【技术实现步骤摘要】
本专利技术属于区域供热负荷预测领域，具体涉及一种提升泛化能力的区域供热负荷集成预测方法和系统。
技术介绍
1、集中供热系统的目的是将热源通过管道输送给建筑物，主要由热源、一次侧供热管网、换热站、二次侧供热管网和用户组成。集中供热系统是现代化城市建设的基础设施之一，不仅能适当的保证人们生活的热舒适度，而且能节约能源，在一定程度上减少了环境污染，有利于城市的美化。
2、目前对集中供热系统的调节仍然采用人工操作的方式，比较落后，这不仅使集中供热系统在工作的过程中很难达到供需平衡，经常出现供大于求或供不应求的情况，而且也造成了能源的浪费。因此，在城市能源系统可持续发展的规划中，为进一步完善集中供热系统，必须考虑与未来热负荷需求相关的变化，有效利用采集到的数据进行合理的处理和分析，从而恰当的分配资源。实现按需供热和均衡供热将是未来集中供热系统的发展趋势。因此，供热负荷预测不仅可以实现对能源的合理利用，改善环境问题和提升用户的热舒适度，而且对集中供热系统的稳定运行、智能化和成本节约也具有重要的现实意义。
3、热负荷预测是准确指导供热运行管理和供热调度的前提，不但可以提高集中供热系统的稳定性和生产效率，而且能降低运行成本。然而，供暖季节性明显、数据存在跳跃现象(第二年气候变化)，导致现有模型预测性能不高。此外，热负荷预测对天气条件非常敏感，对供暖有重大影响。当前的研究主要集中在常见机器学习算法的比较，包括多元线性回归、向量回归、随机森林回归、极限学习机、神经网络等。由于季节性明显、数据存在跳跃现象(第二年气候变化)，现
4、公布号为cn 116702958 a的专利技术专利提供一种供热系统的热负荷预测方法、模型训练方法、装置及设备。所述方法包括：获取目标时刻的第一特征集以及预定时段内的第二特征集，所述第一特征集包括所述目标时刻的天气特征数据，所述第二特征集包括所述预定时段内各个时刻的天气特征数据和热负荷特征数据，所述目标时刻为所述预定时段外的下个时刻；结合所述第一特征集和所述第二特征集，确定所述目标时刻的热负荷对应的预测特征集；将所述目标时刻的热负荷对应的预测特征集输入预先训练的热负荷预测模型，得到所述目标时刻的热负荷，采用该方法能够通过预测的热负荷调节热源供给，使热源供给与用户侧需求相匹配，实现供暖系统的高效节能运行。
技术实现思路
1、本专利技术的目的在于针对现有技术中存在的问题提供一种提升泛化能力的区域热负荷集成预测系统及方法。该系统及方法基于天气信息和历史负荷数据对短期热负荷进行预测，从而进一步提高供暖服务质量，助力资源的合理分配。
2、本专利技术的技术方案是：
3、一种提升泛化能力的区域供热负荷集成预测系统，包括采集模块、预处理模块、特征指标构建模块、训练模块、计算模块、预测模块和评估模块；所述的采集模块采集待测区域内多台供热机组供热量和相关的气象数据；所述的预处理模块对采集的数据进行处理；所述的特征指标构建模块基于处理的数据进行构建特征数据指标体系，构建多算法融合的集成人工智能模型；所述的训练模块是基于特征数据指标体系对建立的多算法融合的集成人工智能模型进行训练；所述的计算模块、预测模块和评估模块将待预测数据的特征指标体系数据作为集成学习模型的权重，重新输入计算各模型的预测输出，并把权重计算得到的输出作为热负荷预测结果并对预测结果进行评估。
4、一种提升泛化能力的区域供热负荷集成预测方法，使用如上所述的系统，包括如下步骤：
5、s1.采集待测区域内多台供热机组供热量和相关的气象数据并对其进行预处理，得到处理后的数据；
6、s2.基于预处理后的数据构建多组特征数据指标体系，将多组特征数据指标体系分为特征数据指标体系训练集和特征数据指标体系测试集，同时构建多算法融合的集成人工智能模型，特征数据指标体系训练集对集成人工智能模型进行训练，得到训练后的各集成学习模型预测结果；
7、s3.基于特征数据指标体系，将特征数据指标体系测试集作为集成学习模型的权重，重新输入计算各模型的预测输出，并把权重计算得到的结果作为热负荷预测结果。
8、具体的，所述的步骤s1中相关的气象数据包括待测区域的最高温度、最小温度、平均温度、温度方差、最高湿度、最小湿度、平均湿度、湿度方差、最高风速、最小风速、平均风速、风速方差、最大雨量、平均雨量和雨量方差共15项特征数据指标。
9、具体的，所述的步骤s2中将特征数据指标体系训练集对集成人工智能模型进行训练，训练分别采用线性回归(linearregression)、套索回归(lasso)、基于最小角回归算法实现的套索回归(lassolars)、随机梯度下降回归(sgdregressor)、被动攻击算法(passiveaggressiveregressor)、泰尔森回归(theilsenregressor)、随机采样一致性算法(ransacregressor)、支持向量回归(svr)、利用k近邻回归(kneighborsregressor)进行预测，分别计算不同训练方法的每个模型的预测值与实际值的确定性系数，
10、
11、yi表示实际的热负荷值；表示第i个预测热负荷值；为yi的均值；n表示热负荷流量样本的数量，r2为确定性系数，反映热负荷预测的精度，其值在0-1之间变化，越接近于1说明热负荷流量预测的精度越高。
12、具体的，所述的步骤s3热负荷最终预测结果的计算方法为
13、
14、
15、
16、其中分别表示linearregression模型预测结果的权重、确定性系数和第i个预测值；分别表示lasso模型预测结果的权重、确定性系数和第i个预测值；分别表示lassolars模型预测结果的权重、确定性系数和第i个预测值；分别表示multitasklasso模型预测结果的权重、确定性系数和第i个预测值；分别表示ridge模型预测结果的权重、确定性系数和第i个预测值；分别表示multitaskelasticnet模型预测结果的权重、确定性系数和第i个预测值；表示各模型确定性系数之和。
17、具体的，所述的步骤s3重新输入计算各模型的预测输出是对各模型的预测指标重新计算，是对第i+1个预测值，重新计算各模型前i个数据的确定性系数，将更新的确定性系数作为权重计算得到第i+1个预测值。
18、本专利技术的有益效果是：首先采集区域内多台供热机组供热量和相关的气象数据并对其进行预处理，根据预处理后的数据构建特征数据指标体系，构建多算法融合的集成人工智能模型，将一部分特征数据指标体系对模型进行训练，得到训练后的集成学习各模型预测结果；将另一部分特征数据指标体系作为集成学习模型的权重，重新输入计算各模型的预测输出，并把权重计算得到的输出作为热负荷预测结果，对各模型的预测指标重新计算，以此重新计算预测结果，实现预测模型的自动更新，该模型能够用于准确指导供热运行管理和供本文档来自技高网...
【技术保护点】
1.一种提升泛化能力的区域供热负荷集成预测系统，其特征在于，包括采集模块、预处理模块、特征指标构建模块、训练模块、计算模块、预测模块和评估模块；所述的采集模块采集待测区域内多台供热机组供热量和相关的气象数据；所述的预处理模块对采集的数据进行处理；所述的特征指标构建模块基于处理的数据进行构建特征数据指标体系，构建多算法融合的集成人工智能模型；所述的训练模块是基于特征数据指标体系对建立的多算法融合的集成人工智能模型进行训练；所述的计算模块、预测模块和评估模块将待预测数据的特征指标体系数据作为集成学习模型的权重，重新输入计算各模型的预测输出，并把权重计算得到的输出作为热负荷预测结果并对预测结果进行评估。
2.一种提升泛化能力的区域供热负荷集成预测方法，使用权利要求1所述的系统，其特征在于，包括如下步骤：
3.根据权利要求2所述提升泛化能力的区域供热负荷集成预测方法，其特征在于，所述的步骤S1中相关的气象数据包括待测区域的最高温度、最小温度、平均温度、温度方差、最高湿度、最小湿度、平均湿度、湿度方差、最高风速、最小风速、平均风速、风速方差、最大雨量、平均雨量和雨量
4.根据权利要求2所述提升泛化能力的区域供热负荷集成预测方法，其特征在于，所述的步骤S2中将特征数据指标体系训练集对集成人工智能模型进行训练，训练分别采用线性回归(LinearRegression)、套索回归(Lasso)、基于最小角回归算法实现的套索回归(LassoLars)、随机梯度下降回归(SGDRegressor)、被动攻击算法(PassiveAggressiveRegressor)、泰尔森回归(TheilSenRegressor)、随机采样一致性算法(RANSACRegressor)、支持向量回归(SVR)、利用K近邻回归(KNeighborsRegressor)进行预测，分别计算不同训练方法的每个模型的预测值与实际值的确定性系数，
5.根据权利要求4所述提升泛化能力的区域供热负荷集成预测方法，其特征在于，所述的步骤S3热负荷最终预测结果的计算方法为
6.根据权利要求5所述提升泛化能力的区域供热负荷集成预测方法，其特征在于，所述的步骤S3重新输入计算各模型的预测输出是对各模型的预测指标重新计算，是对第i+1个预测值，重新计算各模型前i个数据的确定性系数，将更新的确定性系数作为权重计算得到第i+1个预测值。
...【技术特征摘要】
1.一种提升泛化能力的区域供热负荷集成预测系统，其特征在于，包括采集模块、预处理模块、特征指标构建模块、训练模块、计算模块、预测模块和评估模块；所述的采集模块采集待测区域内多台供热机组供热量和相关的气象数据；所述的预处理模块对采集的数据进行处理；所述的特征指标构建模块基于处理的数据进行构建特征数据指标体系，构建多算法融合的集成人工智能模型；所述的训练模块是基于特征数据指标体系对建立的多算法融合的集成人工智能模型进行训练；所述的计算模块、预测模块和评估模块将待预测数据的特征指标体系数据作为集成学习模型的权重，重新输入计算各模型的预测输出，并把权重计算得到的输出作为热负荷预测结果并对预测结果进行评估。
2.一种提升泛化能力的区域供热负荷集成预测方法，使用权利要求1所述的系统，其特征在于，包括如下步骤：
3.根据权利要求2所述提升泛化能力的区域供热负荷集成预测方法，其特征在于，所述的步骤s1中相关的气象数据包括待测区域的最高温度、最小温度、平均温度、温度方差、最高湿度、最小湿度、平均湿度、湿度方差、最高风速、最小风速、平均风速、风速方差、最大雨量、平均雨量和雨量方差共15项特征数据指标。
4.根据权...
【专利技术属性】
技术研发人员：张少锋，曹桂州，陈二强，王放放，王文磊，张盼，刘玮蔚，刘静宇，
申请(专利权)人：国网河南省电力公司电力科学研究院，
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。