本發(fā)明涉及民用供熱系統(tǒng)中一種聯(lián)合eemd與神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法，屬于智慧能源和能源互聯(lián)網(wǎng)技術(shù)領(lǐng)域。

背景技術(shù)：

區(qū)域集中供熱系統(tǒng)是一個(gè)復(fù)雜的多變量控制系統(tǒng)，具有供熱面積大、強(qiáng)耦合、滯后時(shí)間長(zhǎng)、內(nèi)部因素復(fù)雜、嚴(yán)重非線性等特點(diǎn)。區(qū)域集中供熱系統(tǒng)中的負(fù)荷需求是供熱系統(tǒng)生產(chǎn)與節(jié)能運(yùn)行的基礎(chǔ)與關(guān)鍵。我國集中供熱面積早在2013年就超過了57億平方米，供熱負(fù)荷預(yù)測(cè)是區(qū)域集中供熱工作的重要組成部分。區(qū)域集中供熱系統(tǒng)由于其高延遲、大慣性特點(diǎn)，熱源處供熱量的變化在很長(zhǎng)時(shí)間后才會(huì)被網(wǎng)絡(luò)中其它部分感知。所以需要預(yù)先知曉供熱系統(tǒng)中用戶側(cè)需求熱負(fù)荷，使熱生產(chǎn)部門提前根據(jù)供熱系統(tǒng)需求熱負(fù)荷調(diào)整生產(chǎn)計(jì)劃，在滿足用戶用熱需求的前提下避免向網(wǎng)絡(luò)中輸入過多的熱量，從而提高熱網(wǎng)系統(tǒng)的能源利用效率。此外，通過負(fù)荷預(yù)測(cè)所得負(fù)荷值為供熱系統(tǒng)預(yù)測(cè)控制的實(shí)現(xiàn)、控制策略的確定、控制精度的提高提供了可靠的信息。鑒于負(fù)荷預(yù)測(cè)對(duì)供熱系統(tǒng)生產(chǎn)、調(diào)控、實(shí)現(xiàn)建筑節(jié)能的重要意義，對(duì)負(fù)荷預(yù)測(cè)方法進(jìn)行研究以提高負(fù)荷預(yù)測(cè)的精度十分必要。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供聯(lián)合eemd與神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法及系統(tǒng)，以實(shí)現(xiàn)對(duì)民用供熱系統(tǒng)中需求短期負(fù)荷進(jìn)行有效預(yù)測(cè)。

為了解決上述技術(shù)問題，本發(fā)明提供了聯(lián)合eemd與神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法，包括以下步驟：

步驟s1，數(shù)據(jù)預(yù)處理；

步驟s2，建立預(yù)測(cè)模型；以及

步驟s3，負(fù)荷預(yù)測(cè)。

進(jìn)一步，所述步驟s1中數(shù)據(jù)預(yù)處理的方法包括：

將供熱系統(tǒng)的歷史負(fù)荷數(shù)據(jù)中的一部分?jǐn)?shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，剩余數(shù)據(jù)作為測(cè)試集數(shù)據(jù)；

對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行eemd信號(hào)分解，迭代計(jì)算得到相應(yīng)的imf分量和殘差項(xiàng)，并根據(jù)brownian距離協(xié)方差系數(shù)的閾值判斷準(zhǔn)則進(jìn)行主要imf分量的選擇。

進(jìn)一步，所述步驟s2中模型訓(xùn)練的方法包括：

采用神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)預(yù)處理所得的主要imf分量和殘差項(xiàng)進(jìn)行模型訓(xùn)練,得到預(yù)測(cè)模型。

進(jìn)一步，所述步驟s3中負(fù)荷預(yù)測(cè)的方法包括：

計(jì)算測(cè)試集數(shù)據(jù)的主要imf分量,將其各imf分量輸入所述預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，該預(yù)測(cè)模型的各分量輸出結(jié)果求和后即為預(yù)測(cè)負(fù)荷。

進(jìn)一步，所述eemd信號(hào)分解的過程包括：

在原始負(fù)荷預(yù)測(cè)信號(hào)x0(t)中加入高斯白噪聲n(t)，即作為輸入信號(hào)u(t)，u(t)＝x0(t)+n(t)，且通過迭代計(jì)算得出該輸入信號(hào)u(t)中的imf分量和殘差項(xiàng)，即其中

n是分解得到imf的個(gè)數(shù)，rn(t)是分解的殘差項(xiàng)，vi(t)表示得到的第i個(gè)imf分量。

進(jìn)一步，所述根據(jù)brownian距離協(xié)方差系數(shù)的閾值判斷準(zhǔn)則進(jìn)行主要imf分量選擇的方法包括：

對(duì)輸入信號(hào)u(t)和imf分量的相似性進(jìn)行比較；

若imf分量與輸入信號(hào)有較強(qiáng)的相關(guān)性，則該imf分量被作為模型訓(xùn)練時(shí)神經(jīng)網(wǎng)絡(luò)的輸入分量之一；

若imf分量與輸入信號(hào)的相關(guān)性較弱，則認(rèn)為該imf分量為噪聲分量不參與預(yù)測(cè)模型的訓(xùn)練。

進(jìn)一步，所述brownian距離協(xié)方差系數(shù)為

其中，e()為信號(hào)的均值，var()為信號(hào)的方差。

進(jìn)一步，所述brownian距離協(xié)方差系數(shù)的閾值判斷準(zhǔn)則中閾值k的計(jì)算公式如下：

其中，βi為第i個(gè)imf分量與輸入信號(hào)的brownian距離協(xié)方差系數(shù)，n為imf分量的個(gè)數(shù)，max(βi)為最大距離協(xié)方差系數(shù)；

若β≥k則保留該imf分量；否則，舍棄imf分量。

又一方面，本發(fā)明還提供了聯(lián)合eemd與神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)系統(tǒng)，包括：數(shù)據(jù)預(yù)處理模塊，與該數(shù)據(jù)預(yù)處理模塊相連的預(yù)測(cè)模型，以及與該預(yù)測(cè)模型相連的負(fù)荷預(yù)測(cè)模塊。

本發(fā)明的有益效果是，本發(fā)明通過整體經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式進(jìn)行供熱系統(tǒng)短期負(fù)荷預(yù)測(cè)，采用一種新的brownian距離協(xié)方差系數(shù)的閾值判決對(duì)eemd分解后所得各imf主要分量進(jìn)行篩選，有效提高了負(fù)荷預(yù)測(cè)的精度。

附圖說明

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。

圖1是本發(fā)明進(jìn)行負(fù)荷預(yù)測(cè)的步驟框圖；

圖2是本發(fā)明進(jìn)行負(fù)荷預(yù)測(cè)的方法流程圖。

具體實(shí)施方式

現(xiàn)在結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明。這些附圖均為簡(jiǎn)化的示意圖，僅以示意方式說明本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。

實(shí)施例1

本實(shí)施例1提供了一種聯(lián)合eemd與神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法，以聯(lián)合整體經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，其步驟如下：

步驟s1，數(shù)據(jù)預(yù)處理；即對(duì)供熱系統(tǒng)在0至t時(shí)間內(nèi)產(chǎn)生的歷史負(fù)荷數(shù)據(jù)，將其中的p％數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，剩余的(100％-p％)數(shù)據(jù)作為測(cè)試集數(shù)據(jù)。對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行eemd(聯(lián)合整體經(jīng)驗(yàn)?zāi)Ｊ椒纸?信號(hào)分解，迭代計(jì)算得到相應(yīng)的imf分量和殘差項(xiàng)，由于eemd在信號(hào)分解過程中容易出錯(cuò)，在變換過程中可能出現(xiàn)無關(guān)的imf分解項(xiàng)，得到的分量未必是嚴(yán)格滿足imf定義的分量，因此為了保證參與后續(xù)模型構(gòu)建的分量為實(shí)際的imf分量，根據(jù)brownian距離協(xié)方差系數(shù)的閾值判準(zhǔn)則進(jìn)行主要imf分量的選擇，保證了分量的物理意義；

步驟s2，經(jīng)訓(xùn)練建立預(yù)測(cè)模型；即采用神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)預(yù)處理所得主要imf分量和殘差項(xiàng)進(jìn)行模型訓(xùn)練；

步驟s3，負(fù)荷預(yù)測(cè)；即將測(cè)試集數(shù)據(jù)經(jīng)eemd分解后所得主要imf分量中各imf分量作為輸入信號(hào)，用模型訓(xùn)練階段所得到的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，各分量輸出結(jié)果求和后即為預(yù)測(cè)負(fù)荷。

對(duì)訓(xùn)練集數(shù)據(jù)和測(cè)試集數(shù)據(jù)采用相同的方法獲得其相應(yīng)的主要imf分量。

進(jìn)一步，所述根據(jù)brownian距離協(xié)方差系數(shù)的閾值判斷準(zhǔn)則進(jìn)行主要imf分量選擇過程為，對(duì)輸入信號(hào)u(t)和imf分量的相似性進(jìn)行比較，如果imf分量與輸入信號(hào)有較強(qiáng)的相關(guān)性，則該imf分量被作為模型訓(xùn)練時(shí)神經(jīng)網(wǎng)絡(luò)的輸入分量之一；如果imf分量與輸入信號(hào)的相關(guān)性較弱，則熱為該imf分量為噪聲分量不參與預(yù)測(cè)模型的訓(xùn)練；

進(jìn)一步，所述根據(jù)brownian距離協(xié)方差系數(shù)所述brownian距離協(xié)方差系數(shù)為：其中，e()為信號(hào)的均值，var()為信號(hào)的方差。

進(jìn)一步，所述brownian距離協(xié)方差系數(shù)的閾值判斷準(zhǔn)則，閾值計(jì)算采用如下公式：其中，βi為第i個(gè)imf分量與輸入信號(hào)的brownian距離協(xié)方差系數(shù)，n為imf分量的個(gè)數(shù)，max(βi)為最大距離協(xié)方差系數(shù)。如果β≥k則保留該imf分量；否則，舍棄imf分量。

本發(fā)明通過整體經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式進(jìn)行供熱系統(tǒng)短期負(fù)荷預(yù)測(cè)，采用一種新的brownian距離協(xié)方差系數(shù)的閾值判決對(duì)eemd分解后所得各imf主要分量進(jìn)行篩選，有效提高了負(fù)荷預(yù)測(cè)的精度。

實(shí)施例2

在實(shí)施例1基礎(chǔ)上，本實(shí)施例2提供了聯(lián)合eemd與神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)系統(tǒng)，包括：數(shù)據(jù)預(yù)處理模塊，與該數(shù)據(jù)預(yù)處理模塊相連的預(yù)測(cè)模型，以及與該預(yù)測(cè)模型相連的負(fù)荷預(yù)測(cè)模塊。

其中數(shù)據(jù)預(yù)處理模塊的具體實(shí)現(xiàn)過程如實(shí)施例1中步驟s1所述；所述預(yù)測(cè)模型的具體實(shí)現(xiàn)過程如實(shí)施例1中步驟s2所述；所述負(fù)荷預(yù)測(cè)模塊的具體實(shí)現(xiàn)過程如實(shí)施例1中步驟s3所述。

以上述依據(jù)本發(fā)明的理想實(shí)施例為啟示，通過上述的說明內(nèi)容，相關(guān)工作人員完全可以在不偏離本項(xiàng)發(fā)明技術(shù)思想的范圍內(nèi)，進(jìn)行多樣的變更以及修改。本項(xiàng)發(fā)明的技術(shù)性范圍并不局限于說明書上的內(nèi)容，必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。