考虑温湿指数与耦合特性的综合能源负荷短期预测方法

本发明涉及综合能源负荷预测，特别涉及一种考虑温湿指数与耦合特性的综合能源负荷短期预测方法。

背景技术：

1、综合能源多元负荷预测是制定能量管理策略的重要基础，同时也是满足多能供需平衡的前提保障。但综合能源中异质能量的耦合特性以及复杂多变的气象因素影响在一定程度上给开展多能负荷预测应用研究带来了巨大挑战，对系统运行水平的进一步提升产生了重要影响。

2、同时相较于中长期负荷预测，短期负荷预测是以未来小时为时间尺度，对于指导实时用能感知、峰荷调控等具有更为重要的意义。对其预测方法，可按发展历程分为传统型和现代型两种。在早期的预测研究中，由于传统电力负荷成分简单且预测场景对象单一，预测方法较多依赖于自身历史统计数据并通过回归分析、时间序列、灰色理论等传统预测方法，使其建模分析具有考虑影响不全面、误差较大、精度不理想等局限。20世纪70年代以来，得益于国内外学者的大量研究成果，基于数据驱动的现代预测方法逐渐得到广泛认可与应用，尤其是机器学习与大数据分析等方法的应用使得预测水平得到大幅提升。但现代负荷预测方法所需的海量数据样本更加繁杂、数据之间的耦合程度更高，亟需在保证信息完整性的前提下对输入空间进行降维处理，并进一步提取出差异化特性，对构建高效智能的预测模型具有实用价值。

3、相较于以往单一用电需求预测的模型方法选用，综合能源多元负荷短期预测建模与精度提升在此基础上增加了对多个影响因素的计及。根据综合能源的运行原理，其异质能量之间具有较强的耦合转化特征与不确定性，多元负荷之间以及负荷与多因素之间相互呈现出交错影响。但现有综合能源多元负荷预测方法大多还是仅考虑单一气象因素影响或多个单一因素的简单叠加作为特征输入，缺乏对综合气象因素共同作用的影响考虑。

4、此外，在现有研究中对于综合能源多元负荷耦合特性的深度挖掘缺乏异质能量间特征影响的因果关系分析，并在此基础上还需进一步从负荷自身的内耦合特征与负荷之间的外耦合特征两个方面来综合构建多元负荷耦合特征，但目前鲜有该方面的相关研究。以上方法虽然进行了综合能源负荷的关联关系分析，但对耦合特征的深度识别有限。此外，有部分方法利用挖掘算法构造了综合能源多元负荷的耦合特征，取得了很好的预测效果，但对于负荷之间的外耦合特征计算仍沿用了负荷自身内耦合特征的pearson相关性分析方法，对外耦合特征的因果关系识别不足。

5、总的来说，综合能源负荷所受到的不可控因素较多，随之表现出一定的不确定性，且随时间推移会或多或少表现出一定的周期规律特征。而对于一个预测模型来说，尤其是针对负荷变化快，实效性要求较高的短期负荷预测模型，其输入特征至关重要，它通常决定了最终预测效果的好坏，因此对影响负荷短期预测的相关因素进行分类研究分析必不可少。

技术实现思路

1、本发明的目的在于同时考虑负荷的内生影响因素和外生影响因素，对短期的负荷进行预测，提供一种考虑温湿指数与耦合特性的综合能源负荷短期预测方法。

2、本发明首先解决的技术问题是同时考虑负荷的内生影响因素和外生影响因素，对短期的负荷进行预测，提供了以下技术方案：

3、考虑温湿指数与耦合特性的综合能源负荷短期预测方法，包括以下步骤：

4、步骤1，获取综合能源负荷的影响因素数据，对影响因素数据进行预处理；所述影响因素数据包括内生影响因素、外生影响因素，其中内生影响因素包括历史冷电负荷数据，外生影响因素包括温湿指数、耦合特征、日期类型；

5、步骤2，将预处理后的影响因素数据作为训练集和测试集，对kpca-gru-attention预测模型进行训练，得到完成训练的预测模型。

6、在上述方案中，不仅考虑了负荷的内生影响因素，即负荷的历史数据，还考虑了对影响到负荷的外生影响因素，将这些影响因素共同作为训练预测模型的数据，训练出来的预测模型能更加准确的对负荷进行预测。

7、更进一步地，外生影响因素中的耦合特征包括负荷自身的特征，以及负荷之间的特征，为了有效的利用这些特征，所述步骤1中，对耦合特征进行预处理的步骤，包括：

8、利用收敛交叉映射法量化负荷间的因果关系及其强度，获取负荷之间的非线性外耦合特征；

9、基于负荷自身的内耦合特征与负荷之间的外耦合特征，计算综合能源负荷的耦合特征。

10、更进一步地，所述利用收敛交叉映射法量化负荷间的因果关系及其强度，获取负荷之间的非线性外耦合特征的步骤，包括：

11、数据归一化，读取两个时序变量的初始数据x＝[x1,x2,...,xt]和y＝[y1,y2,...,yt]，进行归一化处理；

12、流形重构，按照延时嵌入原则分别重构x和y的吸引子流形：

13、mx,i＝[xi,xi-τ,...,xi-(e-1)τ]

14、my,i＝[yi,yi-τ,...,yi-(e-1)τ]

15、其中，e为嵌入维度；τ为时间滞后；i表示采样点，i＝1,2...,t-(e-1)τ；mx表示初始数据x经过滞后潜入构建的吸引子流形，mx,i表示在mx上选取的第i个点；my表示初始数据y经过滞后潜入构建的吸引子流形，my,i表示在my上选取的第i个点；

16、流形预测，在mx上寻找mx,i的e+1个由近到远的近邻点计算离mx,i的欧式距离，得到权重u：

17、

18、其中，表示第j个近邻点离mx,i的欧式距离，j＝1,2,...,e+1；表示第1个近邻点离mx,i的欧式距离；uj表示第j个近邻点的权重；

19、同时，在my上寻找my,i对应的e+1个近邻点计算mx,i预测my,i的预测值：

20、

21、计算因果关系强度ρ：

22、

23、其中，i表示第i个采样点，l为采样点长度，l＝t-(e-1)τ；y(i)表示初始数据y的第i个采样点；表示初始数据y的第i个采样点对应的预测值；表示初始数据y的平均值；表示初始数据y的平均值对应的预测值；随着采样点的增加，将逐渐收敛于y(i)，最终ρ收敛于[0,1]。

24、在上述方案中，随着采样点的增加，将逐渐收敛于y(i)，最终ρ收敛于[0,1]，表示存在y→x的因果关系。上述是使用初始数据x预测初始数据y，即用果x来反推因y，则初始数据x主要用于求取权重后进一步求取预测值为y的预测值。

25、更进一步地，所述基于负荷自身的内耦合特征与负荷之间的外耦合特征，计算综合能源负荷的耦合特征的步骤，包括：

26、构建综合能源负荷的冷电负荷拓展矩阵z：

27、

28、其中，表示冷电负荷拓展矩阵z中冷负荷第i个采样点的k次幂，表示冷电负荷拓展矩阵z中电负荷第i个样本的k次幂，i＝1,2...,t-(e-1)τ，k＝1,2,...,d；

29、计算负荷自身的内耦合关系矩阵：

30、

31、其中，表示冷负荷的k1、k2次幂的pearson相关系数；

32、

33、其中，表示电负荷的k1、k2次幂的pearson相关系数；

34、以负荷间的因果关系强度ρ作为负荷间的外耦合关系量化指标；

35、将冷电负荷拓展矩阵z的行向量划分为单负荷扩展矩阵和多负荷扩展矩阵，通过基于类泰勒展开方法表示变量间的耦合关系，冷负荷的计算公式为：

36、

37、其中，⊙为两个同阶矩阵的哈达码积；u＝[1/(1！),1/(2！),...,1/(d！)]为建立类泰勒展开方法的系数权重矩阵；zext(i)为负荷自身的单负荷拓展矩阵中的第i个样本，zint(i)表示负荷自身与其他负荷的多负荷拓展矩阵；ρc表示使用冷负荷求取其他负荷的预测值后的因果关系强度矩阵，为ρc的转置。

38、电负荷计算方式为：

39、

40、其中，ρel表示使用电负荷求取其他负荷的预测值后的因果关系强度矩阵，为ρel的转置。

41、在上述方案中，计算了基于负荷自身的内耦合特征与负荷之间的外耦合特征的耦合特征。

42、更进一步地，所述步骤1中，温湿指数为：

43、thi＝32+1.8t-0.55(1-r)(1.8t-26)

44、其中，thi为温湿指数；t为温度，单位℃；r为相对湿度，单位％。

45、在上述方案中，温湿指数对综合能源负荷有着直接的影响，例如在温度较高的供冷季，对冷负荷有较大需求，电制冷设备的大量使用亦会提高对电负荷的需求。而相较于单一气象因素，考虑多种气象因素共同作用的综合气象指标更能体现人体的用能舒适度，现有研究表明综合气象因素指标中温度指数对综合能源负荷的影响最为显著。

46、更进一步地，所述步骤1中，日期类型为，该日若为周休日则标注为0，若为工作日则标注为1。

47、在上述方案中，综合能源多元负荷以周为时间单位进行周期性规律的波动变化，其中工作日的用能需求远远大于周休日，故考虑的特征包括预测日的日期以及日期类型。

48、更进一步地，所述步骤2具体包括以下步骤：

49、使用kpca对外生影响因素进行特征降维；

50、对特征降维后的外生影响因素与内生影响因素进行数据归一化；

51、将归一化后的数据经过gru的隐含层相关函数运算，得到隐含层输出结果；

52、将隐含层输出结果传输到attention层，进行权重参数赋值，最终输出预测值。

53、更进一步地，所述使用kpca对外生影响因素进行特征降维的步骤，包括：

54、得到高维空间中的映射数据h(x)的协方差矩阵的特征值及特征向量：

55、λvf＝fvf

56、其中，h(x)表示映射数据；f为协方差矩阵；λ为f的特征值；vf为f的特征向量；f的计算公式如下：

57、

58、其中，m为外生影响因素的种类；h(xj)为第j个种类的映射数据，xj表示第j个种类的输入数据，j＝1,2,...,m；t表示矩阵转置；

59、根据mercer定理，存在核矩阵可将特征值λ转换为：

60、

61、其中，表示核矩阵，k表示的核函数；xi表示第i个种类的输入数据，i＝1,2,...,m，i≠j；λt为经核矩阵转换后的第t个特征值，t＝1,2,...,k；βt为第t个特征值的组成系数，为βt的转置；

62、最终求得特征向量在空间f上的映射投影：

63、

64、其中，x(t)为kpca输出至gru的第t个非线性主元；βt,j为第t个特征值对应的第j个样本系数。

65、更进一步地，所述将归一化后的数据经过gru的隐含层相关函数运算，得到隐含层输出结果的步骤，包括：

66、gru计算公式为：

67、

68、其中，为t时刻隐含层激活状态，h(t)为t时刻的隐含层状态，h(t-1)为t-1时刻隐含层状态，r(t)为重置门，z(t)为更新门；wz、uz、wr、ur、w、u为参数权重；σ为sigmoid激励函数。

69、更进一步地，所述将隐含层输出结果传输到attention层，进行权重参数赋值，最终输出预测值的步骤，包括：

70、attention层的计算表达式为：

71、

72、s(ht,q)＝vttanh(wht+uq)

73、

74、其中，ca表示注意力分配权重；se、sb分别由gru输出向量在e、b时刻确定的注意力概率分布的值，e＝1,2,...,k，b＝1,2,...,k；v、w、u为权重系数。

75、与现有技术相比，本发明的有益效果：

76、本发明不仅考虑了负荷的内生影响因素，即负荷的历史数据，还考虑了对影响到负荷的外生影响因素，即温湿指数、耦合特征、日期类型，将这些影响因素共同作为训练预测模型的数据，训练出来的预测模型能更加准确的对负荷进行预测。