[发明专利]一种建筑负荷日前预测方法及系统

说明书

本公开提供了一种建筑负荷日前预测方法及系统，获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；根据获取的数据和预设卷积神经网络，得到负荷空间特征；根据预设熵权K均值模型，得到用户用能行为特征；将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果；本公开通过数据挖掘分析负荷数据的内部特征，充分发挥了各个模型不同的优势，提高了负荷预测精度。

技术领域

本公开涉及负荷预测技术领域，特别涉及一种建筑负荷日前预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

一次能源消耗严重，大量的二氧化碳排放使生态环境急剧恶化。全球能换结构面临重大转型，降低煤炭消费比重，提高风、光、天然气等清洁能源比重。综合能源系统通过多种能源互补互济，灵活满足用户电、气、冷、热多元化用能需求，是实现新能源高效利用和节能减排的理想途径。

负荷的日前预测是指对次日0时到24时的建筑能耗预测，分辨率一般为1小时、30分钟或15分钟。精准的负荷日前预测是系统的优化运行的前提，对保障系统稳定、高效、经济运行有重要作用。与实时预测不同的是，日前预测需要一次性输出未来24个点甚至更多个时间点的预测数据，这就使得日前预测的精度往往低于实时预测，并且由于其多步预测的特性，提高精度和保障模型的稳定性更为困难。

目前，国内外学者对于负荷的预测研究方面已经取得了较好的进展，尤其是对于短期预测技术以较为成熟。随着计算机技术日益成熟，机器学习方法层出不穷，为负荷预测技术的研究提供了全新的思路。同时随着大数据的发展，数据挖掘技术出现在大众的视野中。将数据挖掘和机器学习相融合，充分发挥算法的各自的优势，是提高负荷日前预测精度的有效途径。

发明人发现，有研究人员提供了一种极端温度气象日母线日前负荷预测方法，通过气象因素和母线负荷历史数据确定极端天气日，后利用XGBoost模型构建预测模型，提高了极端天气下模型预测精度；也有研究人员提供了一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，提出了一种利用LSTM网络构建综合能源系统多元负荷预测的模型，考虑了多元负荷的内在耦合特性，上述研究虽然关注了数据的内部特征，但是对于更加复杂的建筑负荷数据，其内部特征更加复杂，现有的预测模型无法实现更精准的负荷预测。

发明内容

为了解决现有技术的不足，本公开提供了一种建筑负荷日前预测方法及系统，通过数据挖掘分析负荷数据的内部特征，充分发挥了各个模型不同的优势，提高了负荷预测精度。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种建筑负荷日前预测方法。

一种建筑负荷日前预测方法，包括以下过程：

获取待预测日前预设时间段的负荷数据、气象数据以及时间数据；

根据获取的数据和预设卷积神经网络，得到负荷空间特征；

根据预设熵权K均值模型，得到用户用能行为特征；

将获取的负荷空间特征、用户用能行为特征和负荷数据输入到预设深度学习模型中，得到待预测日的负荷预测结果。

作为可选的实施方式，对获取的数据进行预处理，包括以下过程：

将每天分为上午模式、下午模式和夜间模式，提取每个时段的最大值、最小值、平均值和标准差，组合每日总能耗和峰值功率需求，结合气象数据、温度最大值、最小值和平均值、风速平均值和降雨平均值形成第一数据阵列；

将每日的用户的分类能耗数据以1小时为采样步长组合用能行为数据集，形成第二数据阵列。

进一步的，分类能耗数据，至少包括：照明能耗、电器能耗和插座能耗。