一种多时间尺度空调负荷预测方法与流程

1.本发明涉及一种多时间尺度空调负荷的预测方法，特别涉及一种基于改进鸟群优化算法与卷积神经网络多时间尺度空调负荷的预测方法。


背景技术：

2.在“碳达峰、碳中和”愿景下，风、光等可再生能源占比在未来几年将会逐年提高，届时，大量新能源亟待消纳，该问题引起了能源系统领域专家的关注。将部分风、光新能源转储冷、热形式的能源，并通过空调为厂区或区域住宅区提供冷、热负荷的方式促进新能源消纳成为热议的话题之一。在综合能源系统中，可靠的源、荷预测是综合能源系统稳定可靠运型、多能相互转换与协同优化调度的基础。
3.目前，在区域综合能源系统中对电负荷与新能源发电功率预测的研究较多，而对空调的冷、热负荷研究却鲜有报道。想要使区域综合能源系统更好地实现优化调度与各能流的协同调配，离不开高精度与高可靠性的冷、热空调负荷预测。


技术实现要素：

4.本发明要解决的技术问题是提出一种多时间尺度空调负荷的预测方法，可对冷、热空调负荷的多时间尺度预测，可靠性好，精度高。
5.本发明的技术方案是：
6.一种多时间尺度空调负荷预测方法，包括以下步骤：
7.步骤1：建立训练集
8.获取空调负荷历史数据，获取相应日期气象数据与日期类型数据；对收集到的空调负荷历史数据及相应的日期气象数据、日期类型数据构建模型数据集；将气象类型数据、日期类型数据划分为训练集的输入数据，将空调负荷历史数据划分为训练集的对比数据；
9.步骤2：构建基于卷积神经网络预测模型
10.输入空调负荷历史数据、相应的日期气象数据和日期类型数据对卷积神经网络进行训练，输出空调负荷预测数据；
11.步骤3：输出数据与对比数据对比分析
12.将空调负荷预测数据与空调负荷历史数据进行对比分析，得到模型整体收敛精度，模型整体收敛精度达到设定模型收敛精度要求，完成模型训练；模型整体收敛精度不满足设定模型收敛精度要求，应用改进鸟群优化算法优化卷积神经网络各层的权重参数，返回步骤2；
13.步骤4：应用改进鸟群优化算法训练卷积神经网络预测模型
14.通过迭代计算新的适应度数值、更新历史最优值与非劣值，去除重复粒子并优化卷积神经网络各层的权重参数；
15.步骤5：应用训练好的卷积神经网络模型进行多时间尺度的短期空调负荷预测。
16.进一步的优选,构建基于卷积神经网络的预测模型时，将历史日期类型数据与气
象类型数据，取均值化为以小时为时间尺度的数据；
17.预测模型输出的空调负荷预测数据包括以小时为单位的冷空调负荷预测数据、热空调负荷预测数据与以日为单位冷空调负荷预测数据、热空调负荷预测数据，预测模型输出记为y，则
[0018][0019]
其中，为以小时为单位的冷负荷；c
day
为以日为单位的冷负荷；为以小时为单位的热负荷；h
day
为以日为单位的热负荷；
[0020]
预测模型输入记为x，为包含以小时为单位的气象类型数据与日期类型数据的向量，则x表示为
[0021]
x＝[w1,w2,...,wn,t1,t2,...,tm]
t
；
[0022]
其中，w1,w2,...,wn分别为气象类型数据向量；n为气象类型数据的类别数；t1,t2,...,tm分别为日期类型数据向量；m为日期类型数据的类别数。
[0023]
进一步的优选,构建基于卷积神经网络预测模型时，将x整理为矩阵形式进行训练；
[0024]
x整理为矩阵形式，设v为矩阵维度，则
[0025][0026]
其中，ceil(
·
)为向上取整函数，表示取大于且最接近自变量的整数值；
[0027]
以v维度排列[w1,w2,...,wn,t1,t2,...,tm]
t
中的每一个元素，构成v阶方阵，空余元素用0填充。
[0028]
进一步的优选,构建基于卷积神经网络的预测模型，其中，卷积神经网络的卷积层计算过程为
[0029][0030]
其中，yc为该卷积层运算所得输出；wc为该卷积层卷积核的共享权重；xc为该卷积层输入数据；bc为偏置量；为卷积运算；r(
·
)为非线性激活函数，针对自变量t，r(
·
)的表达式为
[0031][0032]
卷积神经网络的池化层采用最大值池化，计算过程为
[0033]yp
＝max(x
p
)
[0034]
其中，x
p
为该池化层某个感受野内的数据；y
p
为该包含x
p
在内的感受野经过池化运算所得的输出值。
[0035]
卷积神经网络由多组卷积层和与之相当数量的池化层组成，并构成预测模型，预测模型的输入输出映射关系为
[0036]
y＝f(x)
[0037]
其中，f(
·
)为卷积神经网络的映射函数。
[0038]
进一步的优选,所述模型整体收敛精度的计算公式为：
[0039][0040][0041][0042][0043][0044]
其中，分别为每个以小时为时间尺度的冷、热负荷预测精度与以天为时间尺度的冷、热负荷预测精度；c
day
′
,h
day
′
分别为每个历史以小时为时间尺度的冷、热负荷真实值与历史以天为时间尺度的冷、热负荷真实值；c
day
,h
day
分别为每个以小时为时间尺度的冷、热负荷预测值与以天为时间尺度的冷、热负荷预测值；λ为模型整体收敛精度；j∈[1,24]；
[0045]
设定模型收敛精度判断如下：
[0046]
当模型收敛，可以应用模型进行预测；
[0047]
当模型尚未收敛，需应用改进鸟群优化算法进行卷积神经网络各卷积层权重优化。
[0048]
进一步的优选,步骤4中，应用改进鸟群优化算法训练卷积神经网络，其中，卷积神经网络各卷积层权重由鸟群优化算法中的鸟群个体位置数据体现，鸟群优化算法中鸟群个体位置数值的变化过程即为卷积神经网络权重数值的优化过程，通过寻找使群体适应度最高情况下各个鸟群个体的最优位置。
[0049]
进一步的优选,步骤1中，获取历史空调负荷数据，包括以小时为单位的冷空调负荷数据、热空调负荷数据和以日为单位的冷空调负荷数据、热空调负荷数据；获取对应上述负荷的日期类型数据，包括月份、日期、星期与节假日数据；获取对应上述负荷的气象类型数据，包括以15分钟为时间尺度的温度、风速、气象条件、气压、与光辐射角数据和以1小时为时间尺度的3小时内温度与风速均值。
[0050]
本发明相比现有技术突出且有益的技术效果是：
[0051]
本发明考虑更多冷、热空调负荷的影响因素，并构建具有提取大量输入数据内在特征能力的卷积神经网络，在细致化提取数据内在的非线性特征的同时尽可能地减少网络的链接权重，使模型在训练速度上具有更优异的表现，同时还会尽可能避免过拟合现象的发生。同时，应用改进鸟群优化算法，使卷积神经网络这类深度模型更容易训练，并极大程度上避免陷入局部最优情况的发生。同时，模型采用多输入多输出的形式，可以同时得到多时间尺度的冷、热负荷预测结果，可靠性好，精度高。
附图说明
[0052]
图1为本发明的流程图；
[0053]
图2为本发明(对应实施例1)小时空调负荷预测效果图；
[0054]
图3为本发明(对应实施例1)日空调负荷预测效果图。
具体实施方式
[0055]
为了使本技术领域的人员更好的理解本发明中的技术方案，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0056]
实施例
[0057]
本发明提供一种多时间尺度空调负荷预测方法，包括以下步骤：
[0058]
步骤1：获取空调负荷历史数据，获取相应日期气象数据与日期类型数据；
[0059]
其中，获取历史空调负荷数据，包括以小时为单位的冷、热空调负荷数据和以日为单位的冷、热空调负荷数据；获取对应上述负荷的日期类型数据，包括月份、日期、星期与节假日数据；获取对应上述负荷的气象类型数据，包括以15分钟为时间尺度的温度、风速、气象条件、气压、与光辐射角数据和以1小时为时间尺度的3小时内温度与风速均值；
[0060]
对收集到的空调负荷历史数据及相应的日期气象数据、日期类型数据构建模型数据集；将气象类型数据、日期类型数据划分为训练集的输入数据，将空调负荷历史数据划分为训练集的对比数据。
[0061]
步骤2：构建基于卷积神经网络的预测模型；
[0062]
将历史日期类型数据与气象类型数据取均值化为以小时为时间尺度的数据，输入空调负荷历史数据、相应的日期气象数据和日期类型数据对卷积神经网络进行训练，输出空调负荷预测数据；
[0063]
预测模型输出的空调负荷数据包括以小时为单位的冷、热空调负荷与以日为单位冷、热空调负荷，预测模型输出记为y，则
[0064][0065]
其中，为以小时为单位的冷负荷；c
day
为以日为单位的冷负荷；为以小时为单位的热负荷；h
day
为以日为单位的热负荷。
[0066]
预测模型输入记为x，为包含以小时为单位的气象类型数据与日期类型数据的矩阵，则x表示为
[0067]
x＝[w1,w2,...,wn,t1,t2,...,tm]
t
[0068]
其中，w1,w2,...,wn分别为气象类型数据向量；n为气象类型数据的类别数；t1,t2,...,tm分别为日期类型数据向量；m为日期类型数据的类别数。
[0069]
将x整理为矩阵形式，设v为矩阵维度，则
[0070][0071]
其中，ceil(
·
)为向上取整函数，表示取大于且最接近自变量的整数值。
[0072]
以v维度排列[w1,w2,...,wn,t1,t2,...,tm]
t
中的每一个元素，构成v阶方阵，空余元素用0填充。
[0073]
构建基于卷积神经网络的预测模型，其中，卷积神经网络的卷积层计算过程为
[0074][0075]
其中，yc为该卷积层运算所得输出；wc为该卷积层卷积核的共享权重，通常采用3
×
3的卷积核；xc为该卷积层输入数据；bc为偏置量，在实际应用中可以不做考虑；为卷积运算；r(
·
)为非线性激活函数，针对自变量t，r(
·
)的表达式为
[0076][0077]
卷积神经网络的池化层采用最大值池化，计算过程为
[0078]yp
＝max(x
p
)
[0079]
其中，x
p
为该池化层某个感受野内的数据；y
p
为该包含x
p
在内的感受野经过池化运算所得的输出值。
[0080]
卷积神经网络由多组卷积层和与之相当数量的池化层组成，并构成预测模型，预测模型的输入输出映射关系为
[0081]
y＝f(x)
[0082]
其中，f(
·
)为卷积神经网络的映射函数。
[0083]
步骤3：输出数据与对比数据对比分析
[0084]
将空调负荷预测数据与空调负荷历史数据相应进行对比分析，根据空调负荷预测数据与空调负荷历史数据得到模型整体收敛精度；
[0085]
设定模型收敛精度判断如下：
[0086]
当模型收敛，完成模型训练，可以应用模型进行预测。
[0087]
当模型尚未收敛，需应用改进鸟群优化算法进行卷积神经网络各卷积层权重优化，并返回步骤2。
[0088]
模型整体收敛精度的计算公式：
[0089][0090][0091][0092]
[0093][0094]
其中，分别为每个以小时为时间尺度的冷、热负荷预测精度与以天为时间尺度的冷、热负荷预测精度；c
day
′
,h
day
′
分别为每个历史以小时为时间尺度的冷、热负荷真实值与历史以天为时间尺度的冷、热负荷真实值；c
day
,h
day
分别为每个以小时为时间尺度的冷、热负荷预测值与以天为时间尺度的冷、热负荷预测值；λ为模型整体收敛精度；j∈[1,24]。
[0095]
步骤4：应用改进鸟群优化算法训练卷积神经网络预测模型
[0096]
应用改进鸟群优化算法训练卷积神经网络预测模型，通过迭代计算新的适应度数值、更新历史最优值与非劣值，去除重复粒子并优化卷积神经网络各层的权重参数；
[0097]
应用改进鸟群优化算法训练卷积神经网络过程如下：
[0098]
卷积神经网络各卷积层权重由鸟群优化算法中的鸟群个体位置数据体现，鸟群优化算法中鸟群个体位置数值的变化过程即为卷积神经网络权重数值的优化过程，通过寻找使群体适应度最高情况下各个鸟群个体的最优位置。
[0099]
制定鸟群优化算法规则：
[0100]
(1)鸟群个体觅食与警觉行为，通过制定一个随机决策值实现，当通过概率随机生成(0,1)之间数大于设定的常数p时，鸟群个体进行觅食，否则保持警觉行为。
[0101]
(2)觅食行为中，每只鸟群个体更新觅食位置，并分享给整个鸟群群体，并由此可共享鸟群的群体最佳觅食位置。
[0102][0103]
其中，为第i行j列鸟个体第t次迭代所在的位置；p
i,j
为第i行j列鸟个体所经过的最佳位置；gj为鸟群最佳位置；s,t分别为认知系数及进化系数，均为正常数；rand(0,1)代表产生服从期望值为0，标准差为1的高斯分布的一个随机数。
[0104]
(3)警觉行为中，每个鸟群个体试图飞往种群中心，受种群竞争影响，使储备食物多的鸟个体比食物少的个体具备更大的概率前往种群中心。为避免竞争，鸟群个体行为可表示为
[0105][0106][0107][0108]
其中，k∈[1,n],且k≠i，n为种群规模，即卷积神经网络全部待优化的权重数量；δ1,δ2分别为鸟群趋近系数与逃逸系数；v1,v2均为[0,2]之间的常数；pfit
i,j
为第i行j列鸟个体的适应度，即仅更新该鸟个体位置所对应神经网络权重值后模型的预测精度；sumfit为整个鸟群群体的适应度之和，即依次更新鸟群每一个个体位置也就是神经网络每一个权
重值计算的到模型预测精度的和；ε用于避免零分割；meanpfit为种群适应度的平均值，即依次更新鸟群每一个个体位置也就是神经网络每一个权重值计算的到模型预测精度的平均值。
[0109]
(4)为逃避追捕或寻找食物，鸟群会定期飞往其他区域，当到达另一区域后，它们会重新觅食。种群中食物储备最多的称为食物生产者，储备最少的称为乞食者。飞往其他区域后，一些乞食者鸟个体跟随生产者鸟个体寻找食物。生产者和乞食者的行为表示为
[0110][0111][0112]
其中，fl为乞食者随同生产者觅食的概率，fl∈[0,1]。
[0113]
步骤5：应用训练好的模型进行多时间尺度的短期空调负荷预测。
[0114]
将待预测日的气象与日期类型数据输入至训练好的预测模型当中，即可获取该预测日以小时为单位的冷、热负荷预测数值与以日为单位的冷、热负荷预测数值。
[0115]
实施例1
[0116]
如图1所示，本实施例一种多时间尺度空调负荷预测方法，包括以下步骤：
[0117]
步骤1：获取空调负荷历史数据，获取相应日期气象数据与日期类型数据；
[0118]
其中，获取历史空调负荷数据，包括以小时为单位的冷、热空调负荷数据和以日为单位的冷、热空调负荷数据；获取对应上述负荷的日期类型数据，包括月份、日期、星期与节假日数据；获取对应上述负荷的气象类型数据，包括以15分钟为时间尺度的温度、风速、气象条件、气压、与光辐射角数据和以1小时为时间尺度的3小时内温度与风速均值；
[0119]
对收集到的空调负荷历史数据及相应的日期气象数据、日期类型数据构建模型数据集；将气象类型数据、日期类型数据划分为训练集的输入数据，将空调负荷历史数据划分为训练集的对比数据。
[0120]
步骤2：构建基于卷积神经网络(cnn算法)的预测模型；
[0121]
将历史日期类型数据与气象类型数据作为模型的输入数据取均值化为以小时为时间尺度的数据，输入空调负荷历史数据、相应的日期气象数据和日期类型数据对卷积神经网络进行训练，输出空调负荷预测数据；
[0122]
预测模型输出的空调负荷数据包括以小时为单位的冷、热空调负荷与以日为单位冷、热空调负荷，预测模型输出记为y，则
[0123][0124]
其中，为以小时为单位的冷负荷；c
day
为以日为单位的冷负荷；为以小时为单位的热负荷；h
day
为以日为单位的热负荷。
[0125]
预测模型输入记为x，为包含以小时为单位的气象类型数据与日期类型数据的矩阵，则x表示为
[0126]
x＝[w1,w2,...,wn,t1,t2,...,tm]
t
[0127]
其中，w1,w2,...,wn分别为气象类型数据向量；n为气象类型数据的类别数；t1,t2,...,tm分别为日期类型数据向量；m为日期类型数据的类别数。
[0128]
将x整理为矩阵形式，设v为矩阵维度，则
[0129][0130]
其中，ceil(
·
)为向上取整函数，表示取大于且最接近自变量的整数值。
[0131]
以v维度排列[w1,w2,...,wn,t1,t2,...,tm]
t
中的每一个元素，构成v阶方阵，空余元素用0填充。
[0132]
构建基于卷积神经网络的预测模型，其中，卷积神经网络的卷积层计算过程为
[0133][0134]
其中，yc为该卷积层运算所得输出；wc为该卷积层卷积核的共享权重，通常采用3
×
3的卷积核；xc为该卷积层输入数据；bc为偏置量，在实际应用中可以不做考虑；为卷积运算；r(
·
)为非线性激活函数，针对自变量t，r(
·
)的表达式为：
[0135][0136]
卷积神经网络的池化层采用最大值池化，计算过程为
[0137]yp
＝max(x
p
)
[0138]
其中，x
p
为该池化层某个感受野内的数据；y
p
为该包含x
p
在内的感受野经过池化运算所得的输出值。
[0139]
卷积神经网络由多组卷积层和与之相当数量的池化层组成，并构成预测模型，预测模型的输入输出映射关系为
[0140]
y＝f(x)
[0141]
其中，f(x)为卷积神经网络的映射函数。
[0142]
在本算例中，卷积神经网络的结构依次为输入层、卷积层、池化层、卷积层、池化层、全连接层、输出层。
[0143]
步骤3：输出数据与对比数据对比分析将空调负荷预测数据与空调负荷历史数据相应进行对比分析，根据空调负荷预测数据与空调负荷历史数据得到模型整体收敛精度；
[0144]
设定模型收敛精度判断如下：
[0145]
当模型收敛，完成模型训练，可以应用模型进行预测。
[0146]
当模型尚未收敛，需应用改进鸟群优化算法进行卷积神经网络各卷积层权重优化，并返回步骤2。
[0147]
在本实施例中，设定模型收敛精度为10-6
。
[0148]
模型整体收敛精度计算公式为：
[0149][0150]
[0151][0152][0153][0154]
其中，分别为每个以小时为时间尺度的冷、热负荷预测精度与以天为时间尺度的冷、热负荷预测精度；c
day
′
,h
day
′
分别为每个历史以小时为时间尺度的冷、热负荷真实值与历史以天为时间尺度的冷、热负荷真实值；c
day
,h
day
分别为每个以小时为时间尺度的冷、热负荷预测值与以天为时间尺度的冷、热负荷预测值；λ为模型整体收敛精度；j∈[1,24]。
[0155]
步骤4：应用改进鸟群优化算法训练卷积神经网络预测模型，通过迭代计算新的适应度数值、更新历史最优值与非劣值，去除重复粒子并优化卷积神经网络各层的权重参数；
[0156]
应用改进鸟群优化算法训练卷积神经网络过程如下：
[0157]
卷积神经网络各卷积层权重由鸟群优化算法中的鸟群个体位置数据体现，鸟群优化算法中鸟群个体位置数值的变化过程即为卷积神经网络权重数值的优化过程，通过寻找使群体适应度最高情况下各个鸟群个体的最优位置。
[0158]
制定鸟群优化算法规则：
[0159]
(1)鸟群个体觅食与警觉行为，通过制定一个随机决策值实现，当通过概率随机生成(0,1)之间数大于设定的常数p时，鸟群个体进行觅食，否则保持警觉行为。
[0160]
(2)觅食行为中，每只鸟群个体更新觅食位置，并分享给整个鸟群群体，并由此可共享鸟群的群体最佳觅食位置。
[0161][0162]
其中，为第i行j列鸟个体第t次迭代所在的位置；p
i,j
为第i行j列鸟个体所经过的最佳位置；gj为鸟群最佳位置；s,t分别为认知系数及进化系数，均为正常数；rand(0,1)代表产生服从期望值为0，标准差为1的高斯分布的一个随机数。
[0163]
(3)警觉行为中，每个鸟群个体试图飞往种群中心，受种群竞争影响，使储备食物多的鸟个体比食物少的个体具备更大的概率前往种群中心。为避免竞争，鸟群个体行为可表示为
[0164][0165][0166]
[0167]
其中，k∈[1,n],且k≠i，n为种群规模，即卷积神经网络全部待优化的权重数量；δ1,δ2分别为鸟群趋近系数与逃逸系数；v1,v2均为[0,2]之间的常数；pfit
i,j
为第i行j列鸟个体的适应度，即仅更新该鸟个体位置所对应神经网络权重值后模型的预测精度；sumfit为整个鸟群群体的适应度之和，即依次更新鸟群每一个个体位置也就是神经网络每一个权重值计算的到模型预测精度的和；ε用于避免零分割；meanpfit为种群适应度的平均值，即依次更新鸟群每一个个体位置也就是神经网络每一个权重值计算的到模型预测精度的平均值。(4)为逃避追捕或寻找食物，鸟群会定期飞往其他区域，当到达另一区域后，它们会重新觅食。种群中食物储备最多的称为食物生产者，储备最少的称为乞食者。飞往其他区域后，一些乞食者鸟个体跟随生产者鸟个体寻找食物。生产者和乞食者的行为表示为
[0168][0169][0170]
其中，fl为乞食者随同生产者觅食的概率，fl∈[0,1]。
[0171]
改进鸟群优化算法的初始参数为算法随机数值。
[0172]
步骤5：应用训练好的模型进行多时间尺度的短期空调负荷预测。
[0173]
将待预测日的气象与日期类型数据输入至训练好的预测模型当中，即可获取该预测日以小时为单位的冷、热负荷预测数值与以日为单位的冷、热负荷预测数值。
[0174]
经过预测模型输出的多时间尺度冷、热空调负荷预测结果如图2、图3所示，其中图2为以小时为时间尺度的冷、热空调负荷预测值和真实值曲线图；图3为以天为时间尺度的冷、热空调负荷预测值和真实值曲线图。
[0175]
以小时为时间尺度的冷、热空调负荷预测结果和实际运行的冷、热空调负荷数值如表1所示：
[0176]
表1部分以小时为时间尺度的冷、热空调负荷预测结果对比
[0177][0178][0179]
以天为时间尺度的冷、热空调负荷预测结果如表2所示：
[0180]
表2以天为时间尺度的冷、热空调负荷预测结果对比
[0181]
编号空调冷负荷真实值空调冷负荷预测值空调热负荷真实值空调冷负荷预测值18290.077829.0323794.4025440.7828693.308879.8123604.6921792.15
38637.798341.3323008.8922177.7049439.2110324.4623534.1424402.9259145.888795.4024210.4723442.9368551.989491.1724147.3025675.8978654.769558.1622807.4521288.43
[0182]
分别计算冷、热空调负荷以小时为时间尺度和以天为时间尺度预测结果的平均相对误差。其中，以小时为时间单位的空调冷负荷预测结果的平均相对误差为92.7％；以时为时间单位的空调热负荷预测结果的平均相对误差为93.6％；以天为时间单位的空调冷负荷预测结果的平均相对误差为93.5％；以时为时间单位的空调热负荷预测结果的平均相对误差为94.6％。结果显示，本发明提出一种多时间尺度空调负荷预测方法具有良好的预测表现，可靠性好，精度高，满足实际应用需求。
[0183]
以上仅为本发明的具体实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。