申请/专利权人：东北大学

申请日：2020-09-25

公开（公告）日：2024-02-09

公开（公告）号：CN112101680B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06F18/2415;G06N20/10;G06N3/0464;G06N3/049;G06N3/084;G06N3/006

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2021.01.05#实质审查的生效;2020.12.18#公开

摘要：本发明提供一种基于章鱼模型的自适应长短期IES负荷预测方法。首先采集原始样本数据并进行归一化处理，然后将归一化处理后的样本数据采用生成对抗网络扩展样本数据集，当生成器和判别器博弈达到纳什均衡时对不完备样本数据进行扩展，将扩展样本集按照时间维度平均分为四个子数据集且保证每个子数据集互不重合，最后构建章鱼模型，将四个子数据集中其中三个作为训练集，剩余一个作为验证集，分别输入到章鱼模型四足中，通过章鱼头部确定哪一足进行动作，当生成器和判别器博弈达到纳什均衡且章鱼头部执行优胜劣汰机制后，并行预测电、气、热负荷，通过本发明提供的预测系统进行负荷预测，减少了前期对网络模型的选择，同时提高了预测精度。

主权项：1.一种基于章鱼模型的自适应长短期IES负荷预测方法，其特征在于，包括以下步骤：步骤1：采集原始样本数据集，所述原始样本数据集包括综合能源系统的历史样本数据集以及实际负荷特征数据的历史样本数据集，所述综合能源系统的历史样本数据集包括四个样本数据集，分别为综合能源系统的温度样本数据集、湿度样本数据集、日期样本数据集和经济样本数据集，所述实际负荷特征数据的历史样本数据集包括三个样本数据集，分别为电负荷样本数据集、气负荷样本数据集和热负荷样本数据集；步骤2：利用公式1归一化处理综合能源系统的历史样本数据集中的所有样本数据，分别得到温度真实样本数据集、湿度真实样本数据集、日期真实样本数据集、经济真实样本数据集中的真实样本数据： 式中，x表示综合能源系统的历史样本数据集中的每个样本数据值，xmax表示每个样本数据集中绝对值最大的样本数据值，xmin表示每个样本数据集中绝对值最小的样本数据值，xstd表示真实样本数据集中的真实样本数据值；步骤3：从真实样本数据集中随机选取R组样本数据构成一个随机样本数据集，每组样本数据中均包含温度、湿度、日期、经济四个真实样本数据集中的真实样本数据；步骤4：构建一个GAN用于扩展样本数据集，具体步骤如下：步骤4.1：利用GAN构建n个隐藏层的生成器模型，输入层的输入为随机样本数据集，输出层的输出为伪样本数据集；步骤4.2：利用GAN构建m个隐藏层且输出层为Softmax分类器的判别器模型，将真实样本数据集与伪样本数据集共同作为输入，通过Softmax分类器输出的预测判断结果来判断输出的每个样本是伪样本数据集中的样本还是真实样本数据集中的样本；步骤4.3：依据判别器输出的预测判断结果，采用小波激活函数调整生成器中的参数，使得生成器生成的伪样本数据集与真实样本数据集具有相同的分布概型，所述参数包括神经元的权值和偏重、网络层数、神经元个数；步骤4.4：根据激活函数不断调整生成器和判别器的参数，使得生成器和判别器的博弈达到纳什平衡；步骤4.5：当GAN的生成器与判别器的博弈达到纳什平衡时，通过权值共享并行训练输出维数为4的样本集作为伪样本数据集；步骤4.6：利用生成器生成的与真实样本数据集具有相同分布概型的伪样本数据集对真实样本数据集中的不完备数据进行扩展，得到扩展样本数据集；步骤5：将扩展样本数据集按照时间维度平均分为四个子数据集，且保证每个子数据集中的样本数据互不重合，分别记为L1、L2、L3、L4四个子数据集；步骤6：构建章鱼模型的四足，每足构建一个基学习器，其中第一个足的基学习器采用LSTM模型构建，通过权值共享并行训练LSTM模型；第二个足的基学习器采用SVM模型构建，通过权值共享并行训练SVM模型；第三个足的基学习器采用RBM模型构建，通过权值共享并行训练RBM模型；第四个足的基学习器采用PID模型构建，通过权值共享并行训练PID模型；步骤7：构建章鱼模型的头部模型，基于优胜劣汰机制确定章鱼模型的动作足，并行输出电、气、热的预测负荷值。

全文数据：

权利要求：

百度查询： 东北大学 基于章鱼模型的自适应长短期IES负荷预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD