[发明专利]一种基于改进PSO-LSTM的空调负荷精细预测方法

说明书

一种基于改进PSO‑LSTM的空调负荷精细预测模型，属于综合能源系统技术领域，包括以下步骤：对收集到的原始负荷数据采取改进随机森林方法选取特征值；采取改进K‑中心点方法对数据进行聚类分析；将处理后的数据输入进LSTM模型的输入层，并将输入层所接收到的数据导入LSTM网络层；训练LSTM神经网络，利用改进PSO方法优化LSTM神经网络，得到LSTM预测模型；若达到最大迭代次数，则将最优参数赋予LSTM并进行训练，输出预测值，否则继续迭代，直到满足终止条件。本发明在负荷预测的基础上，具有自组织和进化性以及记忆功能的特征，能有效地根据历史信息进行学习和预测，从而获得更好的预测效果提高了负荷预测的精度。

技术领域

本发明属于综合能源系统技术领域，具体涉及一种基于改进PSO-LSTM的空调负荷精细预测方法。

背景技术

要实现双碳目标，大力发展以光伏、风电为代表的可再生能源就成为实现目标的重要路径。但由于风能、太阳能等新能源具有显著的随机性和波动性，导致规模化的新能源发电接入电力系统后，系统供应侧可调控性降低，还会造成一定比例的弃风弃光。综合能源系统能够利用多种不同能源形式协同优化，有效地提升能源利用效率。空调是一种新型用户供热、供冷的形式，可以当作补热和储冷单元。同时空调可以对电力新能源进行有效消纳，但目前空调负荷预测方法不准确、效率低，难以在实际中应用推广。

发明内容

本发明所解决的技术问题是需克服现有技术的缺陷，提供一种基于改进随机森林算法的LSTM神经网络空调负荷预测方法。本发明能够有效的筛选出影响因子大负荷数据，具有自组织和记忆功能，所有粒子都保存优解的相关知识，能更准确的预测负荷值，提高空调负荷预测的精度。

本发明的技术方案是：

1、一种基于改进PSO-LSTM的空调负荷精细预测模型，其特征在于，包括以下步骤：

步骤1：对历史负荷数据利用改进随机森林选取特征集：

1)对原始负荷数据进行随机抽取，未被抽取到的数据作为测试集；

2)利用抽取到的数据构建改进随机森林模型，然后使用测试集计算该模型的测试集误差，记为erroxt1；

3)在测试集数据的所有样本中，随机改变某个H的值，再次计算测试集误差，记为erroxt2；

4)使用的决策树数量设为B颗，计算出各个要素H的重要性V并进行排序，计算公式如下：

步骤2：采用K-中心点方法对数据进行聚类分析：

2.1)确定聚类的个数K；

2.2)选择数据集合中的K个点任意作为每个集束的中心点；

2.3)把剩余点到K个中心点的距离D算出，且把各个点到K个中心点距离最短的集束看作自己所处的集束：

式中：a_k表示向量(a₁,a₂,…,a_n)；b_k表示向量(b₁,b₂,…,b_n)。

2.4)依据次序在各个集束中选取点，算出当前点到该集束每个点的距离之和，新的中心点选定为距离之和最小的点；

2.5)重复2.2)、2.3)步骤，直到每个集束的中心点不发生改变。

步骤3：将数据进行上述处理后导进LSTM模型的输入层，并将采集到的数据输入LSTM网络层；

步骤4：将LSTM神经网络进行训练，并采取改进PSO方法对LSTM神经网络进行优化，使网络权值进行完善，从而获取LSTM预测模型：