本發(fā)明涉及屬于綜合能源系統(tǒng)負荷預測領域，具體涉及一種基于lasso回歸和lstm-gru神經網絡的綜合能源系統(tǒng)負荷預測方法。

背景技術：

1、綜合能源系統(tǒng)成為了能源行業(yè)研究的熱點。綜合能源系統(tǒng)ies以電力系統(tǒng)為核心，考慮了電、冷、熱等多種負荷之間的耦合關系，通過協(xié)調不同能源在同一區(qū)域內應用，有效的提高了能源利用率，因此，對綜合能源系統(tǒng)ies進行科學合理的負荷預測具有重要意義。首先，通過預測結果對各種能源進行合理調配，能夠顯著提升綜合能源系統(tǒng)ies的經濟性；其次，根據預測結果進行系統(tǒng)需求側分析，并制定響應計劃，可以有效提升綜合能源系統(tǒng)ies的運行可靠性。

2、現(xiàn)有的預測方法大多數都是針對單一負荷類型的預測。例如在文獻[1]中，研究人員利用主成分分析法對模態(tài)向量降維后通過深度雙向長短期記憶神經網絡進行負荷預測；文獻[2]提出一種基于bilstm的負荷預測模型，通過學習對負荷預測起到關鍵因素的輸入特征，可以得到更準確的預測結果。但是僅針對多元負荷中某一種負荷進行單獨預測，其精度往往有限，如何利用多種能源與負荷之間的耦合關系來提升預測精度是一大研究熱點。另外，上述方法對多元負荷進行預測時，考慮到的氣象因素比較局限，會導致關鍵氣象信息的丟失，且當前對于組合預測模型的研究主要著重于利用一些新穎的算法對神經網絡參數進行尋優(yōu)或者利用機器學習進行數據特征挖掘，少有研究著重于對負荷預測的結果進行誤差補償。

3、傳統(tǒng)的電力系統(tǒng)負荷預測模型的預測精度有待提高，其中一個重要的因素就是：在負荷預測的預測誤差中，除了含有隨機誤差，還有因為模型性能產生的系統(tǒng)誤差，后者將測量值偏向同一個方向，有一定的規(guī)律性。

4、文獻[1]:陳錦鵬,胡志堅,陳緯楠等.二次模態(tài)分解組合dbilstm-mlr的綜合能源系統(tǒng)負荷預測[j].電力系統(tǒng)自動化,2021,45(13):85-94.

5、文獻[2]:李曉,盧先領.基于雙重注意力機制和gru網絡的短期負荷預測模型[j].計算機工程,2022,48(2):291-296,305.

技術實現(xiàn)思路

1、基于上述分析，針對影響綜合能源系統(tǒng)負荷預測精確度的多種氣象因數，本發(fā)明提出了一種基于lasso回歸和lstm-gru神經網絡的綜合能源系統(tǒng)負荷預測方法，利用lasso壓縮估計算法對多種氣象因數進行壓縮降維，篩選出與多元負荷具有強相關性的氣象特征。發(fā)明提出利用gru神經網絡構建誤差補償模型，對lstm神經網絡初步預測的誤差進行補償，通過補償值來消除系統(tǒng)誤差，就可以得到更為精確的負荷預測結果。該方法能夠有效的提升綜合能源系統(tǒng)多元負荷預測精度，具有較強的實用性。

2、本發(fā)明采取的技術方案為：

3、基于lasso回歸和lstm-gru神經網絡的綜合能源系統(tǒng)負荷預測方法，如圖5所示，包括以下步驟：

4、步驟1：通過lasso回歸方法對大量的氣象因素進行篩選分析，篩選出與多元負荷具有強相關性的氣象因素；

5、步驟2：利用lstm神經網絡對步驟1中篩選出的氣象因素數據以及歷史樣本數據進行學習與訓練，得到綜合能源負荷的初步預測值，并通過初步預測值求取負荷預測誤差，作為誤差補償模型的輸入；

6、步驟3：利用gru神經網絡模型建立誤差補償模型，通過gru神經網絡模型對步驟2中的負荷預測誤差進行訓練，得到綜合能源系統(tǒng)的負荷誤差預測值，進而求得誤差補償值，達到對預測誤差補償的目的；

7、步驟4：對步驟2中的初步預測值進行重構，輸入同一個樣本數據的負荷預測值和誤差補償值，將二者求和反歸一化處理后得到最終負荷預測結果。

8、所述步驟1中，利用lasso回歸方法來對影響綜合能源系統(tǒng)多元負荷的諸多氣象因素進行篩選分析，所述氣象因素包括光照、風速、降雨量等；lasso回歸方法通過對線型回歸系數施加約束和懲罰，將某些噪音變量的系數估計值壓縮為0，從而剔除并篩選出重點變量，其原理如下：

9、對于一組樣本數據{xi1，xi2，…，xip；yi}，其中i＝1，2，…，n，n為樣本個數；xi1，xi2，…，xip為輸入的一組樣本數據，在本發(fā)明中指的是氣象數據；yi表示篩選出的結果。

10、其對應的回歸模型能夠表示為：

11、y＝α+β1x1+β2x2+…+βpxp+ε???(1)；

12、式(1)中：α為常數項；ε為隨機擾動項；β1，β2，…，βp為自變量的回歸系數；x1，x2，…，xp為自變量，也就是輸入的氣象數據。

13、引入一個懲罰參數s≥0，式(1)中常數項與回歸系數的lasso定義表達式為：

14、

15、式(2)中：表示lasso的定義表達式；βj表示回歸系數的列向量；xij表示自變量矩陣；s表示懲罰參數；p表示自變量個數。

16、令為最小二乘得到的回歸參數估計值，s0為對應的懲罰參數值；當s≥s0時，最優(yōu)解即為最小二乘解；當s<s0時，就會產生壓縮，s越小，則壓縮效果越強，隨著s的減小，使得回歸系數變?yōu)闃O小或為0，這樣對應回歸系數為0的氣象因素因子就被刪除，從而剔除對多元負荷影響較小的氣象因數。

17、將與綜合能源系統(tǒng)相關的氣象因素通過上述方法輸入到lasso回歸中進行數據選擇，其氣象因素壓縮過程如圖6所示。圖6中，輸入的氣象因素包括：x1—太陽方位角、x2—相對濕度、x3—風向、x4—紫外線指數、x5—太陽輻射、x6—氣壓、x7—可降水量、x8—平均氣溫、x9—日出時間、x10—風速，x11—污染指數、x12—最高溫度。從圖中可以看出，當懲罰參數逐漸減小至s＝0.37有8個氣象因子被壓縮為0，僅剩下4個關鍵氣象因數，分別是x5—太陽輻射，x7—可降水量，x8—平均氣溫，x12—最高溫度。

18、所述步驟2中，誤差預測包括以下子步驟：

19、步驟2.1：設置lstm神經網絡模型的超參數：

20、設置的超參數包括：輸入節(jié)點數n1、隱藏節(jié)點數n2、輸出節(jié)點數n3、學習率α、誤差閾值cost、細胞核個數z和最大迭代次數s；

21、步驟2.2：初始化lstm神經元偏置權重；

22、lstm模型神經元的信息傳遞過程由下式表示：

23、

24、式(3)中：it、ot、ft分別為神經元輸入門、輸出門與遺忘門的輸出信號；wf、bf分別為遺忘門的權重及偏置量；wi、bi分別為輸入門的權重及偏置量；表示t時刻記憶單元候選狀態(tài)信息；wc、bc分別為記憶單元的權重及偏置量；ct表示t時刻記憶單元的狀態(tài)；w0、b0分別為輸出門的權重及偏置量；ht表示t時刻的隱層狀態(tài)；xt為t時刻神經元的輸入序列；σ和tanh分別為sigmoid激活函數與雙曲正切激活函數；ht-1表示t-1時刻隱層狀態(tài)；ct-1表示t-1時刻記憶單元狀態(tài)；⊙表示逐點乘法運算。

25、步驟2.3：前向計算；

26、lstm神經網絡的前向計算公式如式(3)所示，前向計算得到每個神經元的輸出值，即ft、it、ot、ht五個向量的值；

27、通過前向計算，lstm神經網絡能更加有效地決定哪些信息被遺忘，哪些信息被保留，更加高效的處理長時間序列。

28、步驟2.4：根據損失函數η更新網絡權重和偏置；

29、損失函數η表示網絡的誤差大小，其值越小，則模型越精確，反之模型越不精確；

30、模型的損失函數為均方誤差函數，計算公式如下：

31、

32、式(4)中：hloss表示模型損失值；t表示訓練時長；ct、分別代表實際負荷、預測負荷；n代表每次訓練的個數。

33、步驟2.5：重復步驟2.3和步驟2.4，直到迭代次數等于設定值(本發(fā)明中取100次)或損失函數小于0.1時迭代停止，具體計算如式(4)所示。

34、所述步驟3中，利用gru神經網絡模型建立誤差補償模型，誤差補償模型具體為：

35、假設lt為t時刻的負荷初步預測值，則步驟2中通過lstm神經網絡預測后的負荷初步預測值序列能夠表示為{l1,l2,…lt}，l1,l2,…lt分別表示1～t時刻的負荷預測值，誤差補償由下面兩個步驟實現(xiàn)：

36、步驟3.1：將步驟2中通過lstm神經網絡預測出的初步預測值分別與該負荷點實際值相減，就可以得到0-t時刻的預測誤差序列{q1,q2,…qt}；{q1,q2,…qt}分別表示1～t時刻的負荷預測誤差。

37、步驟3.2：通過gru神經網絡對步驟3.1中所述的預測誤差序列{q1,q2,…qt}進行訓練學習，就能預測出下一個樣本即t+1時刻的誤差預測值wt+1，也就是t+1時刻負荷的補償值，將這個補償值與該點的實際負荷相加，就能夠實現(xiàn)對誤差的補償；

38、所述步驟4中，對步驟2中的初步預測值進行重構，包括以下子步驟：

39、步驟4.1：對初步預測值重構，將步驟2中t+1時刻的初步預測值與步驟3.2中所得到的誤差補償值相加，就得到t+1時刻的最終預測結果。

40、pt+1＝lt+1+wt+1???(5)；

41、式(5)中：pt+1為t+1時刻負荷的最終預測結果；lt+1為t+1時刻負荷初步預測值；wt+1為t+1時刻負荷的補償值。

42、步驟4.2：重復步驟2～步驟4.1，就能得到待預測時間段負荷的預測結果序列{pt+1,pt+2,…pt+n}，其中，t為時間間隔，n為預測時間段；假設需要預測某一天內每個小時的負荷出力，則t＝0，n＝23；對所得結果進行反歸一化處理后就得到預測結果，反歸一化為歸一化處理的逆運算，其原理為：

43、x＝x'×(xmax-xmin)+xmin???(6)；

44、式中：x為反歸一化處理后的數據；x'為反歸一化處理之前的數據；xmax與xmin分別為數據序列中的最大值與最小值。

45、本發(fā)明一種基于lasso回歸和lstm-gru神經網絡的綜合能源系統(tǒng)負荷預測方法，技術效果如下：

46、1)本發(fā)明步驟1中，通過lasso回歸方法將影響多元負荷的眾多氣象因素進行篩選分析，可以有效的選擇出對多元影響最大的氣象因素，大大的降低了數據復雜程度，還保證了數據的有效性。

47、2)本發(fā)明步驟2建立了負荷預測模型，通過lstm對歷史數據進行訓練學習，得到初步預測結果，lstm在長時間序列預測問題的處理上具有良好的效果，非常適合處理綜合能源系統(tǒng)中具有強季節(jié)趨勢、長時間序列的歷史負荷數據，通過lstm神經網絡預測可以得到更好的初步預測結果。

48、3)本發(fā)明步驟3通過gru神經網絡建立了誤差補償模型，對步驟2中的預測誤差進行訓練和學習，得到誤差補償值，通過這個補償值來消除系統(tǒng)誤差，進一步的降低了lstm神經網絡的預測誤差，獲得了更準確的預測結果。