负荷预测方法及装置制造方法及图纸

本公开的实施例公开了一种负荷预测方法及装置

【技术实现步骤摘要】
负荷预测方法及装置、电子设备和存储介质


[0001]本公开的实施例属于负荷预测
，具体涉及一种负荷预测方法及装置
、
电子设备和存储介质
。

技术介绍

[0002]在城市轨道交通用能场景中，根据与地铁实际运营相关的能源数据（电气设备参数
、
机电用能数据
、
供电用能数据）或非能源数据（温湿度
、
天气现象
、
降水等的气象数据，地铁客流量数据，列车运行数据），需要对未来某个特定时间的用能负荷做综合预测，以根据预测结果进行综合研判
。
[0003]但是，现阶段并没有对轨道交通进行负荷预测的手段和系统，全靠管理人员的经验进行预测，这会导致预测结果准确度不可靠
。

技术实现思路

[0004]本公开的实施例旨在至少解决现有技术中存在的技术问题之一，公开了一种负荷预测方法及装置
、
电子设备和存储介质
。
[0005]第一方面，本公开的实施例提供一种负荷预测方法，包括：获取城市轨道交通的多源异构数据；其中，所述多源异构数据包括能源数据和非能源数据；将所述多源异构数据基于时间尺度对齐方式进行对齐；将对齐后的所述多源异构数据进行相关性分析，得到相关性分析结果；其中，所述相关性分析结果是基于所述多源异构数据之间的相关度系数进行降序排列得到；基于
LightGBM
算法的数据融合方式，对降序排列的所述多源异构数据进行融合，得到数据融合结果；其中，所述数据融合结果基于负荷预测结果关联性降序排列；根据所述数据融合结果，对所述城市轨道交通进行负荷预测
。
[0006]在一些实施例中，所述
LightGBM
算法的预测函数包括多个基学习器，每个所述基学习器用于表征树结构上的叶节点位置及权重大小，具体算法包括以下步骤：采用前向分步算法求解参数，下述公式为求解第
t
次迭代的目标函数；；；其中，
l
是可微凸损失函数，用于衡量预测和目标之间的差异，
x
i
和
y
i
分别表示采集的信号点数据，
f
表示决策树模型，表示信号点数据的预测值；考虑到存在的过拟合，在求解第
t
个决策树模型时需要加入正则项
Ω
；
T
表示叶子数量，
w
表示叶节点权重，
γ
和
λ
均为正则化系数；
采用泰勒展开的方式，对
l
进行变换，并且合并常数项；由于常数项对目标函数的求解不存在影响，得到下述公式：；其中，
g
i
、h
i
是损失函数的一阶导和二阶导；合并正则项，求得最优叶节点权重及对应的最小目标函数值；计算每个叶节点分裂前后的增益，并选取最佳分裂点以规范树的生长规则
。
[0007]在一些实施例中，所述将所述多源异构数据基于时间尺度对齐方式进行对齐，包括：以低采样频率为基准，选取同一或相近采样时刻的高采样数据与多源异构数据对齐
。
[0008]在一些实施例中，所述能源数据包括：机电用能数据
、
供电用能数据
、
牵引用能数据和照明用能数据中的至少一者
。
[0009]在一些实施例中，所述非能源数据包括：气象数据
、
客流量数据和运行数据中的至少一者
。
[0010]第二方面，本公开的实施例提供一种负荷预测装置，包括：获取模块，用于获取城市轨道交通的多源异构数据；其中，所述多源异构数据包括能源数据和非能源数据；对齐模块，用于将所述多源异构数据基于时间尺度对齐方式进行对齐；分析模块，用于将对齐后的所述多源异构数据进行相关性分析，得到相关性分析结果；其中，所述相关性分析结果是基于所述多源异构数据之间的相关度系数进行降序排列得到；融合模块，用于基于
LightGBM
算法的数据融合方式，对降序排列的所述多源异构数据进行融合，得到数据融合结果；其中，所述数据融合结果基于负荷预测结果关联性降序排列；预测模块，用于根据所述数据融合结果，对所述城市轨道交通进行负荷预测
。
[0011]在一些实施例中，所述
LightGBM
算法的预测函数包括多个基学习器，每个所述基学习器用于表征树结构上的叶节点位置及权重大小，具体算法包括以下步骤：采用前向分步算法求解参数，下述公式为求解第
t
次迭代的目标函数；；；其中，
l
是可微凸损失函数，用于衡量预测和目标之间的差异，
x
i
和
y
i
分别表示采集的信号点数据，
f
表示决策树模型，表示信号点数据的预测值；考虑到存在的过拟合，在求解第
t
个决策树模型时需要加入正则项
Ω
；
T
表示叶子数量，
w
表示叶节点权重，
γ
和
λ
均为正
则化系数；采用泰勒展开的方式，对
l
进行变换，并且合并常数项；由于常数项对目标函数的求解不存在影响，得到下述公式：；其中，
g
i
、h
i
是损失函数的一阶导和二阶导；合并正则项，求得最优叶节点权重及对应的最小目标函数值；计算每个叶节点分裂前后的增益，并选取最佳分裂点以规范树的生长规则
。
[0012]在一些实施例中，所述对齐模块，具体还用于：以低采样频率为基准，选取同一或相近采样时刻的高采样数据与多源异构数据对齐
。
[0013]第三方面，本公开的实施例提供一种电子设备，包括：一个或多个处理器；存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现根据前文记载的所述的负荷预测方法
。
[0014]第四方面，本公开的实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现根据前文记载的所述的负荷预测方法
。
[0015]本公开实施例的负荷预测方法及装置，通过将获得的城市轨道交通的多维数据进行融合能够使其相互补充和增强，从而有效提高目标感知的精确性
。
同时，当某一类或几类数据由于感知终端老化
、
通信故障等出现偏差时，仍有其他数据作为补充，使得感知方法仍然有效，能够一定程度上提高感知的容错性
。
此外，本公开实施例通过采用时间尺度对齐方式将多源异构数据进行对齐，便于后续数据之间的融合
。
此外，本公开实施例通过挖掘不同源数据间的相关性，可以有效提升负荷预测精度
。
最后，本公开实施例通过采用基于
LightG本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种负荷预测方法，其特征在于，包括：获取城市轨道交通的多源异构数据；其中，所述多源异构数据包括能源数据和非能源数据；将所述多源异构数据基于时间尺度对齐方式进行对齐；将对齐后的所述多源异构数据进行相关性分析，得到相关性分析结果；其中，所述相关性分析结果是基于所述多源异构数据之间的相关度系数进行降序排列得到；基于
LightGBM
算法的数据融合方式，对降序排列的所述多源异构数据进行融合，得到数据融合结果；其中，所述数据融合结果基于负荷预测结果关联性降序排列；根据所述数据融合结果，对所述城市轨道交通进行负荷预测
。2.
根据权利要求1所述的方法，其特征在于，所述
LightGBM
算法的预测函数包括多个基学习器，每个所述基学习器用于表征树结构上的叶节点位置及权重大小，具体算法包括以下步骤：采用前向分步算法求解参数，下述公式为求解第
t
次迭代的目标函数；；；其中， l
是可微凸损失函数，用于衡量预测和目标之间的差异，
x
i
和
y
i
分别表示采集的信号点数据，
f
表示决策树模型，表示信号点数据的预测值；考虑到存在过拟合，在求解第
t
个决策树模型时需要加入正则项
Ω
；
T
表示叶子数量，
w
表示叶节点权重，
γ
和
λ
均为正则化系数；采用泰勒展开的方式，对
l
进行变换，并且合并常数项；由于常数项对目标函数的求解不存在影响，得到下述公式：；其中，
g
i
、h
i
是损失函数的一阶导和二阶导；合并正则项，求得最优叶节点权重及对应的最小目标函数值；计算每个叶节点分裂前后的增益，并选取最佳分裂点以规范树的生长规则
。3.
根据权利要求1或2所述的方法，其特征在于，所述将所述多源异构数据基于时间尺度对齐方式进行对齐，包括：以低采样频率为基准，选取同一或相近采样时刻的高采样数据与多源异构数据对齐
。4.
根据权利要求1或2所述的方法，其特征在于，所述能源数据包括：机电用能数据
、
供电用能数据
、
牵引用能数据和照明用能数据中的至少一者
。5.
根据权利要求1或2所述的方法，其特征在于，所述非能源数据包括：气象数据
、
客流量数据和运行数据中的至少一者
。6.
一种负荷预测装置，其特征在于，包括：

【专利技术属性】
技术研发人员：洪祥，张海越，羊文祥，朱永进，
申请(专利权)人：南京大全电气研究院有限公司，
类型：发明
国别省市：