[发明专利]一种基于数据驱动的工业园多元负荷预测模型

权利要求书

1.一种基于数据驱动的工业园多元负荷预测模型，包括对工业园内各类负荷的性质和用户用能行为特点进行分类和分析，其特征是：

1)进行工业园区用能特性分析：

工业园区相同类型区域内的楼宇建筑或活动场所往往具备某些特殊或专一功能，其用能行为往往具有相似性，而不同类型区域内的建筑物类型及其规模通常不一样；这直接对用户用能习惯、能源终端用途和各种能源利用比例造成影响；此外，用户用能行为也会受到设备事故和检修、重大文体活动等突发事件影响；

2)采用“离线训练+在线应用”的方式构建工业园区电、热、冷多元负荷预测神经网络模型：

在传统能源集线器的基础之上，采用模型燃气轮机和热电联产机组进行建模；

采用储热装置对热能响应时间量级进行扩展，保证同电和天然气能够较为统一的进行调度；

在能源转换环节，不只依赖考虑能源转换的效率的能源集线器模型，而是考虑燃气轮机和CHP机组的能源耦合特性；

在能源传输环节进行网格线性化处理，以有效地减小求解系统调度问题的复杂度；

3)考虑电、气、热三种能源的能源特性以及能量流特点，对综合能源系统的发、输、转、储、荷五个环节进行稳态模型的构建，建立区域综合能源枢纽的通用性模型，为区域综合能源系统优化调度打好基础。

2.按照权利要求1所述的基于数据驱动的工业园多元负荷预测模型，其特征是所述的采用“离线训练+在线应用”的方式构建工业园区电、热、冷多元负荷预测神经网络模型，首先通过高性能服务器对模型进行离线构建和训练，然后将训练好的模型复制到对应的用户侧计算机或终端设备中进行在线应用；

其中，离线训练阶段通过LSTM-MTL网络学习多个输入特征和多元负荷间的映射关系；在线应用将当前时刻的特征输入训练好的LSTM-MTL模型中快速得到下一时刻的多元负荷预测结果。

3.按照权利要求2所述的基于数据驱动的工业园多元负荷预测模型，其特征是其离线构建模型的具体步骤如下：

1)网络结构超参数选择：

首先依据所建立模型特征确定部分超参数，然后对剩余超参数采用随机追踪法，利用不同超参数子空间对网络收敛速度影响程度不同，选择不同的搜索范围，以加快参数选择效率；

2)网络模型训练：

将多维特征向量作为输入，负荷预测数值作为输出，自底向上训练网络，直至迭代到预设次数为止；通过多个隐含层逐层将原始数据集中的低维特征转化为高维特征，使模型学习到隐含映射关系；

3)网络参数调优：

采用Adam优化算法将验证集特征量输入训练后的LSTM-MTL网络中，将输出的多元负荷预测结果与真实值进行对比并计算损失函数，依据损失函数逐代调整网络参数；

4)性能评估：

选用平均绝对百分比误差MAPE指标L_MAPE、平均精度MA指标L_MA和权重平均精度指标L_WMA为评价指标；其具体评价指标表达式如下：

L_MA＝1-L_MAPE

式中：y(i)和分别为第i时刻的负荷真实值和预测值；n为样本数量；α_ele、α_heat、α_cool分别为电、热、冷负荷的权重；分别为电、热、冷负荷的MA值。

4.按照权利要求3所述的基于数据驱动的工业园多元负荷预测模型，其特征是公式中电、热、冷各子目标权重系数取值分别为0.4、0.3、0.3。

5.按照权利要求1所述的基于数据驱动的工业园多元负荷预测模型，其特征是所述构建工业园区电、热、冷多元负荷预测神经网络模型，包括选择模型结构和构建共享学习层；

1)采用硬共享机制进行工业园区多元负荷预测模型网络结构设计；

2)在共享学习层构建过程中，采用具有记忆特性的长短时记忆神经网络来搭建共享学习层；

LSTM在每个神经元内部添加了遗忘门、输入门和输出门，并且增加了一条代表长期记忆的信息流，具体计算过程如下列各式所示：

遗忘门：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

输入门：

i_t＝σ(W_f·[h_t-1,x_t]+b_i)

输出门：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t·tanh(C_t)

当输入量x_t进入后首先通过遗忘门f_t经由sigmoid激活函数映射到[0，1]区间内，之后进入输入门与长期记忆信息C_t-1相乘，对长期记忆中的数据进行选择性保留，同时添加进入长期记忆中的新增量最后由输出门得到输出值o_t，LSTM通过其独特门结构可以有效地对负荷预测时间信息进行记忆。在所构建的LSTM-MTL模型中多个子任务输入首先经由融合层进行数据融合，然后将融合后的数据输送至共享层，在共享层中多个LSTM神经元间经由循环结构进行组合共同构成一个LSTM网络层，多个相同结构的LSTM网络层线性连接便可构成MTL中的多层共享网络。