CN115907131A - 一种北方地区电采暖负荷预测模型搭建方法和*** - Google Patents

Abstract

本发明涉及电力***技术领域，尤其涉及一种北方地区电采暖负荷预测模型搭建方法和***。一方面，在多个特征中选出与电采暖负荷相关性最强的几个影响因素，作为输入特征，过滤掉弱相关的气象特征，避免其对预测结果的干扰，实现降维处理，减轻了神经网络的工作量，提升运行速率与精度，另一方面，采用混合模型进行电采暖负荷预测，即结合两种深度学习模型的组合方式使预测结果更准确。

Description

一种北方地区电采暖负荷预测模型搭建方法和***

背景技术

全球能源结构清洁化转型，高碳排放电力***将逐渐被清洁电力***所取代，为进一步减轻环境污染、缓解能源危机，电采暖替代传统的燃煤供暖成为趋势。北方地区大力贯彻和落实北方清洁取暖政策，积极建设电采暖基础设施，加快推进电能替代进度。

随着电采暖工作的不断深入以及人们对舒适度的要求逐渐增高，电采暖负荷在总负荷中的比例逐渐增大，给电力***的安全平稳运行带来不小挑战。准确的电力负荷预测在保证电力***可靠、经济运行方面十分重要，影响着诸多决策。供电、用电模式可以通过更加准确的负荷预测进一步优化，从而改善***的配电方案，使电能合理分配。因此，提高电采暖负荷预测的精确度是十分必要的。

传统的负荷预测主要有时间序列法、模式识别法、回归分析法等，这些方法基于线性建模，未考虑负荷的不确定性，存在不小的误差。人工智能的不断发展使机器学习算法被用于负荷预测，如支持向量机避免了陷入局部最优解，但精度过度依赖于参数的取值；决策树算法容易过拟合，适合处理特征关联性较弱的数据。人工神经网络作为机器学习的重要内容被用于提取输入特征与未来负荷间的强大关系，浅层神经网络未考虑样本信息中的时间依赖信息，不能自动提取深层特征；深度学习方法因其具有较强的数据特征提取和拟合能力，近年来得到迅速发展。

单一模型具有局限性，混合模型应运而生，主要包括两种组合方式，一是基于模型性能的整体组合，通过对单一模型赋予不同的权值，将多个单一模型的预测结果进行线性组合。二是基于数据特征的分量预测，通过特征工程提取相似数据，从而增强模型对特定情况的代表性和适应性，目前流行方法的主要有：将原始数据分解为不同频段的分量、以不同特征为基础对原始数据进行聚类分析，从而对不同类别数据分别进行预测。虽然目前负荷预测方法众多，但电采暖负荷预测结果精度难以满足新型电力***的高要求。

发明内容

本发明实施例提供了一种北方地区电采暖负荷预测模型搭建方法和***，以解决现有技术中电采暖负荷预测精度不高的缺陷。

本发明的一种北方地区电采暖负荷预测模型搭建方法的技术方案如下：

获取历史电采暖负荷数据、历史气象数据和日期特征，建立历史数据时间序列信息，并计算影响电采暖负荷的每个影响因素的最大信息系数，选取最大信息系数大于预设阈值的影响因素作为输入特征，其中，多个影响因素包括日期特征因素和气象因素；

根据所述历史数据时间序列信息，得到历史电采暖负荷时间序列，利用完整经验模态分解将历史电采暖负荷时间序列分解为多个本征模态函数以及一个余项，将每个本征模态函数和余项均分别作为一个子序列，并根据所述历史数据时间序列信息，获取每个输入特征对应的历史输入特征时间序列；

对任一子序列分别建立第一深度学习模型和第二深度学习模型，并基于所有历史输入特征时间序列和该子序列，对该子序列的第一深度学习模型和第二深度学习模型进行训练，得到并利用该子序列的训练好的第一深度学习模型和训练好的第二深度学习模型，分别得到该子序列对应的预设未来时刻的目标子序列，利用最优加权组合法对该两个目标子序列分别赋予不同权重并线性相加，得到该子序列对应的预测结果，直至得到每个子序列对应的预测结果，将所有预测结果之和，作为所述预设未来时刻的电采暖负荷初步预测值。

本发明的一种北方地区电采暖负荷预测模型搭建***的技术方案如下：

包括获取建立选取模块、分解模块和训练预测模块；

所述获取建立选取模块用于：获取历史电采暖负荷数据、历史气象数据和日期特征，建立历史数据时间序列信息，并计算影响电采暖负荷的每个影响因素的最大信息系数，选取最大信息系数大于预设阈值的影响因素作为输入特征，其中，多个影响因素包括日期特征因素和气象因素；

所述分解模块用于：根据所述历史数据时间序列信息，得到历史电采暖负荷时间序列，利用完整经验模态分解将历史电采暖负荷时间序列分解为多个本征模态函数以及一个余项，将每个本征模态函数和余项均分别作为一个子序列，并根据所述历史数据时间序列信息，获取每个输入特征对应的历史输入特征时间序列；

所述训练预测模块用于：对任一子序列分别建立第一深度学习模型和第二深度学习模型，并基于所有历史输入特征时间序列和该子序列，对该子序列的第一深度学习模型和第二深度学习模型进行训练，得到并利用该子序列的训练好的第一深度学习模型和训练好的第二深度学习模型，分别得到该子序列对应的预设未来时刻的目标子序列，利用最优加权组合法对该两个目标子序列分别赋予不同权重并线性相加，得到该子序列对应的预测结果，直至得到每个子序列对应的预测结果，将所有预测结果之和，作为所述预设未来时刻的电采暖负荷初步预测值。

本发明实施例的一种存储介质，存储介质中存储有指令，当计算机读取指令时，使计算机执上述任一项北方地区电采暖负荷预测模型搭建***。

本发明实施例的一种电子设备，包括处理器和上述的存储介质，处理器执行存储介质中的指令。

本发明的有益效果如下：

一方面，在多个特征中选出与电采暖负荷相关性最强的几个影响因素，作为输入特征，过滤掉弱相关的气象特征，避免其对预测结果的干扰，实现降维处理，减轻了神经网络的工作量，提升运行速率与精度，另一方面，采用混合模型进行电采暖负荷预测，即结合两种深度学习模型的组合方式使预测结果更准确。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种北方地区电采暖负荷预测模型搭建方法的流程示意图之一；

图2为本发明实施例的一种北方地区电采暖负荷预测模型搭建方法的流程示意图之二；

图3为本发明实施例中历史电采暖负荷数据经CEEMDAN分解后的结果；

图4为本发明实施例中时间卷积网络结构图；

图5为本发明实施例中TCN的基本单位；

图6为本发明实施例中LSTM网络基本单元；

图7为本发明实施例中电采暖负荷预测结果；

图8为本发明实施例的一种北方地区电采暖负荷预测模型搭建***的结构示意图。

具体实施方式

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，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。

如图1和图2所示，本发明实施例的一种北方地区电采暖负荷预测模型搭建方法，包括如下步骤：

S1、建立历史数据时间序列信息，以及，确定输入特征，具体地：

获取历史电采暖负荷数据、历史气象数据和日期特征，建立历史数据时间序列信息，并计算影响电采暖负荷的每个影响因素的最大信息系数，选取最大信息系数大于预设阈值的影响因素作为输入特征，其中，多个影响因素包括日期特征因素和气象因素，其中，日期特征因素指：将日期特征也作为影响因素；

其中，日期特征包括季节特征、月度特征和日期类型，季节特征包括：春、夏、秋、冬，月度特征包括1月、2月……12月，日期类型包括工作日、周末和节假日；

其中，多个气象因素包括：温度、相对湿度、降雨量、风速、风向、气压和云量。

建立历史数据时间序列信息的过程如下：

例如，选取宁夏某地区一年内连续110天的真实的历史电采暖负荷数据、历史气象数据和日期特征作为数据集，时间分辨率为15min，建立历史数据时间序列信息，历史数据时间序列信息包括连续110天内每15min的电采暖负荷值、温度、相对湿度、降雨量、风速、风向、气压、云量、所属季节、所属月份、所属日期类型，按照时间顺序排列而成，形成电采暖负荷值时间序列、温度时间序列、相对湿度时间序列、降雨量时间序列、风速时间序列、风向时间序列、气压时间序列、云量时间序列、所属季节时间序列、所属月份时间序列、所属日期类型时间序列，组成历史数据时间序列信息，后10类时间序列即温度时间序列、相对湿度时间序列、降雨量时间序列、风速时间序列、风向时间序列、气压时间序列、云量时间序列、所属季节时间序列、所属月份时间序列、所属日期类型时间序列统称为影响因素时间序列。

在计算最大信息系数MIC过程中，需要对日期特征进行量化，例如，春夏秋冬，分别量化为1、2、3和4，1月～12月共12个月份，分别量化为1～12，工作日、周末和节假日，分别量化为1、2和3。

计算任一影响因素的最大信息系数MIC的过程如下：

利用MIC衡量变量间的相关性程度，利用历史数据描述多重因素与电采暖负荷间是否存在关联，通过下式计算不同影响因素与电采暖负荷间的MIC，以温度因素为例，计算历史时间序列信息中的温度时间序列与电采暖负荷时间序列之间的MIC，方法如下：

1)X＝{x₁,x₂,…,x_N}为温度时间序列，x_i(i＝1,2,...,N)为温度时间序列中第i个温度值，Y＝{y₁,y₂,…,y_N}为电采暖负荷时间序列，y_i(i＝1,2,...,N)为电采暖负荷时间序列中的第i个电采暖负荷值，N为时间序列长度，则X与Y之间的MI值为：

式中：I_MI(X,Y)为X和Y间的MI值，p(x,y)为X和Y间的联合概率密度，p(x)、p(y)分别为X、Y的边缘概率密度。

2)D＝{(x_i,y_i}(i＝1,2,…,N)为X与Y组成的二元数据集，将二维空间划分为α×β的网格，记作G(α,β)，在网格G(α,β)下计算得到X和Y间不同的MI值，其中最大MI经归一化后为：

式中：M(D)_α,β为网格G(α,β)下的最大MI归一化后的值，I_MI(D|G)为在网格G(α,β)下X与Y的MI值。

3)网格有不同的划分方法，即α和β可以取不同的值，计算得到不同网格划分方法下的M(D)_α,β，其中的最大值为X和Y间的最大信息系数I_MIC(D)，即MIC：

式中，B(N)为网格划分的上限，通常选取B(N)＝N^0.6；

通过此方法计算出其他影响因素时间序列与电采暖负荷时间序列间的MIC值，选取MIC值最大的几个影响因素作为预测的模型的输入特征，剔除弱相关特征对预测结果的干扰，实现特征降维。在具体实施例中，选取出与电采暖负荷相关性较强的输入特征分别为温度、相对湿度、日期类型。

S2、得到多个本征模态函数和一个余项，以及获取历史输入特征时间序列，具体地：

根据历史数据时间序列信息，得到历史电采暖负荷时间序列，利用完整经验模态分解将历史电采暖负荷时间序列分解为多个本征模态函数以及一个余项，将每个本征模态函数和余项均分别作为一个子序列，并根据历史数据时间序列信息，获取每个输入特征对应的历史输入特征时间序列；

其中，根据历史数据时间序列信息，得到历史电采暖负荷时间序列，具体过程如下：

提取出历史数据时序信息中连续110天内按照时间顺序排列的每隔15min的电采暖负荷数据值，形成历史电采暖负荷时间序列。

其中，利用完整经验模态分解将历史电采暖负荷时间序列分解为多个本征模态函数以及一个余项，具体实现过程如下：

利用CEEMDAN将历史电采暖负荷数据分解为不同频率的子序列，对数据进行平稳性分析，利用CEEMDAN对电采暖负荷时间序列Y进行模态分解，设E_i(·)为经过EMD后第i个模态分量，IMF_i为CEEMDAN产生的第i个模态分量。CEEMDAN的分解过程如下：

1)将M次均值为0的高斯白噪声序列v_j，j＝1,2,…,M加入到预分解信号Y中，得到M个待分解序列C_j，j＝1,2,…,M。

2)利用EMD对C_j进行分解，从而获得第一个本征模态分量IMF₁(t)及残差分量r₁(t)：

r₁(t)＝Y-IMF₁(t)

式中：IMF₁ ^j(t)为第1次EMD时得到的第j个IMF分量。

3)继续将白噪声添加到分解后产生的第i个残余分量中，并进行EMD分解，得到第i+1个本征模态分量IMF_i+1(t)及残差分量r_i+1(t)：

r_i+1(t)＝r_i(t)-IMF_i+1(t)

式中，ε_i为第i个权值系数。

4)重复步骤3)，直至获得的残差分量为单调函数，不能够再进行分解，此时得到K个本征模态分量，原始信号分解为下式：

式中：r_k(t)为第K个残差分量。

在具体实施例中，历史电采暖负荷时间序列的CEEMDAN模态分解结果如图2和图3所示，共分为10个IMF分量即IMF1(t)～IMFn(t)和1个剩余分量r(t)，此时，n＝10。

其中，根据历史数据时间序列信息，获取每个输入特征对应的历史输入特征时间序列，具体过程如下：

提取出历史数据时序信息中连续110天内按照时间顺序排列的每隔15min的温度、相对湿度、日期类型时间序列信息，形成历史输入特征时间序列。

S3、预测预设未来时刻的电采暖负荷初步预测值，具体地：

对任一子序列分别建立第一深度学习模型和第二深度学习模型，并基于所有历史输入特征时间序列和该子序列，对该子序列的第一深度学习模型和第二深度学习模型进行训练，得到并利用该子序列的训练好的第一深度学习模型和训练好的第二深度学习模型，分别将预设未来时刻的输入特征输入到两个模型中，分别得到该子序列对应的预设未来时刻的目标子序列1和目标子序列2，利用最优加权组合法对该两个目标子序列分别赋予不同权重并线性相加，得到该子序列对应的预测结果，直至得到每个子序列对应的预测结果，此预测结果即在每个子序列下，由第一深度学习模型和第二深度学习模型得到的目标子序列1和目标子序列2在相应权重下的线性相加值，将所有预测结果之和，作为预设未来时刻的电采暖负荷初步预测值。

其中，第一深度学习模型为时间卷积网络预测模型，第二深度学习模型为长短期记忆神经网络预测模型，或者，第一深度学习模型为长短期记忆神经网络预测模型，第二深度学习模型为时间卷积网络预测模型，具体地：

1)时间卷积网络预测模型TCN是卷积神经网络应对时间序列问题而产生的优化和改进模型，基本结构如图4所示。TCN分别融合了因果卷积、扩张卷积和残差连接。因果卷积使得TCN适用于序列建模，即t时刻的值只由前一层t及以前的值决定，体现了时间约束。扩张卷积使得TCN能够获得更长的时序信息，从而减轻对历史信息学习不全的问题。残差连接使得TCN避免梯度消亡现象，使得网络结构更加稳定。图5为TCN模型的基本单位。

2)长短期记忆神经网络预测模型即LSTM神经网络预测模型，LSTM由激活函数sigmoid构成网络层，加上一个乘法操作共同构成门结构。LSTM网络共有三层：输入层、隐藏层、输出层，网络基本单元如图6所示。

基本单元中包含输入门、遗忘门和输出门。图6中的x_t是当前层的输入，h_t-1是前一层的输出结果，在它们共同通过遗忘门后，输出0—1之间的任一数值给旧的细胞状态S_t-1，决定遗忘部分，“0”代表“全部遗忘”，“1”代表“全部通过”。输入门中的x_t分别经过sigmoid和tanh函数，得到的结果相乘后产生新的信息，加上遗忘后的S_t-1，它们的和为新的细胞状态S_t。经过tanh函数的S_t与o_t一起决定输出h_t。计算公式如下：

S_t＝c_t×i_t+S_t-1×f_t

h_t＝o_t×tanh(S_t)

式中，σ为sigmoid函数，

分别为x_t和h_t-1与遗忘门、输入门、元祖输入、输出门的权重矩阵，b_f、b_i、b_c、b_o为相应部分的偏置向量，LSTM神经网络的参数设定如表1所示。

表1：

其中，对时间卷积网络预测模型和长短期记忆神经网络预测模型进行训练的过程如下：

将所有历史输入特征时间序列和该子序列按照一定比例划分为训练集和测试集，并对选中的输入特征数据进行归一化处理。在具体实施例中前100天的数据作为训练集，后10天的数据作为预测集，依据归一化方法对输入特征数据进行归一化处理。然后对时间卷积网络预测模型和长短期记忆神经网络预测模型进行训练，并利用该子序列的训练好的第一深度学习模型和训练好的第二深度学习模型，分别得到该子序列对应的预设未来时刻的目标子序列1和目标子序列2。

其中，利用最优加权组合法对该两个目标子序列分别赋予不同权重并线性相加，得到该子序列对应的预测结果，具体过程如下：

根据TCN和LSTM两种预测模型的所得到的目标子序列1和目标子序列2，采用最优加权组合法赋予它们相应的权重后线性相加，从而将两者进行组合获得两种预测模型的组合预测结果，计算方法如下：

式中，F_i ^TCN、F_i ^LSTM分别为第i个预设未来时刻的目标子序列1和目标子序列2；F_i为第i个预设未来时刻的实际子序列；

为第i个预设未来时刻的目标子序列1的预测误差值；

为第i个预设未来时刻的目标子序列2的预测误差值；E为偏差矩阵；S为多个预设未来时刻个数；ω_t、ω₂分别是TCN模型和LSTM模型的权重系数；R＝[1,1]^T；Q_i为第i个预设未来时刻的组合预测值。

一方面，在多个特征中选出与电采暖负荷相关性最强的几个影响因素，作为输入特征，过滤掉弱相关的气象特征，避免其对预测结果的干扰，实现降维处理，减轻了神经网络的工作量，提升运行速率与精度，另一方面，采用混合模型进行电采暖负荷预测，即结合两种深度学习模型的组合方式使预测结果更准确。

可选地，在上述技术方案中，还包括：

S4、利用误差修正模型进行误差预测，根据误差预测结果，对预设未来时刻的电采暖负荷初步预测值进行修正，得到预设未来时刻的电采暖负荷最终预测值。

利用误差修正模型进行误差预测，以对预设未来时刻的电采暖负荷初步预测值进行修正，进一步提高预设的精准度。

可选地，在上述技术方案中，误差修正模型为XGBoost误差修正模型，XGBoost误差修正模型的获取过程包括：

S040、计算每个预设已知时刻的电采暖负荷初步预测值，并获取每个预设已知时刻的电采暖负荷实际值和电采暖负荷初步预测值之间的偏差；

S041、根据每个预设已知时刻的电采暖负荷初步预测值、气象数据和偏差，对XGBoost进行训练，得到XGBoost误差修正模型。

XGBoost模型的基本思想是：新的循环将前一次循环得到的残差看成新的数据，从而进行学习，运算发生在负梯度方向，生成将本次循环残差变为最低的弱分类器。XGBoost通过在目标函数中加入正则项，避免模型在训练时过拟合，使模型更加稳定。同时，在求解目标函数时要对其进行一阶求导和二阶求导，并运用二阶泰勒展开，从而简化模型，使目标函数收敛性更好。

计算电采暖负荷初步预测值与实际值间的误差，根据误差与多重因素间的MIC值选取误差修正模型输入特征，在具体实施例中，与误差相关性较强的特征分别为温度和电采暖负荷初步预测值，将以上因素选为输入特征，将步骤S330最后10天的训练集分为误差修正模型的训练样本和测试样本，前9天数据为误差修正模型的训练样本，训练样本容量为869，最后1天的数据为误差修正模型的测试样本，测试样本容量为96，采用XGBoost模型进行误差预测，对初步预测值进行修正，计算方法如下：

式中：e(t-nT)、

P(t-nT)分别为训练样本中t-nT时刻的电采暖负荷初步预测偏差、电采暖负荷初步预测值以及电采暖负荷实际值，T为采样周期，即15min，N_t训练样本容量，在具体实施例中为；

t时刻的预测误差值：

式中：W₁(t)、W₂(t)分别为温度和电采暖负荷初步预测值两项输入特征，f(·)为输入特征与误差预测值间的非线性关系；

修正后的电采暖负荷最终预测值

为：

由于预测误差与影响因素等输入特征的相关性小于电采暖负荷与以上因素的相关性，因此选用更适用于处理相关性较低数据的XGBoost算法进行误差预测，与两种深度学习模型相辅相成，使得预测结果更准确。

可选地，在上述技术方案中，还包括：

S5、获取多个预设未来时刻的电采暖负荷最终预测值和电采暖负荷实际值，并结合多个预设指标，对电采暖负荷最终预测值进行误差分析。

其中，多个预设指标包括：平均绝对误差MAE、均方根误差RMSE和平均相对误差MAPE，对电采暖负荷最终预测值进行误差分析的具体过程如下：

式中：u_i、

分别为测试样本中第i个电采暖负荷最终预测值和相应的电采暖负荷实际值；H为测试样本容量。

预设指标的值越低说明该模型的预测效果越好，通过计算电采暖负荷最终预测值的以上三种指标，评价本发明所提电采暖负荷预测模型的优良。

本发明与现有技术相比存在的有益效果是：

1)采用MIC进行特征提取。在多个特征中选出与电采暖负荷相关性最强的几个因素，过滤掉弱相关的特征，避免其对预测结果的干扰，实现降维处理，减轻了神经网络的工作量，提升运行速率与精度。

2)采用混合模型进行电采暖负荷预测，结合两种混合模型的组合方式使预测结果更准确。其一为基于数据特征的分量预测，通过CEEMDAN对原始数据进行模态分解，得到不同频段的分量，提高数据间的相似度，应用适当模型对各子序列分别建模预测；其二为基于模型性能的整体组合，对每一子序列建立TCN和LSTM两种深度神经网络预测模型，对单一模型赋予不同的权值，将两个单一模型的预测结果进行线性组合。

3)在预测模型的基础上又提出了误差修正方法。由于预测误差与影响因素等输入特征的相关性小于电采暖负荷与以上因素的相关性，因此选用更适用于处理相关性较低数据的XGBoost算法进行误差预测，与两种神经网络预测模型相辅相成，使得预测结果更准确。

下面通过如下数据，对本发明的技术效果进行说明：

将单一TCN模型、单一LSTM模型、不经误差修正的CEEMDAN-TCN-LSTM模型与本发明所提的CEEMDAN-TCN-LSTM-XGBoost模型进行比较，各模型的误差分析指标结果如表2所示，电采暖负荷预测结果如图7所示。

表2：

模型	MAE/kW	RMSE/kW	MAPE/％
				TCN	17.87	19.33	15.86
LSTM	18.94	21.09	14.39
				CEEMDAN-TCN-LSTM	12.66	13.46	9.74
CEEMDAN-TCN-LSTM-XGBoost	8.57	10.78	5.11

由表1可以看出相比于单一TCN模型、单一LSTM模型以及没有进行误差修正的CEEMDAN-TCN-LSTM模型，本发明所提出的模型MAE、RSME、MAPE值更小，说明本发明所提出电采暖负荷预测模型的准确度更高。由图7可以看出，相较于其他模型，本发明所提出的模型对负荷变化有良好的追踪能力，电采暖预测负荷曲线与实际负荷曲线更接近，验证了本发明提所模型的有效性。

在上述各实施例中，虽然对步骤进行了编号S1、S2等，但只是本申请给出的具体实施例，本领域的技术人员可根据实际情况调整S1、S2等的执行顺序，此也在本发明的保护范围内，可以理解，在一些实施例中，可以包含如上述各实施方式中的部分或全部。

如图8所示，本发明实施例的一种北方地区电采暖负荷预测模型搭建***200，包括获取建立选取模块210、分解模块220和训练预测模块230；

获取建立选取模块210用于：获取历史电采暖负荷数据、历史气象数据和日期特征，建立历史数据时间序列信息，并计算影响电采暖负荷的每个影响因素的最大信息系数，选取最大信息系数大于预设阈值的影响因素作为输入特征，其中，多个影响因素包括日期特征因素和气象因素；

分解模块220用于：根据历史数据时间序列信息，得到历史电采暖负荷时间序列，利用完整经验模态分解将历史电采暖负荷时间序列分解为多个本征模态函数以及一个余项，将每个本征模态函数和余项均分别作为一个子序列，并根据历史数据时间序列信息，获取每个输入特征对应的历史输入特征时间序列；

训练预测模块230用于：对任一子序列分别建立第一深度学习模型和第二深度学习模型，并基于所有历史输入特征时间序列和该子序列，对该子序列的第一深度学习模型和第二深度学习模型进行训练，得到并利用该子序列的训练好的第一深度学习模型和训练好的第二深度学习模型，分别得到该子序列对应的预设未来时刻的目标子序列，利用最优加权组合法对该两个目标子序列分别赋予不同权重并线性相加，得到该子序列对应的预测结果，直至得到每个子序列对应的预测结果，将所有预测结果之和，作为预设未来时刻的电采暖负荷初步预测值。

一方面，在多个特征中选出与电采暖负荷相关性最强的几个影响因素，作为输入特征，过滤掉弱相关的气象特征，避免其对预测结果的干扰，实现降维处理，减轻了神经网络的工作量，提升运行速率与精度，另一方面，采用混合模型进行电采暖负荷预测，即结合两种深度学习模型的组合方式使预测结果更准确。

可选地，在上述技术方案中，还包括误差修正模块，误差修正模块用于：

利用误差修正模型进行误差预测，根据误差预测结果，对预设未来时刻的电采暖负荷初步预测值进行修正，得到预设未来时刻的电采暖负荷最终预测值。

利用误差修正模型进行误差预测，以对预设未来时刻的电采暖负荷初步预测值进行修正，进一步提高预设的精准度。

可选地，在上述技术方案中，还包括训练模块，误差修正模型为XGBoost误差修正模型，训练模块用于：

计算每个预设已知时刻的电采暖负荷初步预测值，并获取每个预设已知时刻的电采暖负荷实际值和电采暖负荷初步预测值之间的偏差；

根据每个预设已知时刻的电采暖负荷初步预测值、气象数据和偏差，对XGBoost进行训练，得到XGBoost误差修正模型。

由于预测误差与影响因素等输入特征的相关性小于电采暖负荷与以上因素的相关性，因此选用更适用于处理相关性较低数据的XGBoost算法进行误差预测，与两种深度学习模型相辅相成，使得预测结果更准确。

可选地，在上述技术方案中，还包括误差分析模块，误差分析用于：

获取多个预设未来时刻的电采暖负荷最终预测值和电采暖负荷实际值，并结合多个预设指标，对电采暖负荷最终预测值进行误差分析。

可选地，在上述技术方案中，多个预设指标包括：平均绝对误差、均方根误差和平均相对误差。

可选地，在上述技术方案中，日期特征包括季节特征、月度特征和日期类型，季节特征包括：春、夏、秋、冬，月度特征包括1月、2月……12月，日期类型包括工作日、周末和节假日。

可选地，在上述技术方案中，多个气象因素包括：温度、相对湿度、降雨量、风速、风向、气压和云量。

可选地，在上述技术方案中，第一深度学习模型为时间卷积网络预测模型，第二深度学习模型为长短期记忆神经网络预测模型，或者，第一深度学习模型为长短期记忆神经网络预测模型，第二深度学习模型为时间卷积网络预测模型。

上述关于本发明的一种北方地区电采暖负荷预测模型搭建***200中的各参数和各个单元模块实现相应功能的步骤，可参考上文中关于一种北方地区电采暖负荷预测模型搭建方法的实施例中的各参数和步骤，在此不做赘述。

本发明实施例的一种存储介质，存储介质中存储有指令，当计算机读取指令时，使计算机执上述任一项北方地区电采暖负荷预测模型搭建***。

本发明实施例的一种电子设备，包括处理器和上述的存储介质，处理器执行存储介质中的指令。其中，电子设备可以选用电脑、手机等。

所属技术领域的技术人员知道，本发明可以实现为***、方法或计算机程序产品。

因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“***”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种北方地区电采暖负荷预测模型搭建方法，其特征在于，包括：

获取历史电采暖负荷数据、历史气象数据和日期特征，建立历史数据时间序列信息，并计算影响电采暖负荷的每个影响因素的最大信息系数，选取最大信息系数大于预设阈值的影响因素作为输入特征，其中，多个影响因素包括日期特征因素和气象因素；

根据所述历史数据时间序列信息，得到历史电采暖负荷时间序列，利用完整经验模态分解将历史电采暖负荷时间序列分解为多个本征模态函数以及一个余项，将每个本征模态函数和余项均分别作为一个子序列，并根据所述历史数据时间序列信息，获取每个输入特征对应的历史输入特征时间序列；

对任一子序列分别建立第一深度学习模型和第二深度学习模型，并基于所有历史输入特征时间序列和该子序列，对该子序列的第一深度学习模型和第二深度学习模型进行训练，得到并利用该子序列的训练好的第一深度学习模型和训练好的第二深度学习模型，分别得到该子序列对应的预设未来时刻的目标子序列，利用最优加权组合法对该两个目标子序列分别赋予不同权重并线性相加，得到该子序列对应的预测结果，直至得到每个子序列对应的预测结果，将所有预测结果之和，作为所述预设未来时刻的电采暖负荷初步预测值。

2.根据权利要求1所述的一种北方地区电采暖负荷预测模型搭建方法，其特征在于，还包括：

利用误差修正模型进行误差预测，根据误差预测结果，对所述预设未来时刻的电采暖负荷初步预测值进行修正，得到所述预设未来时刻的电采暖负荷最终预测值。

3.根据权利要求2所述的一种北方地区电采暖负荷预测模型搭建方法，其特征在于，所述误差修正模型为XGBoost误差修正模型，所述XGBoost误差修正模型的获取过程包括：

计算每个预设已知时刻的电采暖负荷初步预测值，并获取每个预设已知时刻的电采暖负荷实际值和电采暖负荷初步预测值之间的偏差；

根据每个预设已知时刻的电采暖负荷初步预测值、气象数据和偏差，对XGBoost进行训练，得到所述XGBoost误差修正模型。

4.根据权利要求1至3任一项所述的一种北方地区电采暖负荷预测模型搭建方法，其特征在于，还包括：

获取多个预设未来时刻的电采暖负荷最终预测值和电采暖负荷实际值，并结合多个预设指标，对电采暖负荷最终预测值进行误差分析。

5.根据权利要求4所述的一种北方地区电采暖负荷预测模型搭建方法，其特征在于，多个预设指标包括：平均绝对误差、均方根误差和平均相对误差。

6.根据权利要求1至3任一项所述的一种北方地区电采暖负荷预测模型搭建方法，其特征在于，所述日期特征包括季节特征、月度特征和日期类型，所述季节特征包括：春、夏、秋、冬，所述月度特征包括1月、2月……12月，所述日期类型包括工作日、周末和节假日。

7.根据权利要求1至3任一项所述的一种北方地区电采暖负荷预测模型搭建方法，其特征在于，多个气象因素包括：温度、相对湿度、降雨量、风速、风向、气压和云量。

8.根据权利要求1至3任一项所述的一种北方地区电采暖负荷预测模型搭建方法，所述第一深度学习模型为时间卷积网络预测模型，所述第二深度学习模型为长短期记忆神经网络预测模型，或者，所述第一深度学习模型为长短期记忆神经网络预测模型，所述第二深度学习模型为时间卷积网络预测模型。

9.一种北方地区电采暖负荷预测模型搭建***，其特征在于，包括：获取建立选取模块、分解模块和训练预测模块；

所述获取建立选取模块用于：获取历史电采暖负荷数据、历史气象数据和日期特征，建立历史数据时间序列信息，并计算影响电采暖负荷的每个影响因素的最大信息系数，选取最大信息系数大于预设阈值的影响因素作为输入特征；

所述分解模块用于：根据所述历史数据时间序列信息，得到历史电采暖负荷时间序列，利用完整经验模态分解将历史电采暖负荷时间序列分解为多个本征模态函数以及一个余项，将每个本征模态函数和余项均分别作为一个子序列，并根据所述历史数据时间序列信息，获取每个输入特征对应的历史输入特征时间序列；

所述训练预测模块用于：对任一子序列分别建立第一深度学习模型和第二深度学习模型，并基于所有历史输入特征时间序列和该子序列，对该子序列的第一深度学习模型和第二深度学习模型进行训练，得到并利用该子序列的训练好的第一深度学习模型和训练好的第二深度学习模型，分别得到该子序列对应的预设未来时刻的目标子序列，利用最优加权组合法对该两个目标子序列分别赋予不同权重并线性相加，得到该子序列对应的预测结果，直至得到每个子序列对应的预测结果，将所有预测结果之和，作为所述预设未来时刻的电采暖负荷初步预测值。

10.根据权利要求9所述的一种北方地区电采暖负荷预测模型搭建***，其特征在于，还包括误差修正模块，所述误差修正模块用于：

利用误差修正模型进行误差预测，根据误差预测结果，对所述预设未来时刻的电采暖负荷初步预测值进行修正，得到所述预设未来时刻的电采暖负荷最终预测值。

Images