[发明专利]一种基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法

权利要求书

1.一种基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：包括步骤，

通过数据采集器采集影响因素数据，并将负荷数据和各影响因素数据进行最大最小归一化处理后得到无量纲数据集；

选取关键影响因素；

计算余弦相似度，获取相似日样本数据作为训练集；

将相似日负荷训练集输入到ARIMA-LSTM组合模型中，得到负荷预测结果；

其中，所述影响因素数据包括负荷数据、气象数据和日期类型数据。

2.如权利要求1所述的基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：所述无量纲数据集为：

式中，X^*为归一化后的值，X为样本序列值，X_max为X中的最大值，X_min为X中的最小值。

3.如权利要求1或2所述的基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：所述关键影响因素采用灰色关联度分析法选取。

4.如权利要求3所述的基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：所述灰色关联度分析法选取步骤：

求得两极最大差Z、最小差z，其公式为：

式中，Y_j为待预测日特征向量，X_ij为历史日特征向量；

记β_ij为Y_j在X_ij处的关联系数，其公式为：

式中，△Z_ij＝|Y_j-X_ij|；ρ为分辨系数；

计算各影响因子的灰色关联权重μ_j，其公式为：

计算灰色关联度r_i，并进一步选取关键影响因素，其公式为：

5.如权利要求4所述的基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：所述余弦相似度采用余弦距离计算；

其中，所述余弦相似度公式为：

式中，cosinF_pq为两负荷日之间的余弦距离，L_p、L_q分别为某两天关键影响因素数据。

6.如权利要求4或5所述的基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：所述将相似日负荷训练集输入到ARIMA-LSTM组合模型中，得到负荷预测结果的步骤包括：

将相似日负荷训练集数据输入到ARIMA模型中，得到线性负荷预测值；

比较负荷训练数据和线性拟合数据，得到拟合误差序列；

结合相似日的关键气象因素数据，并利用LSTM模型预测拟合误差序列；

将线性拟合预测值与非线性误差预测值相加，得出最终负荷预测结果。

7.如权利要求6所述的基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：所述将相似日负荷训练集数据输入到ARIMA模型中得到线性负荷预测值，公式为：

式中：L为滞后阶数，y_t为当前值，λ_i为对应p阶的自回归系数，β_i为对应q阶的移动平均系数，d为差分阶数，ε_t为随机误差项。

8.如权利要求7所述的基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，其特征在于：所述比较负荷训练数据和线性拟合数据得到拟合误差序列，其计算公式为：

△A_i＝H_i-A_i，i＝1,2,…,n

式中：△A为拟合误差序列，H为原始负荷数据序列，A为ARIMA线性模型拟合序列。