[发明专利]长期负荷预测方法及系统

说明书

本发明公开了一种长期负荷预测方法，包括获取负荷关联性影响因素数据；将负荷关联性影响因素数据进行预处理；将预处理后的关联性影响因素数据的特征进行融合；将融合后的特征用于训练LightGBM模型，通过训练好的LightGBM模型对负荷进行预测。本发明不依赖历史负荷数据，只以建筑、气象等负荷关联性因素为输入，预测未来一段时间的负荷。

技术领域

本发明属于空调负荷预测技术领域，尤其涉及一种长期负荷预测方法及系统。

背景技术

在综合能源系统的总体规划及运营中，负荷预测是不可缺少的重要环节。精确的负荷数据对于后期的容量优化及设备配置具有十分重要的意义。传统的负荷预测，是以时间为基础的，强调依赖历史数据，并结合某种数学模型预测未来某段时期的负荷值。根据预测周期，负荷预测问题可以被分为超短期、短期、中期以及长期负荷预测，分别对应小时、日、月度以及年度预测。它们大多数是针对某个特定的建筑，基于历史数据，进行负荷预测。

然而，对于新建设的建筑或者缺失历史负荷数据的老旧建筑，它们无法依赖自身的历史数据，传统的负荷预测模型就不能直接应用于该场景。目前新建设及新接入综合能源的建筑由于缺少历史负荷数据，负荷预测工作变得困难。

发明内容

为了解决现有技术存在的问题，本发明提供一种长期负荷预测方法，能够对建筑负荷进行准确长期预测。

本发明所要解决的技术问题是通过以下技术方案实现的：

第一方面，提供了一种长期负荷预测方法，包括：

获取负荷关联性影响因素数据；

将负荷关联性影响因素数据进行预处理；

将预处理后的关联性影响因素数据的特征进行融合；

将融合后的特征用于训练LightGBM模型，通过训练好的LightGBM模型对负荷进行预测。

结合第一方面，进一步的，所述将负荷关联性影响因素数据进行预处理：

通过式(1)对负荷关联性影响因素数据进行归一化

其中，X为负荷关联性影响因素的样本数据，X_min为负荷关联性影响因素的样本数据最小值，X_max为负荷关联性影响因素的样本数据最大值，X^*为归一化后的负荷关联性影响因素的样本数据。

结合第一方面，进一步的，所述将归一化后的关联性影响因素的特征进行融合包括：

对所述关联性影响因素中和时间无关的部分通过自编码器做特征提取得到中间特征；

将关联性影响因素中剩余的和时间关联的部分中间特征进行融合得到融合特征。

结合第一方面，进一步的，所述中间特征的获取采用公式(2)得到

其中，X_s为输入特征，h为输出的中间特征，χ为输入空间，H为特征空间，f为χ到H的映射，g为H到χ的映射。

第二方面，提供了一种长期负荷预测系统，包括：

预处理模块，用于获取负荷关联性影响因素数据；

将负荷关联性影响因素数据进行预处理；

融合模块，用于将预处理后的关联性影响因素数据的特征进行融合；

负荷预测模块，用于将融合后的特征用于训练LightGBM模型，通过训练好的LightGBM模型对负荷进行预测。