一种建筑负荷日前预测方法及系统

技术领域

本公开涉及负荷预测技术领域，特别涉及一种建筑负荷日前预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

一次能源消耗严重，大量的二氧化碳排放使生态环境急剧恶化。全球能换结构面临重大转型，降低煤炭消费比重，提高风、光、天然气等清洁能源比重。综合能源系统通过多种能源互补互济，灵活满足用户电、气、冷、热多元化用能需求，是实现新能源高效利用和节能减排的理想途径。

负荷的日前预测是指对次日0时到24时的建筑能耗预测，分辨率一般为1小时、30分钟或15分钟。精准的负荷日前预测是系统的优化运行的前提，对保障系统稳定、高效、经济运行有重要作用。与实时预测不同的是，日前预测需要一次性输出未来24个点甚至更多个时间点的预测数据，这就使得日前预测的精度往往低于实时预测，并且由于其多步预测的特性，提高精度和保障模型的稳定性更为困难。

目前，国内外学者对于负荷的预测研究方面已经取得了较好的进展，尤其是对于短期预测技术以较为成熟。随着计算机技术日益成熟，机器学习方法层出不穷，为负荷预测技术的研究提供了全新的思路。同时随着大数据的发展，数据挖掘技术出现在大众的视野中。将数据挖掘和机器学习相融合，充分发挥算法的各自的优势，是提高负荷日前预测精度的有效途径。

发明人发现，有研究人员提供了一种极端温度气象日母线日前负荷预测方法，通过气象因素和母线负荷历史数据确定极端天气日，后利用XGBoost模型构建预测模型，提高了极端天气下模型预测精度；也有研究人员提供了一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，提出了一种利用LSTM网络构建综合能源系统多元负荷预测的模型，考虑了多元负荷的内在耦合特性，上述研究虽然关注了数据的内部特征，但是对于更加复杂的建筑负荷数据，其内部特征更加复杂，现有的预测模型无法实现更精准的负荷预测。

发明内容

为了解决现有技术的不足，本公开提供了一种建筑负荷日前预测方法及系统，通过数据挖掘分析负荷数据的内部特征，充分发挥了各个模型不同的优势，提高了负荷预测精度。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种建筑负荷日前预测方法。

一种建筑负荷日前预测方法，包括以下过程：

获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；

根据获取的数据和预设卷积神经网络，得到负荷空间特征；

根据预设熵权K均值模型，得到用户用能行为特征；

将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。

作为可选的实施方式，对获取的数据进行预处理，包括以下过程：

将每天分为上午模式、下午模式和夜间模式，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，结合气象数据、温度最大值、最小值和平均值、风速平均值和降雨平均值形成第一数据阵列；

将每日的用户的分类能耗数据以1小时为采样步长组合用能行为数据集，形成第二数据阵列。

进一步的，分类能耗数据，至少包括：照明能耗、电器能耗和插座能耗。

作为可选的实施方式，利用模糊C均值聚类对第一数据阵列进行聚类，通过肘部规则确定聚类中心个数，获得建筑能耗运行模式，以及每日的运行情况隶属度，根据建筑能耗运行模式和隶属度。

更进一步的，根据建筑能耗运行模式与时间数据的关系，以能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，建立不同能耗运行模式下的卷积神经网络，得到负荷空间特征。

进一步的，利用每日的用户的分类能耗数据形成的第二数据阵列，通过预设熵权K均值模型提取用户用能行为特征。

作为可选的实施方式，以用户用能行为特征、负荷空间特征和历史负荷数据作为输入，以能耗运行模式作为标签，进行预设深度学习模型的训练，从而最终获得建筑负荷日前预测模型。

本公开第二方面提供了一种建筑负荷日前预测系统。

一种建筑负荷日前预测系统，包括：

数据获取模块，被配置为：获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；

空间特征获取模块，被配置为：根据获取的数据和预设卷积神经网络，得到负荷空间特征；

用能行为特征获取模块，被配置为：根据预设熵权K均值模型，得到用户用能行为特征；

负荷预测模块，被配置为：将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。

本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的建筑负荷日前预测方法中的步骤。

本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的建筑负荷日前预测方法中的步骤。

与现有技术相比，本公开的有益效果是：

本公开所述的方法、系统、介质或电子设备，基于负荷数据与用户行为、气象信息、时间信息之间的相关性，利用模糊聚类得到建筑能耗典型运行模式，再通过卷积神经网络挖掘负荷数据的空间特征，利用EMKW分析用户的用能行为特征，构建具有强相关性的深度学习算法训练集，最后结合GRU挖掘负荷的数据特征获得建筑负荷日前预测模型，充分挖掘了负荷及相关数据的内在特征，有效的提高了预测精度。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的建筑负荷日前预测方法的流程示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本公开实施例1提供了一种建筑负荷日前预测方法，包括以下过程：

获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；

根据获取的数据和预设卷积神经网络，得到负荷空间特征；

根据预设熵权K均值模型，得到用户用能行为特征；

将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。

具体的，包括以下步骤：

S1：数据降维

过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；

结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。

S2：模糊聚类

利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。

S3：负荷空间特征提取

分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN(convolutional neuralnetwork，卷积神经网络)分别建立各个典型能耗运行模式的负荷空间特征提取模型。

S4：用能行为分析

将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM(Entropy-weighted k-means，熵权K均值)提取用户用能行为特征。

S5：日前预测模型构建

将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。

S6：混合预测模型性能评估

利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R

实施例2：

本公开实施例2提供了一种建筑负荷日前预测系统，包括：

数据获取模块，被配置为：获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；

空间特征获取模块，被配置为：根据获取的数据和预设卷积神经网络，得到负荷空间特征；

用能行为特征获取模块，被配置为：根据预设熵权K均值模型，得到用户用能行为特征；

负荷预测模块，被配置为：将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。

具体的工作过程，包括以下步骤：

具体的，包括以下步骤：

S1：数据降维

过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；

结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。

S2：模糊聚类

利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。

S3：负荷空间特征提取

分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN分别建立各个典型能耗运行模式的负荷空间特征提取模型。

S4：用能行为分析

将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM提取用户用能行为特征。

S5：日前预测模型构建

将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。

S6：混合预测模型性能评估

利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R

实施例3：

本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的建筑负荷日前预测方法中的步骤，所述步骤包括以下过程：

S1：数据降维

过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；

结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。

S2：模糊聚类

利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。

S3：负荷空间特征提取

分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN分别建立各个典型能耗运行模式的负荷空间特征提取模型。

S4：用能行为分析

将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM提取用户用能行为特征。

S5：日前预测模型构建

将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。

S6：混合预测模型性能评估

利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R

实施例4：

本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的建筑负荷日前预测方法中的步骤，所述步骤包括以下过程：

S1：数据降维

过高的数据维度会对聚类结果产生不好的影响，对于以15分钟为步长的负荷数据，每天为96个数据点。将每天分为上午模式(7:00～13:00)、下午模式(14:00～19:00)和夜间模式(20:00～6:00)，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，形成14个点的数据阵列；

结合气象数据，温度最大值、最小值和平均值、风速平均值、降雨平均值这5个数据点，组合时间信息包含月、日和是否为工作日，形成22个点的数据阵列，实现数据降维。

S2：模糊聚类

利用模糊C均值聚类将步骤1中获得的数据集进行聚类。通过肘部规则确定聚类中心个数，获得建筑典型能耗运行模式，以及每日的运行情况隶属度。

S3：负荷空间特征提取

分析建筑典型能耗运行模式与时间信息的关系，以典型能耗运行模式为数据分组标准，将历史负荷数据作为输入，隶属度作为标签，利用CNN分别建立各个典型能耗运行模式的负荷空间特征提取模型。

S4：用能行为分析

将每日的照明能耗、电器能耗、插座能耗等细化能耗数据作为用能行为分析数据集，利用EWKM提取用户用能行为特征。

S5：日前预测模型构建

将用户用能行为特征、负荷空间特征、历史负荷数据作为输入，典型能耗运行模式作为标签，训练GRU日前预测模型，获得负荷日前预测混合模型。

S6：混合预测模型性能评估

利用测试集验证本发明的预测精度，利用均方根误差(RMSE)、平均绝对误差(MAE)和确定系数(R

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开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。

本公开是参照根据本公开实施例的方法、设备(系统)、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。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。