[发明专利]一种面向区域综合能源系统的时空特征挖掘方法

说明书

本发明公开了一种面向区域综合能源系统的时空特征挖掘方法，该方法包括以下步骤：提取多能流网络多时间尺度空间相关特征；提取多能流网络时序相关特征；提取多能流网络外部因素特征；融合多能流网络相关特征。本发明基于深度学习方法和多特征融合方法，挖掘多能流网络的时空相关特征和外部因素特征，以便为区域综合能源系统实施综合需求响应和多能协同运行优化提供决策依据。

技术领域

本发明涉及一种面向区域综合能源系统的时空特征挖掘方法。

背景技术

在大数据时代下，随着信息技术的不断提高以及移动设备和网络的广泛使用，很多商业数据都能获取到包含时间和空间的信息，比如设备，建筑，机构等的管理，能量的产生、分布及预测等。其通常与时间序列、空间分布相互关联，并且隐含许多不易发现的、又潜在有用的模式。从这些非线性、海量、高维和高噪声的时空数据中提取出有价值的特征并用于改进决策、提高效益，使得时空特征挖掘具有额外的特殊性和复杂性。因此，寻找有效的时空特征挖掘方法对于时空数据中有价值的时空模式的自动抽取与分析具有重要意义。

近年以来，时空数据已成为数据挖掘领域的研究热点，并且时空特征挖掘方法在许多领域已开始发展，如交通管理、犯罪分析、疾病监控、环境监测、公共卫生与医疗健康等。时空特征挖掘作为一个新兴的研究领域，正致力于开发和应用新兴的计算技术来分析海量、高维的时空数据，发掘时空数据中有价值的信息。但与传统特征挖掘方法相比，时空特征挖掘研究还远未成熟，对于结构复杂且形式多样的时空数据，需要结合时空推理寻找合适的数据挖掘算法或技术来充分理解这些数据的特征。

面向区域综合能源系统，相对于传统单一能源系统，其包含多种能源网络在时间和空间上协同耦合，多种能流不仅具有时序相关关系，同时具有能流节点上的空间相关关系。同时，在多能流系统的综合需求响应下，未来系统实施综合需求响应和多能协同运行，与多种外部影响因素有关，形成了时空数据结构复杂且来源多样的特性。需要结合时空数据和其他外部因素数据，运用数据驱动方法对时间和空间属性进行观测分析，进而获得对数据的充分理解。因此，对区域综合能源系统的多维多源异构时空数据进行有效整合、转换和提取是其时空特征挖掘面临的重要问题。另外，由于区域综合能源系统能流网络机理模型复杂，能源本身以及能量转换存在不确定性和复杂性，时空建模和动态预测非常困难，准确的能流特性分析和相应的特征挖掘模型的构建是提高能流网络相关分析预测和决策任务效果的关键。

发明内容

为了解决上述技术问题，本发明提供一种面向区域综合能源系统的时空特征挖掘方法。

本发明解决上述问题的技术方案是：基于深度学习和集成学习的面向区域综合能源系统的时空特征挖掘方法，包括以下步骤：

步骤一：基于短期\中期\长期时间尺度的能流网络数据，构建深度残差卷积神经网络，提取空间相关特征张量；

步骤二：基于临近连续时序的能流网络数据，构建时空循环神经网络，提取时序相关特征张量；

步骤三：基于与能源系统相关的外部影响因素信息，构建全连接神经网络，提取外部因素特征张量；

步骤四：融合空间相关特征张量和时序相关特征张量为时空相关特征张量，再将时空相关特征张量与外部因素特征张量进行融合，得到能流多源特征融合张量。

本方法主要适用于面向区域综合能源系统对其多能流网络特性进行时空特征挖掘，通过基于多能流时空建模和多源异构数据融合的特征挖掘与融合方法，能有效发掘时空数据中隐含的特征，以供系统进行精准预测和决策，保证区域综合能源系统进行有效的多能协同耦合互补，来提高能源效率和缓解能源环境问题。当面向其他场景获取到相似结构和形式的时空数据，该时空特征挖掘方法可以进行相应的迁移，如交通运输、地质灾害监测与预防、气象研究、竞技体育、犯罪分析、公共卫生与医疗及社交网络等应用领域。

进一步地，上述面向区域综合能源系统的时空特征挖掘方法，所述步骤一的具体步骤为：