基于多项式特征投影与分布诊断网络的燃气负荷预测方法

摘要: 本发明涉及燃气负荷预测,特别涉及一种基于多项式特征投影与分布诊断网络的燃气负荷预测方法。背景技术:1、近年来,我国社会经济飞速发展,城镇化进程显著加快,随之而来...
基于多项式特征投影与分布诊断网络的燃气负荷预测方法

本发明涉及燃气负荷预测,特别涉及一种基于多项式特征投影与分布诊断网络的燃气负荷预测方法。

背景技术:

1、近年来,我国社会经济飞速发展,城镇化进程显著加快,随之而来的能源需求量日益增加。天然气因其清洁、高效的优势被广泛应用于城市能源体系,燃气输配网络也日益复杂。然而,燃气负荷受气象条件、节假日、居民用气习惯等多重随机因素影响,呈现出高度的非线性、非平稳和时变特征。若缺乏对负荷演变趋势的精准预判,极易导致管网供需失衡、压力异常乃至调度失当,影响供气的安全性与经济性。因此,对燃气负荷进行高精度、高时效的实时预测,是燃气企业制定科学输配计划、实现储气梯次调峰、降低运营成本、保障管网安全运行的必然选择。

2、燃气负荷预测的最终目标是对未来特定时间段内的燃气需求量实现精准预测,为燃气管网的优化调度和安全运行提供关键的数据支撑。现有燃气负荷预测方法在处理非平稳数据流时普遍存在明显缺陷:一方面,传统静态模型一经训练便不再更新,无法自动适应外部环境的突变,响应迟缓且极易失效;另一方面,现有的一些常规在线学习算法虽然能实时更新参数,但其更新策略对瞬时噪声过于敏感,极易导致模型权重过大、泛化能力下降;同时,这些方法缺乏平滑且高效的网络结构重组机制,在面对数据分布持续演变、工况剧烈突变的场景时,会出现无法提取关键数据特征、历史规律被迅速遗忘等问题,难以在保持已学习知识的同时快速适应新工况。

3、综上,现有技术中尚缺乏一种能够在非平稳工况下对网络结构进行自适应调整、兼顾预测精度与计算效率的燃气负荷在线预测方法。

技术实现思路

1、本技术通过提供一种基于多项式特征投影与分布诊断网络的燃气负荷预测方法,通过引入高阶多项式特征投影(hippo)与最优传输分布诊断(ot)机制,在保留历史变化规律的同时实现对非平稳工况下数据分布变化的自适应,解决了现有燃气负荷预测方法在处理非平稳数据流时难以适应外部环境突变、对瞬时噪声过于敏感等问题,从而显著提升燃气负荷在线预测的精度、稳定性与适应能力。

2、本技术实施例提供了一种基于多项式特征投影与分布诊断网络的燃气负荷预测方法,包括以下步骤:

3、s1:采集燃气总负荷数据及与燃气负荷相关的外部环境数据,对所述数据进行预处理和特征重构,构建预测模型使用的数据集;

4、s2:以所述数据集建立包括输入层、递归隐含层和输出层的递归随机配置网络,利用hippo状态空间矩阵对各隐含层节点的递归权重进行结构化初始化,依据监督不等式筛选隐含层节点并求解全局输出权重,同时确定误差容忍下限和误差容忍上限;

5、s3:将新采集数据经s1的所述预处理方式处理并组成在线时间窗口后输入所述递归随机配置网络,进行前向预测,并在对应目标日实际数据采集完成后,计算当前在线时间窗口的平均绝对预测误差;当所述平均绝对预测误差处于所述误差容忍下限与所述误差容忍上限之间时,执行s4,当所述平均绝对预测误差超过所述误差容忍上限时,执行s5,当所述平均绝对预测误差小于所述误差容忍下限时,执行s6;

6、s4:保持网络结构不变,利用基于弹性权重巩固ewc的抗遗忘机制仅对输出权重进行微调,执行s6;

7、s5:基于最优传输理论对各隐含层节点在当前时间窗口与历史稳定参考窗口上的激活分布进行诊断,对失效隐含层节点所关联的递归单元进行记忆重置,并在重置后误差仍超限时择优再生候选隐含层节点,对保留、重置、新增节点差异化更新输出权重,执行s6;

8、s6:利用当前确定的网络结构和全局输出权重输出当前时间窗口的预测结果,并保持样本数量不变地推进滑动时间窗口,返回s3进行下一在线时间窗口的预测。

9、上述实施例的有益效果在于:本发明在保留历史变化规律的同时适应非平稳工况下的数据分布变化。其中,hippo状态空间矩阵实现多时间尺度的结构化记忆,监督不等式筛选与全局输出权重求解实现网络的增量式高效构建;依据平均绝对预测误差实施"保持—微调—重构"三级响应,避免了不必要的参数更新与结构改动带来的计算开销和过拟合;在工况剧烈突变时,通过最优传输理论对各隐含层节点的激活分布进行诊断,定向重置失效节点并择优再生候选节点,兼顾历史规律保持与新工况快速适应,从而显著提升燃气负荷在线预测的稳定性、精度与适应能力。

10、在上述实施例基础上,本技术可进一步改进,具体如下:

11、在本技术其中一个实施例中,所述步骤s1具体为:采集燃气总负荷以及星期类型、天气类型、当日最高气温、当日最低气温、重要节点和供暖量六项外部环境数据,将第t日的实际燃气总负荷记为

yt,将第

t日的外部环境数据记为环境特征向量

ct。对星期类型、天气类型和重要进行数值量化编码,并将非供暖期间供暖量的空白值填充为0;

12、设数据总数为n、滑动时间窗口长度为l;对于任一满足l≤t≤n1的日期,将第tl+1日至第t日的燃气总负荷及外部环境数据按时间顺序拼接为输入向量

xt,并将第t+1日的实际燃气总负荷

yt+1作为对应预测目标;由各输入向量和预测目标构建原始输入矩阵x0和预测目标向量y;对x0进行z-score标准化,计算标准化后矩阵的协方差矩阵并进行特征值分解,选取累计方差贡献率不低于95%的主成分,得到主成分特征矩阵x并构建数据集z=[x,y]。

13、技术效果:明确了外部环境数据的构成与量化编码方式,对供暖量空白值进行填充以避免缺失信息干扰;采用长度l的滑动时间窗口将连续的燃气负荷与环境特征拼接为输入向量,既保留了周期性变化规律,又为预测次日负荷提供了足够的历史上下文;通过z-score标准化消除量纲差异,并通过累计方差贡献率不低于95%的主成分分析实现降维,在去除特征冗余、降低计算复杂度的同时保证了信息完整性,为后续网络构建提供维度合理、分布一致的高质量输入。

14、在本技术其中一个实施例中,所述步骤s2中利用hippo状态空间矩阵对各隐含层节点的递归权重进行结构化初始化的过程为:

15、设第

j个候选hippo递归单元的内部记忆状态向量为:,为连续时间变量,

m为hippo记忆状态的维数,

rm表示

m维实数向量空间;

16、设步骤1得到的输入特征向量为,第j个候选hippo递归单元的随机投影向量为,将输入特征向量投影为一维输入信号;

17、以归一化legendre基函数对应的hippo-legs矩阵构造线性状态模板,为:

18、;

19、其中,

a∈

rm×m为根据hippo-legs矩阵结构构造的递归权重初始化矩阵,

b∈

rm为与归一化legendre基函数对应的输入投影向量;

20、设离散化步长为δτ,采用双线性变换得到离散状态转移矩阵和离散输入投影向量;将第j个候选hippo递归单元的递归权重矩阵初始化为所述离散状态转移矩阵,输入权重矩阵初始化为所述离散输入投影向量,偏置向量从[1,1]的均匀分布中随机生成;对第n个训练样本,所述候选hippo递归单元的状态更新为利用非线性激活函数压缩递归状态数值范围后的结果;第j个候选hippo递归单元的m个状态分量分别形成m个候选隐含层节点输出向量。

21、技术效果:利用hippo-legs状态空间矩阵的分层记忆结构对递归权重进行结构化初始化,使不同状态分量分别承担长期趋势记忆与短期局部特征提取功能;通过双线性变换在保持系统渐近稳定的前提下完成连续状态模板的离散化,并结合非线性激活函数限制递归状态的数值范围,从而增强网络对多时间尺度变化信息的提取能力,提高长期递归计算过程中的稳定性。

22、在本技术其中一个实施例中,所述步骤s2中依据监督不等式筛选隐含层节点并求解全局输出权重的过程为:

23、设当前网络已有j1个隐含层节点、当前预测残差向量为ej1,对任一非零候选隐含层节点输出向量,计算监督评价值,当>0时判定该候选隐含层节点满足监督不等式,并在满足条件的候选隐含层节点中选择最大的节点加入网络;每加入一个隐含层节点后,将隐含层输出矩阵更新为hj,并通过带l2正则化项的最小二乘问题重新求解全局输出权重β;当初始训练集上的均方根预测误差满足预设训练容差或隐含层节点数量达到预设上限

jmax时,结束网络的增量构建。

24、技术效果:通过监督不等式筛选能够有效降低当前预测残差的候选隐含层节点,并以带l2正则化的最小二乘问题求解全局输出权重,实现了网络的增量式高效构建,在保证拟合精度的同时有效抑制过拟合;监督评价值越大表明候选节点与当前残差相关程度越高,从而优先选择对降低残差贡献最大的节点加入网络。

25、在本技术其中一个实施例中,所述步骤s2中确定误差容忍下限和误差容忍上限的过程为:

26、将第i个初始训练样本的绝对预测误差记为,计算初始训练集绝对预测误差的平均值与标准差,并按照、;确定误差容忍下限emin和误差容忍上限emax,其中和为预先设定的比例系数,并满足。

27、技术效果:基于初始训练数据的预测误差统计特性,以均值为中心、以标准差为尺度自适应确定误差容忍上下限,使分级响应判据能够贴合实际负荷数据的固有波动程度,避免人为设定阈值的盲目性。

28、在本技术其中一个实施例中,所述步骤s3中计算当前在线时间窗口的平均绝对预测误差的过程为:

29、第k个在线时间窗口包含

tk个样本,设第j个隐含层节点对第n个样本的输出为、第k个在线时间窗口开始预测前的输出权重为,则第n个样本的预测值为,该在线时间窗口的平均绝对预测误差

e(k)为各样本预测值与实际值绝对差值的平均值;

30、当k=1时,输出权重采用步骤2初始训练得到的全局输出权重,当k>1时采用前一在线时间窗口处理完成后保存的输出权重,且网络的递归状态延续前一时间窗口结束时保存的状态。

31、技术效果:利用当前在线时间窗口的平均绝对预测误差作为数据流状态判据,并通过窗口内各样本预测误差的统计平均对瞬时噪声进行平滑,避免了对单点扰动的过度敏感;递归状态与输出权重的跨窗口延续保证了预测过程的连续性,使分级响应能够准确反映数据流的真实变化程度。

32、在本技术其中一个实施例中,所述步骤s4中利用基于弹性权重巩固ewc的抗遗忘机制仅对输出权重进行微调的过程为:

33、从初始训练数据及已完成在线时间窗口数据中选取

nf个历史样本,将各历史样本的半平方预测误差关于第j个输出权重的梯度平方取平均,得到第j个输出权重的对角经验费雪重要度fj,所述费雪重要度fj反映历史预测误差对该输出权重变化的总体敏感程度;

34、利用第

k个在线时间窗口数据集构造带ewc惩罚项的复合目标函数:

35、;

36、其中,为第

k个在线时间窗口对应的复合目标函数;第一项为当前窗口数据的均方预测误差,用于学习新的燃气负荷变化规律;第二项为ewc惩罚项,用于保持模型已经学习的历史变化规律;为ewc保护强度参数;

37、通过梯度下降法最小化所述复合目标函数,仅更新输出权重,网络中的隐含层节点数量、递归权重矩阵、输入权重矩阵和偏置向量均保持不变。

38、技术效果:在数据流发生轻微波动时,利用费雪重要度刻画各输出权重对历史预测任务的重要程度,并通过ewc惩罚项在拟合新数据的同时将重要输出权重约束在微调前数值附近,有效抑制模型对历史变化规律的遗忘;由于仅微调输出权重而保持网络结构与递归参数不变,在实现模型对轻微工况变化平滑适应的同时,避免了不必要的结构改动带来的计算开销与过拟合风险,兼顾了在线预测的精度与效率。

39、在本技术其中一个实施例中,所述步骤s5中基于最优传输理论对各隐含层节点激活分布进行诊断并对失效隐含层节点记忆重置的过程为:

40、对于网络中的第j个隐含层节点,分别提取其在第k个在线时间窗口和历史稳定参考窗口上的激活输出,构造当前激活经验分布和历史稳定参考激活经验分布,并计算二者之间的wasserstein-2距离;

41、将初始训练阶段多个稳定时间窗口对应距离的95%经验分位数设为第j个隐含层节点的漂移诊断阈值

dj,将wasserstein-2距离超过所述漂移诊断阈值

dj的隐含层节点判定为失效隐含层节点,其余隐含层节点为未失效保留节点;

42、对失效隐含层节点集合中的任一失效隐含层节点,删除其历史稳定参考激活信息,将其所关联的完整hippo递归单元的m维记忆状态向量重置为零向量,重新配置随机投影向量和偏置向量并重建递归权重矩阵和输入权重矩阵,再按照监督筛选方式重新选择该递归单元的状态分量,以新的候选隐含层节点输出替换原失效隐含层节点在隐含层输出矩阵中的对应列,并将原输出权重暂时置为零。

43、技术效果:利用最优传输理论中的wasserstein-2距离定量刻画各隐含层节点激活分布在工况变化前后的偏移程度,并以初始训练阶段统计得到的95%经验分位数作为漂移诊断阈值,实现对失效隐含层节点的精准识别;对失效节点关联的完整hippo递归单元进行记忆重置与参数重配置,以遗忘已失去作用的历史状态信息,同时保留未失效节点的既有映射能力,从而在数据分布剧烈变化时实现网络结构的有序、定向更新,兼顾历史规律保持与新工况快速适应。

44、在本技术其中一个实施例中,所述步骤s5中在误差仍超限时择优再生候选隐含层节点,并对保留、重置、新增节点差异化更新输出权重的过程为:

45、当完成记忆重置并重新求解输出权重后,若

e(k)>

emax,则复用候选hippo递归单元生成和监督筛选方式获得候选隐含层节点集合;设当前样本级预测残差向量为

e(k),第ω个候选隐含层节点的激活输出向量为

gω,先采用最小二乘方式计算暂定输出系数,再构造候选节点暂定输出经验分布与残差经验分布,选择二者之间wasserstein-2距离最小的候选隐含层节点加入网络;

46、将更新后的隐含层输出矩阵记为,所述隐含层输出矩阵包括未失效保留节点、重置节点和新加入节点在当前时间窗口上的输出列;仅对未失效保留节点集合中的输出权重施加ewc约束,对重置节点和新加入节点不施加ewc约束,重新求解带l2正则化项和ewc惩罚项的全局输出权重

β(k);当

e(k)仍大于

emax且当前隐含层节点数量小于

jmax时,返回候选隐含层节点择优再生过程继续增加节点,当隐含层节点数量达到

jmax时停止增加节点并保留当前误差最小的网络结构。

47、技术效果:在记忆重置后误差仍超限时,以候选节点暂定输出经验分布与当前残差经验分布之间的wasserstein-2距离最小化为准则择优再生候选节点,使新加入节点优先补偿当前网络尚未解释的预测误差,且无需重建初始网络即可生成候选节点,降低了结构重构的计算开销;同时,对未失效保留节点施加ewc约束以保护其承载的历史规律,而对重置节点和新加入节点放开约束以快速适应新工况,通过误差驱动的迭代再生与预设上限约束,保证网络结构重构在可控复杂度内收敛。

48、本技术一个实施例中还提供了一种基于多项式特征投影与分布诊断网络的燃气负荷预测装置,用于实现前述的基于多项式特征投影与分布诊断网络的燃气负荷预测方法,包括:

49、数据采集模块,用于采集燃气总负荷数据及与燃气负荷相关的外部环境数据;

50、数据预处理模块,用于对所述数据采集模块采集的数据进行预处理和特征重构,构建预测模型使用的数据集;

51、网络构建与训练模块,用于利用所述数据集建立递归随机配置网络,利用hippo状态空间矩阵对各隐含层节点的递归权重进行结构化初始化,依据监督不等式筛选隐含层节点并求解全局输出权重,同时确定误差容忍下限和误差容忍上限;

52、在线预测与响应模块,用于将新采集数据输入网络进行在线预测并计算当前在线时间窗口的平均绝对预测误差,当所述误差处于所述误差容忍下限与所述误差容忍上限之间时,利用基于弹性权重巩固ewc的抗遗忘机制仅对输出权重进行微调;当所述误差超过所述误差容忍上限时,基于最优传输理论对各隐含层节点激活分布进行诊断,对失效隐含层节点所关联的递归单元进行记忆重置,并在误差仍超限时择优再生候选隐含层节点、差异化更新输出权重;

53、输出模块,用于利用当前确定的网络结构和全局输出权重输出当前时间窗口的预测结果,并保持样本数量不变地推进滑动时间窗口。

54、技术效果:本装置通过上述各模块的分工协作,完整实现了预测方法对应的数据获取、特征重构、网络构建、分级响应与输出推进功能,各模块之间通过数据集、误差判据及更新后的网络参数有机衔接,能够以模块化、装置化的方式在燃气负荷预测设备上稳定运行,兼顾历史规律保持与非平稳工况的快速适应,提高燃气负荷在线预测的稳定性与适应能力。