[發明專利]基于雙分支深度學習模型的空調負荷估算方法與系統

有效

• 申請號: 202110293561.5
• 申請日: 2021-03-19
• 公開（公告）號: CN113191069B
• 公開（公告）日: 2022-09-02
• 發明（設計）人: 熊浩;秦川;付偉;鞠平;周航;江葉峰;張振華;梁文騰;韓洪興;陸曉;管益斌
• 申請（專利權）人: 國網江蘇省電力有限公司;河海大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06K9/62;G06Q50/06
• 代理公司: 南京行高知識產權代理有限公司 32404
• 代理人: 王培松;王菊花

1.一種基于雙分支深度學習模型的空調負荷估算方法，其特征在于，包括以下步驟：

獲取預測地區的歷史氣象、歷史總負荷以及時間數據，并進行預處理；

對預處理后的歷史數據進行特征提取，生成雙分支輸入特征向量，即用于構建基準負荷估算模型分支的特征向量p₁和用于構建空調負荷估算模型分支的特征向量p₂，其中特征向量p₁以歷史時間數據和經濟數據提取獲得，特征向量p₂以歷史氣象數據提取獲得；

根據雙分支輸入特征向量，建立雙分支深度學習空調負荷分解模型，其中以特征向量p₁為輸入特征，利用卷積神經網絡(CNN)為模型主體構建基準負荷估算模型分支；以特征向量p₂為輸入特征，利用卷積長短期記憶神經網絡(ConvLSTM)構建空調負荷估算模型分支；將基準負荷估算模型分支和空調負荷估算模型分支進行拼接，兩個分支的輸出累加為總負荷功率，形成以初始模型參數構建的初始的雙分支深度學習的負荷分解模型；

根據輸入特征向量進行模型優化，即通過遺傳算法的調優處理，獲得最終輸出的形成雙分支深度學習的負荷分解模型；

對預測地區的空調負荷預測過程中，取歷史氣象數據作為輸入數據，通過最終的雙分支深度學習空調負荷分解模型進行估算，獲得其中空調負荷估算模型分支的輸出結果作為空調負荷的估算值；

其中，所述特征向量p₁的構建方式為：

其中，特征向量p₁為8維方陣矩陣，0和1表示日期的獨熱編碼形式，c、p、g和m_l分別表示消費者價格指數(CPI)、地區消費總額、地區生產總值和當月平均負荷；

所述特征向量p₂的構建方式為：

其中，p₂為由(n+1)個4維方陣組成的特征向量，T_t-nD、H_t-nD和R_t-nD分別表示距t時刻n日前的溫度、相對濕度和降水量，下標t-1和t-4h分別表示t時刻前一時刻和t時刻前4小時，n的初始值為6；

所述基于遺傳算法對初始的雙分支深度學習的負荷分解模型的調優處理具體包括：

采用基于遺傳算法的模型參數調優，調優的目標函數如下：

min(α·e-β·r)；

其中e和r分別表示模型驗證誤差和皮爾遜相關系數，誤差形式采用平均絕對百分比誤差MAPE，表達式如下：

式中n為數據數量，表示模型輸出值，y_i表示歷史數據中對應時刻的真實總負荷值；

其中，皮爾遜相關系數表達式如下：

式中X、Y表示待求相關系數的兩個向量，r為相關性數值。

2.根據權利要求1所述的基于雙分支深度學習模型的空調負荷估算方法，其特征在于，所述歷史氣象、歷史負荷以及時間數據構成歷史數據，對歷史數據的預處理包括：

首先，利用三次插值法補全歷史數據中的缺失數據；

然后，對時間數據采用獨熱編碼進行數據轉化處理；

最后，對負荷功率、歷史氣象數據進行歸一化處理。

3.根據權利要求1所述的基于雙分支深度學習模型的空調負荷估算方法，其特征在于，在調優處理過程中，以某個t時刻的特征向量p₁和特征向量p₂輸入模型，得到t時刻的空調負荷和基準負荷，二者相加后得到估算的t時刻的總負荷，與歷史數據中該t時刻的歷史總負荷進行做差，并基于差值調整模型參數，以使得期望的差值達到理想最小時，確定模型的參數，從而獲得最終輸出的形成雙分支深度學習的負荷分解模型。

4.根據權利要求1所述的基于雙分支深度學習模型的空調負荷估算方法，其特征在于，所述方法還包括：

對預測地區的未來時刻的空調負荷預測過程，將某個時刻的氣象數據和/或氣象預報數據作為特征數據，輸入到雙分支深度學習空調負荷分解模型進行預測估計，得到對應時刻的空調負荷預測結果。