[发明专利]一种基于SD-DNNs的区域供热系统短期负荷预测方法

说明书

一种基于SD‑DNNs的区域供热系统短期负荷预测方法，包括由XGBoost学习法和基于权重的改进EN法完成的SD选择和由4层全连接层构成的DNNs两部分；将SD和DNNs技术相结合，提高了数据预测的准确性；且在用DNNs预测，可以获得较高的负荷预测精度。

(一)技术领域：

本发明涉及区域供热和负荷预测领域，尤其是一种基于SD-DNNs(SimilarDay——相似日，Deep Neural Networks——深度神经网络)的区域供热系统短期负荷预测方法。

(二)背景技术：

区域供热系统的运行调度和控制是一项跨学科的综合技术，是保证热力设备安全、有效和经济运行的重要技术措施，对提高热网的整体运行质量意义十分重大。区域供热系统供热质量的优劣关系到人们居住环境的好坏、能源利用率以及环境污染情况等诸多方面，体现着供热、控制领域的科研和应用水平。区域供热系统的成功运行需要最佳的供热资源调度以满足供热需求，调度操作需要准确预测未来的热负荷，以优化供热资源的分配和减少能源浪费。

供热负荷主要受当地室外温度、风力等天气因素影响，且具有大数据、非线性和高随机性的特点。在过去的几十年中，研究人员提出了多种方法来提高STLF(Short TermLoad Forecasting——短期负荷预测)的准确性。目前，已有短期负荷预测的方法主要有SVM(Support Vector Machine——支持向量机)、线性回归、自回归、滑动平均、自回归综合滑动平均模型、回归树及其一系列变体等，这些方法都属于基于统计和浅层学习方法，无法深入挖掘区域供热系统中热负荷数据的高随机性和非线性特征，尽管已经进行了广泛的研究，但STLF仍然是该领域的一个难题。

SD方法是通过计算预测日和历史日的相似性来选择历史日。DNNs可以模仿人脑，同时产生广义的结果，从而从过去的经验中自动学习规律和再现。选择SD和DNNs相结合的SD-DNNs方法实现对区域供热系统负荷的短期预测，具有较高的精度和可靠性。

(三)发明内容：

本发明的目的在于提供一种基于SD-DNNs的区域供热系统短期负荷预测方法，它可以弥补现有技术的不足，是一种简单易行、精度及可靠性都较高的负荷预测方法。

本发明的技术方案：一种基于SD-DNNs的区域供热系统短期负荷预测方法，其特征在于它包括SD选择和DNNs两部分，其中，所述SD选择由XGBoost(eXtreme GradientBoosting——极限梯度上升)学习法和基于权重的改进EN(Euclidean Norm——欧几里得范数)法完成；所述DNNs由4层全连接层构成，其中，第一层是输入层，第二层和第三层是隐层，最后一层是输出层；具体包括以下步骤：

①将从中国天气网上获得的室外温度和风力数据，以及换热站提供的热负荷数据作为样本数据，构建选择相似日的原始数据；

②将步骤①中所有室外温度及所有风力的数据原始数据和前一天的热负荷作为XGBoost的输入，选取待预测日的热负荷数据作为标签，通过利用XGBoost的自学习方法得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测影响程度的三个权重，即{ω₁,ω₂,ω₃}；

③利用基于权重的改进EN法计算EN值，并由此选择具有最小EN的两个历史日作为两个相似日SD，即将步骤②计算得到的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算EN值，并选择具有最小EN值的两个历史日作为相似日；

④根据步骤③选择的相似日构建热负荷预测输入数据集和输出数据集；

⑤将包含输入数据和输出数据的数据集划分为训练集和测试集两部分，并初始化根据采集到的数据建立的SD-DNNs模型；