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】
本专利技术涉及人工智能,更具体地说,它涉及一种综合能源系统的负荷预测模型训练方法及负荷预测方法。
技术介绍
1、综合能源系统(ies)通过对冷、热、电等多元负荷的协调规划和灵活调度,可以有效提升多元负荷的利用效率。ies多元负荷预测是保证能源系统可靠经济运行的前提和基础,对冷、热、电负荷的供求平衡具有重要意义,因此,提升ies多元负荷预测的准确性至关重要。由于ies系统中多种能源形式间的互补效应,导致多元负荷间具有耦合特性,复杂的耦合关系给ies多元负荷预测带来了新的挑战。
2、在现有的负荷预测方法中,往往基于单一的stl或mtl模型进行多元负荷预测。其方案大致可以分为:传统的统计模型方法和基于机器学习的预测方法。传统方法包括回归分析法、指数平滑模型法、卡尔曼滤波法等。机器学习方法包括随机森林、支持向量机、长短期记忆网络等。stl模型输入噪声少,但是没有考虑到负荷之间的耦合关系。mtl模型虽然可以挖掘负荷之间的耦合关系,但是过多的输入噪声限制了mtl的预测精度。此外,单一的stl或mtl模型无法利用未来的时序信息来进一步提升预测精度。
技术实现思路
1、本公开实施例旨在针对现有技术的不足,提供了一种基于误差补偿mtl-stl的综合能源系统的负荷预测模型训练方法及负荷预测方法,以至少部分地解决上述多元负荷预测精度受限的技术问题。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的:
3、第一方面,提供了一种综合能源系统的负荷预测模型训练方法,
4、确定目标综合能源系统的至少一个目标影响因素;
5、获取所述至少一个目标影响因素在预设采样点的历史数据作为训练样本;
6、获取所述目标综合能源系统在所述采样点的目标负荷状态信息,作为所述训练样本的原始标签;
7、获取所述目标综合能源系统在所述采样点之前的目标负荷历史数据;
8、将所述训练样本和所述目标负荷历史数据输入基于长短期记忆网络的mtl模型,得到第一预测结果;
9、基于所述第一预测值和所述训练样本的原始标签,确定第一损失函数;
10、利用门控循环单元对所述初步第一预测结果进行误差补偿;
11、将经过误差补偿后的所述第一预测结果输入基于前置双重注意力长短期记忆网络的stl模型,得到第二预测结果;
12、基于所述第二预测结果与所述训练样本的原始标签,确定第二损失函数;
13、基于所述第一损失函数和所述第二损失函数,更新所述mtl模型和所述stl模型的参数,直至获得目标负荷预测模型。
14、作为第一方面所述方法的一种可选实施方式,确定目标综合能源系统的至少一个影响因素,具体包括:
15、获取所述目标综合能源系统的影响因素集合;
16、基于灰色关联度分析法,计算所述影响因素集合中的各因素的变化与所述目标负荷的变化之间的关联度;
17、基于所述关联度和预设的关联度阈值,从所述影响因素集合中选取所述至少一个影响因素。
18、具体来说,所述关联度采用以下公式计算得到:
19、
20、
21、其中,ξi(k)表示第i组比较数据与第k个所述目标负荷的参考数据之间的关联系数,每一组所述比较数据表示一组影响因素;xi(k)表示第k个所述目标负荷在每一组影响因素当中的第i个影响因素的影响下的实际状态值;y(k)表示第k个所述目标负荷的参考值;ρ为分辨系数,0≤ρ≤1;ri表示每一组影响因素当中的第i个影响因素的关联度,0≤ri≤1,ri的值越大,表示关联度越高;n表示所述目标负荷的总数。
22、更具体的,基于所述关联度和预设的关联度阈值,从所述影响因素集合中选取所述至少一个影响因素,具体包括:
23、从所述影响因素集合中,选取关联度大于所述关联度阈值的影响因素。
24、作为第一方面所述方法的一种可选实施方式,利用门控循环单元对所述初步第一预测结果进行误差补偿,具体包括:
25、基于所述第一预测值和所述训练样本的原始标签,确定预测误差;
26、将所述预测误差输入门控循环单元gru,以对所述预测误差进学习,从而建立误差补偿模型;
27、获取所述误差补偿模型输出的误差补偿值,基于所述误差补偿值和所述预测误差之间的差值,构建所述误差补偿模型的损失函数;
28、基于所述误差补偿模型的损失函数对所述误差补偿模型进行训练,以使所述误差补偿模型输出的所述误差补偿值逼近所述预测误差;
29、将所述预测误差与所述第一预测值相加,以实现对所述第一预测值的误差补偿。
30、作为第一方面所述方法的一种可选实施方式,基于所述第一损失函数和所述第二损失函数,更新所述mtl模型和所述stl模型的参数,直至获得目标负荷预测模型,具体包括:
31、对所述第一损失函数和所述第二损失函数进行加权求和,得到第三损失函数;
32、基于所述第三损失函数对所述mtl模型和所述stl模型进行端到端的训练,以更新所述mtl模型和所述stl模型的参数。
33、第二方面,提供了一种综合能源系统的负荷预测方法,该方法包括:
34、获取待评估系统当前的目标影响因素的采集数据;
35、将所述目标影响因素的采集数据输入负荷预测模型,得到对预设负荷的预测值;所述负荷预测模型是基于上述的综合能源系统的负荷预测模型训练方法训练得到的
36、综上所述,本专利技术具有以下有益效果:本专利技术提供一种综合能源系统的负荷预测模型训练方法及负荷预测方法,本专利技术构建了mtl-stl负荷预测模型,在训练过程中,利用gru网络对mtl模型负荷预测的误差进行补偿,从而将预测模型和误差补偿模型重构,减少因预测误差带来预测结果偏差过大的可能性,有效提高了该负荷预测模型在对综合能源系统进行多元负荷预测任务时的准确性。
本文档来自技高网...【技术保护点】
1.综合能源系统的负荷预测模型训练方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,确定目标综合能源系统的至少一个影响因素,具体包括:
3.如权利要求2所述的方法,其特征在于,所述关联度采用以下公式计算得到:
4.如权利要求3所述的方法,其特征在于,基于所述关联度和预设的关联度阈值,从所述影响因素集合中选取所述至少一个影响因素,具体包括:
5.如权利要求1所述的方法,其特征在于,利用门控循环单元对所述初步第一预测结果进行误差补偿,具体包括:
6.如权利要求1所述的方法,其特征在于,基于所述第一损失函数和所述第二损失函数,更新所述MTL模型和所述STL模型的参数,直至获得目标负荷预测模型,具体包括:
7.一种综合能源系统的负荷预测方法,其特征在于,包括:
【技术特征摘要】
1.综合能源系统的负荷预测模型训练方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,确定目标综合能源系统的至少一个影响因素,具体包括:
3.如权利要求2所述的方法,其特征在于,所述关联度采用以下公式计算得到:
4.如权利要求3所述的方法,其特征在于,基于所述关联度和预设的关联度阈值,从所述影响因素集合中选取所述至少一个影...
【专利技术属性】
技术研发人员:李颖恬,吕龙,张翼飞,郭皓文,湛杰,
申请(专利权)人:南京东博智慧能源研究院有限公司,
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。