(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111366673.5 (22)申请日 2021.11.18 (65)同一申请的已公布的文献号 申请公布号 CN 114117852 A (43)申请公布日 2022.03.01 (73)专利权人 华北电力大 学 地址 100096 北京市昌平区北农路2号 华北 电力大学 (72)发明人 胡阳　杨泽　房方　刘吉臻　 (74)专利代理 机构 北京和信华成知识产权代理 事务所(普通 合伙) 11390 专利代理师 申龙华 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01)G06F 119/06(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 110257577 A,2019.09.20 审查员 赵恒昌 (54)发明名称 一种基于有限差分工作域划分的区域热负 荷滚动预测方法 (57)摘要 本发明公开了一种基于有限差分工作域划 分的区域热负荷滚动预测方法， 所述的方法包括 如下步骤： 获取城市区域供热系统实测热负荷历 史运行数据、 相关天气数据及节假日日期数据； 对获取的数据进行预处理。 本发明的优点在于： (1)提出了一种包括特征提取、 时延阶数确定、 基 于有限差分的多操作域划分方法， 为区域热负荷 预测提供了合理的工况划分； (2)提出了一种双 向LSTM模型的滚动预测模型结构， 它在保证区域 热负荷预测精度的同时， 对变化的天气和用户条 件具有很强的适应性， 并通过仿真结果表明， 本 发明所提方案能够实现区域热负荷的精准预测， 对区域供热系统的按需供暖， 节能环保具有重要 意义。 权利要求书3页 说明书7页 附图2页 CN 114117852 B 2022.10.21 CN 114117852 B 1.一种基于有限差分工作域划分的区域热负荷滚动预测方法， 其特征在于： 所述的方 法包括如下步骤： (1)、 获取城市区域供热系统实测热负荷历史运行数据、 相关天气数据及节假日日期数 据； (2)、 对获取的数据进行 预处理， 预处理包括异常值的筛 选剔除与缺失值的填补； (3)、 选取影响区域热负荷的特 征变量； (4)、 确定区域热负荷与其特 征变量延迟阶数； (5)、 基于有限差分法进行多工作域的划分， 将特征输入、 热负荷及其延迟顺序进行积 分， 形成一个用回归向量表示的有限差分操作空间， 采用一种 数据驱动的多操作域划分方 法， 利用高维数据 空间聚类分析方法实现边界划分和 边界特征提取， 并建立有限数量的操 作域， 根据适用条件在不同的操作条件之间切换； (6)、 采用深度学习神经网络进行 预测模型的建立； (7)、 实现热负荷的滚动预测， 并通过平均绝对误差MAE、 均方根误差RMSE对预测结果进 行评价。 2.根据权利要求1所述的一种基于有限差分工作域划分的区域热负荷滚动预测方法， 其特征在于： 所述的步骤(2)中异常值的筛选采用滑动窗口的方法进 行， 异常值被定义为在 指定窗口长度内偏离局部平均值超过局部标准差3倍以上 的数据， 假设指定窗口中设置的 采样点数据为X＝(x1,x2,…,xn)， 其平均值为 样本数据xi与平均值的偏差为 数据集的标准差为： 如果数据集xi的偏差满足： |vi|＞3σ(i＝1， 2， ...， n) 则将xi视为异常数据， 滑动窗口， 直到处理完所有异常数据， 所述的缺失值包括设备自 身造成的缺 失采样数据和异常数据处理后的缺失采样数据， 采用三次样条插值法进行数据 填补。 3.根据权利要求2所述的一种基于有限差分工作域划分的区域热负荷滚动预测方法， 其特征在于： 所述的特 征变量的选取采用NCA 距离度量学习算法， 给定集 合S S＝{(xi， yi)， i＝1， 2， ...， N} 其中， xi是包括天气因素和用户因素的外部因素， yi是热负荷， xi是从集合S中随机选择 的作为参考点xi， ref， xi处的响应值等于参考点xi， ref的响应值， 用S‑i中的数据 来预测xi的反 应， S‑i是剔除(xi， yi)后的S的集合， 根据公式中的距离函数dw(xi， xj)计算剩余输入xj被选择 为参考点的概率P(xi， ref＝xj|S‑i)， 如下所示： 权　利　要　求　书 1/3 页 2 CN 114117852 B 2wr是特征权重， 计算热负荷的所有外 部因素的特 征权重， 根据特 征权重选择输入因子 。 4.根据权利要求3所述的一种基于有限差分工作域划分的区域热负荷滚动预测方法， 其特征在于： 所述的步骤(4)在特征提取后DHL输入因子的时延， 基于系统辨识的ARX模型， 利用AIC判据确定 输入因子与供 热负荷之间的时延顺序， ARX模型 结构如下： y(t)+a1y(t‑1)+...+anay(t‑na) ＝b1u(t‑nk)+...+bnbu(t‑nb‑nk+1)+e(t) 其中， y(t)是时间t的输出， na是极数， nb是零数， nk是输入影响热负荷之前出现的输入 样本数， y(t ‑1)...y(t ‑na)是当前输出所依赖的先前输出， u(t ‑nk)...u(t‑nk‑nb+1)是当前 输出所依赖的先行和延迟输入， e(t)是扰动值， 寻找A IC值较小的估计模 型来确定模 型的阶 数， AIC的值由以下公式定义： 其中， N是估计数据集中的值数， ε(t)是预测 误差向量， θN表示估计的参数， np是估计参 数的个数， ny是模型输出的数量， 通过选择 具有最小AIC的模型来确定阶数na和nb。 5.根据权利要求4所述的一种基于有限差分工作域划分的区域热负荷滚动预测方法， 其特征在于： 所述的步骤(5)中， 在A IC确定特征输入与热负荷之间的延迟顺序后， 回归向量 X(k)为： X(k)＝[yT(k‑1)， yT(k‑2)，…， yT(k‑na)， uT(k‑1)， uT(k‑2)，…， uT(k‑nb)] 在此基础上， 采用一种数据驱动的多操作域划分方法， 利用高维数据空间聚类分析方 法实现边界划分和边界特征提取， 并建立有限数量的操作域， 根据适用条件在不同的操作 条件之间切换， 步骤如下： 通过对局部数据子集的特征向量进 行聚类， 考虑数据空间的特点 和数据点参数 向量之间的相似性， 以数据点(X(k),y(k))为数据中心， 以(X(k),y(k))中的 每个数据点为中心建立局部数据子集Ck， 数据子集Ck包括数据中心及其相邻(c ‑1)个数据 点， 计算每个点的输入向量与数据中心输入向量之 间的欧几里德距离， 选择距离最小的(c ‑ 1)个点组成相 邻数据点， 采用最小二乘法计算数据子集Ck的参数向量Pk， 它与Ck中每个数据 点的输入向量的平均值Mk一起构成特征向量FVK＝[PkTMk]T， 最后计算PVk的经验协方差矩阵 Vk， 根据Ck中数据点 的模型输入 向量， 计算用于度量类内离散度的散度矩阵Qk， 散度矩阵Qk 为： 将特征向量视为服从高斯分布的随机向量， 根据高斯分布的特点， 其方差表示为Rk＝ [Vk 0； 0 Qk]， 将特征向量作为平均值Mk的置信度通过 下面的公式来测量： 权　利　要　求　书 2/3 页 3 CN 114117852 B 3