CN107609667B - 基于Box_cox变换和UFCNN的供热负荷预测方法及*** - Google Patents
基于Box_cox变换和UFCNN的供热负荷预测方法及*** Download PDFInfo
- Publication number
- CN107609667B CN107609667B CN201710597892.1A CN201710597892A CN107609667B CN 107609667 B CN107609667 B CN 107609667B CN 201710597892 A CN201710597892 A CN 201710597892A CN 107609667 B CN107609667 B CN 107609667B
- Authority
- CN
- China
- Prior art keywords
- heat supply
- ufcnn
- box
- load prediction
- supply load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000011478 gradient descent method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000010438 heat treatment Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 description 12
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Box_cox变换和UFCNN的供热负荷预测方法及***，其中，该方法包括确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；对样本数据集中每个样本的输入和输出数据均进行Box‑Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；将待预测数据输入UFCNN，计算出与Box‑Cox变换同量纲的供热负荷预测结果；对与Box‑Cox变换同量纲的供热负荷预测结果进行逆Box‑Cox变换，得出最终的供热负荷预测值。本发明能够纠正供热负荷数据的偏态分布，使其更符合正态分布形式，从而提高数据预测的准确性。
Description
技术领域
本发明属于电力行业供热负荷预测领域，尤其涉及一种基于Box_cox变换和UFCNN的供热负荷预测方法及***。
背景技术
燃煤热电联产机组的主要特征是发电机组既生产电能，又利用汽轮发电机做过功的蒸汽对用户进行供热。因此，在北方的采暖季中，燃煤热电联产机组主要承担着对特定地区内居民集中供暖的主要工作。目前，国家规定的热电联产电厂的运行原则是“以热定电”，即：热电厂应根据热负荷的需要，确定最佳运行方案，并以满足热负荷的需要为主要目标。地区电力管理部门在制定热电厂电力调度曲线时，必须充分考虑供热负荷曲线和节能因素，不得以电量指标限制热电厂对外供热。因此，对地区供热负荷进行准确预测，既有助于电网公司合理安排电厂发电，优化分配当地电源资源，提升机网协调水平，也有助于电厂优化发电管理，提高发电效率。
供热负荷主要受当地气温、气候、风速等天气因素影响，且具有数据量大、随机性高、变化快的特点。目前，已有供热负荷预测的方法主要有回归、时间序列、灰色模型、BP神经网络预测法以及支持向量机法等。这些方法都属于浅层学习方法，无法深入挖掘供热负荷数据的随机性和非线性特征。
例如：利用深度学习方法对时间序列数据进行预测时往往采用循环神经网络结构(RNN)。其中：长短期记忆循环神经网络(以下简称“LSTM_RNN”)是近些年深度学习领域中经常被用于时间序列预测的深度学习模型。虽然LSTM_RNN能够通过引入控制门来缓解训练过程中的梯度消失问题，但多层LSTM模型也无法完全避免上述问题。此外，由于LSTM模型结构复杂，随着网络层数的增加，训练参数也会呈现指数上升，这会大大消耗计算资源，显著提高网络训练速度，降低使用效率。
卷积神经网络(CNN)，是一种可以高效地进行图像识别的前馈人工神经网络。受到生物脑皮层神经结构和特征识别过程的启发，CNN网络具备局部感受野、权值共享以及池化(也称为下采样)三个主要特征。其中：局部感受野是指在图像识别的过程中，每个隐层节点只连接到图像中某一部分的像素点上，即用小维度的窗口(也称为卷积核)来对图像进行扫描；权值共享是指同一个卷积核内，所有的神经元的权值是相同的，不同的区域通过共同的参数来识别，这样可以减少参数的数量；池化是指每次将原图像卷积后，都通过一个取最大(最小)或者取平均运算来缩小卷积后得到的图形尺寸的过程。由于对图像的分类过程是一个从具体到抽象的过程，因此虽然CNN中的池化过程能够有效地总结并提取输入对象的核心特征以提高分类的效率，但并不适用于时间序列的预测过程。这是因为对于时间序列预测而言，输入数据和输出数据都要求具有同样的频率，而不是一个单纯的抽象化过程。此外，由于CNN在的卷积核在扫描过的相邻像素块基本上是重复的，因此这种计算也有很大程度上的重复。
最后，供热机组的负荷在大部分时间里维持某一固定的高位区间段内运行，只有少部分时间里当外部环境发生突发性变化时才出现负荷的明显变化，且变化的方向主要是降低负荷，因此供热负荷数据在分布上具有左偏的特征。这会影响数据预测的准确性，需要对其进行变换以使数据具备正态分布的特征。
综上所述，传统供热预测方法难以深入挖掘数据，最终使供热预测精度不高以及LSTM网络训练速度慢，预测过程中占用资源偏高。
发明内容
为了解决现有技术的不足，本发明提供了一种基于Box_cox变换和UFCNN的供热负荷预测方法，其能够深入挖掘数据，提高供热预测的精度，提高LSTM网络训练速度并且减少预测过程中的占用资源。
其中，UFCNN的英文全称为：Undecimated Fully Convolutional NeuralNetworks，中文全称为：非抽样全卷积神经网络。
非抽样全卷积神经网络(UFCNN)以小波变换中的稳定小波变换(Stationarywavelet transform)理论为基础，除去了一般卷积网络中的上采样和下采样算法，代之以2l-1作为上采样因子。UFCNN采用了传统卷积网络(CNN)中的时域卷积(TemporalConvolution)方法，同时为了使输入和输出的频率保持一致，网络中没有使用池化层和全连接层，而是代之以全部使用了时域卷积层。
本发明的一种基于Box_cox变换和UFCNN的供热负荷预测方法，包括：
步骤1：确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；
步骤2：对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
步骤3：构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
步骤4：将待预测数据输入UFCNN，计算出与Box-Cox变换同量纲的供热负荷预测结果；
步骤5：对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值。
进一步的，在所述步骤3中，所构建的UFCNN由若干个时域卷积层构成，每个时域卷积层之后均设置有一激活层。
本发明为了使输入和输出的频率保持一致，UFCNN中没有使用池化层和全连接层，而是代之以全部使用了时域卷积层。
进一步的，所述激活层中选择Relu激活函数，使各层的参数在反向传播算法的过程中能够得到有效更新。
进一步的，每个激活层后都跟添加了一层dropout层。
本发明利用dropout层把UFCNN当做一个集成模型来训练，之后取所有值的平均值，使得模型更加适应训练样本。
进一步的，在所述步骤3中，采用选取随机梯度下降法来更新UFCNN的参数。
由于随机梯度下降是通过每个样本来迭代更新一次，因此当样本量很大时，那么可能只用其中一部分样本就可以将参数迭代到最优解了。与批量梯度下降法相比，由于其迭代一次需要用到所有训练样本，如果迭代10次的话就需要遍历训练样本10次，这会过度消耗计算资源。
本发明还提供了一种基于Box_cox变换和UFCNN的供热负荷预测***、
本发明的一种基于Box_cox变换和UFCNN的供热负荷预测***，包括：
样本数据集构建模块，其用于确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；
Box-Cox变换模块，其用于对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
UFCNN构建及训练模块，其用于构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
预测结果预输出模块，其用于将待预测数据输入UFCNN，计算出与Box-Cox变换同量纲的供热负荷预测结果；
预测结果逆变换模块，其用于对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值。
进一步的，在所述预测结果预输出模块中，所构建的UFCNN由若干个时域卷积层构成，每个时域卷积层之后均设置有一激活层。
本发明为了使输入和输出的频率保持一致，UFCNN中没有使用池化层和全连接层，而是代之以全部使用了时域卷积层。
进一步的，所述激活层中选择Relu激活函数，使各层的参数在反向传播算法的过程中能够得到有效更新；
和/或
每个激活层后都跟添加了一层dropout层。
本发明利用dropout层把UFCNN当做一个集成模型来训练，之后取所有值的平均值，使得模型更加适应训练样本。
进一步的，在所述预测结果预输出模块中，采用选取随机梯度下降法来更新UFCNN的参数。
由于随机梯度下降是通过每个样本来迭代更新一次，因此当样本量很大时，那么可能只用其中一部分样本就可以将参数迭代到最优解了。与批量梯度下降法相比，由于其迭代一次需要用到所有训练样本，如果迭代10次的话就需要遍历训练样本10次，这会过度消耗计算资源。
本发明还提供了另一种基于Box_cox变换和UFCNN的供热负荷预测***。
本发明的另一种基于Box_cox变换和UFCNN的供热负荷预测***，包括供热负荷预测服务器，所述供热负荷预测服务器被配置为：
确定供热负荷预测区域，接收该预测区域内的气温气候以及供热量数据，构建样本数据集；
对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
将待预测数据输入UFCNN，计算出与Box-Cox变换同量纲的供热负荷预测结果；
对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值。
与现有技术相比，本发明的有益效果是：
(1)本发明运用Box-Cox方法对数据进行预处理，能够纠正供热负荷数据的偏态分布，使其更符合正态分布形式，从而提高数据预测的准确性。
(2)与循环神经网络用于时序数据学习和预测相比，本发明的卷积网络在训练过程中能够更加迅速、高效，同时由于网络深度低于循环神经网络，因此能够减弱梯度弥散的问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是基于Box_cox变换和UFCNN的供热负荷预测方法流程图；
图2是UFCNN结构示意图；
图3是Relu激活函数图；
图4是基于Box_cox变换和UFCNN的供热负荷预测***结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是基于Box_cox变换和UFCNN的供热负荷预测方法流程图。
如图1所示，本发明的一种基于Box_cox变换和UFCNN的供热负荷预测方法，包括：步骤1～步骤5。
具体地，步骤1：确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集。
在步骤1中，具体是对选取的给定时间段的样本数据进行整理、提取，形成输入、输出数据集。其中输入数据包括：某个时点下的气温、气压、风速、湿度数据和供热负荷数据；输出数据是滞后于输入数据时间n个周期后的输出数据。输入输出数据在结构上采取矩阵的形式。
步骤2：对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集。
Box-Cox变换用于连续变量不满足正态分布的情况。经Box-Cox变换之后，可以一定程度上减小不可观测的误差和预测变量的相关性。
Box-Cox变换过程可以表示为：
这里λ是一个待定变换参数。对不同的λ，所做的变换都不相同，所以是一个变换族。它包括了对数变换(λ＝0)，平方根变换
和倒数变换(λ＝-1)等常用变换。
Box-Cox的目的是使变换后的变量y(λ)满足y:N(Xβ,σ2In)。这里，对待估参数λ的推断，采用加大似然估计法(MLE)。
具体过程如下：
令z＝y(λ)为多元向量，由于假设z服从正态分布，且满足y(λ):N(Xβ,σ2In)，令u＝Xβ,∑＝σ2In因此z的密度函数为：
代入期望与方差，有：
根据式(1)，得出y的密度函数为：
因此极大似然函数的表达式为：
对式(5)关于参数进行一阶求导数，令导数为0，则有：
β*＝(XTX)-XTz (6)
这里H＝X(XTX)-XT。
把(6)、(7)代入式(5)，有：
对式(8)关于λ求导数，令导数为0，有：
令
同时
(u是由ui组成的向量)，以及
因此有：
使用牛顿-拉夫逊(拉弗森)算法对
进行求解可以得到最优解λ*。
把变换完成的数据集按照70％和30％的比例划分成训练集和验证集两个部分，其中：训练集用于对UFCNN进行训练，验证集用于对训练完成的UFCNN进行效果验证。
步骤3：构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果。
其中，非抽样全卷积神经网络(UFCNN)以小波变换中的稳定小波变换(Stationarywavelet transform)理论为基础，除去了一般卷积网络中的上采样和下采样算法，代之以2l-1作为上采样因子。UFCNN采用了传统卷积网络(CNN)中的时域卷积(TemporalConvolution)方法，同时为了使输入和输出的频率保持一致，网络中没有使用池化层和全连接层，而是代之以全部使用了时域卷积层。在激活层的选择上，为了能够使各层的参数在反向传播算法的过程中能够得到有效更新，激活层(activation layer)选择了Relu激活函数。最后，为了能够提高网络的泛化能力，每个激活层后都跟添加了一层dropout层。
如图2所示，为UFCNN结构示意图。时序卷积层Hl和Gl分别表示稳定小波变换中的上采样因子2l-1。设输入序列(xt)t＝1......N和输出序列(yt)t＝1......M，则第i层的公式为：
这里i表示网络的层数，j表示上一层网络的第j个神经元，K表示卷积核的尺寸，δ表示卷积核在输入序列x上移动的步长，bi和wi,j,k表示第i层上的偏差和权重。图中跟随每个H和G层后面的空白矩形部分表示激活层，这里激活层的激励函数用relu函数，如图3所示来表示，表达式如下：
f(x)＝max(x,0) (12)
UFCNN结构如表1所示：
表1 UFCNN参数结构
在图2中，
表示层与层之间沿着卷积核移动的方向进行串联。
在网络参数的设定方面，输入数据的批处理数量(batch_size)设置为5。设置批处理数量的目的是为了分批传入训练数据来提高内存的使用效率。时间步长设置为6，训练代数(epoch)为150次，卷积核尺寸设置为5，卷积移动的步长为1。权重和偏差的初始化方式为随机正态分布(Random Normal)。输入数据的时间步长为40步，即一次学习40个数据。
在步骤3的训练过程中，需要定义目标损失函数和梯度下降的优化算法。由于批量梯度下降法在更新每一个参数时，都需要所有的训练样本，所以训练过程会随着样本数量的加大而变得异常的缓慢。因此本发明采用选取随机梯度下降法(Stochastic gradientdescent简称SGD)作为UFCNN网络更新参数的算法。
设损失函数为：
其中：
SGD则将上面的损失函数J(θ)写成
的形式
SGD算法中参数更新的主要过程是：
由于随机梯度下降是通过每个样本来迭代更新一次，因此当样本量很大时，那么可能只用其中一部分样本就可以将参数迭代到最优解了。与批量梯度下降法相比，由于其迭代一次需要用到所有训练样本，如果迭代10次的话就需要遍历训练样本10次，这会过度消耗计算资源。
在使用SGD进行参数更新的算法开始时，设置学习速率为0.01、学习速率递减率1e-6。
步骤4：将待预测数据输入UFCNN，计算出与Box-Cox变换同量纲的供热负荷预测结果。
步骤5：对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值。
本发明运用Box-Cox方法对数据进行预处理，能够纠正供热负荷数据的偏态分布，使其更符合正态分布形式，从而提高数据预测的准确性。
与循环神经网络用于时序数据学习和预测相比，本发明的卷积网络在训练过程中能够更加迅速、高效，同时由于网络深度低于循环神经网络，因此能够减弱梯度弥散的问题。
图4是基于Box_cox变换和UFCNN的供热负荷预测***结构示意图。
如图4所示，本发明的一种基于Box_cox变换和UFCNN的供热负荷预测***，包括：
(1)样本数据集构建模块，其用于确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；
(2)Box-Cox变换模块，其用于对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
(3)UFCNN构建及训练模块，其用于构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
其中，在所述预测结果预输出模块中，所构建的UFCNN由若干个时域卷积层构成，每个时域卷积层之后均设置有一激活层。
本发明为了使输入和输出的频率保持一致，UFCNN中没有使用池化层和全连接层，而是代之以全部使用了时域卷积层。
所述激活层中选择Relu激活函数，使各层的参数在反向传播算法的过程中能够得到有效更新。每个激活层后都跟添加了一层dropout层。
本发明利用dropout层把UFCNN当做一个集成模型来训练，之后取所有值的平均值，使得模型更加适应训练样本。
在所述预测结果预输出模块中，采用选取随机梯度下降法来更新UFCNN的参数。
由于随机梯度下降是通过每个样本来迭代更新一次，因此当样本量很大时，那么可能只用其中一部分样本就可以将参数迭代到最优解了。与批量梯度下降法相比，由于其迭代一次需要用到所有训练样本，如果迭代10次的话就需要遍历训练样本10次，这会过度消耗计算资源。
(4)预测结果预输出模块，其用于将待预测数据输入UFCNN，计算出与Box-Cox变换同量纲的供热负荷预测结果；
(5)预测结果逆变换模块，其用于对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值。
本发明还提供了另一种基于Box_cox变换和UFCNN的供热负荷预测***。
本发明的另一种基于Box_cox变换和UFCNN的供热负荷预测***，包括供热负荷预测服务器，所述供热负荷预测服务器被配置为：
确定供热负荷预测区域，接收该预测区域内的气温气候以及供热量数据，构建样本数据集；
对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
构建UFCNN，将训练数据集内的数据输入该网络进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
将待预测数据输入UFCNN，计算出与Box-Cox变换同量纲的供热负荷预测结果；
对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值。
其中，供热负荷预测服务器还与客户端相连，客户端用于实时显示供热负荷预测服务器，输出的最终的供热负荷预测值。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，包括：
步骤1：确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；
步骤2：对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
步骤3：构建UFCNN，将训练数据集内的数据输入UFCNN进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
步骤4：将待预测数据输入UFCNN，计算出与Box-Cox 变换同量纲的供热负荷预测结果；
步骤5：对与Box-Cox 变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值；
所述构建的UFCNN除去了一般卷积网络中的上采样和下采样算法，代之以2 l-1 作为上采样因子，l为时序卷积层的下标；
为了使输入和输出的频率保持一致，网络中没有使用池化层和全连接层，全部使用了时域卷积层。
2.如权利要求1所述的一种基于Box-Cox变换和 UFCNN 的供热负荷预测方法，其特征在于，
在所述步骤3中，所构建的UFCNN由若干个时域卷积层构成，每个时域卷积层之后均设置有一激活层。
3.如权利要求2所述的一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，所述激活层中选择Relu激活函数，使各层的参数在反向传播算法的过程中能够得到有效更新。
4.如权利要求2所述的一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，每个激活层后都跟添加了一层dropout层。
5.如权利要求1所述的一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，在所述步骤3中，采用选取随机梯度下降法来更新UFCNN的参数。
6.一种基于Box-Cox变换和UFCNN的供热负荷预测***，其特征在于，包括：
样本数据集构建模块，其用于确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；
Box-Cox变换模块，其用于对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
UFCNN构建及训练模块，其用于构建UFCNN，将训练数据集内的数据输入UFCNN进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
预测结果预输出模块，其用于将待预测数据输入UFCNN，计算出与Box-Cox 变换同量纲的供热负荷预测结果；
预测结果逆变换模块，其用于对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值；
所述构建的UFCNN除去了一般卷积网络中的上采样和下采样算法，代之以2 l-1 作为上采样因子，l为时序卷积层的下标；
为了使输入和输出的频率保持一致，网络中没有使用池化层和全连接层，全部使用了时域卷积层。
7.如权利要求6所述的一种基于Box-Cox变换和UFCNN的供热负荷预测***，其特征在于，在所述预测结果预输出模块中，所构建的UFCNN由若干个时域卷积层构成，每个时域卷积层之后均设置有一激活层。
8.如权利要求7所述的一种基于Box-Cox变换和 UFCNN 的供热负荷预测***，其特征在于，所述激活层中选择Relu激活函数，使各层的参数在反向传播算法的过程中能够得到有效更新；
和/或
每个激活层后都跟添加了一层dropout层。
9.如权利要求6所述的一种基于Box-Cox变换和UFCNN的供热负荷预测***，其特征在于，在所述预测结果预输出模块中，采用选取随机梯度下降法来更新UFCNN的参数。
10.一种基于Box-Cox变换和UFCNN 的供热负荷预测***，其特征在于，包括供热负荷预测服务器，所述供热负荷预测服务器被配置为：
确定供热负荷预测区域，接收该预测区域内的气温气候以及供热量数据，构建样本数据集；
对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；
构建UFCNN，将训练数据集内的数据输入UFCNN进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；
将待预测数据输入UFCNN，计算出与Box-Cox 变换同量纲的供热负荷预测结果；
对与Box-Cox 变换同量纲的供热负荷预测结果进行逆Box-Cox 变换，得出最终的供热负荷预测值；
所述构建的UFCNN除去了一般卷积网络中的上采样和下采样算法，代之以2 l-1 作为上采样因子，l为时序卷积层的下标；
为了使输入和输出的频率保持一致，网络中没有使用池化层和全连接层，全部使用了时域卷积层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710597892.1A CN107609667B (zh) | 2017-07-20 | 2017-07-20 | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710597892.1A CN107609667B (zh) | 2017-07-20 | 2017-07-20 | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107609667A CN107609667A (zh) | 2018-01-19 |
| CN107609667B true CN107609667B (zh) | 2020-08-18 |
Family
ID=61059785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710597892.1A Active CN107609667B (zh) | 2017-07-20 | 2017-07-20 | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107609667B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734355B (zh) * | 2018-05-24 | 2022-03-08 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** |
| CN110889535B (zh) * | 2019-10-28 | 2022-07-12 | 国网江西省电力有限公司电力科学研究院 | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 |
| CN112240595B (zh) * | 2020-06-15 | 2021-10-15 | 山东建筑大学 | 一种蓄热供热***及泄漏检测方法 |
| CN111967577B (zh) * | 2020-07-29 | 2024-04-05 | 华北电力大学 | 一种基于变分自编码器的能源互联网场景生成方法 |
| CN112801388B (zh) * | 2021-02-04 | 2022-11-08 | 天津德尔塔科技有限公司 | 一种基于非线性时间序列算法的电力负荷预测方法及*** |
| CN113536696B (zh) * | 2021-08-11 | 2023-04-07 | 重庆大学 | Sto-tcn热误差预测模型建模方法及其迁移学习方法 |
| CN114282658B (zh) * | 2022-03-02 | 2022-06-03 | 北京航空航天大学 | 一种针对流量序列分析及预测的方法、设备和介质 |
| CN116955993B (zh) * | 2023-08-24 | 2024-03-12 | 中国长江电力股份有限公司 | 一种混凝土性态多元时序监测数据补全方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
| US20170124415A1 (en) * | 2015-11-04 | 2017-05-04 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
-
2017
- 2017-07-20 CN CN201710597892.1A patent/CN107609667B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
| US20170124415A1 (en) * | 2015-11-04 | 2017-05-04 | Nec Laboratories America, Inc. | Subcategory-aware convolutional neural networks for object detection |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进风速预测模型的风电并网可靠性分析;王玺;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20160415;第16-27页 * |
| 基于深度卷积神经网络的物体识别算法;黄斌 等;《计算机应用》;20161210;第3333-3337页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107609667A (zh) | 2018-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** | |
| Wang et al. | The study and application of a novel hybrid forecasting model–A case study of wind speed forecasting in China | |
| Li et al. | The short-term interval prediction of wind power using the deep learning model with gradient descend optimization | |
| CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
| Wu et al. | Multi-timescale forecast of solar irradiance based on multi-task learning and echo state network approaches | |
| CN108564326B (zh) | 订单的预测方法及装置、计算机可读介质、物流*** | |
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及*** | |
| CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
| CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
| CN112052913B (zh) | 一种分布式光伏电站功率数据虚拟采集方法 | |
| CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
| CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN113128113A (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
| Dong et al. | Short-term wind speed time series forecasting based on a hybrid method with multiple objective optimization for non-convex target | |
| Zhang et al. | A novel ensemble method for residential electricity demand forecasting based on a novel sample simulation strategy | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
| Salam et al. | A comparison of activation functions in multilayer neural network for predicting the production and consumption of electricity power | |
| CN115640901A (zh) | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 | |
| Prema et al. | LSTM based Deep Learning model for accurate wind speed prediction | |
| Wang et al. | A hybrid model with combined feature selection based on optimized VMD and improved multi-objective coati optimization algorithm for short-term wind power prediction | |
| CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
| Wu et al. | Short-term electric load forecasting model based on PSO-BP | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |