本发明涉及供热、冷系统负荷预测,具体为基于贝叶斯优化的提高供热、冷系统负荷预测精度方法。
背景技术:
1、基于统计学理论的预测方法具有良好的可解释性和计算简单等优点,但是其预测精度低,鲁棒性差,对异常数据的敏感性高,且易出现欠拟合;神经网络方法在热、冷负荷预测中体现出了自组织能力强、鲁棒性好的优点,但是其使用范围较窄,面对复杂工况时,预测精度差,预测性能低;神经网络组合算法具有较高的预测精度,然而其神经网络模型结构参数固定,且计算过程中收敛速度慢,对特殊类型天气变化不敏感,无法满足实际工程的需要。
2、为解决上述问题,本技术中提出基于贝叶斯优化的提高供热、冷系统负荷预测精度方法。
技术实现思路
1、本发明的目的在于提供基于贝叶斯优化的提高供热、冷系统负荷预测精度方法,以解决上述背景技术中提出的现有技术中热、冷系统负荷预测精度低的问题。
2、为实现上述目的,本发明提供如下技术方案:基于贝叶斯优化的提高供热、冷系统负荷预测精度方法,所述方法包括以下步骤:
3、基于物联网的数据采集步骤:基于物联网与自动化设备采集热、冷负荷参数以及供热、冷系统所在区域的外界自然环境参数与天气预报数据;
4、数据预处理步骤:对所获取的数据进行数据预处理,提高数据质量,保证数据可靠性;
5、数据类型分类步骤:按照神经网络模型的要求对数据类型进行分类,使数据转变为可被神经网络模型用于输入和输出的数据,
6、神经网络模型构建与训练步骤:完成神经网络模型的架构并使用训练集对所构建的神经网络模型进行训练,
7、模型输出结果分析与反馈优化模型步骤:使用测试集验证神经网络模型的精度,并使用贝叶斯优化对神经网络的自身结构与超参数等内容进行优化;
8、热、冷负荷预测步骤:使用天气预报数据作为输入,得到相对应的热、冷负荷预测值。
9、基于物联网的数据采集步骤中所获取的数据内容包括:热、冷负荷大小、外界环境温度、外界环境湿度、外界环境风速、外界环境风向、外界环境降水量、外界预报环境温度、外界预报环境湿度、外界预报环境风速、外界预报环境风向、外界预报环境降水量。
10、基于物联网的数据采集步骤中通过天气预报所收集到的参数内容的长度为72小时。
11、数据预处理步骤中包括缺失值处理、异常值处理、数据平滑、主成分分析等步骤。
12、数据类型分类步骤中将数据的输入数据与输出数据以天为单位进行切片,并按照以下公式判别数据长度:数据长度ld=1440分钟/数据步长td+神经网络窗口长度lb,其中神经网络窗口长度lb的值通过贝叶斯优化获取。
13、神经网络模型构建与训练步骤中根据所采用的数据类型与热、冷负荷参数的变化特性在神经网络模型中插入本研究所开发的自注意力算法。
14、模型输出结果分析与反馈优化模型步骤中以双向长短时记忆神经网络为基础构建神经网络模型,其内容结构与超参数均由贝叶斯优化的结果决定,对内容结构与超参数给出指定范围,贝叶斯优化将在这个范围内寻找有关神经网络模型结构与超参数的最优值,且其所使用的反馈值包括但不限于均方误差、根均方误差、平均绝对误差、可决系数。
15、进一步,在贝叶斯优化完成后,将利用神经网络模型以气象参数与热、冷负荷历史数据为输入,未来一天时间内的热冷负荷为输出得到预测值。
16、进一步,所述数据预处理步骤包括以下步骤:
17、缺失值处理步骤:借助包括但不限于插值法、中位数法、平均数法等方法填充缺失值,以弥补数据采集过程中出现的错误;
18、异常值处理步骤:借助包括但不限于离散值法、均值比法、箱线图法、人工标注法等方法修正异常值,并依据不同数据内容的实际情况调整异常值判别标准,以提高数据质量;
19、数据平滑步骤:借助包括但不限于卡尔曼滤波法、滑动平均法、众数法等方法对数据内容进行平滑,以提高数据质量;
20、数据归一化步骤:提高神经网络的学习效率,对数据内容进行归一化处理,常用的归一化方法包括最大最小归一化、均值方差归一化等;
21、主成分分析步骤:借助包括但不限于特征选择法、协方差矩阵法、特征值分解法等方法对数据参数进行主成分分析,分析得到与供热、供冷系统热、冷负荷与各环境参数的变化关系。
22、进一步,在完成了所述数据预处理步骤,初步得到了可以被用于神经网络学习的预处理数据,并将其作为数据类型分类步骤的输入;
23、数据类型分类步骤中将数据的输入数据与输出数据以天为单位进行切片,并按照以下公式判别数据长度:数据长度ld=1440分钟/数据步长td+神经网络窗口长度lb,其中神经网络窗口长度lb的值通过贝叶斯优化获取。
24、神经网络模型构建与训练步骤中根据所采用的数据类型与热、冷负荷参数的变化特性在神经网络模型中插入自注意力算法。
25、进一步,所述自注意力算法包括以下步骤:
26、使用xavier初始化方法对ww与wp进行初始化,其中xavier初始化方法是一种遵循glorot条件的初始化方法。
27、u=xin×wp
28、式中xin为自注意力机制算法的输入,wp为权重矩阵1。
29、at=u×ww
30、式中wp为权重矩阵2。
31、xo=xin×s(at)
32、式中s表示激活函数softmax。
33、xout=xo+tanh(xo×xo)
34、式中xout表示自注意力机制算法的输出。
35、进一步,在神经网络模型结构中插入上述自注意力机制算法,神经网络模型的学习效率与鲁棒性得到了提升,同时降低了过拟合现象的发生。
36、进一步,该方法还包括贝叶斯优化方法与神经网络模型相结合的计算方法,该计算方法包括以下步骤:
37、神经网络模型构建与训练步骤:使用训练集对初始神经网络模型1进行训练,并得到一个神经网络模型,此处称为模型1;
38、神经网络评价步骤:将测试集的输入输入进入模型1中,其输出与测试集的输出进行比较,得到的评价指标与模型1本身输入进入贝叶斯优化中,得到神经网络模型的结构与超参数的返回值,此时经过修正的模型称为初始模型2;
39、重复神经网络训练步骤得到模型2,重复神经网络评价步骤得到初始模型2;
40、最终得到模型n与初始模型n,假设此时贝叶斯优化的神经网络模型的结构与超参数的返回值达到最优,那么把模型n就是我们要使用数据进行训练的最优原始神经网络模型,并经训练集训练后得到目标神经网络模型,该神经网络模型理论上具有最高的拟合精度与鲁棒性。
41、进一步,该方法是将上述步骤按照可通用进行的方式打包成块,包括:数据采集模块、数据预处理模块、数据类型分类模块、神经网络模型构建与训练模块、模型输出结果分析与反馈优化模型模块、供热、冷系统热、冷负荷预测模块。不同模块与不同模块之间相互独立,它们可以联合使用也可以独立应用于任意热、冷负荷预测相关研究中。
42、数据获取模块与数据预处理模块相连接,用于收集历史数据、实时数据以及预报数据;
43、数据预处理模块与数据类型分类模块相连接,其主要内容包括缺失值填充、异常值识别、数据平滑、数据归一化以及主成分分析;
44、数据类型分类模块与神经网络模型训练模块相连接,用于数据内容转变为可被神经网络模型用于输入和输出的数据格式;
45、神经网络模型构建与训练模块与模型输出结果分析与反馈优化模型模块相连接,该部分首先依据数据类型建立包含自注意力机制的神经网络模型结构,并接受自数据类型分类部分得到的训练集与测试集,训练集用于训练神经网络模型,测试集用于检验神经网络模型的精度与效能,并反馈评价指标,用于模型输出结果分析与反馈优化模型部分的计算;
46、模型输出结果分析与反馈优化模型模块与热、冷负荷预测模块相连接,该部分接收评价指标的大小,并以此为依据使用贝叶斯优化对神经网络模型的结构与超参数进行优化计算,包括但不限于神经网络层数、神经网络各层神经元数以及神经网络各层激活函数等,当评价指标达到最优时,认为神经网络的结构以及超参数达到最优,此时输出神经网络模型;
47、热、冷负荷预测模块接收来自数据获取部分的天气预报数据,其通过数据预处理部分与数据类型分类部分,将天气预报源数据转化为可被神经网络作为输入的数据格式,接着将此数据作为输入,得到当地供热、供冷系统的热、冷负荷;
48、使用上述方法与步骤进行预测。
49、与现有技术相比,本发明的有益效果是:
50、1、本发明将贝叶斯优化与神经网络预测方法相结合,是构建神经网络架构的关键,在构建神经网络模型的过程中,由于热、冷负荷本身与气象参数之间动态关系的复杂性,构建一个可解释的、高学习率的神经网络模型是关键,该方法以训练集最拟合作为目标使用贝叶斯优化对神经网络的结构、超参数等进行优化,并得到理论最佳模型,这种方法提高了神经网络本身的可解释性和性能。
51、2、本发明开发的一种与热、冷负荷动态特性特别相关的自注意力算法,这种方法提高了神经网络模型的学习效率与鲁棒性,并降低了训练过程中可能发生的过拟合现象。
52、3、本发明中提到的一种利用贝叶斯优化和自注意力机制的流程是可通用的,分别为:数据采集模块、数据预处理模块、数据类型分类模块、神经网络模型构建与训练模块、模型输出结果分析与反馈优化模型模块、供热、冷系统热、冷负荷预测模块,不同模块与不同模块之间相互独立,它们可以联合使用也可以独立应用于任意热、冷负荷预测相关研究中。
53、4、解决供热、供冷系统中能耗偏高、源荷匹配度低等问题,提高了预测准确度,该种方法的输出结果可以为供热、供冷系统的运行调控提供参考,使供热、供冷系统实现按需供能,提高源荷匹配度,降低能耗并提高经济效益。