基于CNN-LSTM混合网络模型的建筑能耗电负荷预测方法及装置与流程

基于cnn
‑
lstm混合网络模型的建筑能耗电负荷预测方法及装置
技术领域
1.本发明属于建筑电负荷预测技术领域，具体涉及一种基于cnn编码
‑
lstm解码混合神经网络模型的建筑能耗电负荷预测方法及装置。


背景技术：

2.近年来，随着人口数量的不断增长以及科学技术的飞速发展，环境问题、能源问题使得全球面领着巨大危机。因此，全人类的共同目标是在节约能源、保护环境的基础上实现可持续发展。目前，节能减排的三个主要领域是：建筑、工业以及交通。由于人口的增长，对建筑服务和舒适度的需求不断增加，以及在建筑物内停留时间的增加等因素，截止目前，建筑领域能耗已经超过其他两个领域能耗。建筑的能耗大部分来自电负荷。而随着社会对电力系统运行的安全性、稳定性以及经济性的要求不断提高，电负荷预测的重要性也日益突出。电负荷预测是电力系统规划工作的基础，是合理安排发电、输电和配电的必要前提。因此，提高电负荷预测的准确性具有十分重要的意义。
3.针对建筑的电负荷预测目前已有许多预测方法，然而随着建筑智能化速度的不断加快，建筑的电负荷数据具有数量大、多维性、多度量性等特点，同时由于测量噪声、不确定性、传感器故障和校准不足等问题，建筑物的实际运行数据极易受异常值和缺失值的侵扰，而且建筑电负荷预测很多时候要基于多元时间序列进行分析，利用传统的自回归移动平均模型(arma)，自回归综合移动平均模型(arima)等统计方法对电负荷进行预测已越来越不能满足实际应用的需求。knn、随机森林、支持向量机等多种机器学习模型在数据样本量较小的情况下具有较好的预测性能，然而，传统的机器学习模型只能提取较浅层的特征，且通常需要复杂的特征工程。近几年，许多学者将rnn算法应用于时间序列预测问题上。rnn将上一隐层时间步的输出作为当下时间步的输入，并影响当下时间步的输出。凭借其独特的循环机制，rnn已经在很多领域证明了它的出色表现。但是rnn的训练，需要使用随时间的反向算法计算参数的梯度，其本质上仍然利用梯度的链式传递法则，所以rnn存在严重的梯度消散现象，导致其无法学习到数据中的长期依赖关系。


技术实现要素：

4.针对上述问题，本发明的目的在于提供一种预测准确性高的基于cnn编码
‑
lstm解码混合神经网络模型的建筑能耗电负荷预测方法和装置。
5.本发明采用cnn编码
‑
lstm解码混合神经网络模型，充分利用cnn(编码器)良好的特征提取能力和lstm(解码器)出色的对时间序列建模分析的能力，可以有效地提高建筑电负荷预测的准确性。
6.本发明提供的基于cnn编码
‑
lstm解码混合神经网络模型的建筑能耗电负荷预测方法，具体步骤如下：
7.(1)获取建筑的电负荷数据和特征变量数据，组成训练模型的数据集，并对无效数
据进行预处理；
8.(2)以预设比例将预处理后的数据分为训练集和测试集；
9.(3)建立cnn编码
‑
lstm解码混合神经网络的电负荷预测模型，将训练集的数据输入模型进行训练，再将训练好的模型在测试集上进行预测；
10.(4)按不同时间分辨率获得建筑对应的分负荷曲线、时负荷曲线、日负荷曲线和周负荷曲线，并使用性能评估指标对预测值和真实值的拟合度进行度量。
11.可选的，本发明所采用的数据集的建筑类型为住宅。
12.可选的，本发明所采用的数据集中的特征变量数据，包括无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能。
13.可选的，本发明所采用的数据集中的无效数据，为数据值出现缺失或为“？”的数据。根据缺失时间的长短，本发明分别采用线性插值法和上周同一时刻插值法来对其进行填补。
14.可选的，本发明采用cnn作为编码器，lstm作为解码器。cnn编码器由两组卷积
‑
池化层和一层平坦层组成，用于提取多元特征变量之间的关系，并将其编码为定长矢量。lstm解码器由两层lstm层组成，用于对时间序列进行建模和分析，并解码定长矢量为变长序列。然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。
15.可选的，本发明所述性能评估指标，采用均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)和平均相对误差(mape)四个指标。
16.本发明还提供基于cnn编码
‑
lstm解码混合神经网络模型的建筑电负荷预测装置，包括：
17.数据采集模块：包括传感器、rfid等智能设备，用于采集建筑的电负荷数据和特征变量数据，组成训练模型的数据集；
18.数据处理模块：用于对数据采集模块存储的数据进行预处理，包括缺失值填补、异常值检测、特征相关性分析、数据归一化、训练集与测试集的划分等；
19.模型训练模块：建立cnn编码
‑
lstm解码混合神经网络的电负荷预测模型，然后将训练集的数据输入模型进行训练；
20.预测模块：将训练好的模型在测试集上进行预测，获得负荷预测曲线；
21.结果评估模块：使用性能评估指标对预测值和真实值的拟合度进行度量。
22.可选的，本发明在数据采集模块所采用的数据集的建筑类型为住宅。
23.可选的，本发明在数据采集模块所采用的数据集中的特征变量包括无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能。
24.可选的，本发明在数据处理模块主要针对所采用的数据集中存在的数据值为缺失或“？”的数据进行缺失值填补的预处理。根据缺失时间的长短，本发明分别采用线性插值法和上周同一时刻插值法来对其进行填补。
25.可选的，本发明在模型训练模块采用cnn作为编码器，lstm作为解码器。cnn编码器由两组卷积
‑
池化层和一层平坦层组成，它可以提取多元特征变量之间的关系，并将其编码为定长矢量。lstm解码器由两层lstm层组成，它可以对时间序列进行建模和分析，并解码定长矢量为变长序列。然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。
26.可选的，本发明在预测模块按不同时间分辨率获得建筑对应的分负荷曲线、时负
荷曲线、日负荷曲线和周负荷曲线。
27.可选的，本发明在结果评估模块采用均方误差(mse)、均方根误差(rmse)、平均绝对误差(mae)和平均相对误差(mape)四种性能评估指标进行度量。
28.本发明有以下有益效果：
29.(1)本发明可以方便地采用现有的公开数据集和深度学习框架进行模型的构建和预测；本发明选取的是uci机器学习知识库提供的个人家庭用电量数据集，使用深度学习框架keras，tensorflow进行模型的构建；代价小，易于实行；
30.(2)本发明针对不同的数据缺失情况，分别采用线性插值法和上周同一时刻插值法对缺失值进行填补，从而可以更加贴近真实数据，更好验证模型的有效性；
31.(3)本发明充分利用了cnn强大的特征提取能力和lstm出色的时间序列建模能力以及编码器
‑
解码器结构独特的变长序列处理能力，具有更强的泛化能力和更高的预测精度；
32.(4)本发明所提出的cnn编码
‑
lstm解码混合神经网络电负荷预测模型不依赖于时间分辨率，在不同时间分辨率下均取得了十分良好的效果，证明其有效性和优越性。
附图说明
33.图1为本发明的预测方法流程图。
34.图2为本发明的预测装置结构图。
35.图3为本发明采用的cnn编码
‑
lstm解码混合神经网络模型结构示意图。
36.图4为本发明一个实施例的两种数据缺失现象。
37.图5为本发明一个实施例的不同四天的用电量趋势变化图。
38.图6为本发明一个实施例的与图5对应的上周同一天的用电量趋势变化图。
39.图7为本发明一个实施例的不同时间分辨率下用电量预测结果示意图。(a)为分负荷曲线，(b)为时负荷曲线，(c)为日负荷曲线，(d)为周负荷曲线。
具体实施方式
40.下面将结合实施例和附图，对本发明作进一步描述。通过附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
41.本发明一方面提供一种基于cnn编码
‑
lstm解码混合神经网络模型的建筑电负荷预测方法，如图1所示，包括：
42.s1，获取建筑的电负荷数据和特征变量数据组成训练模型的数据集：
43.从uci机器学习知识库网站http://archive.ics.uci.edu/ml/获取2006.12
‑
2010.11法国巴黎一个家庭近四年的用电量数据集。该数据集是一个多变量时间序列数据集，以1分钟的采样速率，采集总共2075259个时间序列的用电量。该数据集由9个属性信息构成。日期和时刻为时间信息，有功功率为用电量数据，无功功率、电压、电流强度、厨房有功电能、洗衣房有功电能、电热水器和空调有功电能为特征数据。
44.s2，对数据集中的无效数据进行预处理：
45.如图4所示，该数据集中的无效数据为数据值出现缺失或为“？”的数据。将“？”的数据也视为缺失数据。图4(a)表示数据在某一时刻或短时间内存在缺失，图4(b)表示数据在
某一很长的时间段内连续缺失。上述两种数据缺失情况，在任一缺失行内，除了日期和时刻两个时间信息的值保持完整之外，其他7个特征的值全部缺失。下面分别对这两种情况的缺失值进行填补。
46.对于图4(a)中的数据缺失情况(缺失时长不超过一小时)，我们随机选取了无数据缺失的四天进行家庭用电量趋势变化分析。如图5所示，总体来看，用电量受住户活动的影响较大，其波动的时间和幅度都具有较强的随机性，但在短时间内，其趋势性比较明显。采用线性插值的方法来对图4(a)中的数据缺失情况进行填补。公式(1)为线性插值的原理。
[0047][0048]
式中，y
ij
为j特征在第i行内的插入值，x0为距离第i行最近的前一无数据缺失行的行数值，x
n
为距离第i行最近的后一无数据缺失行的行数值，x
i
为第i行的行数值，y
0j
为j特征在第x0行的值，y
nj
为j特征在第x
n
行的值。
[0049]
对于图4(b)中的数据缺失情况，其缺失时间长达1
‑
5天，若继续采用线性插值法对其进行填补，则会导致一天之内的用电量完全按照某一特定的趋势在变化，而体现不出住户活动的影响。图6(a)～(d)均为图5(a)～(d)的上周同一天的用电量趋势变化图，分别对比相应的两个图，发现每周同一天的用电量趋势变化虽局部有所差异，但整体保持较高的相似度。故采用上周同一天同一时刻的数据对图4(b)中的数据缺失情况进行填补。其他6个特征的缺失数据也分别按照上述两种方法进行填补。
[0050]
s3，以预设比例将预处理后的数据分为训练集和测试集：
[0051]
由于实施例所使用的数据集采集了近四年的数据，所以将前三年的数据划分为训练集，剩余一年作为测试集。
[0052]
s4,建立cnn编码
‑
lstm解码混合神经网络的电负荷预测模型：
[0053]
使用深度学习框架keras，tensorflow建立cnn编码
‑
lstm解码混合神经网络的电负荷预测模型，如图3所示。cnn编码器由两组卷积
‑
池化层和一层平坦层组成，它可以提取多元特征变量之间的关系，并将其编码为定长矢量。lstm解码器由两层lstm层组成，它可以对时间序列进行建模和分析，并解码定长矢量为变长序列。然后，变长序列再经过两个全连接层输出最终的电负荷预测数据。该模型各个图层的参数在表1中列出。
[0054]
表1 cnn编码
‑
lstm解码混合神经网络模型的结构和参数
[0055]
图层类型输出形状参数conv1d(none,5,64)192maxpooling1d(none,2,64)0conv1d(none,2,64)8256maxpooling1d(none,1,64)0flatten(none,64)0reapeatvector(none,5,64)0lstm(none,5,128)98816lstm(none,128)131584dense(none,32)4128dropout(none,32)0
ce
‑
ld0.0010.0350.0232.67
[0069]
表4每天采样率下不同模型的性能比较
[0070][0071][0072]
表5每周采样率下不同模型的性能比较
[0073]
模型msermsemaemapecnn
‑
lstm0.0950.3090.23831.84eecp
‑
cbl0.0490.2200.17721.28ce
‑
ld0.0060.0760.0626.08。
[0074]
另一方面，本发明还提供基于cnn编码
‑
lstm解码混合神经网络模型的建筑电负荷预测装置，如图2所示，包括数据采集模块201、数据处理模块202、模型训练模块203、预测模块204、结果评估模块205：
[0075]
数据采集模块201通过传感器、rfid等智能设备采集建筑的电负荷数据和特征变量数据组成训练模型的数据集；
[0076]
数据处理模块202用于对数据采集模块存储的数据进行预处理，包括缺失值填补、异常值检测、特征相关性分析、数据归一化、训练集与测试集的划分等；
[0077]
模型训练模块203用于建立cnn编码
‑
lstm解码混合神经网络的电负荷预测模型，然后将训练集的数据输入模型进行训练；
[0078]
预测模块204用于将训练好的模型在测试集上进行预测，获得电负荷预测曲线；
[0079]
结果评估模块205使用性能评估指标对预测值和真实值的拟合度进行度量。
[0080]
更具体的实施方式可参照上述实施例，为避免冗余，在此不再赘述。
[0081]
根据本发明实施例的基于cnn编码
‑
lstm解码混合神经网络模型的电负荷预测装置，能够保证训练数据信息的完整性，提高预测精度，并能够预测不同时间分辨率的电负荷数据，以及能够提高预测的实时性。
[0082]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。