CN116894528A - 一种冷热站负荷预测方法、装置和计算机设备 - Google Patents
一种冷热站负荷预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116894528A CN116894528A CN202311163209.5A CN202311163209A CN116894528A CN 116894528 A CN116894528 A CN 116894528A CN 202311163209 A CN202311163209 A CN 202311163209A CN 116894528 A CN116894528 A CN 116894528A
- Authority
- CN
- China
- Prior art keywords
- cold
- load
- hour
- granularity
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000002354 daily effect Effects 0.000 claims description 66
- 238000000605 extraction Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003203 everyday effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000036316 preload Effects 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 abstract description 6
- 238000009423 ventilation Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种冷热站负荷预测方法、装置和计算机设备,涉及暖通技术领域,以解决现有预测未来负荷的方案预测精度不高的技术问题。方法包括:获取历史数据;训练得到日粒度负荷预测模型、小时粒度负荷预测模型和小时负荷占比模型;获取未来时间段的天气预报数据;通过日粒度负荷预测模型得到未来时间段每天的冷热站负荷量预测结果,并结合未来时间段每天中每小时的冷热站负荷占比预测值,得到未来时间段每小时的冷热站第一负荷量预测结果;通过小时粒度负荷预测模型得到未来时间段每小时的冷热站第二负荷量预测结果;通过加权,得到未来每小时的冷热站最终负荷预测结果。本发明降低了天气预报特征信息不足带来的精度损失,提高了预测精度。
Description
技术领域
本申请涉及暖通技术领域,特别是涉及一种冷热站负荷预测方法、装置和计算机设备。
背景技术
现有的提高机组能源利用率的节能方法通常有两种,基于类似PID的反馈控制和基于负荷预测的前馈控制:
第一种基于PID的反馈控制常以温度为目标变量,来调节所需负荷的大小。这种方式会存在“跟不上”的问题,因为建筑内机组的调控参数并不是实时生效的。比如大厦的空调***中,在机组设置控制参数后,冷温水从机组送出,经过分水器、集水器和水泵,以及通过管道送到各个楼层的过程中,存在较长的运输时间。从参数配置到冷温水送入各个楼层,这个运输时间甚至可达到2个小时。这种情况下,最初根据2小时前的室温设置的参数可能已经无法满足此时的温度需求。
另一种方式就是通过机器学习或深度学习构建负荷预测模型,先预测未来的负荷,以未来负荷作为反馈量,来调节此时的控制参数。这样可以一定程度上消除冷温水运输时间差带来的问题,那么这里的关键就是要尽可能准确地预测未来的能耗负荷。现有的方法主要只是对温湿度或机组的参数构建特征,然后直接送入通用的机器学习模型进行训练和预测,其主体思路是对的,但是在实际使用时,对负荷的预测准确率并不高,主要有三点原因:
(1)训练和预测数据粒度不一致:比如温湿度在历史数据中可以采集到5min的高频数据,而未来的温湿度数据只能来源于气象局的天气预报数据,这个数据最多只能获取到小时级(每小时仅1个值),那么在训练时对高频数据的特征提取方式就无法直接应用到预测的输入数据,导致特征提取信息较差、预测精度不高;
(2)数据质量差:数据在不同时间段内存在缺失或某个特征数据完全缺失,若是直接过滤掉,可能导致数据量较少或无可用数据,而直接对特征使用普通的插值,并不能真实地反应那个时刻的特征变化,不会提高预测结果的准确性;
(3)通用模型针对性不强:大多负荷预测方法并没有针对负荷预测的场景,对现有的机器学习模型没有做针对性的优化,而是直接使用官方通用的模型,这也会给负荷预测的准确率打一定的折扣。
发明内容
基于此,针对上述技术问题,提供一种冷热站负荷预测方法、装置和计算机设备,以解决现有通过构建负荷预测模型来预测未来负荷的方案中,训练和预测数据粒度不一致导致预测精度不高的技术问题。
为了实现上述目的,本申请提供如下技术方案:
第一方面,一种冷热站负荷预测方法,包括:
S1,获取历史温湿度数据和相应历史冷热站负荷数据;
S2,对所述历史温湿度数据中每天的温湿度数据进行特征提取,构建多组日粒度特征项;对所述历史温湿度数据中每小时的温湿度数据进行特征提取,构建多组小时粒度特征项;以及统计所述历史冷热站负荷数据中每个工作日时段的负荷占比;
S3,根据所述多组日粒度特征项和相应每天的冷热站负荷数据,训练得到日粒度负荷预测模型md;根据所述多组小时粒度特征项和相应每小时的冷热站负荷数据,训练得到小时粒度负荷预测模型mh;以及根据所述历史冷热站负荷数据中每个工作日时段的负荷占比,训练得到小时负荷占比模型mr;
S4,获取未来时间段的天气预报数据;对所述天气预报数据中每天的温湿度数据进行特征提取,构建待预测多组日粒度特征项;对所述天气预报数据中每小时的温湿度数据进行特征提取,构建待预测多组小时粒度特征项;
S5,将所述待预测多组日粒度特征项输入到所述日粒度负荷预测模型md,得到未来时间段每天的冷热站负荷量预测结果mdi;利用所述小时负荷占比模型mr,得到未来时间段每天中每小时的冷热站负荷占比预测值mrj,并利用未来时间段每天的冷热站负荷量预测结果mdi和未来时间段每天中每小时的冷热站负荷占比预测值mrj,得到未来时间段每小时的冷热站第一负荷量预测结果;其中,i表示未来时间段中的某一天,j表示第i天中的某个小时;
S6,将所述待预测多组小时粒度特征项输入到所述小时粒度负荷预测模型mh中,得到未来时间段每小时的冷热站第二负荷量预测结果mhj;
S7,对所述未来时间段每小时的冷热站第一负荷量预测结果和未来时间段每小时的冷热站第二负荷量预测结果mhj进行加权,得到未来时间段每小时的冷热站最终负荷预测结果。
可选地,所述日粒度负荷预测模型md和小时粒度负荷预测模型mh,均是通过Xgboost-Hyperopt超参优化学习模型训练得到。
可选地,所述小时负荷占比模型mr,通过KDE核密度估计和M-H采样训练得到。
可选地,步骤S2还包括:
利用预设加权函数,对所述多组日粒度特征项和多组小时粒度特征项进行样本权重调节。
进一步可选地,所述预设加权函数为:
其中,t表示样本,表示样本总数,k为调节因子,表示距离当前时间最远的样本。
可选地,所述未来时间段每小时的冷热站第一负荷量预测结果等于,所述未来时间段每小时的冷热站最终负荷预测结果等于/>,其中,β为预设权重。
可选地,对所述历史温湿度数据中每天的温湿度数据进行特征提取时,选取均值、标准差或导数构建日粒度特征项;对所述历史温湿度数据中每小时的温湿度数据进行特征提取时,选取均值构建小时粒度特征项。
可选地,所述方法还包括:
对在某些时间段存在缺失的特征项,使用KDE核密度估计和M-H采样,学习所述缺失的特征项在不存在数据缺失的日期中的相同时间段所对应的特征分布,并从学习到的特征分布中对缺失的特征项所对应的时间段进行采样,用得到的采样值填充存在缺失的特征项。
第二方面,一种冷热站负荷预测装置,包括:
历史数据获取模块,用于获取历史温湿度数据和相应历史冷热站负荷数据;
历史数据特征提取模块,用于对所述历史温湿度数据中每天的温湿度数据进行特征提取,构建多组日粒度特征项;对所述历史温湿度数据中每小时的温湿度数据进行特征提取,构建多组小时粒度特征项;以及统计所述历史冷热站负荷数据中每个工作日时段的负荷占比;
模型训练模块,用于根据所述多组日粒度特征项和相应每天的冷热站负荷数据,训练得到日粒度负荷预测模型md;根据所述多组小时粒度特征项和相应每小时的冷热站负荷数据,训练得到小时粒度负荷预测模型mh;以及根据所述历史冷热站负荷数据中每个工作日时段的负荷占比,训练得到小时负荷占比模型mr;
天气预报数据特征提取模块,用于获取未来时间段的天气预报数据;对所述天气预报数据中每天的温湿度数据进行特征提取,构建待预测多组日粒度特征项;对所述天气预报数据中每小时的温湿度数据进行特征提取,构建待预测多组小时粒度特征项;
第一预测模块,用于将所述待预测多组日粒度特征项输入到所述日粒度负荷预测模型md,得到未来时间段每天的冷热站负荷量预测结果mdi;利用所述小时负荷占比模型mr,得到未来时间段每天中每小时的冷热站负荷占比预测值mrj,并利用未来时间段每天的冷热站负荷量预测结果mdi和未来时间段每天中每小时的冷热站负荷占比预测值mrj,得到未来时间段每小时的冷热站第一负荷量预测结果;其中,i表示未来时间段中的某一天,j表示第i天中的某个小时;
第二预测模块,用于将所述待预测多组小时粒度特征项输入到所述小时粒度负荷预测模型mh中,得到未来时间段每小时的冷热站第二负荷量预测结果mhj;
第三预测模块,用于对所述未来时间段每小时的冷热站第一负荷量预测结果和未来时间段每小时的冷热站第二负荷量预测结果mhj进行加权,得到未来时间段每小时的冷热站最终负荷预测结果。
第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现实现第一方面中任一项所述的方法的步骤。
本发明至少具有以下有益效果:
在本发明实施例所提供的方法中,构建了多粒度模型,具体包括日粒度负荷预测模型、小时粒度负荷预测模型和小时负荷占比模型;通过日粒度负荷预测模型来预测未来每天的冷热站负荷量,并使用小时负荷占比模型预测未来每小时的冷量占比,然后根据未来每天的冷热站负荷量和未来每小时的冷量占比,得到未来每小时的冷热站第一负荷量预测结果;同时通过小时粒度负荷预测模型来预测每小时的冷热站负荷量,得到未来每小时的冷热站第二负荷量预测结果;最后通过对未来每小时的冷热站第一负荷量预测结果和未来每小时的冷热站第二负荷量预测结果进行加权平均修正,得到未来每小时的冷热站最终负荷预测结果;本发明通过构建多粒度模型,从不同的角度给出预测结果,并对结果进行加权作为最终的预测结果,降低了天气预报特征信息不足带来的精度损失,提高了预测精度,解决了训练和预测数据粒度不一致导致特征提取信息较差的问题。
附图说明
图1为本发明一个实施例提供的一种冷热站负荷预测方法的流程示意图;
图2为本发明一个实施例中模型训练过程流程示意图;
图3为本发明一个实施例中模型预测过程流程示意图;
图4为本发明一个实施例中样本权重随时间的变化关系图;
图5为本发明一个实施例提供的一种冷热站负荷预测装置的模块架构框图;
图6为本发明一个实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种冷热站负荷预测方法,包括以下步骤:
S1,获取历史温湿度数据和相应历史冷热站负荷数据。
S2,对历史温湿度数据中每天的温湿度数据进行特征提取,构建多组日粒度特征项;对历史温湿度数据中每小时的温湿度数据进行特征提取,构建多组小时粒度特征项;以及统计历史冷热站负荷数据中每个工作日时段的负荷占比。
其中,对历史温湿度数据中每天的温湿度数据进行特征提取时,选取均值、标准差或导数构建日粒度特征项;对历史温湿度数据中每小时的温湿度数据进行特征提取时,选取均值构建小时粒度特征项。
进一步地,步骤S2还包括:
利用预设加权函数,对多组日粒度特征项和多组小时粒度特征项进行样本权重调节。
其中,预设加权函数为:
其中,t表示样本,表示样本总数,k为调节因子,表示距离当前时间最远的样本。
S3,根据多组日粒度特征项和相应每天的冷热站负荷数据,训练得到日粒度负荷预测模型md;根据多组小时粒度特征项和相应每小时的冷热站负荷数据,训练得到小时粒度负荷预测模型mh;以及根据历史冷热站负荷数据中每个工作日时段的负荷占比,训练得到小时负荷占比模型mr。
其中,日粒度负荷预测模型md和小时粒度负荷预测模型mh,均是通过Xgboost-Hyperopt超参优化学习模型训练得到。小时负荷占比模型mr,通过KDE核密度估计和M-H采样训练得到。
步骤S1-S3完成了模型训练过程,这一部分的流程示意图还可参见图2。
S4,获取未来时间段的天气预报数据;对天气预报数据中每天的温湿度数据进行特征提取,构建待预测多组日粒度特征项;对天气预报数据中每小时的温湿度数据进行特征提取,构建待预测多组小时粒度特征项。
其中,未来时间段可以但不限于为未来24小时。
S5,将待预测多组日粒度特征项输入到日粒度负荷预测模型md,得到未来时间段每天的冷热站负荷量预测结果mdi;利用小时负荷占比模型mr,得到未来时间段每天中每小时的冷热站负荷占比预测值mrj,并利用未来时间段每天的冷热站负荷量预测结果mdi和未来时间段每天中每小时的冷热站负荷占比预测值mrj,得到未来时间段每小时的冷热站第一负荷量预测结果;其中,i表示未来时间段中的某一天,j表示第i天中的某个小时。
其中,未来时间段每小时的冷热站第一负荷量预测结果等于,未来时间段每小时的冷热站最终负荷预测结果等于/>,其中,β为预设权重。
S6,将待预测多组小时粒度特征项输入到小时粒度负荷预测模型mh中,得到未来时间段每小时的冷热站第二负荷量预测结果mhj;
S7,对未来时间段每小时的冷热站第一负荷量预测结果和未来时间段每小时的冷热站第二负荷量预测结果mhj进行加权,得到未来时间段每小时的冷热站最终负荷预测结果。
步骤S4-S7完成了模型预测过程,这一部分的流程示意图还可参见图3。
进一步地,该方法还包括:对在某些时间段存在缺失的特征项,使用KDE核密度估计和M-H采样,学习缺失的特征项在不存在数据缺失的日期中的相同时间段所对应的特征分布,并从学习到的特征分布中对缺失的特征项所对应的时间段进行采样,用得到的采样值填充存在缺失的特征项。
换句话说,本发明实施例所提供的方法包括以下几个部分:
1、多粒度预测
以预测每小时的负荷为例,构建特征时对每个小时内的数据进行特征提取,构建一组特征项,作为这个小时的特征样本,预测标签就是对应这个小时的负荷。在训练阶段,特征数据(如历史的温湿度)可以通过传感器采集到每5min的高频数据,那么在特征提取阶段,可对每小时内的数据提取均值、标准差、导数等信息,来表达特征在每小时内的变化规律。
但在预测时,只能获取到天气预报的数据,而天气预报可获取的最小粒度是小时级,这种情况下,缺失分钟级的数据,就无法构建标准差和导数的信息。而若是在训练阶段,构建特征只使用均值,又会使得特征太过“单薄”。为了提高预测的精度,本申请提出多粒度模型,从不同的角度给出预测结果,并对结果加权,来降低天气预报特征信息不足带来的精度损失。
多粒度模型需要构造三个子模型,具体如下:
(1)日粒度负荷预测模型md:目标是预测每天的负荷量。使用室内外的温湿度和暖通设备相关的一些物理量(如机组供水温度、水泵频率等,可选项,取决于实际项目是否有采集能力)构建特征,提取均值、标准差和导数信息。日粒度模型包容性更大,即使像天气预报这种小时级数据,在一天内也有24个值,也可以计算标准差和导数。
(2)小时粒度负荷预测模型mh:目标是预测每小时的负荷量。与日粒度模型类似,区别是构造训练数据时只提取均值的信息。这是考虑预测时天气预报的数据情况,每个特征项每小时只有1个数据,只能以该值作为均值。
(3)小时负荷占比模型mr:目标是统计工作日时段的负荷占比分布(如9:00-18:00,共对应9个分布函数,每个分布函数收集每天在该小时的负荷占比)。这里负荷占比的含义是每个小时的负荷除以当天的总负荷。
(4)当要预测第i天的第j个小时的负荷时,具体计算方法如下:
分别对三个子模型进行分析。md和mh都是通过Xgboost-Hyperopt超参优化学习模型进行训练。Xgboost是一种基于Boosting的集成学习模型,应用时以决策树作为基准模型。Hyperopt是基于贝叶斯参数优化的封装模块,用于自动搜索出合适的Xgboost超参数,使得模型预测达到最佳的效果,比人工调参的方式要更加高效。
mr模型,其底层算法是基于KDE核密度估计和M-H采样实现的。该模型需要解决的问题是:给定一个序列,包含若干每天在某个小时的负荷占比,如何估计这个序列的分布(训练),以及如何从中进行合理的采样(预测),这分别对应了KDE和M-H采样的方法。
KDE也被称为核密度估计,属于一种非参数估计的方法。传统的参数估计方法是假设数据服从某种已知类型的分布,通过一定的方法来计算这个分布的未知参数,从而得到分布的概率密度函数。常见的方法有极大似然估计等。
然而经验和理论说明,参数模型的这种基本假定与实际的物理模型之间常常存在较大的差距,这也是非参数估计的方法诞生的原因。核密度估计方法不利用有关数据分布的先验知识,对数据分布不附加任何假定,是一种从数据样本本身出发研究数据分布特征的方法。
KDE的公式如下:
其中h称为带宽,用于调节密度估计函数的宽窄。K为核函数,常见的有uniform、triangular、biweight、triweight、Epanechnikov、normal等。下面对该公式进行推导:
首先从导数的角度出发,对于给定未知分布的样本序列,假设其累积分布函数为,概率密度函数为/>,则:
可以求得在某一点x0的导数:
对于累积分布函数,可以使用经验分布函数来近似:
其中表示样本序列中比t小的元素个数。将该式代入/>的表达式中可得:
其中可以看成一个分段函数,用核函数来近似,并对/>进行泛化:
其中表示当/>时,/>,否则/>。
从公式可以看出,核密度估计其实就是通过核函数(如高斯)将每个数据点的数据+带宽当作核函数的参数,得到N个核函数,线性叠加并归一化就形成了核密度函数。
M-H采样是对传统MCMC(马尔可夫链+蒙特卡洛)采样的改进,解决其采样接受率过低的问题。这里来梳理一下该方法是如何演变来的。首先看一下MCMC的细致平稳条件:
称为平稳分布/>的状态转移矩阵。这个/>通常无法直接得到,但可以通过随便选择某个/>乘以一个接受率来满足细致平稳条件:
其中。/>也被称为接受率。但这里的/>可能会很小,导致很多次/>的采样被拒绝,使得算法收敛速度很慢。为了解决这个问题,需要对方程两边同时乘以k,使得/>,与此同时,令,那么新的/>就可以表示为:
这里要确保小于等于1,以确保其作为概率的合理取值范围。
总结一下M-H采样的大体过程:
1)输入我们任意选定的马尔科夫链状态转移矩阵Q,平稳分布,设定状态转移次数阈值n1,需要的样本个数n2
2)从任意简单概率分布采样得到初始状态值x0
3):
a) 从条件概率分布中采样得到样本/>
b) 从均匀分布采样
c) 如果,则接受转移/>,即
d) 否则不接受转移,即
样本集即为我们需要的平稳分布对应的样本集。
综上所述,结合KDE和M-H采样就可以估计出不同时段的负荷占比分布,并从中进行采样,来辅助负荷预测的计算。
2、特征稀疏感知
在实际项目的数据中,可能会存在以下两种常见的数据缺失的情况:
1)某特征在训练和预测的部分时间段缺失;
2)某特征在训练阶段有数据,而预测时仅知道时间信息,没有该特征的数据,或者说预测阶段无法获取未来某个特征的数据;
针对第一种情况,通常会采用过滤或插值的方法进行处理。但这种方式仅能让训练继续下去,无法有效地提高模型的准确度。因为特征在不同的时间段可能会呈现出不同的业务性特征,直接插值得到的结果可能会脱离该时段业务特征所表达的取值范围。
而上述的第二种情况,通过过滤或插值的方法已经无法解决。
应用本发明实施例所提供的方法,可以使用前面提到的KDE+M-H采样的方法,从已知的正常数据中计算不同小时段的特征分布,并从中进行采样来填充对应的缺失时段。对于预测阶段无法获取的输入特征,也同样可以应用该方法从已知数据中构建分布并进行采样,作为对应输入时段的特征数据。这种方式在项目实际应用中相比直接插值或过滤可以取得更好的预测效果。
3、自适应样本权重调节
从负荷预测的业务场景可知,不同季度的用能规律存在差异,如果要预测未来几天的负荷,则应该与前几天或几周的数据强相关,而距离当前时间更久远的数据其对预测结果的影响应该更小。那么在模型训练的过程中,需要对不同样本产生的损失进行加权,使得训练样本对预测结果的影响符合业务规律。本申请设计了一个指数衰减的加权函数,以吻合业务需求。具体的函数形式如下:
t表示样本,表示样本总数,k为调节因子,表示距离当前时间最远的样本,控制其衰减到我们期望的最小值。比如样本总数为1000,按照时间顺序编号为0-999,那么希望编号为0的样本权重衰减为0.001,那么此时:
该函数生成的样本权重随时间的变化关系如4所示。从图4中可看出,距离现在时间最近的样本(如编号为999的样本)权重最大,时间越远,权重越低,对未来几天的负荷预测结果影响最小。将该加权函数应用在Xgboost模型的训练阶段,优化了损失函数的计算,可进一步提高负荷预测的识别准确率。
综上,为了解决在前面提到的传统负荷预测方法中训练和预测数据粒度不一致、数据质量差以及通用模型针对性不强的问题,本申请提出了以下几个方面的改进,来增强负荷预测模型的识别准确率,提高机组的节能效率:
1、多粒度预测:使用Xgboost-Hyperopt超参优化学***均修正。应用这种方式可以解决训练和预测数据粒度不一致导致特征提取信息较差的问题;
2、特征稀疏感知:针对特征在不同时间段的缺失,同样可以使用KDE+M-H采样的方法,学习该特征在相同时间段内其他日期的正常数据所对应分布,并从该分布中进行采样,来填充缺失的特征。这种基于数据分布特征采样填充缺失值的方法比直接插值或过滤掉要更加有效。
3、自适应样本权重调节:在暖通领域,不同季节的用能行为和气候都存在比较大的差异,那么在采集训练数据的过程中,距离当前时间越近的数据权重应该更高,对预测结果的参考价值也更高;距离当前时间越远,由于气候和季节性差异的存在,这部分的样本权重应该降低。为此,本申请对普通的Xgboost进行改进,在构建损失函数时引入指数加权函数,优化各样本的损失占比,提高模型对最近一段时间样本的学习效果。
在建筑的暖通***中,冷热站中的冷温水存在滞后性、动态突变性和非线性的特点,使得基于实时控制反馈的方法无法满足节能的需求。
本发明实施例所提供的方法,主要应用于暖通领域,利用机器学习等相关改进技术,对建筑冷热站所用的负荷进行精准预测,以便进一步实现冷站***的前馈参数优化设定,提高冷热机组的能效利用率,让建筑更节能。其中涉及到的技术有:Xgboost、多粒度预测、特征稀疏感知和自适应样本权重调节等。
本发明实施例提出的负荷预测模型对传统的预测模型进行多方面的改进,并且提出的改进方法也可以应用到其他场景的预测。此外,作为一种“前馈”控制的方式,不再被动跟随实时的偏差信号,而是通过预测未来的负荷,以未来负荷为反馈量调整现在的机组参数,充分利用冷温水的传递特点,最大程度实现机组的节能。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种冷热站负荷预测装置,包括以下程序模块:
历史数据获取模块501,用于获取历史温湿度数据和相应历史冷热站负荷数据;
历史数据特征提取模块502,用于对历史温湿度数据中每天的温湿度数据进行特征提取,构建多组日粒度特征项;对历史温湿度数据中每小时的温湿度数据进行特征提取,构建多组小时粒度特征项;以及统计历史冷热站负荷数据中每个工作日时段的负荷占比;
模型训练模块503,用于根据多组日粒度特征项和相应每天的冷热站负荷数据,训练得到日粒度负荷预测模型md;根据多组小时粒度特征项和相应每小时的冷热站负荷数据,训练得到小时粒度负荷预测模型mh;以及根据历史冷热站负荷数据中每个工作日时段的负荷占比,训练得到小时负荷占比模型mr;
天气预报数据特征提取模块504,用于获取未来时间段的天气预报数据;对天气预报数据中每天的温湿度数据进行特征提取,构建待预测多组日粒度特征项;对天气预报数据中每小时的温湿度数据进行特征提取,构建待预测多组小时粒度特征项;
第一预测模块505,用于将待预测多组日粒度特征项输入到日粒度负荷预测模型md,得到未来时间段每天的冷热站负荷量预测结果mdi;利用小时负荷占比模型mr,得到未来时间段每天中每小时的冷热站负荷占比预测值mrj,并利用未来时间段每天的冷热站负荷量预测结果mdi和未来时间段每天中每小时的冷热站负荷占比预测值mrj,得到未来时间段每小时的冷热站第一负荷量预测结果;其中,i表示未来时间段中的某一天,j表示第i天中的某个小时;
第二预测模块506,用于将待预测多组小时粒度特征项输入到小时粒度负荷预测模型mh中,得到未来时间段每小时的冷热站第二负荷量预测结果mhj;
第三预测模块507,用于对未来时间段每小时的冷热站第一负荷量预测结果和未来时间段每小时的冷热站第二负荷量预测结果mhj进行加权,得到未来时间段每小时的冷热站最终负荷预测结果。
关于一种冷热站负荷预测装置的具体限定可以参见上文中对于一种冷热站负荷预测方法的限定,在此不再赘述。上述一种冷热站负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述一种冷热站负荷预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,涉及上述实施例方法中的全部或部分流程。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种冷热站负荷预测方法,其特征在于,包括:
S1,获取历史温湿度数据和相应历史冷热站负荷数据;
S2,对所述历史温湿度数据中每天的温湿度数据进行特征提取,构建多组日粒度特征项;对所述历史温湿度数据中每小时的温湿度数据进行特征提取,构建多组小时粒度特征项;以及统计所述历史冷热站负荷数据中每个工作日时段的负荷占比;
S3,根据所述多组日粒度特征项和相应每天的冷热站负荷数据,训练得到日粒度负荷预测模型md;根据所述多组小时粒度特征项和相应每小时的冷热站负荷数据,训练得到小时粒度负荷预测模型mh;以及根据所述历史冷热站负荷数据中每个工作日时段的负荷占比,训练得到小时负荷占比模型mr;
S4,获取未来时间段的天气预报数据;对所述天气预报数据中每天的温湿度数据进行特征提取,构建待预测多组日粒度特征项;对所述天气预报数据中每小时的温湿度数据进行特征提取,构建待预测多组小时粒度特征项;
S5,将所述待预测多组日粒度特征项输入到所述日粒度负荷预测模型md,得到未来时间段每天的冷热站负荷量预测结果mdi;利用所述小时负荷占比模型mr,得到未来时间段每天中每小时的冷热站负荷占比预测值mrj,并利用未来时间段每天的冷热站负荷量预测结果mdi和未来时间段每天中每小时的冷热站负荷占比预测值mrj,得到未来时间段每小时的冷热站第一负荷量预测结果;其中,i表示未来时间段中的某一天,j表示第i天中的某个小时;
S6,将所述待预测多组小时粒度特征项输入到所述小时粒度负荷预测模型mh中,得到未来时间段每小时的冷热站第二负荷量预测结果mhj;
S7,对所述未来时间段每小时的冷热站第一负荷量预测结果和未来时间段每小时的冷热站第二负荷量预测结果mhj进行加权,得到未来时间段每小时的冷热站最终负荷预测结果。
2.根据权利要求1所述的冷热站负荷预测方法,其特征在于,所述日粒度负荷预测模型md和小时粒度负荷预测模型mh,均是通过Xgboost-Hyperopt超参优化学习模型训练得到。
3.根据权利要求1所述的冷热站负荷预测方法,其特征在于,所述小时负荷占比模型mr,通过KDE核密度估计和M-H采样训练得到。
4.根据权利要求1所述的冷热站负荷预测方法,其特征在于,步骤S2还包括:
利用预设加权函数,对所述多组日粒度特征项和多组小时粒度特征项进行样本权重调节。
5.根据权利要求4所述的冷热站负荷预测方法,其特征在于,所述预设加权函数为:
其中,t表示样本,表示样本总数,k为调节因子,表示距离当前时间最远的样本。
6.根据权利要求1所述的冷热站负荷预测方法,其特征在于,所述未来时间段每小时的冷热站第一负荷量预测结果等于,所述未来时间段每小时的冷热站最终负荷预测结果等于/>,其中,β为预设权重。
7.根据权利要求1所述的冷热站负荷预测方法,其特征在于,对所述历史温湿度数据中每天的温湿度数据进行特征提取时,选取均值、标准差或导数构建日粒度特征项;对所述历史温湿度数据中每小时的温湿度数据进行特征提取时,选取均值构建小时粒度特征项。
8.根据权利要求1所述的冷热站负荷预测方法,其特征在于,所述方法还包括:
对在某些时间段存在缺失的特征项,使用KDE核密度估计和M-H采样,学习所述缺失的特征项在不存在数据缺失的日期中的相同时间段所对应的特征分布,并从学习到的特征分布中对缺失的特征项所对应的时间段进行采样,用得到的采样值填充存在缺失的特征项。
9.一种冷热站负荷预测装置,其特征在于,包括:
历史数据获取模块,用于获取历史温湿度数据和相应历史冷热站负荷数据;
历史数据特征提取模块,用于对所述历史温湿度数据中每天的温湿度数据进行特征提取,构建多组日粒度特征项;对所述历史温湿度数据中每小时的温湿度数据进行特征提取,构建多组小时粒度特征项;以及统计所述历史冷热站负荷数据中每个工作日时段的负荷占比;
模型训练模块,用于根据所述多组日粒度特征项和相应每天的冷热站负荷数据,训练得到日粒度负荷预测模型md;根据所述多组小时粒度特征项和相应每小时的冷热站负荷数据,训练得到小时粒度负荷预测模型mh;以及根据所述历史冷热站负荷数据中每个工作日时段的负荷占比,训练得到小时负荷占比模型mr;
天气预报数据特征提取模块,用于获取未来时间段的天气预报数据;对所述天气预报数据中每天的温湿度数据进行特征提取,构建待预测多组日粒度特征项;对所述天气预报数据中每小时的温湿度数据进行特征提取,构建待预测多组小时粒度特征项;
第一预测模块,用于将所述待预测多组日粒度特征项输入到所述日粒度负荷预测模型md,得到未来时间段每天的冷热站负荷量预测结果mdi;利用所述小时负荷占比模型mr,得到未来时间段每天中每小时的冷热站负荷占比预测值mrj,并利用未来时间段每天的冷热站负荷量预测结果mdi和未来时间段每天中每小时的冷热站负荷占比预测值mrj,得到未来时间段每小时的冷热站第一负荷量预测结果;其中,i表示未来时间段中的某一天,j表示第i天中的某个小时;
第二预测模块,用于将所述待预测多组小时粒度特征项输入到所述小时粒度负荷预测模型mh中,得到未来时间段每小时的冷热站第二负荷量预测结果mhj;
第三预测模块,用于对所述未来时间段每小时的冷热站第一负荷量预测结果和未来时间段每小时的冷热站第二负荷量预测结果mhj进行加权,得到未来时间段每小时的冷热站最终负荷预测结果。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163209.5A CN116894528B (zh) | 2023-09-11 | 2023-09-11 | 一种冷热站负荷预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311163209.5A CN116894528B (zh) | 2023-09-11 | 2023-09-11 | 一种冷热站负荷预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894528A true CN116894528A (zh) | 2023-10-17 |
CN116894528B CN116894528B (zh) | 2023-11-21 |
Family
ID=88315291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311163209.5A Active CN116894528B (zh) | 2023-09-11 | 2023-09-11 | 一种冷热站负荷预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894528B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190178522A1 (en) * | 2016-09-20 | 2019-06-13 | Gree Electric Appliances, Inc. Of Zhuhai | Load-Predicting and Control System and Method for Subway Heating, Ventilation and Air Conditioning System |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测*** |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113657660A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于分站负荷和热网滞后模型的热源负荷预测方法 |
-
2023
- 2023-09-11 CN CN202311163209.5A patent/CN116894528B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190178522A1 (en) * | 2016-09-20 | 2019-06-13 | Gree Electric Appliances, Inc. Of Zhuhai | Load-Predicting and Control System and Method for Subway Heating, Ventilation and Air Conditioning System |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测*** |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113657660A (zh) * | 2021-08-12 | 2021-11-16 | 杭州英集动力科技有限公司 | 基于分站负荷和热网滞后模型的热源负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
颜宏文;盛成功;: "基于层次聚类和极限学习机的母线短期负荷预测", 计算机应用, no. 08 * |
Also Published As
Publication number | Publication date |
---|---|
CN116894528B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
Lu et al. | Short-term load forecasting of urban gas using a hybrid model based on improved fruit fly optimization algorithm and support vector machine | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
Quan et al. | Uncertainty handling using neural network-based prediction intervals for electrical load forecasting | |
CN113610303B (zh) | 一种负荷预测方法及*** | |
Kamgarpour et al. | Modeling options for demand side participation of thermostatically controlled loads | |
Zheng et al. | Short-term power load forecasting of residential community based on GRU neural network | |
CN101551884B (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
Yuan et al. | Urban household water demand in Beijing by 2020: an agent-based model | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测*** | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
CN113128113B (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 | |
CN110163421A (zh) | 中长期电力负荷预测方法 | |
US11989668B2 (en) | Non-intrusive load monitoring using machine learning and processed training data | |
CN112257928A (zh) | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 | |
WO2021108008A1 (en) | Load monitoring using machine learning | |
Song et al. | An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings | |
WO2021108010A1 (en) | Non-intrusive load monitoring using ensemble machine learning techniques | |
CN112651543A (zh) | 一种基于vmd分解与lstm网络的日用电量预测方法 | |
CN114841410A (zh) | 一种基于组合策略的换热站负荷预测方法和*** | |
Bian et al. | Research on short-term load forecasting based on accumulated temperature effect and improved temporal convolutional network | |
CN114757416A (zh) | 一种基于定额法的需水预测方法及*** | |
Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
Xue et al. | Daily residential heat load prediction based on a hybrid model of signal processing, econometric model, and support vector regression |
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 |