一种基于双层软门控混合高斯过程的空调负荷集群预测方法

本发明涉及电力负荷预测领域，特别是涉及一种基于双层软门控混合高斯过程的空调负荷集群预测方法。

背景技术：

1、空调负荷集群是楼宇、园区、学校等用能场景中规模较大且具有较高调节潜力的需求侧资源。随着新能源装机容量和发电占比不断提高，电力系统运行的不确定性和波动性增强，对负荷侧灵活资源的状态感知、可调潜力评估和短期功率预测提出了更高要求。准确预测空调负荷集群在未来短时段内的负荷变化，能够为需求响应、运行边界量化和电力系统精细化调度提供基础。

2、现有空调或建筑负荷预测方法主要包括自回归积分滑动平均模型、支持向量机、随机森林、长短期记忆网络、门控循环单元、双向长短期记忆网络以及基于聚类或深度学习的改进模型。上述方法在常规负荷预测场景中具有一定适用性，但在空调负荷集群场景下仍存在不足：一方面，空调集群受设备启停、用户行为、环境温度、环境湿度、星期属性和节假日等因素共同影响，负荷曲线呈现多模式、非线性、随机性和非平稳特征；另一方面，单一模型难以同时刻画不同运行工况下的异质响应机制，导致对峰值区间、快速变化区间和可调潜力相关状态的预测精度不足。

3、部分神经网络模型能够提高点预测精度，但对预测不确定性、时序周期结构及物理影响因素的可解释刻画能力有限；部分高斯过程类模型能够给出不确定性描述，但若采用单一高斯过程、固定均值函数或简单核函数，难以适应多维输入条件下的非线性耦合关系和多模式运行特征。因此，有必要提供一种能够在仅依赖聚合功率及外部驱动信息的条件下，将日级运行模式划分、设备启停引起的功率增量建模、软门控多专家协同建模、神经网络均值函数、加性组合核函数以及不确定性输出结合起来的空调负荷集群短期预测方法。

技术实现思路

1、基于以上内容，本发明的目的是提供一种基于双层软门控混合高斯过程的空调负荷集群预测方法，在获取空调集群聚合功率及外部驱动信息的前提下，对空调集群负荷的日级运行模式、设备启停引起的功率增量、模式内部异质响应以及预测不确定性进行联合建模，提高空调负荷集群短期预测的准确性、鲁棒性和可解释性，为需求响应和精细化调度提供支撑。

2、为实现上述目的，本发明提供一种基于双层软门控混合高斯过程的空调负荷集群预测方法，所述方法包括：

3、步骤s1：获取空调负荷集群运行数据和外部驱动数据，构造用于预测的多维输入特征，并对所述数据进行预处理。

4、具体包括：

5、步骤s11：通过非侵入式负荷监测终端或能耗采集系统获取空调负荷集群的聚合功率数据，并同步获取环境温度、湿度、时间位置、星期属性、周末标识和节假日标识等外部驱动信息。

6、步骤s12：对采集数据进行缺失值处理、异常值处理、时间对齐、样本构造和标准化处理，形成包含历史负荷、气象特征和日历特征的多维输入样本。

7、步骤s2：基于空调设备启停机理构建功率增量观测模型，将不可直接观测的设备启停状态映射为可观测的聚合功率动态变化。

8、具体包括：

9、步骤s21：将空调集群总功率表示为处于运行状态的单体设备功率叠加结果，并将运行台数和设备启停变化作为反映群体运行状态的隐含变量。

10、步骤s22：将相邻时刻聚合功率差值作为观测变量，并分别构造用于表征剩余可开启容量和已运行负荷规模的线性系数。

11、步骤s23：基于开启侧隐函数和关闭侧隐函数描述设备启停比例，使模型在不直接观测单体设备状态的条件下，通过聚合功率增量刻画空调集群动态响应。

12、步骤s3：建立上层日级潜在模式划分模型，对不同日期的空调负荷曲线进行运行模式识别，以降低样本异质性对建模结果的影响。

13、具体包括：

14、步骤s31：以每一日负荷曲线作为样本，引入日级潜在模式变量，对不同日期下的整体运行工况进行模式划分。

15、步骤s32：分别针对开启侧和关闭侧设置潜在模式概率，使不同日期的负荷曲线能够归属于相应的典型运行模式，从而降低曲线混杂和样本异质性。

16、步骤s4：建立下层软门控多专家高斯过程模型，在给定运行模式下基于输入相关的门控权重自适应融合多个专家高斯过程，以刻画模式内部的异质启停响应。

17、具体包括：

18、步骤s42：采用单隐层神经网络构造输入相关门控函数，并通过归一化处理得到各专家模型的门控权重。

19、步骤s43：根据所述门控权重对多个专家高斯过程进行加权融合，使模型能够随时间、温度和日历属性变化连续调整不同专家的贡献。

20、步骤s5：构建神经网络均值函数和加性组合核函数，对负荷变化中的非线性趋势、时间平滑性、局部周期性、温度相关性和随机扰动进行联合表征。

21、具体包括：

22、步骤s51：采用神经网络替代传统基函数展开方式构造高斯过程均值函数，以增强模型对多维输入变量及复杂非线性耦合关系的表达能力。

23、步骤s52：构建由时间平滑项、温度相关项、局部周期项和白噪声项组成的加性组合核函数，以刻画负荷序列的平滑性、周期性、温度影响和随机扰动。

24、步骤s53：在软门控权重作用下形成组合均值与组合协方差结构，实现对不同运行条件下负荷趋势变化和波动特征的联合表征。

25、步骤s6：采用蒙特卡洛期望最大化算法对模型参数进行学习，并基于训练后的模型输出空调负荷集群短期预测结果及预测不确定性区间。

26、具体包括：

27、步骤s61：基于功率增量观测模型构建观测似然，并结合上层潜在模式变量和下层隐函数先验形成完整联合概率模型。

28、步骤s62：在期望步骤中，对潜在模式变量进行采样，并对高斯过程隐函数进行后验采样，以获得用于参数更新的后验样本。

29、步骤s63：在最大化步骤中，基于采样结果更新混合概率、门控网络参数、均值网络参数、核函数超参数和噪声参数，得到训练后的预测模型。

30、根据本发明提供的具体实施例，本发明公开了以下技术效果：

31、本发明提供的空调负荷集群短期预测方法，将空调设备启停引起的功率变化作为观测对象，能够在仅依赖聚合功率和外部驱动信息的条件下刻画集群动态响应；通过上层日级潜在模式划分降低不同运行工况混杂对建模的影响；通过下层软门控多专家高斯过程自适应描述模式内部异质响应；通过神经网络均值函数和加性组合核函数联合刻画非线性趋势、时序周期规律和预测不确定性。该方法能够提高空调负荷集群短期预测精度和泛化能力，并为空调集群需求响应、灵活资源评估及电力系统精细化调度提供可靠依据。

1.一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，步骤s1具体包括：

3.根据权利要求1所述的一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，步骤s2具体包括：

4.根据权利要求1所述的一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，步骤s3具体包括：

5.根据权利要求1所述的一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，所步骤s4具体包括：

6.根据权利要求1所述的一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，步骤s5具体包括：

7.根据权利要求1所述的一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，步骤s6具体包括：

8.根据权利要求1所述的一种基于双层软门控混合高斯过程的空调负荷集群预测方法，其特征在于，所述输出空调负荷集群短期预测结果及预测不确定性区间，具体包括：将预测时刻的多维输入特征代入训练后的模型，得到开启侧和关闭侧隐函数预测结果，计算预测功率增量并递推得到未来聚合功率，同时根据高斯过程预测协方差生成预测置信区间。