一种考虑负荷曲线特征的建筑负荷预测方法及系统

摘要

本发明提供了一种考虑负荷曲线特征的建筑负荷预测方法及系统，以设定时间间隔获取建筑负荷数据，以一定时间段内若干数据点为一组样本；对建筑负荷数据进行滤波处理，得到负荷数据的平滑曲线；获取每组样本中离散数据拐点形成拐点序列，计算每组样本拟合曲线的斜率，每个历史数据点对应斜率形成斜率序列；将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输入，训练神经网络模型；对训练后的神经网络模型进行测试，利用满足测试要求的神经网络模型对建筑负荷数据进行预测，获取预测结果；本发明不仅考虑了负荷本身的数据特征，还考虑了负荷曲线的特征，从而提高预测精度。

权利要求

1.一种考虑负荷曲线特征的建筑负荷预测方法，其特征是：包括以下步骤：以设定时间间隔获取建筑负荷数据，以一定时间段内若干数据点为一组样本；将获取的建筑负荷数据进行预处理，预处理过程包括，将缺失值和异常值用临近时间段内历史数据的平均值代替，并进行归一化处理；

对建筑负荷数据进行滤波处理，得到负荷数据的平滑曲线；

获取每组样本中离散数据拐点形成拐点序列，计算每组样本拟合曲线的斜率，每个历史数据点对应斜率形成斜率序列；

将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输入，训练神经网络模型；

对训练后的神经网络模型进行测试，利用满足测试要求的神经网络模型对建筑负荷数据进行预测，获取预测结果。

2.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法，其特征是：将获取的建筑负荷数据中一部分作为训练集，一部分作为验证集，另外一部分作为测试集。

3.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法，其特征是：利用中位值平均滤波方法对负荷数据进行处理，获取平滑曲线，连续采样N个数据，去掉一个最大值和一个最小值，然后计算N‑2个数据的算术平均值。

4.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法，其特征是：每组样本中离散数据拐点形成拐点序列中，对应凹弧的拐点用第一数值表示，对应凸弧拐点用第二数值表示，其他点用第三数值表示。

5.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法，其特征是：对训练后的神经网络模型进行测试中，利用均方根误差或/和平均绝对误差对模型性能进行测试，如果误差值小于设定值，则认为满足测试要求。

6.如权利要求1所述的一种考虑负荷曲线特征的建筑负荷预测方法，其特征是：所述神经网络模型为长短期记忆网络模型。

7.一种考虑负荷曲线特征的建筑负荷预测系统，其特征是：包括：

采集模块，被配置为以设定时间间隔获取建筑负荷数据，以一定时间段内若干数据点为一组样本；将获取的建筑负荷数据进行预处理，预处理过程包括，将缺失值和异常值用临近时间段内历史数据的平均值代替，并进行归一化处理；

特征处理模块，被配置为对建筑负荷数据进行滤波处理，得到负荷数据的平滑曲线，获取每组样本中离散数据拐点形成拐点序列，计算每组样本拟合曲线的斜率，每个历史数据点对应斜率形成斜率序列；

神经网络构建和训练模块，被配置为将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输入，训练神经网络模型；

预测模块，被配置为对训练后的神经网络模型进行测试，利用满足测试要求的神经网络模型对建筑负荷数据进行预测，获取预测结果。

8.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1‑6中任一项所述的一种考虑负荷曲线特征的建筑负荷预测方法的步骤。

9.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求

1‑6中任一项所述的一种考虑负荷曲线特征的建筑负荷预测方法的步骤。

说明书

一种考虑负荷曲线特征的建筑负荷预测方法及系统

技术领域

[0001] 本发明属于电力负荷预测技术领域，具体涉及一种考虑负荷曲线 特征的建筑负荷预测方法及系统。

背景技术

[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必 然构成在先技术。

[0003] 办公建筑由于其特殊的用途，与其他类型建筑相比，有着便于管 理、调控的特点。是智能电网发展过程中将建筑转变为可控的小型能 源系统的首要切入点。基于精准的建筑负荷预测，通过建筑能耗管理、 建筑智能化等技术可以有效地提高用能效率。尤其是日前预测作为整 个节能建筑管理的基石，其准确度尤为重要。

[0004] 现有的建筑负荷预测模型主要分为物理模型和基于数据驱动的 模型。一种物理模型是通过获取建筑结构和特征结合当地气候条件和 社会活动信息等多元参数，基于物理原理公式构建。由于庞大复杂的 数据参数往往难以获取，该类模型构建相对困难。同时，由于这类模 型无法描述负荷的随机性，导致预测误差较大，因此在建筑智能化中 应用并不广泛。另外一种物理模型为统计学模型，这类模型的预测原 理是将输入数据简化为线性数据，运用统计学原理构建线性函数；统 计学模型虽然可以很好的描述负荷数据的线性部分，对于非线性部分 却无能为力。

[0005] 随着计算机科技的发展，基于数据驱动的机器学习算法渐渐应用 于建筑能耗预测中，这类机器学习模型通过大量的训练数据总结负荷 变化规律，在一定程度上解决了数据的非线性变化，提高了预测精度。 但是机器学习模型只能描述负荷的数据特征，却忽略了负荷的曲线特 征，难以进一步提高预测精度。

发明内容

[0006] 本发明为了解决上述问题，提出了一种考虑负荷曲线特征的建筑 负荷预测方法及系统，本发明不仅考虑了负荷本身的数据特征，还考 虑了负荷曲线的特征，从而提高预测精度。

[0007] 根据一些实施例，本发明采用如下技术方案：

[0008] 一种考虑负荷曲线特征的建筑负荷预测方法，包括以下步骤：

[0009] 以设定时间间隔获取建筑负荷数据，以一定时间段内若干数据点 为一组样本；

[0010] 对建筑负荷数据进行滤波处理，得到负荷数据的平滑曲线；

[0011] 获取每组样本中离散数据拐点形成拐点序列，计算每组样本拟合 曲线的斜率，每个历史数据点对应斜率形成斜率序列；

[0012] 将历史数据序列、拐点序列和斜率序列组合成神经网络模型的输 入，训练神经网络模型；

[0013] 对训练后的神经网络模型进行测试，利用满足测试要求的神经网 络模型对建筑负荷数据进行预测，获取预测结果。

[0014] 作为可选择的实施方式，将获取的建筑负荷数据进行预处理，预 处理过程包括，将缺失值和异常值用临近时间段内历史数据的平均值 代替，并进行归一化处理。

[0015] 作为可选择的实施方式，将获取的建筑负荷数据中一部分作为训 练集，一部分作为验证集，另外一部分作为测试集。

[0016] 作为可选择的实施方式，利用中位值平均滤波方法对负荷数据进 行处理，获取平滑曲线，连续采样N个数据，去掉一个最大值和一 个最小值，然后计算N‑2个数据的算术平均值。

[0017] 作为可选择的实施方式，每组样本中离散数据拐点形成拐点序列 中，对应凹弧的拐点用第一数值表示，对应凸弧拐点用第二数值表示， 其他点用第三数值表示。

[0018] 作为可选择的实施方式，对训练后的神经网络模型进行测试中， 利用均方根误差或/和平均绝对误差对模型性能进行测试，如果误差 值小于设定值，则认为满足测试要求。

[0019] 作为可选择的实施方式，所述神经网络模型为长短期记忆网络模 型。

[0020] 一种考虑负荷曲线特征的建筑负荷预测系统，包括：

[0021] 采集模块，被配置为以设定时间间隔获取建筑负荷数据，以一定 时间段内若干数据点为一组样本；

[0022] 特征处理模块，被配置为对建筑负荷数据进行滤波处理，得到负 荷数据的平滑曲线，获取每组样本中离散数据拐点形成拐点序列，计 算每组样本拟合曲线的斜率，每个历史数据点对应斜率形成斜率序列；

[0023] 神经网络构建和训练模块，被配置为将历史数据序列、拐点序列 和斜率序列组合成神经网络模型的输入，训练神经网络模型；

[0024] 预测模块，被配置为对训练后的神经网络模型进行测试，利用满 足测试要求的神经网络模型对建筑负荷数据进行预测，获取预测结果。

[0025] 一种计算机可读存储介质，其中存储有多条指令，所述指令适于 由终端设备的处理器加载并执行所述一种考虑负荷曲线特征的建筑 负荷预测方法的步骤。

[0026] 一种终端设备，包括处理器和计算机可读存储介质，处理器用于 实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于 由处理器加载并执行所述一种考虑负荷曲线特征的建筑负荷预测方 法的步骤。

[0027] 与现有技术相比，本发明的有益效果为：

[0028] 本发明利用数学方法获取负荷曲线的拐点、斜率的趋势特征，将 其作为特征值结合历史负荷数据形成预测模型的输入，利用机器学习 方法LSTM解析办公建筑负荷的数据特征，同时考虑负荷的曲线特征， 有效提高预测精度。

[0029] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较 佳实施例，并配合所附附图，作详细说明如下。

附图说明

[0030] 构成本发明的一部分的说明书附图用来提供对本发明的进一步 理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对 本发明的不当限定。

[0031] 图1为本实施例的预测流程示意图。具体实施方式：

[0032] 下面结合附图与实施例对本发明作进一步说明。

[0033] 应该指出，以下详细说明都是例示性的，旨在对本发明提供进一 步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本 发明所属技术领域的普通技术人员通常理解的相同含义。

[0034] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式， 而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除 非上下文另外明确指出，否则单数形式也意图包括复数形式，此外， 还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其 指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0035] 正如背景技术中所述的，目前利用机器学习模型进行负荷预测或 控制的文献，虽然有效实现了负荷的预测，但是均没有考虑负荷曲线 特征限制了预测精度的进一步提升。

[0036] 本发明提出一种方法，拟解决上述问题。

[0037] 以办公建筑为例，进行说明，一种考虑负荷曲线特征的办公建筑 负荷预测方法，基于长短期记忆网络(LSTM)提出考虑负荷曲线特 征的办公建筑负荷日前预测方法。首先，利用中位值平均滤波器去除 办公建筑负荷的随机噪声，获得平稳的线性曲线。然后，将一天24 小时的离散负荷数据作为一组样本，求得拐点位置和每个点对应的斜 率。最后，将拐点和斜率作为特征值结合历史数据一起作为输入，训 练LSTM模型，获得负荷日前预测模型，并利用测试集验证模型的预 测效果。

[0038] 具体的，如图1所示，包括以下步骤：

[0039] a数据预处理

[0040] 采集办公建筑负荷数据，数据间隔为1小时，每天0点到23点 的24个数据点为一组样本。取数据集的前70％作为训练集，10％作 为交叉验证集，最后20％作为测试集。将数据集中的缺失值和异常 值用当月历史数据的平均值代替。为了便于模型训练，利用极值归一 化将数据归一到(0,1)之内。

[0041] b负荷曲线特征获取

[0042] 数据滤波：利用中位值平均滤波器获取负荷数据的平滑曲线，连 续采样N个数据，去掉一个最大值和一个最小值，然后计算N‑2个 数据的算术平均值。

[0043] 拐点获取：利用Matlab获取每组样本中离散数据拐点形成拐点 序列，对应凹弧的拐点用1表示，对应凸弧拐点用2表示，其他点用0表示。

[0044] 斜率计算：利用Matlab计算每组样本拟合曲线的斜率，每个历 史数据点对应斜率形成斜率序列。

[0045] c负荷日前预测模型训练

[0046] 将训练集的历史数据序列、拐点序列和斜率序列组合成LSTM网 络的输入，(T‑7，T‑6，…，T‑1)组数据作为输入，T组数据作为 输出，训练负荷日前预测模型。

[0047] 预测模型性能评估

[0048] 通过交叉验证集验证该模型的预测精度，利用均方根误差 (RMSE)、平均绝对误差(MAE)评估预测模型性能，如果方根误 差(RMSE)或/和平均绝对误差(MAE)小于对应设置的阈值，则认 为该模型符合要求，利用符合要求的模型，基于测试集进行预测。

[0049] 本发明还提供以下产品实施例：

[0050] 一种考虑负荷曲线特征的建筑负荷预测系统，包括：

[0051] 采集模块，被配置为以设定时间间隔获取建筑负荷数据，以一定 时间段内若干数据点为一组样本；

[0052] 特征处理模块，被配置为对建筑负荷数据进行滤波处理，得到负 荷数据的平滑曲线，获取每组样本中离散数据拐点形成拐点序列，计 算每组样本拟合曲线的斜率，每个历史数据点对应斜率形成斜率序列；

[0053] 神经网络构建和训练模块，被配置为将历史数据序列、拐点序列 和斜率序列组合成神经网络模型的输入，训练神经网络模型；

[0054] 预测模块，被配置为对训练后的神经网络模型进行测试，利用满 足测试要求的神经网络模型对建筑负荷数据进行预测，获取预测结果。

[0055] 一种计算机可读存储介质，其中存储有多条指令，所述指令适于 由终端设备的处理器加载并执行所述一种考虑负荷曲线特征的建筑 负荷预测方法的步骤。

[0056] 一种终端设备，包括处理器和计算机可读存储介质，处理器用于 实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于 由处理器加载并执行所述一种考虑负荷曲线特征的建筑负荷预测方 法的步骤。

[0057] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系 统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用 存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上 实施的计算机程序产品的形式。

[0058] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算 机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序 指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图 和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理 设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处 理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0059] 这些计算机程序指令也可存储在能引导计算机或其他可编程数 据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计 算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框 中指定的功能。

[0060] 这些计算机程序指令也可装载到计算机或其他可编程数据处理 设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产 生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令 提供用于实现在流程图一个流程或多个流程和/或方框图一个方框 或多个方框中指定的功能的步骤。

[0061] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明， 对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本 发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应 包含在本发明的保护范围之内。

[0062] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非 对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的 技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出 的各种修改或变形仍在本发明的保护范围以内。