[发明专利]相变储能系统负荷预测方法及系统

权利要求书

1.一种相变储能系统负荷预测方法，其特征在于，包括：

获取第n-1个日期的用电功率和温度、湿度、风向、风速以及待预测的第n个日期的温度、湿度、风向、风速数据；

利用预先训练好的负荷预测模型，对获取的第n-1个日期的用电功率和温度、湿度、风向、风速以及待预测的第n个日期的温度、湿度、风向、风速数据进行处理，得到待预测的第n个日期的用电功率；其中，所述预先训练好的负荷预测模型的基础网络模型为卷积神经网络和长短时记忆神经网络的结合，且在所述长短时记忆神经网络中加入了遗传算法和自注意力机制；其中，加入所述遗传算法训练网络的超参数权重与偏置值，得到最佳的窗口大小及神经元数目；加入所述自注意力机制，在模型训练时获取每个时刻的输入数据信息，得到不同数据的权重并对LSTM中的隐藏层进行加权；

所述预先训练好的负荷预测模型由训练集训练得到，所述训练集包括多组历史数据，每一组所述历史数据均包括某一历史时期的天气环境参数以及标注该历史时期的用电功率数据的标签；对历史数据归一化处理后进行聚类，将聚类后每类中的第n-1个日期的用电功率和温度、湿度、风向、风速以及第n个日期的温度、湿度、风向、风速作为模型训练的输入变量特征，将第n个日期的用电功率作为模型训练的输出。

2.根据权利要求1所述的相变储能系统负荷预测方法，其特征在于，在长短时记忆神经网络中加入的遗传算法来优化长短时记忆神经网络的层数和隐藏层的神经元个数；加入自注意力机制在编码或解码中单独使用，更好的关注数据或特征的内在相关性。

3.根据权利要求1所述的相变储能系统负荷预测方法，其特征在于，训练所述负荷预测模型包括：将预处理过的历史数据传入卷积神经网络中，提取数据的空间特征，再通过长短时记忆神经网络提取数据的时间特征；按照设定的更新优化参数，直到迭代次数完成或者损失函数趋向收敛时，停止训练，得到最终训练好的负荷预测模型。

4.根据权利要求3所述的相变储能系统负荷预测方法，其特征在于，历史数据的预处理包括：首先进行归一化处理，将多种变量的数据统一缩放到一个范围；然后对归一化后的数据进行模糊C均值聚类，通过优化目标函数得到所有样本对所有类中心的隶属度，从而决定样本点的类别，以达到自动对样本数据进行分类的目的。

5.根据权利要求4所述的相变储能系统负荷预测方法，其特征在于，将模糊C均值聚类后每类中的第n-1个日期的用电功率和天气环境参数以及待预测的第n个日期的天气环境参数作为输入变量特征，输出为第n个日期的数据的用电功率。

6.一种相变储能系统负荷预测系统，其特征在于，包括：

获取模块，用于第n-1个日期的用电功率和温度、湿度、风向、风速以及待预测的第n个日期的温度、湿度、风向、风速数据；

预测模块，用于利用预先训练好的负荷预测模型，对获取的第n-1个日期的用电功率和温度、湿度、风向、风速以及待预测的第n个日期的温度、湿度、风向、风速数据进行处理，得到待预测的第n个日期的用电功率；其中，所述预先训练好的负荷预测模型的基础网络模型为卷积神经网络和长短时记忆神经网络的结合，且在所述长短时记忆神经网络中加入了遗传算法和自注意力机制；其中，加入所述遗传算法训练网络的超参数权重与偏置值，得到最佳的窗口大小及神经元数目；加入所述自注意力机制，在模型训练时获取每个时刻的输入数据信息，得到不同数据的权重并对LSTM中的隐藏层进行加权；

其中，所述预先训练好的负荷预测模型由训练集训练得到，所述训练集包括多组历史数据，每一组所述历史数据均包括某一历史时期的天气环境参数以及标注该历史时期的用电功率数据的标签；对历史数据归一化处理后进行聚类，将聚类后每类中的第n-1个日期的用电功率和温度、湿度、风向、风速以及第n个日期的温度、湿度、风向、风速作为模型训练的输入变量特征，将第n个日期的用电功率作为模型训练的输出。

7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-5任一项所述的相变储能系统负荷预测方法。