CN110991761A - 一种供热负荷预测方法及装置 - Google Patents

一种供热负荷预测方法及装置 Download PDF

Info

Publication number
CN110991761A
CN110991761A CN201911285593.XA CN201911285593A CN110991761A CN 110991761 A CN110991761 A CN 110991761A CN 201911285593 A CN201911285593 A CN 201911285593A CN 110991761 A CN110991761 A CN 110991761A
Authority
CN
China
Prior art keywords
data
time
similar
heat supply
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.)
Granted
Application number
CN201911285593.XA
Other languages
English (en)
Other versions
CN110991761B (zh
Inventor
刘胜伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinao Shuneng Technology Co Ltd
Original Assignee
Xinao Shuneng Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinao Shuneng Technology Co Ltd filed Critical Xinao Shuneng Technology Co Ltd
Priority to CN201911285593.XA priority Critical patent/CN110991761B/zh
Publication of CN110991761A publication Critical patent/CN110991761A/zh
Application granted granted Critical
Publication of CN110991761B publication Critical patent/CN110991761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于能源技术领域，提供了一种供热负荷预测方法及装置，该方法包括：根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据；根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征；采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征；采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。本发明可有效弥补负荷预测不准确的缺点，解决预测偏差大的问题，同时准确的预测结果利于后续工作的调度优化；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，提升了整体处理速度，节约了处理资源。

Description

一种供热负荷预测方法及装置
技术领域
本发明属于能源技术领域，尤其涉及一种供热负荷预测方法及装置。
背景技术
供热负荷是供热公司为用户提供热量能力的度量，是衡量供热公司提供热量的能力的重要指标。目前蒸汽供应用户分为工业、商业、居民、办公等，不同用户的蒸汽负荷、负荷量级、负荷特点都不尽相同，负荷预测的准确性关乎优化调度以及运营策略。现实中的负荷预测的方法很多，比如指数平滑、差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average model)等，但均存在负荷预测方法单一、准确性欠佳、预测偏差较大等问题。针对上述这一问题，亟需一种解决负荷预测准确性差的新方法。
发明内容
有鉴于此，本发明实施例提供了一种供热负荷预测方法、装置、终端设备及计算机可读存储介质，以解决现有技术中无法准确预测供热负荷的技术问题。
本发明实施例的第一方面，提供了一种供热负荷预测方法，包括：
根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据；
根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征；
采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征；
采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。
本发明实施例的第二方面，提供了一种供热负荷预测装置，包括：
相似时刻数据获取模块，用于根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据；
相似时刻特征获取模块，用于根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征；
时序特征获取模块，用于采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征；
预测负荷获取模块；用于采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述供热负荷预测方法的步骤。
本发明实施例的第四方面，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存储有计算机程序，所述计算机程序被处理器执行时实现所述供热负荷预测方法的步骤。
本发明实施例提供的一种供热负荷预测方法的有益效果至少在于：本发明可有效弥补负荷预测不准确的缺点，解决预测偏差大的问题，同时准确的预测结果利于后续工作的调度优化；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，提升了整体处理速度，节约了处理资源，保证了该方案的科学性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的供热负荷预测方法的实现流程示意图一；
图2是本发明实施例提供的供热负荷预测方法中获取待预测时刻的相似时刻数据的实现流程示意图一；
图3是本发明实施例提供的供热负荷预测方法中获取待预测时刻的相似时刻数据的实现流程示意图二；
图4是本发明实施例提供的供热负荷预测方法中确定所述初始相似时刻数据为异常数据的实现流程示意图；
图5是本发明实施例提供的供热负荷预测方法的实现流程示意图二；
图6是本发明实施例提供的供热负荷预测方法中对初始长短期记忆网络和初始多层前馈网络进行训练的实现流程示意图；
图7是本发明实施例提供的供热负荷预测方法中对经过训练的长短期记忆网络和多层前馈网络进行测试的实现流程示意图；
图8是本发明实施例提供的供热负荷预测装置的示意图一；
图9是本发明实施例提供的供热负荷预测装置中相似时刻数据获取模块的示意图；
图10是本发明实施例提供的供热负荷预测装置中相似时刻数据获取单元的示意图；
图11是本发明实施例提供的供热负荷预测装置的示意图二；
图12是本发明实施例提供的供热负荷预测装置中网络训练模块的示意图；
图13是本发明实施例提供的供热负荷预测装置中预测结果测试单元的示意图；
图14是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参阅图1，是本发明实施例提供的供热负荷预测方法的实现流程示意图一，该方法可以包括：
步骤S10：根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据。
进一步地，为了获取相似时刻数据，需要获取时间序列的供热负荷数据。请参阅图2，是本发明实施例提供的供热负荷预测方法中获取待预测时刻的相似时刻数据的实现流程示意图一，在本实施例中，获取时间序列的供热负荷数据；根据预设规则，从所述时间序列的供热负荷数据中提取出待预测时刻的初始相似时刻数据；对所述初始相似时刻数据进行预处理，以对所述初始相似时刻数据进行修正，获取相似时刻数据。获取相似时刻数据的一种方式可以包括如下步骤：
步骤S101：获取时间序列的供热负荷数据。
例如，时间序列数据可以为每天24个数据，即每个小时一个数据。应当理解的是，具体时间数据的选择是根据需要进行的，此处不做限制。
步骤S102：根据预设规则，从所述时间序列的供热负荷数据中提取出待预测时刻的初始相似时刻数据。
根据待预测时刻，从所述时间序列的供热负荷数据中获取以下供热负荷数据中的至少一种：所述待预测时刻前预设天数每天同一时刻的供热负荷数据，所述待预测时刻前预设周数每周同一时刻的供热负荷数据，所述待预测时刻前预设月数每月同一时刻的供热负荷数据，所述待预测时刻前预设年数每年同一时刻的供热负荷数据。
例如：某t时刻的数据，供热负荷数据提取的策略是：前3天每天对应的同一时刻的数据，前3周对应时刻的数据，前3个月对应时刻的数据，去年对应此时刻的数据。
应当理解的是，具体时间数据的选择是根据需要进行的，也可以是任意时间，如前5天，前7个月等，此处不做限制。
步骤S103：对所述初始相似时刻数据进行预处理，以对所述初始相似时刻数据进行修正，获取相似时刻数据。
进一步地，为了获取相似时刻数据，需要对原始相似时刻数据进行预处理和修正。请参阅图3，是本发明实施例提供的供热负荷预测方法中获取待预测时刻的相似时刻数据的实现流程示意图二，在本实施例中，获取所述初始相似时刻数据的供热负荷平均值以及供热负荷值方差；根据所述供热负荷平均值和供热负荷值方差，确定所述初始相似时刻数据中的异常数据；对所述异常数据进行修正，以获取经过修正的相似时刻数据。获取相似时刻数据的一种方式可以包括如下步骤：
步骤S1031：获取所述初始相似时刻数据的供热负荷平均值以及供热负荷值方差。
供热负荷平均值以及供热负荷值方差的获取方式为：
Figure BDA0002317890030000061
其中，xn,i表征第n天第i时刻的供热负荷值，
Figure BDA0002317890030000062
表征所述供热负荷平均值，
Figure BDA0002317890030000063
表征所述供热负荷值方差。
步骤S1032：根据所述供热负荷平均值和供热负荷值方差，确定所述初始相似时刻数据中的异常数据。
进一步地，为了确定所述初始相似时刻数据中的异常数据，需要判断所述初始相似时刻数据的供热负荷值与所述供热负荷平均值的差值是否大于预设倍数的供热负荷标准差。请参阅图4，是本发明实施例提供的供热负荷预测方法中确定所述初始相似时刻数据为异常数据的实现流程示意图，在本实施例中，判断所述初始相似时刻数据的供热负荷值与所述供热负荷平均值的差值是否大于预设倍数的供热负荷标准差；若所述初始相似时刻数据的供热负荷值与所述供热负荷平均值的差值大于预设倍数的供热负荷标准差，则确定所述初始相似时刻数据为异常数据。确定所述初始相似时刻数据中的异常数据的一种方式可以包括如下步骤：
步骤S10321：判断所述初始相似时刻数据的供热负荷值与所述供热负荷平均值的差值是否大于预设倍数的供热负荷标准差。
Figure BDA0002317890030000064
3σ准则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。且3σ适用于有较多组数据的时候。
3σ原则为：数值分布在(μ-σ，μ+σ)中的概率为0.6827；数值分布在(μ-3σ，μ+3σ)中的概率为0.9545；数值分布在(μ-3σ，μ+3σ)中的概率为0.9973；可以认为，取值几乎全部集中在(μ-3σ，μ+3σ)νi＞3σ区间内，超出这个范围的可能性仅占不到0.3％。
3σ准则是建立在正态分布的等精度重复测量基础上而造成奇异数据的干扰或噪声难以满足正态分布。如果一组测量数据中某个测量值的残余误差的绝对值νi＞3σ，则该测量值为坏值，应剔除。
通常把等于±3σ的误差作为极限误差，对于正态分布的随机误差，落在±3σ以外的概率只有0.27％，它在有限次测量中发生的可能性很小，故存在3σ准则。3σ准则是最常用也是最简单的粗大误差判别准则，它一般应用于测量次数充分多(n≥30)或当n＞10做粗略判别时的情况。
正态分布具有两个参数μ和σ2的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ2是此随机变量的方差，所以正态分布记作N(μ,σ2)。
μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X＝μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。
σ描述正态分布资料数据分布的离散程度，σ越大，数据分布越分散，σ越小，数据分布越集中。也称为是正态分布的形状参数，σ越大，曲线越扁平，反之，σ越小，曲线越瘦高。
步骤S10322：若所述初始相似时刻数据的供热负荷值与所述供热负荷平均值的差值大于预设倍数的供热负荷标准差，则确定所述初始相似时刻数据为异常数据。
步骤S1033：对所述异常数据进行修正，以获取经过修正的相似时刻数据。
修正的方式为：
Figure BDA0002317890030000081
其中，
Figure BDA0002317890030000082
表征第n天第i时刻的供热负荷修正值，
Figure BDA0002317890030000083
表征所述供热负荷值前后m个同类单位时间第i时刻的供热负荷值，
Figure BDA0002317890030000084
表征前后p个相似单位时间第i时刻的供热负荷值。
当m＝1、p＝2时，公式为：
Figure BDA0002317890030000085
其中，
Figure BDA0002317890030000086
表征第n天第i时刻的供热负荷修正值，xn±1,i表征所述供热负荷值前后2个同类日第i时刻的供热负荷值，
Figure BDA0002317890030000087
表征前后2个相似日第i时刻的供热负荷值。
同类日：比如当前是本月第二个周五当天(日)的某个时刻t，本月相邻的第一个周五天(日)和第三个周五天(日)的相应时刻的这两个天(日)；相似日：比如当前是本月第二个周五的某个时刻t，本月第二个周四当天(日)和周六当天(日)的对应时刻的这两个天(日)。
应当理解的是，此处同类单位时间和相似单位时间可以是任意时间，并且可以同时获取多个单位时间，此处不做限制。
请参阅图1，进一步地，在获取待预测时刻的相似时刻数据后，可以进行下述步骤：
步骤S30：根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征。
例如：某t时刻的数据，它的相似时刻数据我们提取的策略是：前3天每天对应的同一时刻的数据，前3周对应时刻的数据，前3个月对应时刻的数据，去年对应此时刻的数据，这样我们就得到相似时刻数据的相似时刻特征。
请参阅图1，进一步地，在获取所述相似时刻数据对应的相似时刻特征后，可以进行下述步骤：
步骤S50：采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征。
步骤S70：采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。
请参阅图5，是本发明实施例提供的供热负荷预测方法的实现流程示意图二。采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征步骤前，还包括下述步骤：
步骤S40：对初始长短期记忆网络和初始多层前馈网络进行训练，以获取满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测。
进一步地，为了获取满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测，需要对初始长短期记忆网络和初始多层前馈网络进行训练。请参阅图6，是本发明实施例提供的供热负荷预测方法中对初始长短期记忆网络和初始多层前馈网络进行训练的实现流程示意图，在本实施例中，对所述相似时刻数据进行分割，以获取训练数据和测试数据；采用所述训练数据对初始长短期记忆网络进行训练，以获取经过训练的长短期记忆网络以及所述训练数据的时序特征；采用所述训练数据的时序特征和相似时刻特征对初始多层前馈网络进行训练，以获取经过训练的多层前馈网络；采用所述测试数据以及所述测试数据的相似时刻特征对经过训练的长短期记忆网络和多层前馈网络进行测试，以确定满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测。获取满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测的一种方式可以包括如下步骤：
步骤S401：对所述相似时刻数据进行分割，以获取训练数据和测试数据。
例如，训练数据和测试数据的分割比例可以为2:1。应当理解的是，分割比例也可以是其他比例，需要根据需要或者其他情况决定，此处不做限制。
步骤S402：采用所述训练数据对初始长短期记忆网络进行训练，以获取经过训练的长短期记忆网络以及所述训练数据的时序特征。
采用所述训练数据对初始长短期记忆网络进行训练，以获取经过训练的长短期记忆网络；根据经过训练的长短期记忆网络提取相似时刻数据，获取训练数据的时序特征。
步骤S403：采用所述训练数据的时序特征和相似时刻特征对初始多层前馈网络进行训练，以获取经过训练的多层前馈网络。
根据训练数据的时序特征和相似时刻特征，获取组合特征，用组合特征对初始多层前馈网络进行训练，获取经过训练的多层前馈网络。
步骤S404：采用所述测试数据以及所述测试数据的相似时刻特征对经过训练的长短期记忆网络和多层前馈网络进行测试，以确定满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测。
进一步地，为了确定满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测，需要对经过训练的长短期记忆网络和多层前馈网络进行测试。请参阅图7，是本发明实施例提供的用于供热负荷预测方法中对经过训练的长短期记忆网络和多层前馈网络进行测试的实现流程示意图，在本实施例中，将所述测试数据输入经过训练的长短期记忆网络，以获取所述测试数据的时序特征；将所述测试数据的时序特征以及相似时刻特征输入经过训练的多层前馈网络，获取测试预测结果；根据所述测试预测结果和所述测试数据，获取测试指标；判断所述测试指标是否满足预设要求；若所述测试指标满足预设要求，则确定经过训练的长短期记忆网络和多层前馈网络分别为用于供热负荷预测的长短期记忆网络和多层前馈网络；若所述测试指标不满足预设要求，则返回采用所述训练数据对初始长短期记忆网络进行训练步骤。确定满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测的一种方式可以包括如下步骤：
步骤S4041：将所述测试数据输入经过训练的长短期记忆网络，以获取所述测试数据的时序特征。
步骤S4042：将所述测试数据的时序特征以及相似时刻特征输入经过训练的多层前馈网络，获取测试预测结果。
步骤S4043：根据所述测试预测结果和所述测试数据，获取测试指标。
测试指标为：
Figure BDA0002317890030000111
其中，yi表征所述时间序列数据中的测试值，
Figure BDA0002317890030000112
表征所述时间序列数据的预测值。
步骤S4044：判断所述测试指标是否满足预设要求。
步骤S4045：若所述测试指标满足预设要求，则确定经过训练的长短期记忆网络和多层前馈网络分别为用于供热负荷预测的长短期记忆网络和多层前馈网络。
步骤S4046：若所述测试指标不满足预设要求，则返回采用所述训练数据对初始长短期记忆网络进行训练步骤。
应当理解的是，以上各英文字母和/或符号仅是为清楚说明设备或者步骤的具体参数意义，也可用其他字母或者符号表示。此处不做限制。
应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供的一种供热负荷预测方法的有益效果至少在于：根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据；根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征；采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征；采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。本发明可有效弥补负荷预测不准确的缺点，解决预测偏差大的问题，同时准确的预测结果利于后续工作的调度优化；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，提升了整体处理速度，节约了处理资源，保证了该方案的科学性。
本发明实施例的目的还在于提供一种供热负荷预测装置，图8是本发明实施例提供的供热负荷预测装置的示意图，为了便于说明，仅示出与本申请实施例相关的部分。
请参阅图8，一种供热负荷预测装置包括相似时刻数据获取模块81、相似时刻特征获取模块83、时序特征获取模块85以及预测负荷获取模块87。其中，相似时刻数据获取模块81用于根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据；时刻特征获取模块83用于根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征；时序特征获取模块85用于采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征；预测负荷获取模块84用于采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。
请参阅图9，进一步地，相似时刻数据获取模块81包括供热负荷数据获取单元811、初始相似时刻数据获取单元812以及相似时刻数据获取单元813。其中，供热负荷数据获取单元811用于获取时间序列的供热负荷数据；初始相似时刻数据获取单元812用于根据预设规则，从所述时间序列的供热负荷数据中提取出待预测时刻的初始相似时刻数据；相似时刻数据获取单元813用于对所述初始相似时刻数据进行预处理，以对所述初始相似时刻数据进行修正，获取相似时刻数据。
请参阅图10，进一步地，相似时刻数据获取单元813包括平均值和方差确定子单元8131、异常数据确定子单元8132和修正确定子单元8133。其中，平均值和方差确定子单元8131用于获取所述初始相似时刻数据的供热负荷平均值以及供热负荷值方差；异常数据确定子单元8132用于根据所述供热负荷平均值和供热负荷值方差，确定所述初始相似时刻数据中的异常数据；修正确定子单元8133用于对所述异常数据进行修正，以获取经过修正的相似时刻数据。
进一步地，请参阅图11，是本发明实施例提供的供热负荷预测装置的示意图二。供热负荷预测装置包括网络训练模块84，用于对初始长短期记忆网络和初始多层前馈网络进行训练，以获取满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测。
请参阅图12，网络训练模块84包括训练数据和测试数据获取单元841、第一获取单元842、第二获取单元843以及测试单元844。其中，训练数据和测试数据获取单元841用于对所述相似时刻数据进行分割，以获取训练数据和测试数据；第一获取单元842用于采用所述训练数据对初始长短期记忆网络进行训练，以获取经过训练的长短期记忆网络以及所述训练数据的时序特征；第二获取单元843用于采用所述训练数据的时序特征和相似时刻特征对初始多层前馈网络进行训练，以获取经过训练的多层前馈网络；测试单元844用于采用所述测试数据以及所述测试数据的相似时刻特征对经过训练的长短期记忆网络和多层前馈网络进行测试，以确定满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测。
请参阅图13，进一步地，测试单元844包括第一获取子单元8441、测试预测结果获取子单元8442、测试指标获取子单元8443、判断子单元8444、确定子单元8445以及返回子单元8446。其中，第一获取子单元8441用于将所述测试数据输入经过训练的长短期记忆网络，以获取所述测试数据的时序特征；测试预测结果获取子单元8442用于将所述测试数据的时序特征以及相似时刻特征输入经过训练的多层前馈网络，获取测试预测结果；测试指标获取子单元8443用于根据所述测试预测结果和所述测试数据，获取测试指标；判断子单元8444用于判断所述测试指标是否满足预设要求；确定子单元8445用于若所述测试指标满足预设要求，则确定经过训练的长短期记忆网络和多层前馈网络分别为用于供热负荷预测的长短期记忆网络和多层前馈网络；返回子单元8446用于若所述测试指标不满足预设要求，则返回采用所述训练数据对初始长短期记忆网络进行训练步骤。
图14是本发明一实施例提供的终端设备的示意图。如图14所示，所述终端设备9，包括存储器91、处理器90以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现如所述供热负荷预测方法的步骤。例如图1-图7所示的步骤S10至S70。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、所述存储器91。本领域技术人员可以理解，图14仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：
计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述供热负荷预测方法的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种供热负荷预测方法，其特征在于，包括：
根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据；
根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征；
采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征；
采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。
2.如权利要求1所述的供热负荷预测方法，其特征在于，所述根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据，包括：
获取时间序列的供热负荷数据；
根据预设规则，从所述时间序列的供热负荷数据中提取出待预测时刻的初始相似时刻数据；
对所述初始相似时刻数据进行预处理，以对所述初始相似时刻数据进行修正，获取相似时刻数据。
3.如权利要求2所述的供热负荷预测方法，其特征在于，所述根据预设规则，从所述时间序列的供热负荷数据中提取出待预测时刻的初始相似时刻数据步骤中，根据待预测时刻，从所述时间序列的供热负荷数据中获取以下供热负荷数据中的至少一种：所述待预测时刻前预设天数每天同一时刻的供热负荷数据，所述待预测时刻前预设周数每周同一时刻的供热负荷数据，所述待预测时刻前预设月数每月同一时刻的供热负荷数据，所述待预测时刻前预设年数每年同一时刻的供热负荷数据。
4.如权利要求2所述的供热负荷预测方法，其特征在于，所述对所述初始相似时刻数据进行预处理，以对所述初始相似时刻数据进行修正，获取相似时刻数据，包括：
获取所述初始相似时刻数据的供热负荷平均值以及供热负荷值方差，所述供热负荷平均值以及供热负荷值方差的获取方式为：
Figure FDA0002317890020000021
其中，xn,i表征第n天第i时刻的所述供热负荷值，
Figure FDA0002317890020000022
表征所述供热负荷平均值，
Figure FDA0002317890020000023
表征所述供热负荷值方差；
根据所述供热负荷平均值和所述供热负荷值方差，确定所述初始相似时刻数据中的异常数据；
对所述异常数据进行修正，以获取经过修正的相似时刻数据，修正的方式为：
Figure FDA0002317890020000024
其中，
Figure FDA0002317890020000025
表征第n天第i时刻的供热负荷修正值，
Figure FDA0002317890020000026
表征所述供热负荷值前后m个同类单位时间第i时刻的供热负荷值，
Figure FDA0002317890020000027
表征前后p个相似单位时间第i时刻的供热负荷值。
5.如权利要求4所述的供热负荷预测方法，其特征在于，所述根据所述供热负荷平均值和供热负荷值方差，确定所述初始相似时刻数据中的异常数据，包括：
判断所述初始相似时刻数据的供热负荷值与所述供热负荷平均值的差值是否大于预设倍数的供热负荷标准差；
若所述初始相似时刻数据的供热负荷值与所述供热负荷平均值的差值大于预设倍数的供热负荷标准差，则确定所述初始相似时刻数据为异常数据。
6.如权利要求1所述的供热负荷预测方法，其特征在于，所述采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征步骤前，还包括：
对初始长短期记忆网络和初始多层前馈网络进行训练，以获取满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测，包括：
对所述相似时刻数据进行分割，以获取训练数据和测试数据；
采用所述训练数据对初始长短期记忆网络进行训练，以获取经过训练的长短期记忆网络以及所述训练数据的时序特征；
采用所述训练数据的时序特征和相似时刻特征对初始多层前馈网络进行训练，以获取经过训练的多层前馈网络；
采用所述测试数据以及所述测试数据的相似时刻特征对经过训练的长短期记忆网络和多层前馈网络进行测试，以确定满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测。
7.如权利要求6所述的供热负荷预测方法，其特征在于，所述采用所述测试数据以及所述测试数据的相似时刻特征对经过训练的长短期记忆网络和多层前馈网络进行测试，以确定满足预设要求的长短期记忆网络和多层前馈网络用于供热负荷预测，包括：
将所述测试数据输入经过训练的长短期记忆网络，以获取所述测试数据的时序特征；
将所述测试数据的时序特征以及相似时刻特征输入经过训练的多层前馈网络，获取测试预测结果；
根据所述测试预测结果和所述测试数据，获取测试指标，所述测试指标为：
Figure FDA0002317890020000031
其中，yi表征所述时间序列数据中的测试值，
Figure FDA0002317890020000032
表征所述时间序列数据的预测值；
判断所述测试指标是否满足预设要求；
若所述测试指标满足预设要求，则确定经过训练的长短期记忆网络和多层前馈网络分别为用于供热负荷预测的长短期记忆网络和多层前馈网络；
若所述测试指标不满足预设要求，则返回采用所述训练数据对初始长短期记忆网络进行训练步骤。
8.一种供热负荷预测装置，其特征在于，包括：
相似时刻数据获取模块，用于根据时间序列的供热负荷数据，获取待预测时刻的相似时刻数据；
相似时刻特征获取模块，用于根据所述相似时刻数据，获取所述相似时刻数据对应的相似时刻特征；
时序特征获取模块，用于采用长短期记忆网络对所述相似时刻数据进行处理，获取所述相似时刻数据的时序特征；
预测负荷获取模块；用于采用多层前馈网络对所述相似时刻特征和所述时序特征进行处理，获取所述待预测时刻的预测供热负荷。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201911285593.XA 2019-12-13 2019-12-13 一种供热负荷预测方法及装置 Active CN110991761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911285593.XA CN110991761B (zh) 2019-12-13 2019-12-13 一种供热负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911285593.XA CN110991761B (zh) 2019-12-13 2019-12-13 一种供热负荷预测方法及装置

Publications (2)

Publication Number Publication Date
CN110991761A true CN110991761A (zh) 2020-04-10
CN110991761B CN110991761B (zh) 2022-06-28

Family

ID=70093637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911285593.XA Active CN110991761B (zh) 2019-12-13 2019-12-13 一种供热负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN110991761B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415050A (zh) * 2020-04-27 2020-07-14 新智数字科技有限公司 短期负荷预测方法、短期负荷预测模型训练方法及装置
CN112747477A (zh) * 2021-01-25 2021-05-04 华南理工大学 一种安全节能的燃气热水锅炉智能控制***及方法
CN113706337A (zh) * 2021-09-06 2021-11-26 天津宏达瑞信科技有限公司 一种基于相似时段的供热负荷预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170179716A1 (en) * 2015-12-16 2017-06-22 Johnson Controls Technology Company Central plant control system with building energy load estimation
CN107239859A (zh) * 2017-06-05 2017-10-10 国网山东省电力公司电力科学研究院 基于串联长短期记忆循环神经网络的供热负荷预测方法
CN109934392A (zh) * 2019-02-28 2019-06-25 武汉大学 一种基于深度学习的微电网短期负荷预测方法
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170179716A1 (en) * 2015-12-16 2017-06-22 Johnson Controls Technology Company Central plant control system with building energy load estimation
CN107239859A (zh) * 2017-06-05 2017-10-10 国网山东省电力公司电力科学研究院 基于串联长短期记忆循环神经网络的供热负荷预测方法
CN109934392A (zh) * 2019-02-28 2019-06-25 武汉大学 一种基于深度学习的微电网短期负荷预测方法
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415050A (zh) * 2020-04-27 2020-07-14 新智数字科技有限公司 短期负荷预测方法、短期负荷预测模型训练方法及装置
CN111415050B (zh) * 2020-04-27 2023-12-05 新奥新智科技有限公司 短期负荷预测方法、短期负荷预测模型训练方法及装置
CN112747477A (zh) * 2021-01-25 2021-05-04 华南理工大学 一种安全节能的燃气热水锅炉智能控制***及方法
CN113706337A (zh) * 2021-09-06 2021-11-26 天津宏达瑞信科技有限公司 一种基于相似时段的供热负荷预测方法

Also Published As

Publication number Publication date
CN110991761B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN110991761B (zh) 一种供热负荷预测方法及装置
CN109558295B (zh) 一种性能指标异常检测方法及装置
CN109587001B (zh) 一种性能指标异常检测方法及装置
CN108900622B (zh) 基于物联网的数据融合方法、装置与计算机可读存储介质
CN109783385B (zh) 一种产品测试方法和装置
CN111191601A (zh) 同行用户识别方法、装置、服务器及存储介质
CN115018315A (zh) 一种供热异常的检测方法、装置、电子设备及存储介质
CN113391256B (zh) 一种现场作业终端的电能表计量故障分析方法及***
CN115905927A (zh) 用电异常用户的识别方法、装置、电子设备及存储介质
CN111027190A (zh) 一种用于设备模型数值相似度的评估方法及装置
CN110955862A (zh) 一种用于设备模型趋势相似度的评估方法及装置
CN112395179B (zh) 一种模型训练方法、磁盘预测方法、装置及电子设备
CN111523083A (zh) 一种电力负荷申报数据的确定方法以及装置
CN113376564B (zh) 基于数据分析的智能电表计量校正方法、装置及终端
CN113984833B (zh) 一种环境温度等效及加速试验方法
CN111143776B (zh) 一种电量负荷预测方法及装置
CN112149546B (zh) 一种信息处理方法、装置、电子设备及存储介质
CN112598228B (zh) 企业竞争力的分析方法、装置、设备及存储介质
CN108269004B (zh) 产品寿命分析方法及终端设备
CN114022045A (zh) 一种区域经济发展水平确定方法、装置及终端设备
CN113590608A (zh) 一种基于数据流处理的用户用电信息即采即校方法
CN109521312B (zh) 一种非技术线损检测方法、装置及***
CN113139673A (zh) 一种预测空气质量的方法、装置、终端及存储介质
CN112531629B (zh) 配电网保护定值自动整定方法、装置及终端设备
CN114885231B (zh) 一种通讯协议自适应的信号采集方法、***、终端及介质

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