[发明专利]一种多能源系统多类型负荷联合预测方法及系统

权利要求书

1.一种多能源系统多类型负荷联合预测方法，其特征在于，该方法包括：

获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集；

获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；

搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；

将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。

2.如权利要求1所述的一种多能源系统多类型负荷联合预测方法，其特征在于，所述获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集，具体包括：

获取历史气象数据和负荷测量数据，其中，所述历史气象数据包括温度、湿度、气压、风速、露点、降水量；所述负荷测量数据包括冷负荷、热负荷、电负荷数据，所述历史气象数据和所述负荷测量数据均为时间序列数据；

对所述历史气象数据和所述负荷测量数据采用四分位法剔除异常的时间序列数据，采用最小二乘回归法填充缺失时间序列数据，生成高质量气象数据和负荷数据；

对所述高质量气象数据与负荷测量数据进行归一化处理，生成时间序列样本集，其中，所述时间序列样本集的时间跨度为3年。

3.如权利要求1所述的一种多能源系统多类型负荷联合预测方法，其特征在于，所述获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据，具体包括：

获取季节的时间划分节点，将所述时间序列样本集按照四季时间节点划分为四个季节样本集；

计算四个季节样本中冷负荷、热负荷、电负荷的最大互信系数，衡量每个季节冷热电负荷的耦合相关性；

根据负荷间互信息系数的统计值，建立联合特征选择方法；

选择所述耦合相关性最大的负荷作为多能预测模型的输入数据；

将所述多能预测模型的输入数据划分为训练样本集、验证样本集、测试样本集，其中，所述训练样本集占比80％，所述验证样本集占比10％，所述测试样本集占比10％；

其中，所述最大互信系数的计算公式如下：

其中，x为比较对象表示所分析的负荷特征数据，y为参考对象表示所参照的负荷特征数据，n为数据样本包含的数量，p为联合概率计算，a表示表示在二维空间中x方向上划分的网格数量，b表示在二维空间中y方向上划分的网格数量，MIC(x,y)表示比较对象数据x和参考数据y之间的最大相互信息系数，取值范围在0到1之间。

4.如权利要求3所述的一种多能源系统多类型负荷联合预测方法，其特征在于，所述搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数，具体包括：

搭建每个季节对应的双向长短期记忆神经网络负荷预测模型，所述双向长短期记忆神经网络负荷预测模型的超参数包括双向神经网络隐层数量、隐层神经元数量、学习率、L2正则化参数；

将所述训练样本集作为输入数据，将对应每类负荷预测样本数据作为输出数据；

采用网格法确定预测模型的最优超参数，输入到所述双向长短期记忆神经网络负荷预测模型。

5.如权利要求4所述的一种多能源系统多类型负荷联合预测方法，其特征在于，所述将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值，具体包括：

将所述测试样本集中的数据加入到所述双向长短期记忆神经网络负荷预测模型中，获得归一化预测值；

对所述归一化预测值进行反归一化处理，获得多能源系统的冷、热、电负荷预测值。