[发明专利]一种基于机器学习的综合能源系统多元负荷预测方法

权利要求书

1.一种基于机器学习的综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：

步骤1，获取预测日的实时气象数据；获取综合能源系统里冷、热、电负荷的历史负荷数据与相对应的历史气象数据；

步骤2，根据所述预测日的实时气象数据，从所述历史负荷数据与所述历史气象数据筛选出目标负荷数据和目标气象数据，利用所述目标负荷数据和所述目标气象数据构建样本集；

步骤3，根据冷、热、电负荷类型分别建立相应的优化后的深度置信网络模型，利用所述样本集对冷、热、电负荷类型的优化后的深度置信网络模型进行训练，得到分别针对冷、热、电负荷类型的多元负荷预测模型；

步骤4，利用所述多元负荷预测模型对所述预测日的实时气象数据进行处理得到所述预测日对应预测结果。

2.根据权利要求1所述的基于机器学习的综合能源系统多元负荷预测方法，其特征在于，所述步骤2包括：对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据进行处理，得到处理后的预测日实时气象数据、处理后的历史负荷数据以及处理后的历史气象数据；对所述处理后的历史气象数据中各气象特征与处理后的历史负荷数据中各负荷之间的相关性进行分析得到气象影响因素；根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出与所述预测日的实时气象数据相似的日期，并将筛选出的相似日所包含的负荷数据及气象数据构成样本集；

所述的对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据进行处理，包括：

采用拉依达准则分别对所述预测日的实时气象数据、所述历史负荷数据和所述历史气象数据中的异常数据剔除，得到第一预测日的实时气象数据、第一历史负荷数据和第一历史气象数据；

采用加权顺序填补法分别对第一预测日的实时气象数据、第一历史负荷数据和第一历史气象数据中缺失数据进行数据补齐，得到处理后的预测日实时气象数据、处理后的历史负荷数据和处理后的历史气象数据。

3.根据权利要求1所述的基于机器学习的综合能源系统多元负荷预测方法，其特征在于：所述的对所述处理后的历史气象数据中各气象特征与处理后的历史负荷数据中各负荷之间的相关性进行分析得到气象影响因素，包括：

采用皮尔逊相关系数分别计算处理后的历史气象数据中冷、热、电负荷与处理后的历史负荷数据中各个气象特征之间的相关性，得到处理后的历史负荷数据中每个气象特征分别与处理后的历史气象数据中冷、热、电负荷的相关性；

分别将每个气象特征与所述冷、热、电负荷的相关性求和得到每个气象特征的总相关性值，根据每个气象特征的总相关性值确定气象影响因素。

4.根据权利要求1所述的基于机器学习的综合能源系统多元负荷预测方法，其特征在于：所述的根据气象影响因素，利用相似日算法从所述处理后的历史气象数据中筛选出相似日，包括：

采用极差法对所述气象影响因素对应的气象数据进行数据归一化处理，建立预测日的气象特征向量和历史气象数据中第j日的气象特征向量；所述气象特征向量：

D＝[W₁，W₂，...，W_n]^T

其中n是影响综合能源系统中冷、热、电负荷的气象影响因素个数，W₁，W₂，...，W_nW₁，W₂，...，W_n表示各气象影响因素对应的气象数据；

计算预测日的气象特征向量和历史气象数据中第j日的气象特征向量的相似度值，所述相似度值超过设定值则判定所述预测日和所述第j日为相似日。