[发明专利]一种基于SD-DNNs的区域供热系统短期负荷预测方法

摘要

一种基于SD‑DNNs的区域供热系统短期负荷预测方法，包括由XGBoost学习法和基于权重的改进EN法完成的SD选择和由4层全连接层构成的DNNs两部分；将SD和DNNs技术相结合，提高了数据预测的准确性；且在用DNNs预测，可以获得较高的负荷预测精度。

主权项

1.一种基于SD‑DNNs的区域供热系统短期负荷预测方法，其特征在于它包括SD选择和DNNs两部分，其中，所述SD选择由XGBoost学习法和基于权重的改进EN法完成；所述DNNs由4层全连接层构成，其中，第一层是输入层，第二层和第三层是隐层，最后一层是输出层；具体包括以下步骤：①将从中国天气网上获得的室外温度和风力数据，以及换热站提供的热负荷数据作为样本数据，构建选择相似日的原始数据；②将步骤①中所有室外温度及所有风力的数据原始数据和前一天的热负荷作为XGBoost的输入，选取待预测日的热负荷数据作为标签，通过利用XGBoost的自学习方法得到能够分别评价室外温度、风力和前一天的热负荷数据对热负荷预测影响程度的三个权重，即{ω₁,ω₂,ω₃}；③利用基于权重的改进EN法计算EN值，并由此选择具有最小EN的两个历史日作为两个相似日SD，即将步骤②计算得到的三个权重{ω₁,ω₂,ω₃}对室外温度、风力和前一天的热负荷三个变量进行加权来计算EN值，并选择具有最小EN值的两个历史日作为相似日；④根据步骤③选择的相似日构建热负荷预测输入数据集和输出数据集；⑤将包含输入数据和输出数据的数据集划分为训练集和测试集两部分，并初始化根据采集到的数据建立的SD‑DNNs模型；⑥随机打乱训练集中的数据，以强迫SD‑DNNs模型学习输入数据和输出数据之间的复杂关系；⑦将训练集内的数据输入到SD‑DNNs模型进行多轮迭代训练，迭代次数设置为400；⑧判断模型训练过程是否停止，若训练停止，则继续，若未停止，则重复步骤⑥‑⑧；⑨将待预测日的室外温度、待预测日的风力、相似日的室外温度、相似日的风力和相似日的热负荷数据输入到SD‑DNNs模型中，通过SD‑DNNs得出供热负荷预测的结果，并通过RMSE、MAPE和MPE三个评价指标来评估模型的负荷预测性能，且RMSE和MAPE越小则该区域供热系统短期负荷预测方法的预测精度越高。