[发明专利]基于深度残差网络的园区需求侧短期负荷预测系统及方法

权利要求书

1.基于深度残差网络的园区需求侧短期负荷预测系统，包括数据流模块，特征采集模块，数据分析模块，模型库模块，结果考核模块，系统总线模块，公共接口模块，命令行客户端模块，图形界面模块；

数据流模块用于处理负荷历史数据的导入与导出、预测的考核结果的导出；通过从前置采集设备、scada、时序库、用户手动导入的方式将历史负荷数据导入到系统总线模块中；其导出格式包括数据库、xlsx、csv、json格式；

特征采集模块用于采集气候信息，支持24时气温和最高温最低温两种气候模型，此外还用于获取并解析实时园区公告来构建事件模型；

数据分析模型用来将历史负荷数据带入基于深度残差网络模型进行负荷预测；所述数据分析模块还用于对历史负荷数进行缺失值的处理和异常值的处理；

模型库用来提供负荷预测算法模型；所述负荷预测算法模型包括深度残差网络模型；

结果考核模块，用于计算预设的统计项进行校验负荷预测与实际值的精度；预设的统计项包括平均相对误差、平均绝对误差、最大相对误差、最小相对误差，最大绝对误差、最小绝对误差、逐点相对误差以及自定义的损失函数来评估模型；

系统总线模块为各个模块间的通信提供了支持，其他模块能够向消息总线进行注册，在消息总线上注册的模块被授权能够访问其他注册模块的进程空间；其能够通过函数指针来回调各个模块中；

公共接口模块用于对上述模块的封装，实现上述模块接口对外均不可见，通过公共接口模块使用IDL语言对上述接口进行封装，对外提供RPC接口，使其一个接口对应一个功能，一个功能对应一个图形界面中控件的响应事件（槽函数），使其可扩展性更强；

命令行模块用于对公共模块提供的接口进行测试；

图形界面模块将接口提供的功能全部展示给用户，让用户便于操作。

2.一种基于深度残差网络的园区需求侧短期负荷预测方法，为权利要求1所述的基于深度残差网络的园区需求侧短期负荷预测系统的负荷预测方法，其特征在于：包括以下步骤：

步骤一：获取历史负荷数据及特征数据并对历史负荷数据基于对应的数据特征进行处理获得样本集；所述历史负荷数据为不同日期不同时刻的负荷数据，其中不同时刻为采用24时每小时的数据；所述基于数据特征为包括日期、节日、季节类型以及该时刻对应的气温的特征数据；将样本集按照预设的数据比例分割为测试集和训练集；

对历史负荷数据进行处理具体包括：先将负荷数据和温度数据分别进行基于最大值的标准化，再将历史负荷以及特征数据处理为样本数据；其中第n天的样本数据具体包括L_h_hour、L_h_day、T_h_day、L_h_week、T_h_week、L_h_month、T_h_month、S、W、F以及T_h；其中L_h_hour包括第n天h小时的前24小时负荷数据；L_h_day包括第n天前一周每天的0时负荷数据；T_h_day包括第n天前一周每天的0时温数据；L_h_week包括第n天前i个月第j周的0时负荷数据；T_h_week包括第n天前i个月第j周的0时温度数据；L_h_month包括第n天前i个月0时的负荷；T_h_month包括第n天第i个月0时的温度；T_h包括第n天的24小时温度；L_h_max和L_h_min分别表示的第n天的负荷最大最小值；S表示第n天属于的季节，使用独热码表示；W表示第n天是否周末，使用独热码表示；F表示第n天是否为节假日，使用独热码表示；

步骤二：构建负荷预测模型：

S21：定义残差块；在输入和输出之间建立了一个残差块；在残差块中学习从x到F(x，Θ)的映射，其中Θ是与残差块相关的一组权重及其偏差；

残差块的整体表示见如下公式

（1）

式（1）中x代表输入，代表残差；

S22:使用全连接层构建负荷预测神经网络；

所述负荷预测神经网络的全连接层选用SELU作为每一层的激活函数，公式如下：

（2）

其中x_i为selu中第i个输入的输入，λ和α为两个可调参数，其初始值均为预设的；

将步骤一中处理好样本中数据L_h_hour、L_h_day、T_h_day、L_h_week、T_h_week、L_h_month、T_h_month、S、W、F、T_h，共11作为负荷预测神经网络的输入量；

所述构建网络基本结构为三层结构，具体负荷预测神经网络的构建过程为：首先使用三个全连接层分别将L_h_day、T_h_day，L_h_week、T_h_week，L_h_month、T_h_month两两连接起来；然后将这三个全连接层再与名为FC2的全连接层连接；所述L_h_hour，直接通过两个全连接层向前传递；S和W分别用两个全连接层连接，连接后一个用作FC1的输入，另一个用作FC2的输入；同时F作为FC2的输入，T_h作为最后一层的输入；L_hour’作为整个基础网络的输出；

S23: 堆叠残差块，构建深度残差网络，残差网络正向传播；如果K个残差块堆叠；其正向传播见如下公式：

（3）；

将S22中计算得到的L_hour’作为深度残差网络的输入，所述L_hour’的长度为24个数据，通过堆放30个残差块，形成六十层深度残差网络，（3）式中x_k为深度残差网络的输出，其大小也为24；

步骤三：利用样本集中的测试集对建立的深度残差网络进行训练，训练出负荷预测神经网络的模型；

深度残差网络的整体损失具体计算方式如下：

（4）

式（4）中，L是神经网络的整体损失；公式中的“1”表示，网络输出处的梯度能够直接反向传播到网络的输入端；

步骤四：使用数据集中的训练集来通过优化算法不断学习更新权重，降低损失。

3.根据权利要求2所述的一种基于深度残差网络的园区需求侧短期负荷预测方法，其特征在于：获取负荷数据以及特征数据还包括历史负荷数据的缺失数据和异常值进行处理：其中缺失数据使用当日典型值代替；所述当日典型值包括当日现有数据的平均值、众数、前一天同时间点的值；若当日缺失值大于预设值，则使用同日期类型日负荷数据代替；所述异常数据使用四分位数检测法来检测异常数据；如果判断出该数据为异常数据，使用当日典型值代替。