本發(fā)明涉及負(fù)荷預(yù)測，尤其涉及一種基于雙重注意力機(jī)制及新型粒子群算法的建筑冷熱負(fù)荷精準(zhǔn)預(yù)測方法

背景技術(shù)：

1、負(fù)荷預(yù)測領(lǐng)域通過引入神經(jīng)網(wǎng)絡(luò)和人工智能算法，利用數(shù)據(jù)驅(qū)動的方式進(jìn)行預(yù)測，相比傳統(tǒng)模型驅(qū)動方式更具靈活性、自適應(yīng)性。然而冷熱負(fù)荷預(yù)測技術(shù)的不成熟常導(dǎo)致無法準(zhǔn)確預(yù)測未來所需負(fù)荷，造成供熱供冷過量，存在著大量的能源浪費(fèi)。如何精準(zhǔn)實(shí)現(xiàn)負(fù)荷預(yù)測，是實(shí)現(xiàn)節(jié)能減排避免能源浪費(fèi)的重要研究目標(biāo)。

技術(shù)實(shí)現(xiàn)思路

1、為克服上述不足，本發(fā)明提出一種基于雙重注意力機(jī)制及新型粒子群算法的建筑冷熱負(fù)荷精準(zhǔn)預(yù)測方法，所述方法相對傳統(tǒng)lstm神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)，采用雙向長短期記憶網(wǎng)絡(luò)(bilstm)更好的捕捉數(shù)據(jù)長期的依賴關(guān)系，利用皮爾遜相關(guān)系數(shù)法實(shí)現(xiàn)數(shù)據(jù)的精簡和降維，并對降維后的數(shù)據(jù)采用通道和空間雙重注意力機(jī)制對輸入特征進(jìn)行不同權(quán)重分配，運(yùn)用ga-sa改進(jìn)粒子群算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行超參數(shù)優(yōu)化，并進(jìn)一步利用ceemd分解技術(shù)和bilstm神經(jīng)網(wǎng)絡(luò)搭建誤差修正模型，大幅提升預(yù)測精準(zhǔn)度。

2、本發(fā)明提出一種基于雙重注意力機(jī)制及新型粒子群算法的建筑冷熱負(fù)荷精準(zhǔn)預(yù)測方法，步驟如下：

3、步驟1，獲取建筑歷史冷熱負(fù)荷數(shù)據(jù)與相關(guān)外部影響因素?cái)?shù)據(jù)，對獲取的數(shù)據(jù)進(jìn)行預(yù)處理；所述相關(guān)外部影響因素?cái)?shù)據(jù)包括內(nèi)溫度、室外溫度、室外風(fēng)速、相對濕度、過去3小時降水量、太陽輻射率、建筑物使用率、人員密度、設(shè)備照明等影響因素及對應(yīng)的時間序列數(shù)據(jù)；

4、步驟2,以步驟1預(yù)處理后的外部影響因素?cái)?shù)據(jù)和歷史負(fù)荷數(shù)據(jù)分別作為輸入特征和輸出特征，基于bilstm神經(jīng)網(wǎng)絡(luò)構(gòu)建短期建筑冷、熱負(fù)荷預(yù)測模型；

5、步驟3，基于步驟2的輸入特征和bilstm神經(jīng)網(wǎng)絡(luò)架構(gòu)，引入雙重注意力機(jī)制，分別對bilstm輸出的隱藏狀態(tài)和輸入特征賦予不同慣性權(quán)重；

6、步驟4，基于步驟2的bilstm神經(jīng)網(wǎng)絡(luò)架構(gòu)，利用ga-sa改進(jìn)的新型粒子群算法，對其進(jìn)行超參數(shù)優(yōu)化，具體步驟包括：

7、在粒子群算法中添加遺傳算法的交叉變異操作，得到處理后的粒子群算法；

8、在所述處理后的粒子群算法中，添加退火算法的概率突跳操作，得到更新后的粒子群算法；

9、以訓(xùn)練次數(shù)、學(xué)習(xí)速率、神經(jīng)元數(shù)量為優(yōu)化條件，利用所述更新后的粒子群算法對其進(jìn)行超參數(shù)優(yōu)化處理，得到優(yōu)化結(jié)果。

10、步驟5，基于步驟3與步驟4優(yōu)化后的建筑冷熱負(fù)荷預(yù)測模型得出的負(fù)荷預(yù)測結(jié)果，利用ceemd分解技術(shù)及bilstm神經(jīng)網(wǎng)絡(luò)組成誤差修正模型；

11、步驟6，以得出的預(yù)測結(jié)果作為建筑冷熱負(fù)荷精準(zhǔn)預(yù)測模型的評價指標(biāo)，采用均方根誤差(rmse)、平均絕對誤差(mae)、平均絕對百分比誤差(mape)和模型預(yù)測精度(acc)進(jìn)行性能評估，評估模型預(yù)測性能。

12、優(yōu)選地，所述步驟1對數(shù)據(jù)進(jìn)行預(yù)處理，其特征在于，預(yù)處理包括:外部影響因素?cái)?shù)據(jù)與歷史負(fù)荷數(shù)據(jù)間的相關(guān)性分析、負(fù)荷數(shù)據(jù)的缺失值處理、異常值修正、歸一化處理。

13、優(yōu)選地，所述對外部影響因素?cái)?shù)據(jù)與歷史負(fù)荷數(shù)據(jù)間的相關(guān)性分析，其特征在于，利用皮爾遜相關(guān)系數(shù)法，計(jì)算出外部影響因素與歷史負(fù)荷數(shù)據(jù)的相關(guān)度，初步篩選剔除氣壓、相對濕度等相關(guān)程度小于0.2的影響因素以實(shí)現(xiàn)數(shù)據(jù)的降維和精簡，降低數(shù)據(jù)集的復(fù)雜性。公式如下：

14、

15、其中，r值介于-1到1，絕對值越接近1表明變量間相關(guān)性越強(qiáng)。

16、優(yōu)選地，所述對歷史負(fù)荷數(shù)據(jù)的缺失值處理，其特征在于，判斷缺失值比例，比例小于5％時，采用臨近均值替代法，對缺失值前后正常數(shù)據(jù)進(jìn)行加權(quán)平均，填充缺失值。比例大于5％時，采用隨機(jī)森林法，進(jìn)行多重插補(bǔ)，填充缺失值。利用臨近均值替代法公式如下：

17、

18、其中，為缺失值的替代值，xj是臨近數(shù)據(jù)點(diǎn)j的值，wj是數(shù)據(jù)點(diǎn)j的權(quán)重，n是選取的臨近點(diǎn)個數(shù)。

19、優(yōu)選地，所述對數(shù)據(jù)的異常值修正，其特征在于，采用四分位數(shù)法識別原始數(shù)據(jù)中的過小值和過大值，利用臨近均值替代法對識別出的數(shù)據(jù)異常值進(jìn)行修正。利用四分位數(shù)法公式如下：

20、iqr＝q3-q1

21、max＝q3+1.5iqr

22、min＝q1-1.5iqr

23、其中，q3為箱體頂部的上四分位數(shù)，q1為箱體底部的下四分位數(shù)。max、min分別為定義異常值的上下界，對落在上下界之外數(shù)值進(jìn)行異常值修正。

24、優(yōu)選地，所述對數(shù)據(jù)的歸一化處理，其特征在于，采用min-max標(biāo)準(zhǔn)化方法，公式如下：

25、

26、其中，xnom為歸一化后的數(shù)據(jù)，x為歸一化前的原始數(shù)據(jù)，max(x)、min(x)分別為當(dāng)前元素所有數(shù)據(jù)的最大值和最小值。

27、優(yōu)選地，所述步驟2中將數(shù)據(jù)劃分為為輸入特征和輸出特征，其特征在于，外部影響因素?cái)?shù)據(jù)作為輸入數(shù)據(jù)，用xi(i＝1、2、3…n,n為輸入特征維數(shù))來表示，輸出特征為歷史負(fù)荷數(shù)據(jù)y,并將輸入集與輸出集按7：2：1的比例劃分為訓(xùn)練集、測試集和驗(yàn)證集，進(jìn)入bilstm神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

28、優(yōu)選地，所述步驟2中的bilstm負(fù)荷預(yù)測模型，其特征在于，是結(jié)合了正向和方向兩條信息流的lstm神經(jīng)網(wǎng)絡(luò)變體，通過將正向和方向的隱藏狀態(tài)拼接在一起，能夠更全面的理解和捕捉輸入特征和數(shù)據(jù)的雙向依賴關(guān)系，有效的提高了預(yù)測模型對輸入數(shù)據(jù)的特征表達(dá)能力。

29、優(yōu)選地，所述步驟2中構(gòu)建的負(fù)荷預(yù)測模型，其特征在于，利用訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，通過測試集和驗(yàn)證集數(shù)據(jù)驗(yàn)證負(fù)荷預(yù)測結(jié)果，其與原始數(shù)據(jù)存在的誤差較大，是一個隨機(jī)性強(qiáng)，周期性差的非平穩(wěn)序列。

30、優(yōu)選地，所述步驟2中構(gòu)建的負(fù)荷預(yù)測模型，其特征在于，需對預(yù)測出的負(fù)荷預(yù)測結(jié)果進(jìn)行反歸一化處理，公式如下：

31、x＝x'nom(max(x)-min(x))+min(x)

32、優(yōu)選地，所述步驟3中，引入雙重注意力機(jī)制對bilstm負(fù)荷預(yù)測模型的輸入特征進(jìn)行權(quán)重分配，其特征在于，具體步驟為：

33、利用通道注意力機(jī)制對輸入數(shù)據(jù)不同通道(特征)進(jìn)行關(guān)注，對歷史負(fù)荷數(shù)據(jù)中的不同特征，即外界影響因素?cái)?shù)據(jù)賦予不同的慣性權(quán)重mc；

34、利用空間注意力機(jī)制對輸入數(shù)據(jù)不同位置進(jìn)行關(guān)注，即對歷史負(fù)荷數(shù)據(jù)不同時間點(diǎn)的信息賦予不同的慣性權(quán)重ms。

35、優(yōu)選地，所述通道注意力機(jī)制對輸入數(shù)據(jù)不同通道(特征)進(jìn)行關(guān)注，其特征在于，主要公式如下：

36、mc＝σ(wcht+bc)

37、

38、其中，mc為計(jì)算得到的通道注意力權(quán)重向量，h+、h-分別為bilstm模型的正反向隱藏狀態(tài)，為對應(yīng)的權(quán)重矩陣，bn為偏置矩陣，wc、bc分別為全連接層的權(quán)重矩陣和偏置向量

39、優(yōu)選地，所述空間注意力機(jī)制對輸入數(shù)據(jù)不同位置進(jìn)行關(guān)注，其特征在于，主要公式如下：

40、ms＝softmax(wsht)

41、其中，ms為計(jì)算得到的空間注意力權(quán)重向量，softmax函數(shù)用于將wsht中的元素歸一化為注意力權(quán)重，ws是學(xué)習(xí)到的參數(shù)矩陣。

42、優(yōu)選地，所述步驟4中，在粒子群算法中添加遺傳算法的交叉變異操作，其特征在于，具體步驟為：

43、初始化設(shè)計(jì)參數(shù)，計(jì)算粒子的適應(yīng)度并根據(jù)適應(yīng)度大小，篩選父代粒子；

44、隨機(jī)選擇兩個父代粒子進(jìn)行交叉操作，對交叉后產(chǎn)生的子代解進(jìn)行變異操作；

45、重新計(jì)算子代粒子適應(yīng)度，對原始粒子中適應(yīng)度低的粒子進(jìn)行替換，按照設(shè)定迭代次數(shù)進(jìn)行迭代優(yōu)化，最終得到更新后的粒子種群。

46、優(yōu)選地，所述步驟4中，在所述處理后的粒子群算法中，添加退火算法的概率突跳操作，其特征在于，具體步驟為：

47、隨機(jī)初始化粒子的速度和位置，計(jì)算每個粒子的位置和全局最優(yōu)位置；

48、計(jì)算當(dāng)前設(shè)定溫度下的個體最優(yōu)粒子的退火算法適應(yīng)度，再隨機(jī)選擇替代全局最優(yōu)；

49、更新粒子的速度和位置，再計(jì)算各個粒子的適應(yīng)度，判斷粒子是否更優(yōu)，進(jìn)而判斷是否進(jìn)行退火操作；

50、滿足終止條件，獲得最優(yōu)解，不滿足條件繼續(xù)返回迭代，重新計(jì)算各粒子的退火算法適應(yīng)度。

51、優(yōu)選地，所述步驟4中，計(jì)算當(dāng)前設(shè)定溫度下的個體最優(yōu)粒子的退火算法適應(yīng)度，再隨機(jī)選擇替代全局最優(yōu),其特征在于，以模型預(yù)測的損失值函數(shù)作為退火算法的適應(yīng)度函數(shù)，公式為：

52、

53、其中，y分別為負(fù)荷預(yù)測的預(yù)測值和實(shí)際值。

54、優(yōu)選地，所述步驟4中，滿足終止條件獲得最優(yōu)解，其特征在于，所述終止條件以退火溫度是否達(dá)到最小溫度、迭代次數(shù)是否達(dá)到最大值或適應(yīng)度值的收斂性作為評判標(biāo)準(zhǔn)。

55、優(yōu)選地，所述步驟5中，利用ceemd分解技術(shù)及bilstm神經(jīng)網(wǎng)絡(luò)組成誤差修正模型，其特征在于，具體步驟為：

56、對原始信號添加高斯白噪聲，構(gòu)建擾動信號；

57、對每個擾動信號進(jìn)行emd分解，得到對應(yīng)imf分量和殘差信號res；

58、重復(fù)進(jìn)行添加高斯白噪聲和對擾動信號進(jìn)行emd分解n次，計(jì)算imf的集成平均，得出最終分解結(jié)果；

59、對分解后的各個誤差分量分別輸入預(yù)先建立的bilstm模型進(jìn)行預(yù)測，累加后得到最終負(fù)荷預(yù)測結(jié)果。

60、優(yōu)選地，所述步驟5中，利用ceemd分解技術(shù)及bilstm神經(jīng)網(wǎng)絡(luò)組成誤差修正模型，其特征在于，主要公式如下：

61、

62、

63、

64、

65、

66、其中：xi(t)為原始數(shù)據(jù)，為添加的隨機(jī)相同正、負(fù)白噪聲，為加入正、負(fù)白噪聲的第i個混合信號，為加入正、負(fù)白噪聲分解后的第j個imf分量，為對應(yīng)的殘余分量。

67、優(yōu)選地，所述根據(jù)預(yù)測結(jié)果構(gòu)建bilstm神經(jīng)網(wǎng)絡(luò)模型評價指標(biāo)，評估模型預(yù)測性能，其特征在于采用均方根誤差(rmse)、平均絕對誤差(mae)、平均絕對百分比誤差(mape)和模型預(yù)測精度(acc)進(jìn)行性能評估，公式如下:

68、

69、

70、

71、

72、其中，rmse為均方誤差，mae為平均絕對誤差，mape為平均絕對百分比誤差，acc為模型預(yù)測精度，n為樣本數(shù)量，yi為樣本i對應(yīng)的真實(shí)值，pi最終優(yōu)化后的預(yù)測模型得出的預(yù)測值。