CN114548509A - 一种多能源***多类型负荷联合预测方法及*** - Google Patents
一种多能源***多类型负荷联合预测方法及*** Download PDFInfo
- Publication number
- CN114548509A CN114548509A CN202210054342.6A CN202210054342A CN114548509A CN 114548509 A CN114548509 A CN 114548509A CN 202210054342 A CN202210054342 A CN 202210054342A CN 114548509 A CN114548509 A CN 114548509A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- prediction model
- prediction
- sample set
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 54
- 230000008878 coupling Effects 0.000 claims abstract description 53
- 238000010168 coupling process Methods 0.000 claims abstract description 53
- 238000005859 coupling reaction Methods 0.000 claims abstract description 53
- 230000015654 memory Effects 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 230000007787 long-term memory Effects 0.000 claims abstract description 19
- 230000006403 short-term memory Effects 0.000 claims abstract description 19
- 238000001816 cooling Methods 0.000 claims description 17
- 238000010438 heat treatment Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000001932 seasonal effect Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000010187 selection method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种多能源***多类型负荷联合预测方法及***。该方案包括获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对数据单独归一化处理，生成时间序列样本集；获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测结果。该方案通过考虑不同季节的负荷耦合关联，充分挖掘负荷变化规律，提高多能源***负荷预测性能。
Description
技术领域
本发明涉及综合能源***技术领域，更具体地，涉及一种多能源***多类型负荷联合预测方法及***。
背景技术
近年来，多能源***由于其能源灵活高效利用的优点成为研究热点。与传统的独立能源***相比，多能源***通过能量转换和存储实现能源供需平衡，能源联系更加紧密。因此需要提前准确预测负荷，才能确保多能源***的高效运行和经济调度。然而，多能源***的冷热电负荷预测不同于传统的独立能源***中的负荷预测，由于多能源***的能量转换，负荷间存在复杂的耦合关系，此外冷热电负荷在不同季节下存在波动，给多能源***的负荷预测带来挑战。
在本发明技术之前，传统的多种能源***中，负荷影响因素主要包括历史负荷、天气和日期类型。因此，传统的多能源***的预测技术存在诸多缺陷，具体如下：1)由于多种能源之间的相互转换，导致多能源***中不同负荷间存在耦合关系，多能源***负荷受季节变化的影响较大，但现有研究尚无法计及不同季节负荷的耦合关系变化；2)对多能源***负荷耦合特点的负荷预测较少，现有预测模型的预测精度不足的问题；3)现有预测方法结合历史数据和长短期记忆神经网络算法，利用模型的非线性映射和自学习能力，传递有效的时间信息，取得较好的短期负荷预测效果，但在训练过程中会忽略全局的历史数据信息，存在部分局限性，导致预测模型泛化能力较差。这些原因，导致传统的负荷预测性能较差，预测准确性不足。
发明内容
鉴于上述问题，本发明提出了一种多能源***多类型负荷联合预测方法及***，该方案通过考虑不同季节的负荷耦合关联，充分挖掘基于多类信息的负荷预测，提高多能源***负荷预测性能。
根据本发明实施例第一方面，提供一种多能源***多类型负荷联合预测方法。
在一个或多个实施例中，优选地，所述一种多能源***多类型负荷联合预测方法包括：
获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和填补缺失数据后，进行对每个数据单独归一化处理，生成时间序列样本集；
获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；
搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；
将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。
在一个或多个实施例中，优选地，所述获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集，具体包括：
获取历史气象数据和负荷测量数据，其中，所述历史气象数据包括温度、湿度、气压、风速、露点、降水量；所述负荷测量数据包括冷负荷、热负荷、电负荷数据，所述历史气象数据和所述负荷测量数据均为时间序列数据；
对所述历史气象数据和所述负荷测量数据采用四分位法剔除异常的时间序列数据，采用最小二乘回归法填充缺失时间序列数据，生成高质量气象数据和负荷数据；
对所述高质量气象数据与负荷测量数据进行归一化处理，生成时间序列样本集，其中，所述时间序列样本集的时间跨度为3年。
在一个或多个实施例中，优选地，所述获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据，具体包括：
获取季节的时间划分节点，将所述时间序列样本集按照四季时间节点划分为四个季节样本集；
计算四个季节样本中冷负荷、热负荷、电负荷的最大互信系数，衡量每个季节冷热电负荷的耦合相关性；
根据负荷间互信息系数的统计值，建立联合特征选择方法；
选择所述耦合相关性最大的负荷作为多能预测模型的输入数据；
将所述多能预测模型的输入数据划分为训练样本集、验证样本集、测试样本集，其中，所述训练样本集占比80％，所述验证样本集占比10％，所述测试样本集占比10％；
其中，所述最大互信系数的计算公式如下：
其中，x为比较对象表示所分析的负荷特征数据，y为参考对象表示所参照的负荷特征数据，n为数据样本包含的数量，p为联合概率计算，a表示表示在二维空间中x方向上划分的网格数量，b表示在二维空间中y方向上划分的网格数量，MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数，取值范围在0到1之间。
在一个或多个实施例中，优选地，所述搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数，具体包括：
搭建每个季节对应的双向长短期记忆神经网络负荷预测模型，所述双向长短期记忆神经网络负荷预测模型的超参数包括双向神经网络隐层数量、隐层神经元数量、学习率、L2正则化参数；
将所述训练样本集作为输入数据，将对应每类负荷预测样本数据作为输出数据；
采用网格法确定预测模型的最优超参数，输入到所述双向长短期记忆神经网络负荷预测模型。
在一个或多个实施例中，优选地，所述将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值，具体包括：
将所述测试样本集中的数据加入到所述双向长短期记忆神经网络负荷预测模型中，获得归一化预测值；
对所述归一化预测值进行反归一化处理，获得多能源***的冷、热、电负荷预测值。
在一个或多个实施例中，优选地，所述根据负荷间互信息系数的统计值，建立联合特征选择方法，具体包括：
计算各负荷特征间的最大互信息系数，统计满足最大互信息系数大于阈值0.3以上的负荷特征数量；
当所述负荷特征数量大于等于2，说明冷热电负荷特征间的耦合关联性强，联合选择冷热电负荷共同作为预测模型输入特征；
当所述负荷特征数量为1，说明冷热电负荷中有两种负荷特征的耦合关联性强，联合选择耦合关联性强的两种负荷特征作为其预测模型的输入特征，另外一种负荷则单独进行预测；
当所述负荷特征数量为0，说明冷热电负荷间耦合关联相互影响较弱，将冷热电负荷分别单独进行预测。
在一个或多个实施例中，优选地，所述采用网格法确定预测模型的最优超参数，具体包括：
拟定双向长短期记忆神经网络的隐层数量、每层网络的神经元数量、学习率和L2正则化参数的取值范围；
通过在取值范围内的循环设定不同的超参数进行负荷预测和交叉验证；
选择负荷平均预测误差最小的超参数值作为多能源***负荷预测模型的最优超参数。
根据本发明实施例第二方面，提供一种多能源***多类型负荷联合预测***。
在一个或多个实施例中，优选地，所述一种多能源***多类型负荷联合预测***包括：
样本生成模块，用于获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集；
季节划分模块，用于获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；
参数设置模块，用于搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；
参数预测模块，用于将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，对多能源***数据进行清洗，剔除负荷异常值，填补负荷缺失值，提高多能源***的数据质量，为负荷预测提供基础数据。
2)本发明实施例中，选用时间跨度包含为包含3年较长的历史实际数据，训练样本包含较长时期的多能源负荷数据，并且包含同期历史多能源***负荷数据，可适用于不同季节的负荷预测；由于负荷是时间序列数据具有时序性变化规律，可根据历年同期和最近时期历史数据的不同时间尺度的综合数据来综合挖掘未来多能源***负荷变化规律。
3)本发明实施例中，采用最大互信息系数分析方法，分析挖掘多能源***负荷间的耦合相关性，通过联合特征选择方法，选择负荷预测模型的输入特征，进而提高负荷预测的效率和精度。
4)本发明实施例中，基于双向长短期记忆神经网络建立负荷预测模型，通过神经元双向传递有效的时间序列数据信息，根据模型自学习能力充分挖掘多能源***负荷的全局数据规律，预测精度高且不容易过拟合。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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他的附图。
图1是本发明一个实施例的一种多能源***多类型负荷联合预测方法的流程图。
图2是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集的流程图。
图3是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据的流程图。
图4为多能源***结能源交互结构图。
图5是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数的流程图。
图6为双向长短期记忆神经网络结构图。
图7是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值的流程图。
图8是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的根据负荷间互信息系数的统计值，建立联合特征选择方法的流程图。
图9是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的采用网格法确定预测模型的最优超参数的流程图。
图10是本发明一个实施例的一种多能源***多类型负荷联合预测***的结构图。
图11是本发明一个实施例的四分位法异常数据剔除结果。
图12是本发明一个实施例中的最小二乘回归填补缺失数据结果。
图13是本发明一个实施例中的分季节负荷间最大互信息系数图。
图14是本发明一个实施例中的四个季节多能源***负荷预测结果图。
图15是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
近年来，多能源***由于其能源灵活高效利用的优点成为研究热点。与传统的独立能源***相比，多能源***通过能量转换和存储实现能源供需平衡，能源联系更加紧密。因此需要提前准确预测负荷，才能确保多能源***的高效运行和经济调度。然而，多能源***的冷热电负荷预测不同于传统的独立能源***中的负荷预测，由于多能源***的能量转换，负荷间存在复杂的耦合关系，此外冷热电负荷在不同季节下存在波动，给多能源***的负荷预测带来挑战。
在本发明技术之前，传统的多种能源***中，负荷影响因素主要包括历史负荷、天气和日期类型。因此，传统的多能源***的预测技术存在诸多缺陷，具体如下：1)由于多种能源之间的相互转换，导致多能源***中不同负荷间存在耦合关系，多能源***负荷受季节变化的影响较大，但现有研究尚无法计及不同季节负荷的耦合关系变化；2)对多能源***负荷耦合特点的负荷预测较少，现有预测模型的预测精度不足的问题；3)现有预测方法结合历史数据和长短期记忆神经网络算法，利用模型的非线性映射和自学习能力，传递有效的时间信息，取得较好的短期负荷预测效果，但在训练过程中会忽略全局的历史数据信息，存在部分局限性，导致预测模型泛化能力较差。这些原因，导致传统的负荷预测性能较差，预测准确性不足。
本发明实施例中，提供了一种多能源***多类型负荷联合预测方法及***。该方案通过考虑不同季节的负荷耦合关联，充分挖掘基于多类信息的负荷预测，提高多能源***负荷预测性能。
根据本发明实施例第一方面，提供一种多能源***多类型负荷联合预测方法。
图1为本发明一个实施例的一种多能源***多类型负荷联合预测方法的流程图。
如图1所述，在一个或多个实施例中，优选地，所述一种多能源***多类型负荷联合预测方法包括：
S101、获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集；
S102、获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；
S103、搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；
S104、将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。
图2是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集的流程图。
如图2所示，在一个或多个实施例中，优选地，所述获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集，具体包括：
S201、获取历史气象数据和负荷测量数据，其中，所述历史气象数据包括温度、湿度、气压、风速、露点、降水量；所述负荷测量数据包括冷负荷、热负荷、电负荷数据，所述历史气象数据和所述负荷测量数据均为时间序列数据；
S202、对所述历史气象数据和所述负荷测量数据采用四分位法剔除异常的时间序列数据，采用最小二乘回归法填充缺失时间序列数据，生成高质量气象数据和负荷数据；
S203、对所述高质量气象数据与负荷测量数据进行归一化处理，生成时间序列样本集，其中，所述时间序列样本集的时间跨度为3年。
在本发明实施例中，具体进行了对于数据的初步的预处理，这个预处理过程中，主要是对于不正常的数据的剔除和对于缺少的数据的补全，但是在此过程中由于不同的数据的基准不同，因此，在最终进行了归一化处理，生成的数据最终是一种时间序列的样本数据。
具体的，考虑到不同季节的近期以及去年同期历史数据包含了较为全面的多能源***负荷变化规律，本实施例选用时间跨度3年较长时期的历史实际多能源负荷数据。除了历史负荷数据，多能源***负荷的主要影响因素还包含气象和日期信息，因此选用时间和气象等非电气特征的时间序列数据，以增强负荷预测模型在不同季节时期与不同环境条件下的适用性。
具体的，通过四分位法对多能源***数据异常值进行检测的过程如下：依据数据偏离平均水平程度来检测多能源***的异常数据，统计出样本的上四分位数Q1，下四分位数Q3，计算四分位位距QR，公式如下：
QR＝Q1-Q3
其中，在区间[Q3—1.5QR,Q1+1.5QR]范围外的数据判定为异常值并剔除，然后采用最小二乘回归方法填充多能源***缺失数据，将缺失区间邻近的数据样本作为训练数据，建立回归模型并训练，最后对局部缺失部分以模型回归结果进行填补。
通过数据清洗，解决多能源***因为测量设备出现故障，噪声干扰以及数据传输错误所导致的采集值异常和缺失现象，为多能源***负荷预测模型提供高质量的基础数据。
具体的，进行时间序列样本集生成的过程如下：考虑到负荷预测输入数据量纲不统一以及不同特征数据间的量级差异较大，为消除特征单位和尺度差异的影响，同等看待每种特征，对特征进行归一化处理，其中，数据样本集归一化公式具体如下：
式中，x为每种特征样本数据，xmax和xmin分别为该特征样本的最大值和最小值，x′为归一化后的特征数值。
如图3所示，在一个或多个实施例中，优选地，所述获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据，具体包括：
S301、获取季节的时间划分节点，将所述时间序列样本集按照四季时间节点划分为四个季节样本集；
举例说明，考虑到冷热电负荷在不同季节下的变化和波动规律不相同，因此根据季节对时间序列数据进行划分，其中春季为3至5月、夏季为6至8月、秋季为9至11月、冬季为12月至次年2月，按年份顺序排列相同季节数据，获得四个季节的时间序列数据。
S302、计算四个季节样本中冷负荷、热负荷、电负荷的最大互信系数，衡量每个季节冷热电负荷的耦合相关性；
S303、根据负荷间互信息系数的统计值，建立联合特征选择方法；
S304、选择所述耦合相关性最大的负荷作为多能预测模型的输入数据；
S305、将所述多能预测模型的输入数据划分为训练样本集、验证样本集、测试样本集，其中，所述训练样本集占比80％，所述验证样本集占比10％，所述测试样本集占比10％；
本发明实施例中，考虑到双向长短期记忆神经网络需要进行模型训练和参数调整，对预测总样本集进行划分，输入80％的训练样本集进行负荷预测模型学习训练，根据10％的验证样本集调整预测模型超参数，最后输入10％的测试样本集验证模型的负荷预测效果。
其中，所述最大互信系数的计算公式如下：
其中，x为比较对象表示所分析的负荷特征数据，y为参考对象表示所参照的负荷特征数据，n为数据样本包含的数量，p为联合概率计算，a表示表示在二维空间中x方向上划分的网格数量，b表示在二维空间中y方向上划分的网格数量，MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数，取值范围在0到1之间。
如图4所示为多能源***结能源交互结构图，分别提供了输入层、中间层和输出层之间的能源交互关系。在本发明实施例中，对于不同的季节分别进行了不同的层级的数据分析，这种分析后，不同类型的负荷信息分别完成了占比对于冷、热、电负荷的耦合相关性的计算，计算后的数据将会分别分配为样本集、验证集和测试集。
图5是本发明一个实施例的一种多能源***多类型负荷联合预测方法中的搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数的流程图。
如图5所示，在一个或多个实施例中，优选地，所述搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数，具体包括：
S501、搭建每个季节对应的双向长短期记忆神经网络负荷预测模型，所述双向长短期记忆神经网络负荷预测模型的超参数包括双向神经网络隐层数量、隐层神经元数量、学习率、L2正则化参数；
S502、将所述训练样本集作为输入数据，将对应每类负荷预测样本数据作为输出数据；
S503、采用网格法确定预测模型的最优超参数，输入到所述双向长短期记忆神经网络负荷预测模型。
在本发明实施例中，为了能够分别对各个季节单独预测，搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数，其中模型参数是通过优化获得的。具体的，双向长短期记忆神经网络结构图如图6所示。具体的，双向长短期记忆神经网络负荷预测模型，步骤如下：
首先，输入门输入前后向当前时刻的状态信息x(t)和上一时刻隐藏层的状态信息y(t-1)，经过非线性函数变换后，通过遗忘门对状态信息进行筛选，确定需要被遗忘和清楚的冗余状态信息，同时确定有用信息进入新的神经元状态。最后，输出门利用前后向新的神经元状态，建立时间序列前后之间的联系，输出负荷预测最终结果。其中，各变量之间的具体计算公式如下：
f(t)＝σ(Wfyy(t-1)+Wfxx(t)+bf)
i(t)＝σ(Wiyy(t-1)+Wixx(t)+bi)
u(t)＝tanh(Wuyy(t-1)+Wuxx(t)+bu)
c(t)＝i(t)gu(t)+ft·c(t-1)
o(t)＝σ(Woyy(t-1)+Woxx(t)+bo)
y(t)＝o(t)gtanh(c(t))
y'(t)＝g(Wy'fyf (t)+Wy'byb (t)+by')
其中，Wfy,Wfx,Wix,Wiy,Wuy,Wux,Woy,Wox分别对应遗忘门f、输入门i和u，输出门o，隐藏层状态y由输出门输出和当前神经元状态c共同决定，预测结果y’由前向yf和后向yb预测结果共同决定，此外公式中的σ、g和tanh为激活函数。
为了比较负荷预测效果，建立预测结果评估指标，采用平均绝对百分误差MAPE与均方根误差RMSE两种指标衡量预测值与实际值之间的偏差。具体误差公式如下式所示：
其中，n为样本数量，y′i表示模型的预测值，yi表示实际值。
如图7所示，在一个或多个实施例中，优选地，所述将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值，具体包括：
S701、将所述测试样本集中的数据加入到所述双向长短期记忆神经网络负荷预测模型中，获得归一化预测值；
具体的，考虑到将测试集样本输入训练好的双向长短期记忆神经网络模型，通过模型所保存的权重和偏置参数进行计算，可以获得模型的预测结果。
S702、对所述归一化预测值进行反归一化处理，获得多能源***的冷、热、电负荷预测值。
在本发明实施例中，由于模型是通过归一化处理后的数据训练获得的，因此在执行实际的样本数据的运算过程中，同样需要以归一化的预测值进行输出，但是输出后的数据还需要反馈为各类负荷的实际值，因此在此基础上进行了反归一化处理，获得各类负荷的实际预测值。
如图8所示，在一个或多个实施例中，优选地，所述根据负荷间互信息系数的统计值，建立联合特征选择方法，具体包括：
S801、计算各负荷特征间的最大互信息系数，统计满足最大互信息系数大于阈值0.3以上的负荷特征数量；
S802、当所述负荷特征数量大于等于2，说明冷热电负荷特征间的耦合关联性强，联合选择冷热电负荷共同作为预测模型输入特征；
S803、当所述负荷特征数量为1，说明冷热电负荷中有两种负荷特征的耦合关联性强，联合选择耦合关联性强的两种负荷特征作为其预测模型的输入特征，另外一种负荷则单独进行预测；
S804、当所述负荷特征数量为0，说明冷热电负荷间耦合关联相互影响较弱，将冷热电负荷分别单独进行预测。
在本发明实施例中，对于根据负荷之间互信系数统计值进行了详细的联合特征选择，分别在不同的负荷特征数量下选择不同的预测方式。
如图9所示，在一个或多个实施例中，优选地，所述采用网格法确定预测模型的最优超参数，具体包括：
S901、拟定双向长短期记忆神经网络的隐层数量、每层网络的神经元数量、学习率和L2正则化参数的取值范围；
S902、通过在取值范围内的循环设定不同的超参数进行负荷预测和交叉验证；
S903、选择负荷平均预测误差最小的超参数值作为多能源***负荷预测模型的最优超参数。
根据本发明实施例第二方面，提供一种多能源***多类型负荷联合预测***。
在一个或多个实施例中，优选地，所述一种多能源***多类型负荷联合预测***包括：
样本生成模块1001，用于获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集；
季节划分模块1002，用于获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；
参数设置模块1003，用于搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；
参数预测模块1004，用于将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。
以下提供具体实施例对本发明技术方案作进一步实施解释说明：
根据某地区实际多能源***2017至2019年四年共1095天数据，包含冷热电负荷每30分钟一个点数据，同时还包含多能源***所处位置主要气象站的温度、湿度、降水量、风速、露点和气压每30分钟一个点的数据，针对该多能源***数据进行提前半小时的短期负荷预测，预测的具体流程如下：
S1101、提升多能源***的数据质量，本发明实施例对多能源***数据进行清洗，四分位法异常数据剔除结果如图11所示，最小二乘回归填补缺失数据结果如图12所示。
S1102、考虑到去年同期数据，根据季节划分多能源***数据集，春季276天、夏季276天、秋季273天和冬季270天。
S1103、分析多能源***负荷间的季节耦合关系进行联合特征选择，本发明实施例计算多能源***冷热电最大互信息系数，分季节负荷间最大互信息系数如图13所示，设置负荷特征选择阈值为0.3，得到多能源***负荷联合特征选择结果如表1所示。
表1
其中，春季和秋季冷热电负荷间最大互信息系数大于阈值0.3的统计个数都大于等于2，说明春秋多能源***的冷热电负荷间具有较强的耦合关联性，因此联合选择冷热电负荷共同作为负荷预测模型的输入特征。夏季，冷电负荷的最大互信息系数为0.44大于0.3，说明冷电负荷耦合关联性较强，因此冷负荷和电负荷共同选择作为冷电负荷的预测模型输入进行联合预测，而热负荷与其它两类负荷的最大互信息系数都小于0.3，说明热负荷与其它两种负荷的耦合关联性较弱，因此进行单独预测。冬季，冷热负荷的最大互信息系数为0.47，说明冷热负荷耦合关联性较强，因此冷负荷和热负荷共同选作冷热负荷预测模型的输入特征进行联合预测，而电负荷与其它负荷的最大互信息系数较小，耦合关联程度较弱，因此单独进行预测。
S1104、本发明实施例采用Python代码编写，基于Kears框架搭建双向长短期记忆神经网络，设置了双向长短期记忆神经网络激活函数为relu，损失函数为均方误差MSE，batch_size为24，其余参数由表2所示，在取值范围内由网格法循环搜索调优确定。
表2
S1105、通过训练好的双向长短期记忆神经网络负荷预测模型对不同季节的多能源***负荷进行预测，为了对比本文联合特征选择方法和双向长短期记忆神经网络在预测精度方面的提升，设置4组实验进行比较。实验1：不考虑负荷之间的相关关系，采用长短期记忆神经网络(LSTM)建立冷热电负荷单独预测模型。实验2：根据冷热电负荷耦合关系进行输入特征联合选择，采用长短期记忆神经网络(LSTM)建立负荷联合预测模型。实验3：不考虑负荷之间的相关关系，采用双向长短期记忆神经网络(BiLSTM)建立冷热电负荷单独预测模型。实验4：根据冷热电负荷耦合关系进行输入特征联合选择，采用双向长短期记忆神经网络(BiLSTM)建立负荷联合预测模型。通过上述实验，四个季节多能源***负荷预测结果如图14所示，每个季节的预测误差如表3至表6所示。
本发明实施例从联合特征选择负荷预测结果可知，把耦合关联程度高的负荷联合选择作为预测模型输入预测效果更好。实验2的平均RMSE和MAPE分别为88.52kW和比实验1小0.4％。实验4的平均RMSE和MAPE分别为111.82kW和比实验3小0.5％。特别在秋季，负荷预测精度大幅提高，说明多能源***秋季负荷之间存在紧密耦合影响的关系。因此验证了组合特征选择在负荷预测中的优越性。为了体现双向长短期记忆神经网络预测模型的优势，对比BiLSTM和LSTM负荷预测模型性能。实验3和实验4每个季节的预测误差明显小于实验1和实验2。此外，从图14中可以看出BiLSTM的负荷预测曲线更符合实际负荷曲线，这表明BiLSTM可以更有效地学习时间序列的波动规律，从而提高多能源***冷热电负荷预测的准确性。
表3
表4
表5
表6
本发明实施例从多能源***不同季节的负荷预测结果可知，春、夏、冬三季负荷波动较为规律，预测效果较好。夏季负荷的预测误差最小，而秋季和冬季冷负荷波动较大，导致MAPE小幅增加，在5％～7％之间。从负荷种类的预测结果可知，电负荷和热负荷预测误差较小，变化相对稳定在5％以内。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备。图15是本发明一个实施例中一种电子设备的结构图。图15所示的电子设备为通用负荷联合预测装置，其包括通用的计算机硬件结构，其至少包括处理器1501和存储器1502。处理器1501和存储器1502通过总线1503连接。存储器1502适于存储处理器1501可执行的指令或程序。处理器1501可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器1501通过执行存储器1502所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线1503将上述多个组件连接在一起，同时将上述组件连接到显示控制器1504和显示装置以及输入/输出(I/O)装置1505。输入/输出(I/O)装置1505可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置1505通过输入/输出(I/O)控制器1506与***相连。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，对多能源***数据进行清洗，剔除负荷异常值，填补负荷缺失值，提高多能源***的数据质量，为负荷预测提供基础数据。
2)本发明实施例中，选用时间跨度包含为包含3年较长的历史实际数据，训练样本包含较长时期的多能源负荷数据，并且包含同期历史多能源***负荷数据，可适用于不同季节的负荷预测；由于负荷是时间序列数据具有时序性变化规律，可根据历年同期和最近时期历史数据的不同时间尺度的综合数据来综合挖掘未来多能源***负荷变化规律。
3)本发明实施例中，采用最大互信息系数分析方法，分析挖掘多能源***负荷间的耦合相关性，通过联合特征选择方法，选择负荷预测模型的输入特征，进而提高负荷预测的效率和精度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种多能源***多类型负荷联合预测方法，其特征在于，该方法包括：
获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集；
获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；
搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；
将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。
2.如权利要求1所述的一种多能源***多类型负荷联合预测方法，其特征在于，所述获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集，具体包括：
获取历史气象数据和负荷测量数据，其中，所述历史气象数据包括温度、湿度、气压、风速、露点、降水量；所述负荷测量数据包括冷负荷、热负荷、电负荷数据，所述历史气象数据和所述负荷测量数据均为时间序列数据；
对所述历史气象数据和所述负荷测量数据采用四分位法剔除异常的时间序列数据，采用最小二乘回归法填充缺失时间序列数据，生成高质量气象数据和负荷数据；
对所述高质量气象数据与负荷测量数据进行归一化处理，生成时间序列样本集，其中，所述时间序列样本集的时间跨度为3年。
3.如权利要求1所述的一种多能源***多类型负荷联合预测方法，其特征在于，所述获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据，具体包括：
获取季节的时间划分节点，将所述时间序列样本集按照四季时间节点划分为四个季节样本集；
计算四个季节样本中冷负荷、热负荷、电负荷的最大互信系数，衡量每个季节冷热电负荷的耦合相关性；
根据负荷间互信息系数的统计值，建立联合特征选择方法；
选择所述耦合相关性最大的负荷作为多能预测模型的输入数据；
将所述多能预测模型的输入数据划分为训练样本集、验证样本集、测试样本集，其中，所述训练样本集占比80％，所述验证样本集占比10％，所述测试样本集占比10％；
其中，所述最大互信系数的计算公式如下：
其中，x为比较对象表示所分析的负荷特征数据，y为参考对象表示所参照的负荷特征数据，n为数据样本包含的数量，p为联合概率计算，a表示表示在二维空间中x方向上划分的网格数量，b表示在二维空间中y方向上划分的网格数量，MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数，取值范围在0到1之间。
4.如权利要求3所述的一种多能源***多类型负荷联合预测方法，其特征在于，所述搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数，具体包括：
搭建每个季节对应的双向长短期记忆神经网络负荷预测模型，所述双向长短期记忆神经网络负荷预测模型的超参数包括双向神经网络隐层数量、隐层神经元数量、学习率、L2正则化参数；
将所述训练样本集作为输入数据，将对应每类负荷预测样本数据作为输出数据；
采用网格法确定预测模型的最优超参数，输入到所述双向长短期记忆神经网络负荷预测模型。
5.如权利要求4所述的一种多能源***多类型负荷联合预测方法，其特征在于，所述将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值，具体包括：
将所述测试样本集中的数据加入到所述双向长短期记忆神经网络负荷预测模型中，获得归一化预测值；
对所述归一化预测值进行反归一化处理，获得多能源***的冷、热、电负荷预测值。
6.如权利要求3所述的一种多能源***多类型负荷联合预测方法，其特征在于，所述根据负荷间互信息系数的统计值，建立联合特征选择方法，具体包括：
计算各负荷特征间的最大互信息系数，统计满足最大互信息系数大于阈值0.3以上的负荷特征数量；
当所述负荷特征数量大于等于2，说明冷热电负荷特征间的耦合关联性强，联合选择冷热电负荷共同作为预测模型输入特征；
当所述负荷特征数量为1，说明冷热电负荷中有两种负荷特征的耦合关联性强，联合选择耦合关联性强的两种负荷特征作为其预测模型的输入特征，另外一种负荷则单独进行预测；
当所述负荷特征数量为0，说明冷热电负荷间耦合关联相互影响较弱，将冷热电负荷分别单独进行预测。
7.如权利要求4所述的一种多能源***多类型负荷联合预测方法，其特征在于，所述采用网格法确定预测模型的最优超参数，具体包括：
拟定双向长短期记忆神经网络的隐层数量、每层网络的神经元数量、学习率和L2正则化参数的取值范围；
通过在取值范围内的循环设定不同的超参数进行负荷预测和交叉验证；
选择负荷平均预测误差最小的超参数值作为多能源***负荷预测模型的最优超参数。
8.一种多能源***多类型负荷联合预测***，其特征在于，该***包括：
样本生成模块，用于获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集；
季节划分模块，用于获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；
参数设置模块，用于搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；
参数预测模块，用于将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054342.6A CN114548509A (zh) | 2022-01-18 | 2022-01-18 | 一种多能源***多类型负荷联合预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210054342.6A CN114548509A (zh) | 2022-01-18 | 2022-01-18 | 一种多能源***多类型负荷联合预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548509A true CN114548509A (zh) | 2022-05-27 |
Family
ID=81672194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210054342.6A Pending CN114548509A (zh) | 2022-01-18 | 2022-01-18 | 一种多能源***多类型负荷联合预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548509A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115425680A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 一种多能源联合发电***的功率预测模型构建及预测方法 |
| CN115718744A (zh) * | 2022-11-28 | 2023-02-28 | 北京中航路通科技有限公司 | 一种基于大数据的数据质量度量方法 |
| CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及*** |
| CN117520086A (zh) * | 2023-10-18 | 2024-02-06 | 厦门国际银行股份有限公司 | 一种存储性能监控方法、***及存储介质 |
-
2022
- 2022-01-18 CN CN202210054342.6A patent/CN114548509A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115425680A (zh) * | 2022-08-31 | 2022-12-02 | 中国长江三峡集团有限公司 | 一种多能源联合发电***的功率预测模型构建及预测方法 |
| CN115425680B (zh) * | 2022-08-31 | 2023-07-18 | 中国长江三峡集团有限公司 | 一种多能源联合发电***的功率预测模型构建及预测方法 |
| CN115718744A (zh) * | 2022-11-28 | 2023-02-28 | 北京中航路通科技有限公司 | 一种基于大数据的数据质量度量方法 |
| CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
| CN115983448B (zh) * | 2022-12-14 | 2023-09-12 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及*** |
| CN117520086A (zh) * | 2023-10-18 | 2024-02-06 | 厦门国际银行股份有限公司 | 一种存储性能监控方法、***及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114548509A (zh) | 一种多能源***多类型负荷联合预测方法及*** | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
| US20210110262A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
| CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
| CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN112101521A (zh) | 一种基于长短期记忆网络混合模型的建筑能耗预测方法 | |
| CN116050665A (zh) | 供热设备故障预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| Fouladfar et al. | Adaptive thermal load prediction in residential buildings using artificial neural networks | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源***冷热负荷数据驱动预测方法 | |
| Arida et al. | building energy modeling using artificial Neural Networks | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及*** | |
| Chi et al. | Calculation method of probability integration method parameters based on MIV-GP-BP model | |
| Mohammadigohari | Energy consumption forecasting using machine learning | |
| CN117526316B (zh) | 一种基于GCN-CBAM-BiGRU组合模型的负荷预测方法 | |
| Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
| CN113256018B (zh) | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
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 |