System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能,特别是涉及一种综合能源系统负荷预测方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、随着分布式能源技术的不断进步,多类型能源在生产及需求侧的耦合程度不断加深,用户级综合能源系统是实现多能互补、梯级利用的有效方式。对于具有多类型能源需求的用户而言,合理选择能源供应渠道以及相关设备的容量与型号可以在保证用户正常生产生活的前提下,提升用户的用能经济性。
2、目前现有算法可以分析多元负荷的耦合特性,提取丰富的耦合特征,但无法对处理的有效信息进行相互传递,导致了针对负荷的预测准确度较低的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提升针对负荷的预测准确度的综合能源系统负荷预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面,本申请提供了一种综合能源系统负荷预测方法。所述方法包括:
3、对样本数据进行划分,得到多元负荷序列数据和外部因素序列数据;所述样本数据表征用户在综合能源系统中对应的负荷情况;
4、根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型;所述用户用能趋势预测模型用于预测得到初步预测结果;所述初步预测结果表征用户在未来时间周期内的负荷使用情况;
5、根据所述外部因素序列数据构建得到基于时间卷积网络的误差预测模型;所述误差预测模型用于预测得到所述初步预测结果对应的误差预测结果;
6、将所述初步预测结果和
7、在其中一个实施例中,所述根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型,包括:
8、基于经验模态分解原理对所述多元负荷序列进行分解,根据矩阵形式的分解结果,确定所述多元负荷序列对应的节点特征矩阵;所述节点特征矩阵用于表征所述用户用能趋势预测模型中的图节点之间的特征;
9、调整所述节点特征矩阵,得到所述用户用能趋势预测模型。
10、在其中一个实施例中,所述基于经验模态分解原理对所述多元负荷序列进行分解,根据矩阵形式的分解结果,确定所述多元负荷序列对应的节点特征矩阵,包括:
11、所述基于经验模态分解原理对所述多元负荷序列进行分解,得到瞬时频率分量和趋势项序列;
12、根据所述瞬时频率分量和所述趋势项序列,确定所述矩阵形式的分解结果;
13、基于预设大小的滑动窗口对所述分解结果中的序列进行多时间尺度划分,得到所述节点特征矩阵。
14、在其中一个实施例中,所述调整所述节点特征矩阵,得到所述用户用能趋势预测模型,包括:
15、基于图表示学习过程中引入多头自注意力机制,对所述节点特征矩阵进行改进,得到改进后的图的邻接矩阵;
16、基于所述改进后的图的邻接矩阵,通过动态图卷积神经网络更新图的节点特征,构建得到所述用户用能趋势预测模型。
17、在其中一个实施例中,所述方法还包括:
18、通过皮尔逊相关分析法在所述外部因素序列数据的各因素中选择出目标影响因素;所述目标影响因素为与所述初步预测结果中初步趋势序列波动性误差相关性系数大于0.4的影响因素;
19、将所述初步预测结果和所述目标影响因素对应的外部特征输入到所述误差预测模型中,得到所述误差预测结果。
20、在其中一个实施例中,在所述对样本数据进行划分的步骤之前,所述方法还包括:
21、获取样本数据;
22、将所述样本数据做归一化处理,以将所述样本数据中的各数据点映射到目标区间之内,得到归一化之后的所述样本数据。
23、第二方面,本申请还提供了一种综合能源系统负荷预测装置。所述装置包括:
24、划分模块,用于对样本数据进行划分,得到多元负荷序列数据和外部因素序列数据;所述样本数据表征用户在综合能源系统中对应的负荷情况;
25、第一模型构建模块,用于根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型;所述用户用能趋势预测模型用于预测得到初步预测结果;所述初步预测结果表征用户在未来时间周期内的负荷使用情况;
26、第二模型构建模块,用于根据所述外部因素序列数据构建得到基于时间卷积网络的误差预测模型;所述误差预测模型用于预测得到所述初步预测结果对应的误差预测结果;
27、预测结果叠加模块,用于将所述初步预测结果和所述误差预测结果进行叠加,得到叠加后预测结果。
28、第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
29、对样本数据进行划分,得到多元负荷序列数据和外部因素序列数据;所述样本数据表征用户在综合能源系统中对应的负荷情况;
30、根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型;所述用户用能趋势预测模型用于预测得到初步预测结果;所述初步预测结果表征用户在未来时间周期内的负荷使用情况;
31、根据所述外部因素序列数据构建得到基于时间卷积网络的误差预测模型;所述误差预测模型用于预测得到所述初步预测结果对应的误差预测结果;
32、将所述初步预测结果和所述误差预测结果进行叠加,得到叠加后预测结果。
33、第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
34、对样本数据进行划分,得到多元负荷序列数据和外部因素序列数据;所述样本数据表征用户在综合能源系统中对应的负荷情况;
35、根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型;所述用户用能趋势预测模型用于预测得到初步预测结果;所述初步预测结果表征用户在未来时间周期内的负荷使用情况;
36、根据所述外部因素序列数据构建得到基于时间卷积网络的误差预测模型;所述误差预测模型用于预测得到所述初步预测结果对应的误差预测结果;
37、将所述初步预测结果和所述误差预测结果进行叠加,得到叠加后预测结果。
38、第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
39、对样本数据进行划分,得到多元负荷序列数据和外部因素序列数据;所述样本数据表征用户在综合能源系统中对应的负荷情况;
40、根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型;所述用户用能趋势预测模型用于预测得到初步预测结果;所述初步预测结果表征用户在未来时间周期内的负荷使用情况;
41、根据所述外部因素序列数据构建得到基于时间卷积网络的误差预测模型;所述误差预测模型用于预测得到本文档来自技高网...
【技术保护点】
1.一种综合能源系统负荷预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型,包括:
3.根据权利要求2所述的方法,其特征在于,所述基于经验模态分解原理对所述多元负荷序列进行分解,根据矩阵形式的分解结果,确定所述多元负荷序列对应的节点特征矩阵,包括:
4.根据权利要求2所述的方法,其特征在于,所述调整所述节点特征矩阵,得到所述用户用能趋势预测模型,包括:
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的方法,其特征在于,在所述对样本数据进行划分的步骤之前,所述方法还包括:
7.一种综合能源系统负荷预测装置,其特征在于,所述装置包括:
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种综合能源系统负荷预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述多元负荷序列数据构建得到基于图卷积神经网络的用户用能趋势预测模型,包括:
3.根据权利要求2所述的方法,其特征在于,所述基于经验模态分解原理对所述多元负荷序列进行分解,根据矩阵形式的分解结果,确定所述多元负荷序列对应的节点特征矩阵,包括:
4.根据权利要求2所述的方法,其特征在于,所述调整所述节点特征矩阵,得到所述用户用能趋势预测模型,包括:
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
6.根据权利要求1所...
【专利技术属性】
技术研发人员:李俊业,蔡田田,陈军健,邓清唐,
申请(专利权)人:南方电网数字电网研究院股份有限公司,
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。