[发明专利]一种基于有限差分工作域划分的区域热负荷滚动预测方法

权利要求书

1.一种基于有限差分工作域划分的区域热负荷滚动预测方法，其特征在于：所述的方法包括如下步骤：

(1)、获取城市区域供热系统实测热负荷历史运行数据、相关天气数据及节假日日期数据；

(2)、对获取的数据进行预处理，预处理包括异常值的筛选剔除与缺失值的填补；

(3)、选取影响区域热负荷的特征变量；

(4)、确定区域热负荷与其特征变量延迟阶数；

(5)、基于有限差分法进行多工作域的划分，将特征输入、热负荷及其延迟顺序进行积分，形成一个用回归向量表示的有限差分操作空间，采用一种数据驱动的多操作域划分方法，利用高维数据空间聚类分析方法实现边界划分和边界特征提取，并建立有限数量的操作域，根据适用条件在不同的操作条件之间切换；

(6)、采用深度学习神经网络进行预测模型的建立；

(7)、实现热负荷的滚动预测，并通过平均绝对误差MAE、均方根误差RMSE对预测结果进行评价。

2.根据权利要求1所述的一种基于有限差分工作域划分的区域热负荷滚动预测方法，其特征在于：所述的步骤(2)中异常值的筛选采用滑动窗口的方法进行，异常值被定义为在指定窗口长度内偏离局部平均值超过局部标准差3倍以上的数据，假设指定窗口中设置的采样点数据为X＝(x₁,x₂,…,x_n)，其平均值为样本数据x_i与平均值的偏差为数据集的标准差为：

如果数据集x_i的偏差满足：

|v_i|＞3σ(i＝1，2，...，n)

则将x_i视为异常数据，滑动窗口，直到处理完所有异常数据，所述的缺失值包括设备自身造成的缺失采样数据和异常数据处理后的缺失采样数据，采用三次样条插值法进行数据填补。

3.根据权利要求2所述的一种基于有限差分工作域划分的区域热负荷滚动预测方法，其特征在于：所述的特征变量的选取采用NCA距离度量学习算法，给定集合S

S＝{(x_i，y_i)，i＝1，2，...，N}

其中，x_i是包括天气因素和用户因素的外部因素，y_i是热负荷，x_i是从集合S中随机选择的作为参考点x_i，ref，x_i处的响应值等于参考点x_i，ref的响应值，用S^-i中的数据来预测x_i的反应，S^-i是剔除(x_i，y_i)后的S的集合，根据公式中的距离函数d_w(x_i，x_j)计算剩余输入x_j被选择为参考点的概率P(x_i，ref＝x_j|S^-i)，如下所示：

w_r是特征权重，计算热负荷的所有外部因素的特征权重，根据特征权重选择输入因子。