[0001] 本发明涉及电力技术领域，特别涉及一种负荷预测方法及负荷预测系统。

[0002] 工业园区能源系统通过能源生产、存储及调度，能够实现可再生能源的充分消纳和多种能源供需间的灵活转换。准确的负荷预测是园区能源系统安全经济运行与优化管理的基础。考虑到工业园区负荷波动性强、数据量少、主观性高以及对准确率要求高等特点，在负荷预测任务中需要将多种维度信息充分考虑；同时，由于存在部分较长的周期性规律，预测算法则需要挖掘较长的时间尺度。

[0003] 在传统预测方法方面，包括卡尔曼滤波预测、差分整合滑动平均自回归模型预测与时间序列预测等预测方法，这些方法受模型容量、输入数据格式和信息维度限制，难以捕捉工业园区负荷的变化规律；并且部分机器学习算法没有对特征进行深入挖掘，尤其是对于气象特征和其他常规信息的常规参数特征，导致预测精度较低。

[0004] 目前在现有技术中，虽提出了通过深度学习的方式，例如通过将改进的DBN应用于复杂环境下，来进一步提高该方法的训练效率及数据处理能力。但冷、热负荷预测是综合能源系统运行优化的保障，其不仅受到用户用能数据的影响，还会高度依赖于季节与气象的变化趋势。

[0005] 或者又例如基于反向传播神经网络(backpropagation neural network)模型的大型公共建筑冷负荷预测，验证了BP神经网络模型对冷负荷与各输入变量有较高的映射能力。但是深度学习类方法对数据量要求较高，需要大量的历史数据进行学习，同时对缺失值需要额外处理，不适合运用于数据较少的园区。

[0055] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0056] 需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

[0057] 另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

[0058] 在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

[0059] 另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

[0060] 本发明提出了一种负荷预测方法，请参照图1，图1为本发明所述负荷预测方法第一实施例的流程示意图，所述负荷预测方法包括以下步骤：

[0061] 步骤S10：获取环境参数及负荷参数，根据所述环境参数及所述负荷参数计算衍生特征；

[0062] 步骤S20：获取常规参数，根据所述常规参数计算常规特征；

[0063] 步骤S30：建立数学模型，将所述衍生特征与所述常规特征导入所述数学模型中学习，以获取所述数学模型的超参数；

[0064] 步骤S40：将预测参数导入学习后的所述数学模型中，根据所述超参数与所述预测参数计算并输出对应的负荷预测结果。

[0065] 利用通讯模块进行联网，以通过互联网获取气象网络推送的天气预报作为所述环境参数，所述环境参数可以包括环境温度、环境湿度以及降雨量等。此外，所述环境参数也可以通过传感器来检测当前环境下的环境温度、环境湿度等信息，从而提高所检测到参数的精确性，提高预测精度。其中，通讯模块可以采用网卡等实现采集，传感器可以采用温度传感器、湿度传感器等实现采集。

[0066] 所述负荷参数则为当前园区内的冷热电的负荷参数，所述负荷参数可以为冷负荷参数、热负荷参数和/或电负荷参数等。实时采集园区内冷负荷、热负荷、电负荷的实际数据，以作为所述负荷参数。其中，可以通过功率表等传感器实现采集。

[0067] 根据所述负荷参数以及所述环境参数进行拟合，根据拟合后的方程曲线可计算其特征参数，并将所述方程曲线的特征参数作为所述环境参数和所述负荷参数的衍生特征。

[0068] 在计算得到所述衍生特征后，采集其他常规参数。所述常规参数具体可以包括有园区内的历史负荷数据、滚动统计数据、组合统计数据、日期数据、差分数据、趋势数据、气象数据等。

[0069] 其中，所述常规参数也可以通过拟合成曲线，并对应提取曲线的方程特征来作为所述常规特征；或者，所述特征也可以是对应的参数值，例如年份、日期、星期，冷热电负荷的平均值、最高值、最低值等，以得到例如历史负荷特征、滚动统计特征、组合统计特征、日期特征、差分特征、趋势特征、气象特征等。

[0070] 所述常规参数可以选取一个或多个，具体根据园区的环境具体定义并设置，从而提高本发明所述负荷预测方法的兼容性。

[0071] 建立数学模型，例如建立xgboost模型，将一部分所述衍生特征和所述常规特征输入至所述xgboost模型中，通过所述xgboost模型对输入的特征进行学习训练，从而得到对应的超参数，或者得到对应的算法参数。

[0072] 在得到所述超参数后，将剩余部分所述衍生特征以及所述常规特征输入到学习后的所述xgboost模型中，从而对所述xgboost模型的学习训练结果进行评估，并根据评估结果及时对所述xgboost模型的所述超参数进行对应更新调整，从而进一步提高所述xgboost模型的预测结果。

[0073] 在所述xgboost模型学习训练后，则能够向所述xgboost模型中输入相应的所述预测参数，所述预测参数的类型可以与所述环境参数、所述负荷参数以及所述常规参数的类型相同，例如年份、日期、星期，冷热电负荷的平均值、最高值、最低值等，从而通过所述xgboost模型输出所述负荷预测结果，也即预测出园区内未来某个时间、或者时间段内的冷热电负荷。

[0074] 本发明技术方案中，针对性获取所述环境参数、所述负荷参数以及常规参数进行结合并得到所述衍生特征及所述常规特征，输入所述衍生特征及所述常规特征到所述数学模型中进行学习，指向性高，从而克服深度学习在少量样本情况下无法学习到优质特征的问题；并且可以通过既定先验知识提取部分高阶特征，进而减小所述数学模型过拟合风险，提高预测精度。

[0075] 进一步地，请参考图2，图2为本发明所述负荷预测方法第二实施例的流程示意图，步骤S10包括：

[0076] 步骤S11：在预设时间段内，每间隔预设时长获取一次所述环境参数、以及获取一次所述负荷参数；

[0077] 步骤S12：将所述环境参数与所述负荷参数进行拟合；

[0078] 步骤S13：根据拟合后的方程曲线计算所述衍生特征。

[0079] 所述预设时间段可以选取时间长度为一年以上的任意时间段，也即所述负荷参数的序列长度为一年以上。

[0080] 所述预设时长为1小时，也即所述负荷参数的时间分辨率为1小时。

[0081] 例如，在一年内，每间隔1小时采集一次园区的冷热电负荷，将该一年内所采集到的冷热电负荷作为所述负荷参数。

[0082] 可以理解，对应的，在该一年内，每间隔1小时采集一次当前的环境温度、环境湿度以及降雨量，将该一年内所采集到的环境温度、环境湿度以及降雨量作为所述环境参数。

[0083] 将采集到的所述负荷参数以及所述环境参数作为若干个数据点进行拟合，从而最终得到所述方程曲线。根据所述方程曲线的特征作为所述衍生特征。

[0084] 进一步地，请参照图3，图3为本发明所述负荷预测方法第三实施例的流程示意图，步骤S12包括：

[0085] 步骤S121：建立坐标系，将所述环境参数与所述负荷参数代入所述坐标系中；

[0086] 步骤S122：根据所述环境参数与所述负荷参数在所述坐标系中的坐标拟合所述方程曲线。

[0087] 在本实施例中，以温度为X轴，冷热电负荷为Y轴建立坐标系，如图7，将将所述环境参数与所述负荷参数的数据代入到所述坐标系中，从而得到若干个点，通过高次拟合得到所述方程曲线。

[0088] 所述环境参数与所述负荷参数满足以下条件，也即所述方程曲线的函数为以下公式1：

[0089] 公式1：y＝max(0，min(a*x4+b*x3+c*x2+d*x+e，U))。

[0090] 其中，x为所述环境参数的环境温度，y为所述负荷参数的冷负荷，U为额定最大负荷，参数a、参数b、参数c、参数d以及参数e通过反向传播计算方式计算获得。

[0091] 此外，也可以将环境湿度、降雨量等作为X轴代入进行拟合得到所述方程曲线。

[0092] 进一步地，请参照图4，图4为本发明所述负荷预测方法第四实施例的流程示意图，步骤S20包括：

[0093] 步骤S21：获取连续的预设数量个时刻，以及每个所述时刻下对应的历史负荷参数；

[0094] 步骤S22：计算所述历史负荷参数的均值、最大值、最小值、峰度、偏度、标准差；

[0095] 步骤S23：将所述均值、所述最大值、所述最小值、所述峰度、所述偏度、所述标准差中的至少一个作为所述常规特征。

[0096] 所述预设数量可以设置为任意大于或等于1的正整数。

[0097] 作为一种实施例，获取滚动统计特征，其中，获取连续的预设数量个时刻，以及每个所述时刻下对应的历史负荷参数，包括人为设定预设数量和预设采样间隔。例如，所述预设数量为3，预设采样间隔为1小时，也即每间隔一个小时进行一次采样，连续采样三次。例如待预测时刻为15：00，则分别采集14：00、13：00、12：00三个时刻点的对应的历史负荷参数。

[0098] 或者例如，所述预设数量为6，预设采样间隔为1小时，也即每间隔两个小时进行一次采样，连续采样六次。待预测时刻为15：00，则采集14：00、13：00、12：00、11：00、10：00、9：00六个时刻点的历史负荷参数。

[0099] 或者例如，所述预设数量还可以设置为12、24等，预设采样间隔为1小时。

[0100] 此外，预设采样间隔还可以设置为2小时、3小时等。

[0101] 例如，所述预设数量为6，预设采样间隔设置为2小时，待预测时刻为15：00，则采集14：00、13：00、11：00、9：00、7：00、5：00、3：00六个时刻点的历史负荷参数。

[0102] 或者例如，所述预设数量为3，预设采样间隔为23小时，待预测时刻为15：00，则采集前一天16：00、前第二天17：00、前第三天18：00三个时刻点的历史负荷参数。

[0103] 获取预设数量个时刻下的历史负荷参数，则可以对采集到的历史负荷参数进行计算，以得到其所述最大值、所述最小值、所述峰度、所述偏度、所述标准差，从而将所述最大值、所述最小值、所述峰度、所述偏度、所述标准差作为所述滚动统计特征。

[0104] 作为另一种实施例，获取历史负荷特征，其中，获取连续的预设数量个时刻，以及每个所述时刻下对应的历史负荷参数，包括人为设定预设数量和预设采样间隔。

[0105] 本实施例中所述预设数量设置为1。也即所述历史负荷特征仅获取一次冷热电负荷，预设采样间隔为可以根据需求进行调整。

[0106] 当采样间隔为1小时，待预测时刻为15：00，则采集14：00对应的历史负荷参数。

[0107] 或者例如，当采样间隔为2小时，待预测时刻为15：00，则采集13：00对应的历史负荷参数。

[0108] 或者例如，当采样间隔为23小时，待预测时刻为15：00，则采集前一天16：00对应的历史负荷参数。

[0109] 或者例如，采样间隔还可以设置为24、25小时等，从而采集前24小时或前25小时的历史负荷参数。

[0110] 本实施例中，可以分别采集1小时前、2小时前、23小时前、24小时前或25小时前的历史负荷参数，并将其中的一项或多项作为所述历史负荷特征。

[0111] 上述历史负荷特征、滚动统计特征均为常规特征，用于导入所述数学模型中进行学习，以及对学习训练后的数学模型进行验证等。从而能够通过学习后的数学模型针对某一时刻或者时间段内的冷热电负荷进行预测。

[0112] 此外，在步骤S21之后，还可以包括以下步骤：

[0113] 步骤S24：获取日期参数；

[0114] 步骤S25：将所述日期参数与所述历史负荷参数关联。

[0115] 所述日期参数包括年份信息、月份信息、星期信息、小时信息、工作日信息、节假日信息。通过所述日期参数与所述历史负荷参数进行关联，从而生成对应的日期标签，以获取针对特殊的月份、或者特殊的时间段的冷热电负荷。

[0116] 通过将所述日期参数与所述历史负荷参数关联，从而得到所述组合统计特征。

[0117] 例如，根据所述月份信息统计每个月冷热电负荷的均值、最大值、最小值、峰度、偏度、标准差。预设采样间隔为1小时，例如从10月1号0：00～10月31号24：00的时间段内，每间隔1小时进行一次采样。通过历史负荷参数关联的日期标签获取10月1号0：00～10月31号24：00的时间段内所有采样到的若干历史负荷参数。在该若干时负荷参数的数据中，通过比较获得最大值、最小值，通过计算获取均值、峰度、偏度、标准差，从而统计为当年10月份下的组合统计特征。

[0118] 或者例如，根据小时信息统计不同时刻的冷热电负荷均值、最大值、最小值、峰度、偏度、标准差。预设采样间隔为1小时，在一整年或者自定义的时间段内，每间隔1小时进行一次采样。通过历史负荷参数关联的日期标签，获取该时间段内每一天15：00～18：00采样到的若干历史负荷参数。在该若干时负荷参数的数据中，通过比较获得最大值、最小值，通过计算获取均值、峰度、偏度、标准差，从而统计为该时间段下15：00～18：00的组合统计特征。

[0119] 或者例如，根据月份信息和小时信息统计不同月份下不同时刻冷热电负荷的均值、最大值、最小值、峰度、偏度、标准差。预设采样间隔为1小时，例如从10月1号0：00～10月31号24：00的时间段内，每间隔1小时进行一次采样。通过历史负荷参数关联的日期标签，获取10月1号0：00～10月31号24：00的时间段内每一天15：00～18：00采样到的若干历史负荷参数。在该若干时负荷参数的数据中，通过比较获得最大值、最小值，通过计算获取均值、峰度、偏度、标准差，从而统计为当年10月份下15：00～18：00的组合统计特征。

[0120] 或者例如，根据星期信息统计一周中每天冷热电负荷的均值、最大值、最小值、峰度、偏度、标准差；预设采样间隔为1小时，从周一0：00～周日24：00的时间段内，每间隔1小时进行一次采样。通过历史负荷参数关联的日期标签，获取周一0：00～周日24：00的时间段内采样到的若干历史负荷参数。在该若干时负荷参数的数据中，通过比较获得最大值、最小值，通过计算获取均值、峰度、偏度、标准差，从而统计为周一0：00～周日24：00的组合统计特征。

[0121] 或者例如，根据星期信息和小时信息统计不同每周中对应星期数(例如星期一)下不同时刻冷热电负荷的均值、最大值、最小值、峰度、偏度、标准差；或者例如，根据所述工作日信息和所述节假日信息统计在不同节假日类型时冷热电负荷的均值、最大值、最小值、峰度、偏度、标准差等。

[0122] 将上述组合统计特征输入至所述数学模型中进行学习训练，以及对学习训练后的数学模型进行验证。从而能够通过学习后的数学模型针对特殊的月份、星期、时间段、节假日、工作日的冷热电负荷进行预测。

[0123] 需要说明的时，所述日期参数也可以单独作为日期特征输入到所述数学模型中，例如，将对应的年份信息、月份信息、星期信息、小时信息、工作日信息、节假日信息输入至所述数学模型中，从而所述数学模型进行学习训练。

[0124] 进一步地，请参照图5，图5为本发明所述负荷预测方法第五实施例的流程示意图，步骤S22之后，还包括：

[0125] 步骤S26：获取差分参数，根据所述差分参数中的一阶差分、二阶差分作为所述差分特征；

[0126] 步骤S27：获取趋势参数，根据所述趋势参数中的负荷同比率、负荷环比率作为所述趋势特征；

[0127] 步骤S28：获取气象参数，根据所述气象参数中的气温信息、湿度信息、降雨信息作为气象特征；

[0128] 步骤S23包括：

[0129] 步骤S231：将所述均值、所述最大值、所述最小值、所述峰度、所述偏度、所述标准差、所述差分特征、所述趋势特征、所述气象特征中的至少一个作为所述常规特征。

[0130] 例如，在获取9月、10月以及11月的冷热电负荷的均值后，以冷热电负荷的均值作为变量导入一阶差分公式或者二阶差分公式中，从而计算一阶差分、二阶差分，并将其作为差分特征。

[0131] 或者例如，在获取9月中每一天的冷热电负荷的均值后，通过比较以获得9月的冷热电负荷的均值的环比，并将其作为所述趋势特征。

[0132] 或者例如，在获取当年9月和去年9月份的冷热电负荷的均值后，通过比较以获得两年中9月的冷热电负荷的均值的同比，并将其作为所述趋势特征。

[0133] 或者例如，在获取9月1号的温度信息、湿度信息、降雨信息，并将其作为所述气象特征。

[0134] 将上述特征输入所述数学模型中，对所述数学模型进行学习训练，从而进一步提高所述数学模型的预测精度。从而根据日期、差分、趋势、气象等因素，对冷热电负荷进行综合的预测，从而提高预测精度。

[0135] 具体的，所述常规特征与所述衍生特征参照下表：

[0136] 表1

[0137]

[0138]

[0139] 进一步地，请参照图6，图6为本发明所述负荷预测方法第六实施例的流程示意图，步骤S30包括：

[0140] 步骤S31：将所述衍生特征按照预设比例分为第一训练集以及第一验证集；

[0141] 步骤S32：将所述常规特征按照所述预设比例分为第二训练集以及第二验证集；

[0142] 步骤S33：将所述第一训练集以及所述第二训练集导入所述数学模型中学习，以获取所述超参数；

[0143] 步骤S34：将所述第一验证集以及所述第二验证集导入所述数学模型中学习，以验证所述超参数是否准确。

[0144] 在得到所述常规特征和所述衍生特征后，将所述常规特征中相同类别的特征按照所述预设比例均分，所述衍生特征中相同类别的特征也同样按照所述预设比例进行均分。

[0145] 本实施例中，所述预设比例设置为7：3，则所述第一训练集和所述第一验证集的所述预设比例为7：3；所述第二训练集和所述第二验证集的所述预设比例为7：3。

[0146] 所述预设比例包括但不限于上述方案，所述预设比例还可以设置为8：2、6：4不等。

[0147] 首先将所述第一训练集和所述第二训练集输入到所述数学模型中，从而对所述数学模型进行学习训练。本实施例中所述数学模型采用xgboost模型，xgboost提供并行树提升(也称为GBDT，GBM)，对梯度提升算法改进，求解损失函数极值时使用了牛顿法，将损失函数泰勒展开到二阶，另外损失函数中加入了正则化项。通过学习训练后的所述xgboost模型得到对应的算法参数，或者超参数。

[0148] 在所述数学模型学习训练完成后，再将所述第一验证集和所述第二验证集输入到所述xgboost模型进行验证，从而通过所述xgboost模型输出的结果与所述第一验证集和所述第二验证集中的数据对比是否相等。

[0149] 当验证的数据相同或相近，则判断验证正确；当验证的数据不同或区别较大，则判断验证错误。

[0150] 通过所述对所述第一验证集和所述第二验证集内的数据验证后，则可以对所述超参数进行进一步的微调，从而提高所述xgboost模型的预测精度。

[0151] 此外，为解决上述问题，本发明还提出了一种所述负荷预测系统包括传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的冷热电负荷预测程序，所述传感器与所述处理器电连接，其中：

[0152] 所述传感器用于采集环境参数和/或负荷参数，并将所述集环境参和/或所述负荷参数发送至所述处理器；

[0153] 所述冷热电负荷预测程序被所述处理器执行时实现如上述的负荷预测方法的步骤。

[0154] 所述负荷预测系统还包括通讯模块，所述通讯模块与所述处理器电连接，所述通讯模块用于通过互联网以获取所述环境参数，并将所述环境参数发送至所述处理器。

[0155] 利用通讯模块进行联网，以通过互联网获取气象网络推送的天气预报作为所述环境参数，所述环境参数可以包括环境温度、环境湿度以及降雨量等。此外，所述环境参数也可以通过传感器来检测当前环境下的环境温度、环境湿度等信息，从而提高所检测到参数的精确性，提高预测精度。其中，通讯模块可以采用网卡等实现采集，传感器可以采用温度传感器、湿度传感器等实现采集。

[0156] 所述负荷参数则为当前园区内的负荷参数，所述负荷参数可以为冷负荷参数、热负荷参数和/或电负荷参数等。实时采集园区内冷负荷、热负荷、电负荷的实际数据，以作为所述负荷参数。其中，可以通过功率表等传感器实现采集。

[0157] 根据所述负荷参数以及所述环境参数进行拟合，根据拟合后的方程曲线可计算其特征参数，并将所述方程曲线的特征参数作为所述环境参数和所述负荷参数的衍生特征。

[0158] 在计算得到所述衍生特征后，采集其他常规参数。所述常规参数具体可以包括有园区内的历史负荷数据、滚动统计数据、组合统计数据、日期数据、差分数据、趋势数据、气象数据等。

[0159] 其中，所述常规参数也可以通过拟合成曲线，并对应提取曲线的方程特征来作为所述常规特征；或者，所述特征也可以是对应的参数值，例如年份、日期、星期，冷热电负荷的平均值、最高值、最低值等，以得到例如历史负荷特征、滚动统计特征、组合统计特征、日期特征、差分特征、趋势特征、气象特征等。

[0160] 所述常规参数可以选取一个或多个，具体根据园区的环境具体定义并设置，从而提高本发明所述负荷预测方法的兼容性。

[0161] 建立数学模型，例如建立xgboost模型，将一部分所述衍生特征和所述常规特征输入至所述xgboost模型中，通过所述xgboost模型对输入的特征进行学习训练，从而得到对应的超参数，或者得到对应的算法参数。

[0162] 在得到所述超参数后，将剩余部分所述衍生特征以及所述常规特征输入到学习后的所述xgboost模型中，从而对所述xgboost模型的学习训练结果进行评估，并根据评估结果及时对所述xgboost模型的所述超参数进行对应更新调整，从而进一步提高所述xgboost模型的预测结果。

[0163] 在所述xgboost模型学习训练后，则能够向所述xgboost模型中输入相应的所述预测参数，所述预测参数的类型可以与所述环境参数、所述负荷参数以及所述常规参数的类型相同，例如年份、日期、星期，冷热电负荷的平均值、最高值、最低值等，从而通过所述xgboost模型输出所述负荷预测结果，也即预测出园区内未来某个时间、或者时间段内的冷热电负荷。

[0164] 本发明技术方案中，针对性获取所述环境参数、所述负荷参数以及常规参数进行结合并得到所述衍生特征及所述常规特征，输入所述衍生特征及所述常规特征到所述数学模型中进行学习，指向性高，从而克服深度学习在少量样本情况下无法学习到优质特征的问题；并且可以通过既定先验知识提取部分高阶特征，进而减小所述数学模型过拟合风险，提高预测精度。

[0165] 以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。