时序数据；
18、预测模块，用于对所述热负荷时序数据和外部气象因子时序数据进行预处理后，输入预先训练的热负荷预测模型，得到所述目标区域在未来设定时间段内的预测热负荷数据；
19、其中，所述热负荷预测模型是基于多个区域的历史热负荷时序数据样本和历史外部气象因子时序数据样本对稀疏动态图神经网络进行训练得到的。
20、在本申请的一些实施方式中，所述装置还包括：
21、训练模块，用于按照以下方式预先训练所述热负荷预测模型：
22、获取多个区域的历史热负荷数据和外部气象因子数据，并统计为相同时间间隔内的时间序列，得到多个区域的历史热负荷时序数据样本和历史外部气象因子时序数据样本；
23、对所述历史热负荷时序数据样本和历史外部气象因子时序数据样本进行所述预处理后，将所述历史热负荷时序数据样本和历史外部气象因子时序数据样本划分为等长度的批数据；
24、设置目标函数，将预处理所述历史热负荷时序数据样本和历史外部气象因子时序数据样本得到的批数据输入所述稀疏动态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热负荷预测模型。
25、在本申请的一些实施方式中，所述预处理为将时序数据划分为多个批数据。
26、在本申请的一些实施方式中，所述稀疏动态图神经网络包括顺序连接的稀疏图学习模块、时空记忆增强模块以及时间融合模块；
27、所述稀疏图学习模块包括：稀疏图构建组件和时态图学习组件；
28、所述时空记忆增强模块包括：时空卷积组件和全局注意机制组件；
29、所述时间融合模块使用了跳跃连接架构。
30、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。
31、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。
32、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。
33、相较于现有技术，本申请提供的基于稀疏动态图神经网络的区域热负荷预测方法，通过获取目标区域在历史时间段内的热负荷时序数据和外部气象因子时序数据；对所述热负荷时序数据和外部气象因子时序数据进行预处理后，输入预先训练的热负荷预测模型，得到所述目标区域在未来设定时间段内的预测热负荷数据；其中，所述热负荷预测模型是基于多个区域的历史热负荷时序数据样本和历史外部气象因子时序数据样本对稀疏动态图神经网络进行训练得到的。可见，本申请通过基于稀疏动态图神经网络的热负荷预测模型能够对数据进行高效的学习和建模，从而可以获得更准确的区域热负荷预测结果。
本文档来自技高网...
【技术保护点】
1.一种基于稀疏动态图神经网络的区域热负荷预测方法，其特征在于，包括：
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热负荷预测模型：
3.根据权利要求1所述的方法，其特征在于，所述预处理为将时序数据划分为多个批数据。
4.根据权利要求2所述的方法，其特征在于，所述稀疏动态图神经网络包括顺序连接的稀疏图学习模块、时空记忆增强模块以及时间融合模块；
5.根据权利要求2所述的方法，其特征在于，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。
6.一种基于稀疏动态图神经网络的区域热负荷预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
8.根据权利要求6所述的装置，其特征在于，所述预处理为将时序数据划分为多个批数据。
9.一种电子设备，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，其特征在于，所述处理器运行所述计算机程序时以实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，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权利要求1至5任一项所述的方法。
...
【技术特征摘要】
1.一种基于稀疏动态图神经网络的区域热负荷预测方法，其特征在于，包括：
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热负荷预测模型：
3.根据权利要求1所述的方法，其特征在于，所述预处理为将时序数据划分为多个批数据。
4.根据权利要求2所述的方法，其特征在于，所述稀疏动态图神经网络包括顺序连接的稀疏图学习模块、时空记忆增强模块以及时间融合模块；
5.根据权利要求2所述的方法，其特征在于，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。
6.一种基于稀疏动态...
【专利技术属性】
技术研发人员：王智谨，吴森镇，黄耀辉，陈志荣，付永钢，胡樾，
申请(专利权)人：集美大学，
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。