[发明专利]一种分类多重宽度学习注意力机制的热负荷曲线预测方法

说明书

本发明提出一种分类多重宽度学习注意力机制的热负荷曲线预测方法，所提方法对分布式地源热泵蓄热器用户的热负荷预测，从而提升电网对风能和太阳能的消纳能力。首先，依据前一周同期时刻的热负荷值查询注意力机制的先验知识，并计算其权值；然后，将热负荷曲线分为曲线较为平稳和曲线波动较大两类，对两类热负荷曲线分别建立预测模型，提高热负荷曲线预测的精度；其次，多重宽度学习是在宽度学习的基础上进行二次建模，增加一个优化系数矩阵来优化第一次训练出的预测模型，更进一步准确预测热负荷曲线；最后，分布式地源热泵蓄热在风能和太阳能过剩时作为热能存储到分布式地源热泵蓄热器，提高风能和太阳能的利用率和消纳能力。

技术领域

本发明属于电力系统多能互补领域，涉及基于人工智能的预测方法，适用于电力系统的分布式地源热泵蓄热器用户的热负荷曲线预测，适用于电网新能源消纳。

背景技术

在需要热能的季节人们希望能有充足的热量供应，分布式地源热泵蓄热器可以将多余的风能和太阳能利用起来，在风能或太阳能过剩时作为电负荷运行去存储热能。分布式地源热泵蓄热器用户的热负荷曲线预测对热能和电能调度至关重要。对于家里有两个或多个白天在外工作者的用户来说，热负荷曲线高峰期一般为早上7：00到9：00和晚上7：00到11点，曲线波动较大；但如果是居家办公工作者或者是老人和小孩居住的用户则一整天时间都需要供暖，但曲线比较平稳。将相似的曲线分为一类更有利于后续预测模型的建立。

而现有方法：(1)不能考虑分类，对分布式地源热泵蓄热器用户的热负荷曲线预测的不准确；(2)单次建模，准确度不高；(3)神经网络(如深层神经网络和BP神经网络)的预测模型的建立需要繁杂的计算，所花费的时间较长；(4)未考虑用户的历史数据可作为先验知识。

所提方法中的分类多重宽度学习注意力机制沿袭了宽度学习本身结构简单运算速度快的优点，还对热负荷进行了分来，考虑了先验知识，并通过二次建模中增加的优化系数矩阵提高了所提方法的预测精度，比深层神经网络和BP神经网络更加适用于即时性负荷预测。

发明内容

本发明提出一种分类多重宽度学习注意力机制的热负荷曲线预测方法，该方法在提高风能和太阳能利用率的步骤为：

步骤(1)，给出分布式地源热泵蓄热器用户相邻四天的全部热负荷曲线，并将热负荷曲线分为两类，第一类为曲线较为平稳，第二类为曲线波动较大，对两类热负荷曲线分别建立对应的热负荷预测模型；

给出冬季任意相邻四天的全部热负荷曲线，并将这四天中每一天的所有热负荷曲线分别分为两类：第一类曲线较为平稳，第二类曲线波动较大；在有M个热负荷时，每条热负荷曲线为96个时间点，每个时间点为5分钟，如果满足：

则为第一类；否则，为第二类；abs(·)表示求绝对值；为第m个热负荷在第j个时间点的热负荷值，abs(·)表示求绝对值；为第m个热负荷在第j+1个时间点的热负荷值；

步骤(2)，采用上一周的历史数据形成具有先验知识的注意力机制值，突出重要元素，形成的第m个热负荷在第j个时间点注意力机制值为：

为上一周第m个热负荷在第j个时间点的热负荷值；softmax()为softmax激活函数；

步骤(3)，将第一天和第二天的热负荷曲线数据作为初次训练集，第二天和第三天的热负荷曲线数据作为增强训练集，第三天和第四天的热负荷曲线数据作为测试集；

初次训练集用于多重宽度学习进行第一次模型的建立，称为一次建模，并将一次建模过程中求得的权重存储起来；

再将增强训练集输入第一次所建立的模型进行模型的优化，称为二次建模，并在第二次建模中将求出的增加的优化系数矩阵存储起来；

然后，与步骤(2)计算得到的注意力机制权值相乘；