[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

说明书

本发明公开了一种基于ARIMA‑LSTM组合模型的楼宇短期负荷预测方法，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；本发明在分析筛选楼宇负荷预测的训练样本数据时，考虑气象因素及日期类型序列的灰色关联度来选取相似日数据序列，有效提高了预测精度。

技术领域

本发明涉及的宇电力负荷预测技术领域，尤其涉及一种基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法。

背景技术

随着我国城镇化建设的高速发展，楼宇建筑能耗的比重也将持续上升；为了缓解能源危机和改善环境恶化，降低楼宇能耗、提高能效管理已受到业界的重点关注，进而使得楼宇负荷预测成为泛在电力物联网建设的一项重要研究内容；精确的负荷预测，为楼宇能效管理系统制定用电需求响应和负荷调度规划提供决策依据，有利于优化供需平衡，提高用电设备的利用率，对智能电网的节能调度和稳定运行具有重要意义。

目前，对短期负荷预测模型的研究主要分为两类：一类是线性模型，例如有运用协整理论并考虑带输入变量温度序列，建立ARIMAX模型来进行短期负荷预测，极大提高了预测精度；也有采用regARIMA模型对消除离群值影响的月负荷数据进行预测，改善了预测效果；上述模型的研究对象均为地区负荷，其变化规律具有较强的周期性，若细化到单个楼宇负荷时，由于样本数据的波动性和随机性较大，采用线性模型将会增大预测误差；另一类是非线性模型，有采用DBN-SVM组合模型来预测未来小时负荷，其预测精度较高，但忽略了不同时间序列负荷数据间的关系；也有将注意力机制(Attention)与长短期神经网络(LSTM)相结合，突出对负荷预测起关键作用的输入特征，建立多步长、多变量的短期负荷预测模型，有效提高了预测精度；上述研究皆对非线性模型进行优化，其预测效果良好，但作为时间序列的楼宇负荷，由于预测模型的误判、拟合不足或过度拟合等问题，采用单一人工神经网络进行建模的效果不一定最好。因此，组合线性和非线性模型可以提高系统的准确性。

同时，在利用线性和非线性组合模型预测过程中，采用组合预测方法分别处理时间序列和误差序列，提高了预测的精度，其中误差序列是通过原始序列和线性预测之间的差异获得的；由于误差序列中不存在线性关系，利用非线性模型来处理误差序列中存在一些可能的非线性关系是合理的。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法存在楼宇短期负荷预测精度单一且不精确问题，提出了本发明。

因此，本发明目的是提供一种基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法。

为解决上述技术问题，本发明提供如下技术方案：一种基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法，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。

作为本发明所述基于ARIMA-LSTM组合模型的楼宇短期负荷预测方法的一种优选方案，其中：无量纲数据集为：