一种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，尤其涉及一种热负荷预测方法及装置。

背景技术

现有技术中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、关乎运营策略。然而现有的单一的负荷预测算法预测准确性欠佳，预测偏差较大，不利于后期调度优化。

目前常见的热负荷预测方法有很多，包括指数平滑、自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA模型)、神经网络等。其中AIRMA模型应用的更频繁一些。

但是ARIMA模型仅能对蒸汽用户在各个未来时间段内使用蒸汽时所对应的热负荷量级进行预测时，即预测到一个具体的值，对于在多个连续的历史时间段内无规律使用蒸汽设备蒸汽的蒸汽用户而言，其预测的一个或多个热负荷量级，与该蒸汽用户在相应未来时间段内实际使用蒸汽设备蒸汽时所对应的当前热负荷量级之间可能存在较大的差异，发生单点误差过大现象，导致后续过程中无法对蒸汽设备蒸汽进行高效调度。

发明内容

有鉴于此，本发明实施例提供了一种热负荷预测方法及装置，以解决现有技术中准确性欠佳，预测偏差较大，不利于后期调度优化的技术问题。

本发明实施例的第一方面，提供了一种热负荷预测方法，包括：

获取用于热负荷预测的神经网络的参数；

根据所述参数，获取测试样本并测试神经网络；

确定所述测试样本是否满足预设的适应度值；

根据满足所述适应度值的参数，获取热负荷预测的目标数据。

本发明实施例的第二方面，提供了一种热负荷预测装置，包括：

获取模块，获取用于热负荷预测的神经网络的参数；

测试模块，根据所述参数，获取测试样本并测试神经网络；

判断模块，确定所述测试样本是否满足预设的适应度值；

预测模块，根据满足所述适应度值的参数，获取热负荷预测的目标数据。

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物联设备数据模拟方法的步骤。

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物联设备数据模拟方法的步骤。

本发明实施例提供的一种热负荷预测方法的有益效果至少在于：本发明实施例首先获取用于热负荷预测的神经网络的参数，其次根据所述参数，获取测试样本并测试神经网络，并确定所述测试样本是否满足预设的适应度值，以便根据满足所述适应度值的参数，获取热负荷预测的目标数据，使得在热负荷预测中准确性更佳，预测偏差更小，也利于后期调度优化。

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取其它的附图。

图1是本发明实施例提供的热负荷预测方法的流程示意图；

图2是本发明实施例提供的获取用于热负荷预测的神经网络的参数的示意图；

图3是本发明实施例提供的获取测试样本并测试神经网络的示意图；

图4是本发明实施例提供的根据深层置信网络获取测试样本的示意图；

图5是本发明实施例提供的确定所述测试样本是否满足预设的适应度值的示意图；

图6是本发明实施例提供的更新参数的示意图；

图7是本发明实施例提供的获取热负荷预测的目标数据的示意图；

图8是本发明实施例提供的热负荷预测装置的示意图；

图9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，提出了诸如特定系统结构、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，省略对众所周知的系统、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。

如图1所示，是本发明实施例提供的物联设备的数据模拟方法的实现流程示意图，该方法可以包括：

步骤S10：获取用于热负荷预测的神经网络的参数。

步骤S20：根据所述参数，获取测试样本并测试神经网络。

步骤S30：确定所述测试样本是否满足预设的适应度值。

步骤S40：根据满足所述适应度值的参数，获取热负荷预测的目标数据。

本发明实施例提供的一种热负荷预测方法的有益效果至少在于：本发明实施例首先获取用于热负荷预测的神经网络的参数，其次根据所述参数，获取测试样本并测试神经网络，并确定所述测试样本是否满足预设的适应度值，以便根据满足所述适应度值的参数，获取热负荷预测的目标数据，使得在热负荷预测中准确性更佳，预测偏差更小，也利于后期调度优化。

如图2所示，是本发明实施例提供了一种热负荷预测方法，其中步骤S10包括：

步骤S11：确认神经网络的结构。

确认神经网络结构便于更好的运算，其中神经网络是机器学习中的一种模型，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

本发明应用于神经网络之一是深度信念网络。深度信念网络(英文简称DBN，DeepBelief Nets)，是神经网络的一种。既可以用于非监督学习，类似于一个自编码机；也可以用于监督学习，作为分类器来使用。从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。而不论是监督学习还是非监督学习，DBN的本质都是特征学习(Feature Learning)的过程，即如何得到更好的特征表达。作为神经网络，神经元自然是其必不可少的组成部分。DBN由若干层神经元构成，组成元件是受限玻尔兹曼机(RBM)。

本发明一般应用于拓扑结构，拓扑结构是指网络中各个站点相互连接的形式。现在最主要的拓扑结构有总线型拓扑、星形拓扑、环形拓扑、树形拓扑(由总线型演变而来)以及它们的混合型。顾名思义，总线型其实就是将文件服务器和工作站都连在称为总线的一条公共电缆上，且总线两端必须有终结器；星形拓扑则是以一台设备作为中央连接点，各工作站都与它直接相连形成星型；而环形拓扑就是将所有站点彼此串行连接，像链子一样构成一个环形回路；把这三种最基本的拓扑结构混合起来运用自然就是混合型。

网络拓扑结构就是指用传输媒体把计算机等各种设备互相连接起来的物理布局，是指互连过程中构成的几何形状，它能表示出网络服务器、工作站的网络配置和互相之间的连接。网络拓扑结构可按形状分类，分别有：星型、环型、总线型、树型、总线/星型和网状型拓扑结构。

步骤S12：根据所述神经网络结构，在该结构一定范围内随机初始化获取神经网络的参数。

在该结构范围内随机初始化获取神经网络参数，有利于提高本发明实施例的精准性，因为参数是随机的，非特定，更具有广泛性。

如图3所示，是本发明实施例提供了一种热负荷预测方法，其中步骤S20包括：

步骤S21：将所述神经网络的参数进行编码，获取初始粒子种群。

因为神经网络的参数需要进行交叉，变异操作，所以要进行十进制和二进制之间的编码，解码转换。所以对神经网络的学习参数进行编码，得到初始粒子种群，编码规则：学习的参数包权重和偏置，每个参数作为一个粒子，用8bit二进制码表示，并初始一个在[-0.5,0.5]的随机值。解码得到神经网络的参数，并将参数赋值给深层置信网络。

步骤S22：将所述初始粒子种群中的参数值给深层置信网络。

步骤S23：通过所述深层置信网络获取测试样本。

通过步骤S22后获取测试样本和训练样本，使用训练样本训练神经网络。

步骤S24：所述测试样本测试神经网络。

根据步骤S23得到测试样本，测试经过训练样本训练过的神经过网络。

如图4所示，步骤S23所述通过所述深层置信网络获取测试样本，包括：

步骤S231：通过深层置信网络获取训练样本及测试样本。

步骤S232：使用训练样本训练神经网络。

其中训练样本是指对人工神经网络训练。向网络足够多的样本，通过一定算法调整网络的结构(主要是调节权值)，使网络的输出与预期值相符，这样的过程就是神经网络训练。根据学习环境中教师信号的差异，神经网络训练大致可分为二分割学习、输出值学习和无教师学习三种。

步骤S233：使用测试样本测试经过训练的神经网络。

测试经过训练的神经网络，有助于发现其中的问题所在，有助于及时修正。

如图5所示，是本发明实施例提供了一种热负荷预测方法，其中步骤S30包括：

步骤S31：获取预测样本的预测值和期望值。

步骤S32：根据所述预测样本的预测值和期望值，获取所述预测样本的预测值与期望值的误差矩阵的范数。

根据步骤S31得到预测样本的预测值和期望值，选择预测样本的预测值与期望值的误差矩阵的范数作为适应度值。

步骤S33：将所述范数作为适应度值。

步骤S34：确定所述测试样本是否满足所述适应度值。

如果是，满足适应度值，则进入步骤S35。

如果否，测试样本不满足适应度值，则进入步骤S36。

步骤S35：获取符合条件的参数。

步骤S36：更新参数，直到满足所述适应度值为止。

筛选出满足适应度值的参数，如果不满足则持续更新参数。这样有助于为后面步骤得到更精准的数据。

如图6所示，步骤S36所述更新参数，直到满足所述适应度值为止，包括：

步骤S361：对速度，位置，个体极值及群体极值等参数进行更新。

本方法更新涉及到的参数为：速度，位置，个体极值，种群的群体极值

速度和位置更新方式为如下公式(1)和(2)所示，同时为了防止粒子的盲目搜索，一般建议将其位置和速度限制在区间[-Xmax，Xmax],[-Vmax，Vmax]中。

变量说明：

X

V

P

P

w为惯性权重，d＝1，2，......D,i＝1,2,.......n,k为当前迭代次数，Vid为粒子的速度，c1，c2是非负的常数，称为加速度因子，r1，r2是分布在[0,1]的随机数。

步骤S362：根据所述参数进行最优交叉，获取最优参数。

对种群中个体进行最优交叉，个体粒子通过和个体极值粒子进行交叉更新，交叉方法采用整数交叉法，首先选定两个交叉位置，然后把个体和个体极值进行交叉，对得到的新个体采用了保留优秀个体策略，只有当新粒子适应度值大于旧粒子适应度值时才更新粒子。

对种群进行最优交叉，此操作和上述对种群中个体进行最优交叉操作相似，只是将个体极值换成群体极值。

并且对种群中的粒子操作进行变异操作，变异操作采用个体内部两位互换方法，首先随机选择变异位置两个，然后把这两个变异位置互换。对得到的新个体采用了保留优秀个体策略，只有当新粒子适应度值好于旧粒子时才更新粒子。然后得到新种群。

判断是否满足终止条件，或者达到最大迭代次数，或者满足小于限定的误差。如果不满足条件，则重新对粒子群进行解码，得到最佳深层信念网络的初始参数。

如图7所示，是本发明实施例提供了一种热负荷预测方法，其中步骤S40包括：

步骤S41：获取满足所述适应度值的参数。

步骤S42：将所述参数赋值给置信网络，获取热负荷预测的目标数据。

得到满足适应度值的参数后，将参数赋值给置信网络，输入数据就获取预测结果。

应理解，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。

如图8所示，本发明实施例的目的还在于提供一种热负荷预测的装置，包括获取模块81、测试模块82、判断模块83以及预测模块84。其中，获取模块81用于获取用于热负荷预测的神经网络的参数；测试模块82用于根据所述参数，获取测试样本并测试神经网络；判断模块83用于确定所述测试样本是否满足预设的适应度值；预测模块84用于根据满足所述适应度值的参数，获取热负荷预测的目标数据。

如图9所示，图9是本发明实施例提供的终端设备的示意图。如图9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时实现如所述物联设备的数据模拟方法的步骤。例如图1-图7所示的步骤S10至S40。

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9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 Gate Array，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-Only Memory)、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物联设备数据模拟方法的步骤。

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。上述系统中单元、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系统，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。