基于季节性负荷自适应划分的建筑短期用电负荷预测方法

本发明属于负荷预测的，具体涉及一种基于季节性负荷自适应划分的建筑短期用电负荷预测方法。

背景技术：

1、建筑短期用电负荷预测指基于历史数据分析，对未来一段时间建筑用电负荷的预测。通过建筑短期用电负荷预测，可以帮助管理者了解建筑能源消耗的规律和趋势，进而制定针对性的节能和管理措施，优化建筑能源使用。也可以支持建筑领域需求侧管理，保证需求响应实施效果的准确评估；也可以通过对比实际能耗与预测能耗的差异，实时监测建筑运行状态，保证建筑节能、高效、安全运行。

2、建筑用电负荷受到气象条件、日期属性、人员行为和突发事件的影响，呈现出明显的季节性、周期性、非线性和非平稳性特点。不同季节影响因素影响程度不尽相同，合理进行季节负荷划分，利用相似季节样本建模有利于进一步提升预测精度。目前常用的季节划分方法包括固定时间划分和固定温度划分，这种划分方式没有考虑到不同地区的气候差异和建筑自身的用电特征，无法准确提取建筑用电负荷的季节性特征。现有的预测方法主要包括时序预测和驱动因素预测两种方法，时序预测法仅从时间序列的角度考虑历史负荷数据的影响，没有充分利用外部信息，在外部条件发生较大变化时模型精度往往不佳。驱动因素法将每个样本视为独立数据，利用外部因素拟合建筑短期用电负荷，能够适应多变的外部环境，但由于建筑用电负荷存在较强的时序关联性，这种方式没有考虑到历史数据对未来负荷预测提供的重要信息，建筑短期负荷预测精度存在一定提升空间。

技术实现思路

1、本发明的主要目的在于克服现有技术的缺点与不足，提供了一种基于季节性负荷自适应划分的建筑短期用电负荷预测方法，通过准确划分季节性负荷，提取不同季节下的建筑用电负荷的主要驱动因素，并考虑建筑用电负荷的时序关联性，从而提高预测精度。

2、为了达到上述目的，本发明采用以下技术方案：

3、本发明提供了一种基于季节性负荷自适应划分的建筑短期用电负荷预测方法，包括下述步骤：

4、s1：获取建筑历史用电负荷数据、室外气象数据和日期属性数据，构建多源数据集；

5、s2：对多源数据集进行数据预处理；

6、s3：利用预处理后建筑用电负荷数据和干球温度数据，构建季节性负荷自适应划分模型，得到季节性负荷自适应划分结果；

7、s4：基于季节性负荷自适应划分结果确定不同预测场景，对不同预测场景下用电负荷影响因素进行相关性分析，选出不同预测场景下最佳影响因素集合，构建特征数据集；

8、s5：将不同预测场景下的特征数据集输入到不同预测场景的用电负荷预测模型进行模型训练；

9、s6：根据待预测时间点的特征数据和训练好的用电负荷预测模型，得到待预测时间点用电负荷预测结果。

10、作为优选的技术方案，所述步骤s1具体为：

11、从建筑能耗监测平台获取建筑历史近n年逐时用电负荷数据和室外气象数据，其中n≥1；所述室外气象数据包括：干球温度、湿球温度、露点温度、相对湿度、风速和太阳辐射强度，若能耗监测平台无法获取室外气象数据，则通过当地气象部门获取；所述日期属性数据包括：月度/周属性信息、节假日属性信息和时刻属性信息。

12、作为优选的技术方案，所述步骤s2具体为：

13、s21：对多源数据集中连续型数据进行数据清洗，包括缺失值检测与处理和突变值检测与处理；所述连续型数据包括用电负荷数据和室外气象数据；所述缺失值表现为连续数据中某个时间点数据存在缺失，利用缺失时间点前后时刻数据的均值进行插补处理；所述突变值为数据中某个时间点数据明显偏离其他数据，利用四分位法，对不同时刻数据突变值进行检测，公式如下：

14、iqri＝q3，i-q1，i

15、tu，i＝q3，i+1.5*iqri

16、td，i＝q1，i-1.5*iqri

17、式中，q3,i是i时刻数据集中各属性数据从小到大排列后75％分位数值；q1,i是i时刻数据集中各属性数据从小到大排列后25％分位数值；iqri是i时刻数据的四分位距；tu,i为i时刻异常阈值判定上限；td,i是i时刻异常阈值判定下限；突变值判定标准为样本值小于其所属时刻的异常阈值判定下限或大于其所属时刻的异常阈值判定上限；

18、s22：对多源数据集中离散特征数据进行数据编码，所述离散特征为日期属性数据；所述数据编码方式为均值编码，计算离散特征不同取值下用电负荷数据的均值作为该取值下的特征编码值。

19、作为优选的技术方案，所述步骤s3具体为：

20、s31：对预处理后的建筑用电负荷数据和干球温度数据进行滤波处理；

21、s32：对滤波处理后的数据进行归一化处理；

22、s33：基于toeplitz逆协方差聚类算法，构建季节性负荷自适应划分模型，得到季节性负荷自适应划分结果；其中，toeplitz逆协方差聚类算法输入为处理后的建筑用电负荷和干球温度二元时间序列数据；季节性负荷自适应划分结果表示不同时间段历史数据所属的季节标签，包括但不限于春季、夏季、秋季和冬季。

23、作为优选的技术方案，所述步骤s33中，季节性负荷自适应划分模型构建具体为：

24、s331：将输入数据分割为若干长度为w的子序列，如下：

25、xnew＝[x′1，x′x，…，x′i，…，x′t]

26、x′i＝[xi-w-1，…，xi]

27、式中，xnew是分割后的数据集，是2w×t维矩阵；x′i是长度为w的子序列，是2×w维向量；xi是原始数据，是2维向量；

28、s332：利用k-means聚类算法对xnew进行初始化聚类，得到初始聚类分配结果p和对应的toeplitz矩阵θ＝{θ1,…θi,…,θk}，p＝{pe1,…pi,…,pk}，表示将xnew聚为k类，θi定义如下：

29、

30、式中，θi∈r2w×2w是toeplitz逆协方差矩阵；a(0),a(1),…,a(w-1)∈r2×2，是不同时间建筑用电负荷数据和干球温度数据之间的逆协方差矩阵；

31、s333：固定θi，利用动态规划算法求解下式更新pi：

32、

33、

34、式中，ll(xt,θi)指将xt划分到聚类簇i的对数似然；μi为聚类簇i的经验平均值；β是时间一致性参数，当相邻子序列不属于同一类时施加惩罚；是判断相邻子序列是否属于同一聚类簇的指示函数；

35、s334：固定pi，利用交替方向乘子法admm求解下式更新θi：

36、

37、subject to θi∈γ

38、式中，tr()为矩阵的迹；si为pi中所有子序列的经验协方差；

39、s335：交替执行s333和s334，直到达到预设迭代数或误差，得到季节性负荷自适应划分结果。

40、作为优选的技术方案，所述步骤s33还包括：

41、toeplitz逆协方差聚类算法的超参数调试和确定，所属超参数包括聚类数k和子序列长度w，利用网格搜索法进行调试，具体调试方式为：

42、初始化超参数值，设置超参数变化区间；计算不同超参数组合下的聚类效果，选择具有最佳聚类效果的超参数组合作为调试结果；所述聚类效果通过聚类效果评价指标计算，所述聚类效果评价指标包括dbi，计算方式如下：

43、

44、式中，k为聚类数；d(ci)为聚类簇ci中各个点到聚类质心的平均距离；μi为聚类簇ci的质心；d(μi,μj)为聚类簇ci质心和聚类簇cj质心的距离。

45、作为优选的技术方案，所述步骤s4中，所述预测场景包括：春季预测场景、夏季预测场景、秋季预测场景和冬季预测场景；所述相关性分析方法为pearson相关系数分析法，计算方式如下：

46、

47、式中，cov(x,y)为变量x和y之间的协方差；σx和σy是变量x和y之间的标准差。

48、作为优选的技术方案，所述步骤s5中，包括以下步骤：

49、s51：构建基于的catboost用电负荷预测模型，具体为：

50、s511：对输入特征数据集进行归一化处理，归一化后数据集为d＝{xi,yi}(i＝1,2,…,t)；

51、s512：对d进行随机排序，排序结果为s＝{s(1),s(2),…s(i),…,s(t)}；

52、s513：对每个样本xi训练一个决策树模型mi(i＝1,2,…,t)，每一次训练的残差估计公式为：

53、ri＝yi-ms(i-1)(xi)

54、式中，ms(i-1)(xi)是用s(i-1)包含的样本训练xi对应的决策树模型；

55、s514：利用每一次训练的残差估计作为梯度估计，用该梯度训练弱学习器，得到最终的预测结果

56、s52：基于catboost模型输出结果，构建基于的lstm的用电负荷预测模型；具体为：

57、s521：将catboost模型预测结果归一化后输入特征数据集作为新特征，形成输入序列x＝x1,x2,…,xt-1；

58、s522：通过迭代求解lstm网络隐含层输出序列h＝h1,h2,…,ht；

59、s523：基于s522得到的隐含层输出序列h，经过变换得到模型输出序列y＝y1,y2,…,yt。

60、作为优选的技术方案，所述步骤s51中，还包括以下步骤：

61、利用网格搜索法对catboost算法超参数进行调试与确定，所述超参数包括：迭代数、学习率、样本采样比例、列采样比例以及最大树深；具体调试方式为：

62、初始化超参数值，设置超参数变化区间；调试目的为使模型损失函数具有最小值，此时的超参数组合为最优超参数，设损失函数为mse，其计算公式如下：

63、

64、式中，yi为真实值；为模型预测值；n为样本数量；

65、所述步骤s522中，lstm记忆单元通过3个控制门来输出隐含层输出序列，分别为遗忘门ft、输入门it和输出门ot，用ct来描述t时刻的单元状态；

66、所述ft用于控制当前时刻是否遗忘以及遗忘多少ct-1中的信息，计算方式为：

67、ft＝σ(wf(xt，ht-1)+bf)

68、其中，σ为sigmoid激活函数；wf为遗忘门权值矩阵；bf为遗忘门偏置项；

69、所述it用于控制当前时刻应该更新的单元状态程度，计算方式为：

70、it＝o(wi(xt，ht-1)+bi)

71、其中，wi为输入门权值矩阵；bi为输入门偏置项；

72、所述ot用于控制如何将单元状态转化为隐含层输出值，计算方式为：

73、ot＝σ(wo(xt，ht-1)+bo)

74、其中，wo为输出门权值矩阵；bo为输出门偏置项；

75、所述单元状态更新方式如下：

76、c′t-1＝ftct-1

77、

78、

79、其中，c′t-1为遗忘信息后的单元状态；为候选单元状态；tanh为激活函数；wc为控制候选单元状态变换的权值矩阵；bc为候选状态偏置项。

80、作为优选的技术方案，所述步骤s6中，具体步骤为：

81、s61：基于步骤s3季节性负荷划分结果，判断待预测时间点所属的预测场景；

82、s62：提取当前预测场景下所需的待预测时间点的特征数据，将特征数据输入到步骤s5中训练完成的该预测场景的用电负荷预测模型，得到待预测时间点用电负荷预测结果。

83、本发明与现有技术相比，具有如下优点和有益效果：

84、本发明采用自适应季节性负荷划分的方式准确提取负荷的季节性特征划分季节场景，充分考虑了不同区域的气候差异和不同建筑之间用能特征差异，所划分的季节场景更贴合实际情况，有效增强的同类季节样本的相似性和异类季节样本之间的差异性，有利于提升用电负荷预测精度；

85、本发明通过划分不同季节场景，选取各季节场景最佳影响因素集合建立各季节场景负荷预测模型，充分考虑了负荷影响因素影响程度在不同季节的变化，建立的负荷预测模型更有针对性，更符合实际情况；

86、本发明在负荷预测过程中，同时考虑到外部典型驱动因素的影响和内部数据的时序关联性，充分发挥了catboost在处理多类型非连续特征、模型训练速度及处理大规模数据集上的优势，以及lstm在解决梯度消失、捕捉变量间的长期依赖关系及学习时序特征上的优势，进一步提升了用电负荷的预测精度，同时方法还有较强的适应性，能够适应复杂多变的外部环境；

87、本发明可适用于建筑短期用电负荷预测，也可应用于区域、分项系统的电力负荷预测，还可推广至风电功率、交通流量、金融等具有明显“季节性”特征的时间序列预测领域，通过更深层次数据挖掘，提升数据预测精度，具有较好的适用性。