[发明专利]一种负荷预测的方法、装置及电子设备

说明书

本发明公开了一种负荷预测的方法、装置及电子设备，所述方法包括：获取时间系列数据和能源特征数据；对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；基于所述训练数据对所述第一预测模型进行训练，得到第二负荷预测模型；将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。将DBN(深度信念网络)和lstm算法，bp神经网络算法串联结合起来进行负荷的预测，DBN具有很强的特征提取能力和降维能力，可以用DBN来提取数据的特征来对数据本身的特性进行更好的表达，从而对数据的预测起到良好的促进作用，提高了热负荷预测的准确性。

技术领域

本发明涉及智慧能源技术领域，尤其涉及一种负荷预测的方法、装置及电子设备。

背景技术

在智慧能源系统中，要实现能源系统的智能化，就需要获取能源系统中的多种负荷数据，进而对这些负荷数据进行数据建模、分析和运用，以能够实现能源系统的负荷预测。实际应用中，蒸汽供应用户分为工业、商业、居民、办公等，不同用户的蒸汽负荷、负荷量级、负荷特点都不尽相同，而负荷预测的准确性关乎优化调度、关乎运营策略。现有技术中，负荷预测的方法很多，比如指数平滑、Arima、神经网络等。但是单一的负荷预测算法预测准确性欠佳，预测偏差较大，不利于后期调度优化。

发明内容

本发明提供一种负荷预测的方法及装置，结合不同算法的特征综合建立预测模型，提高负荷预测的准确性。

第一方面，本发明提供了一种负荷预测的方法，所述方法包括：

获取时间系列数据和能源特征数据；

对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据；

构建基于深层信念网络和长短期记忆模型算法的第一负荷预测模型；

基于所述训练数据对所述第一预测模型进行训练，得到第二负荷预测模型；

将待预测特征数据输入所述第二预测模型，以得到特定时间序列数据对应的负荷预测值。

优选地，

所述测试数据包括任一时间序列数据和每个时间序列对应的负荷真实值，

所述方法还包括：

将所述任一时间序列数据作为所述第二负荷预测模型的输入数据，得到测试值；

针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值；

根据所述误差值调节所述第二负荷预测模型。

优选地，

所述针对该时间序列数据，将所述负荷真实值和所述测试值进行误差计算，得到误差值，包括：

针对任一时间序列数据，计算负荷真实值和所述测试值的均方根误差，得到均方根误差值；

其中，所述均方根误差通过如下公式计算：

其中，n表示时间序列数据的个数，y_i表示第i个所述时间序列数据的负荷真实值，表示第i个所述时间序列数据对应的测试值。

优选地，

所述对所述时间系列数据和所述能源特征数据进行预处理，以得到训练数据和测试数据，包括：

提取所述时间系列数据的预设时间段的所述能源数据为特征数据；

以所述时间序列数据作为标签数据；

将所述特征数据和所述标签数据按照预设比例划分为所述训练数据和所述测试数据。