[发明专利]一种分类多重宽度学习注意力机制的热负荷曲线预测方法

权利要求书

1.一种分类多重宽度学习注意力机制的热负荷曲线预测方法，其特征在于，该方法在提高风能和太阳能利用率的步骤为：

步骤(1)，给出分布式地源热泵蓄热器用户相邻四天的全部热负荷曲线，并将热负荷曲线分为两类，第一类为曲线较为平稳，第二类为曲线波动较大，对两类热负荷曲线分别建立对应的热负荷预测模型；

给出冬季任意相邻四天的全部热负荷曲线，并将这四天中每一天的所有热负荷曲线分别分为两类：第一类曲线较为平稳，第二类曲线波动较大；在有M个热负荷时，每条热负荷曲线为96个时间点，每个时间点为5分钟，如果满足：

则为第一类；否则，为第二类；abs(·)表示求绝对值；为第m个热负荷在第j个时间点的热负荷值，abs(·)表示求绝对值；为第m个热负荷在第j+1个时间点的热负荷值；

步骤(2)，采用上一周的历史数据形成具有先验知识的注意力机制值，突出重要元素，形成的第m个热负荷在第j个时间点注意力机制值为：

为上一周第m个热负荷在第j个时间点的热负荷值；softmax()为softmax激活函数；

步骤(3)，将第一天和第二天的热负荷曲线数据作为初次训练集，第二天和第三天的热负荷曲线数据作为增强训练集，第三天和第四天的热负荷曲线数据作为测试集；

初次训练集用于多重宽度学习进行第一次模型的建立，称为一次建模，并将一次建模过程中求得的权重存储起来；

再将增强训练集输入第一次所建立的模型进行模型的优化，称为二次建模，并在第二次建模中将求出的增加的优化系数矩阵存储起来；

然后，与步骤(2)计算得到的注意力机制权值相乘；

其次，将测试集中的输入数据输入所建立的多重宽度学习预测模型并求出预测值，算出预测值与测试集中的输出真实值的均方根误差，则求得所建立模型的误差；

(3.1)将第一天和第二天的热负荷曲线数据作为初次训练集，第二天和第三天的热负荷曲线数据作为增强训练集，第三天和第四天的热负荷曲线数据作为测试集；

第一类热负荷为M₁个，第二类负荷为M₂个，M₁+M₂＝M；

分别给出第一类和第二类热负荷的初次训练集、增强训练集和测试集的数据集表示为：

第一类：

第二类：

其中，和为第一类热负荷的初次训练集，和为第一类热负荷的增强训练集，和为第一类热负荷的测试集；和为第二类热负荷的初次训练集，和为第二类热负荷的增强训练集，和为第二类热负荷的测试集；

(3.2)输入初次训练集中的产生第p组映射特征节点矩阵：

其中，W_rp为生成的随机权重矩阵，并存储起来，β_rp为生成的随机偏差矩阵，并存储起来，k表示映射特征节点矩阵的数量；sigmoid()为sigmoid激活函数；

(3.3)由映射特征节点矩阵产生第q组增强节点矩阵：

R_q＝tanh(J^kW_eq+β_eq),q＝1,2,...,n (4)

其中，W_eq为生成的随机权重矩阵，并存储起来，β_eq为生成的随机偏差矩阵，并存储起来，J^k＝[J₁,J₂,...,J_k]，Rⁿ＝[R₁,R₂,...,R_n]，n表示增强特征节点矩阵的数量；tanh()为tanh激活函数；

(3.4)求出随机权重矩阵：

其中[J^k|Rⁿ]为J^k和Rⁿ的组合矩阵；

(3.5)进行二次建模，输入增强训练集中的输入到上述训练好的模型中，根据已存储和已求出的权重，求出预测值求解过程为：

更新第p组映射特征节点矩阵：

利用更新后的映射特征节点矩阵来更新第q组增强节点矩阵：

R_q＝tanh(J^kW_eq+β_eq),q＝1,...,n (7)

考虑注意力机制的二次的输出预测值：

其中α为注意力机制值组成的行向量；

(3.6)求出二次建模中增加的优化系数矩阵：

(3.7)输入测试集中的按照步骤(3.2)到步骤(3.6)中求出的权重得到最后的预测值，与真实值作比较，求出预测值与测试集中的输出真实值的均方根误差，即所述多重宽度学习注意力机制预测模型的误差：

(3.8)对第二类热负荷按照步骤(3.2)到步骤(3.7)进行建模，得到两类热负荷的热负荷曲线的预测模型；

步骤(3)，将所建多重宽度学习注意力机制模型用于对分布式地源热泵蓄热器用户的热负荷曲线预测；

步骤(4)，在风能和太阳能过剩时，电力系统调度中心依据分布式地源热泵蓄热器用户的热负荷曲线预测结果，将风能和太阳能过剩的电能作为电负荷运行存储热能，将热能供给分布式地源热泵蓄热器用户，提高风能和太阳能的利用率，提升电力系统对风能和太阳能的消纳能力。