[发明专利]基于Box_cox变换和UFCNN的供热负荷预测方法及系统

权利要求书

1.一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，包括：

步骤1：确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；

步骤2：对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；

步骤3：构建UFCNN，将训练数据集内的数据输入UFCNN进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；

步骤4：将待预测数据输入UFCNN，计算出与Box-Cox 变换同量纲的供热负荷预测结果；

步骤5：对与Box-Cox 变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值；

所述构建的UFCNN除去了一般卷积网络中的上采样和下采样算法，代之以2^l-1作为上采样因子，l为时序卷积层的下标；

为了使输入和输出的频率保持一致，网络中没有使用池化层和全连接层，全部使用了时域卷积层。

2.如权利要求1所述的一种基于Box-Cox变换和 UFCNN 的供热负荷预测方法，其特征在于，

在所述步骤3中，所构建的UFCNN由若干个时域卷积层构成，每个时域卷积层之后均设置有一激活层。

3.如权利要求2所述的一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，所述激活层中选择Relu激活函数，使各层的参数在反向传播算法的过程中能够得到有效更新。

4.如权利要求2所述的一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，每个激活层后都跟添加了一层dropout层。

5.如权利要求1所述的一种基于Box-Cox变换和UFCNN的供热负荷预测方法，其特征在于，在所述步骤3中，采用选取随机梯度下降法来更新UFCNN的参数。

6.一种基于Box-Cox变换和UFCNN的供热负荷预测系统，其特征在于，包括：

样本数据集构建模块，其用于确定供热负荷预测区域，采集该预测区域内的气温气候以及供热量数据，构建样本数据集；

Box-Cox变换模块，其用于对样本数据集中每个样本的输入和输出数据均进行Box-Cox变换，进而将变换后的数据划分成训练数据集和验证数据集；

UFCNN构建及训练模块，其用于构建UFCNN，将训练数据集内的数据输入UFCNN进行多轮训练，得到训练完成后的网络，并利用该网络对验证数据集进行验证测试学习效果；

预测结果预输出模块，其用于将待预测数据输入UFCNN，计算出与Box-Cox 变换同量纲的供热负荷预测结果；

预测结果逆变换模块，其用于对与Box-Cox变换同量纲的供热负荷预测结果进行逆Box-Cox变换，得出最终的供热负荷预测值；

所述构建的UFCNN除去了一般卷积网络中的上采样和下采样算法，代之以2^l-1作为上采样因子，l为时序卷积层的下标；

为了使输入和输出的频率保持一致，网络中没有使用池化层和全连接层，全部使用了时域卷积层。

7.如权利要求6所述的一种基于Box-Cox变换和UFCNN的供热负荷预测系统，其特征在于，在所述预测结果预输出模块中，所构建的UFCNN由若干个时域卷积层构成，每个时域卷积层之后均设置有一激活层。

8.如权利要求7所述的一种基于Box-Cox变换和 UFCNN 的供热负荷预测系统，其特征在于，所述激活层中选择Relu激活函数，使各层的参数在反向传播算法的过程中能够得到有效更新；

和/或

每个激活层后都跟添加了一层dropout层。