[发明专利]基于长短期时间序列网络的换热站超短期热负荷预测方法

权利要求书

1.一种基于长短期时间序列网络的换热站超短期负荷预测方法，其特征在于所述方法步骤为：

S1：选取一定时间段的气象数据和供热数据，构建数据集作为输入变量X_n；

S2：对数据进行预处理，其中包括对缺失值、离群值的识别与修正，并对数据进行标准化处理；

S3：采用RF方法对输入变量进行筛选，对数据集进行降维操作得到X_m，并将数据集以8：2的比例分为训练集和测试集；

S4：将训练集逐条输入到LSTNet模型中，训练模型的权重和偏置，得到训练好的网络模型；

S5：将测试集逐条输入到训练好的LSTNet模型中，得到预测值

2.根据权利要求1所述基于长短期时间序列网络的换热站超短期负荷预测方法，其特征在于，所述步骤S2进行了数据的预处理，其步骤为：

S201：针对缺失值，可采用下式来计算：

x_i＝0.4x_i-1+0.4x_i+1+0.2x_i+2 (1)

式中x_i为当前缺失值，x_i-1、x_i+1和x_i+2分别为上一时刻、下一时刻、下二时刻的值；

S202：针对离群值，即超过规定范围3倍以上的值，将该值作为缺失值处理；

S203：对每一维数据进行标准化，标准化的公式为：

式中y_i为标准化后的值；x_i为原始值；和s分别代表原始数据的均值和方差；标准化后的数据均值为0，方差为1，且无量纲。

3.根据权利要求1所述基于长短期时间序列网络的换热站超短期负荷预测方法，其特征在于，所述步骤S3降维操作的方法包括：

S301：计算随机森林中每一棵决策树的袋外数据误差；

使用相应的袋外数据(Out Of Bag，OOB)来计算它的袋外数据误差，记为OOBError1，其计算公式如下所示：

其中O为袋外数据总数，以袋外数据作为输入，带入随机森林分类器，利用分类器给这O条数据进行分类比较，统计分类错误的数目，设为X；

S302：对特征x加入噪声干扰，再次计算随机森林中每一棵决策树的袋外数据误差；

S303：计算每个特征的重要性IMP，其计算公式为：

式中OOBError1和OOBError2分别为加入噪声前后的袋外误差；N为随机森林中决策树的总数。

4.根据权利要求1所述基于长短期时间序列网络的换热站超短期负荷预测方法，其特征在于，所述步骤S4中所提出的LSTNet模型，该模型的具体方法包括：

S401：网络的第一模块为卷积层，该层由多个滤波器组成，第i个滤波器的输出公式为：

h_i＝ReLU(W_i*X+b_i) (5)

其中输出的h_i为向量，ReLU是激活函数，并且ReLU(x)＝max(0,x)*。为卷积运算，W_i和b_i分别为权重矩阵与偏置；

S402：第二模块为循环层和循环跳跃层，作用是获得长期和较长期的特征信息，循环层和循环跳跃层在t时刻单元的隐藏状态输出和的公式分别为：

其中z_t和r_t分别为GRU神经元中更新门和重置门的输出，为中间的状态输出；σ为sigmoid激活函数，x_t是t时刻在该层的输入，⊙为元素乘积；p为跳过隐藏单元的数量，即为周期；W、U和b分别是各门单元的权重矩阵和偏置；

S403：为连接上面两层，模型采用全连接层的方式来组合两个层的输出；该层在t时刻的输出公式为：

其中W^R和W^S分别为循环层和循环跳跃层分配的权重，b为偏置值；

S404：为捕捉输入尺度的变化，在模型中添加了AR过程，该过程在t时刻的输出为：

其中q^A为输入矩阵上的输入窗口大小；

S405：将神经网络部分的输出和AR模型的输出整合，得到了模型的最终预测输出为：

其中为模型在t时刻处的最终预测值；

S406：在模型训练过程中，采用均方误差(Mean Square Error，MSE)函数作为损失函数，其公式为：

式中n为有效数据数目，和y_i分别为预测的值与测试的真实值。