【技术实现步骤摘要】
本专利技术涉及超短期负荷预测，尤其涉及一种基于shapelet-xgboost的酒店负荷综合预测方法。
技术介绍
1、随着电网电力市场以及虚拟电厂的建设，对建筑、园区的负荷进行高效管控成为重要趋势。由于电能的难以储存性，为实现区域内负荷的有效管控，精准全面地对区域内未来一天的电力负荷进行预测成为关键问题。其中，由于酒店建筑功能分区繁多、人员流动随机性大、外部气象影响因素复杂，对酒店负荷的预测面临着极大的困难。另外，分布式新能源技术的发展使得酒店从单一的电力消费者，转变为双向的电力消费与生产者，其电力负荷预测难度进一步增加，需更加全面的酒店负荷预测方法。
2、在酒店负荷预测方面，目前主要依赖于对酒店历史负荷数据的挖掘实现，主要的方法要么采用基于相似日比较的模式匹配方法，要么采用历史数据拟合的人工智能方法。在大多数研究中，其步骤为以外部气象因素等为特征，通过模式匹配或人工智能等纯数据驱动方法来预测酒店负荷。但是这两种方法的单独使用，使得在酒店负荷预测中难以兼顾酒店负荷相似日间的相关性以及外部因素对酒店负荷的影响，酒店负荷的预测结果的准确性受到较大的影响。为提高酒店负荷的预测结果的准确性和合理性，故提出了一种基于shapelet-xgboost的酒店负荷综合预测方法。
技术实现思路
1、本专利技术的目的在于提供一种基于shapelet-xgboost的酒店负荷综合预测方法，能够综合模式匹配方法与人工智能方法的优势，提高酒店负荷预测结果的准确性和合理性以解决上述
技术介绍
中提出的
2、为实现上述目的，本专利技术提供如下技术方案：一种基于shapelet-xgboost的酒店负荷综合预测方法，包括以下步骤：
3、步骤（a）、基于酒店历史运行信息与负荷信息，建立历史样本数据库；
4、步骤（b）、基于历史样本数据库，采用shapelet方法聚类，建立酒店负荷模式匹配数据库；
5、步骤（c）、基于历史样本数据库，采用xgboost方法训练，生成酒店负荷预测人工智能模型；
6、步骤（d）、基于天气预报信息与酒店运行计划信息，以1小时为时间间隔，获得酒店未来一天各时刻的关键特征预报数据；
7、步骤（e）、基于关键特征预报数据，利用酒店负荷模式匹配数据库，采用模式匹配方法，预测酒店未来一天的负荷曲线 lc_1；
8、步骤（f），基于关键特征预报数据，以其为输入特征，利用离线训练生成的人工智能模型计算，输出酒店未来一天各时刻的负荷量，形成酒店未来一天的负荷曲线 lc_2；
9、步骤（g）、将预测的酒店负荷曲线 lc_1和 lc_2加权求和，权重系数分别为 w1和 w2，获得最终的酒店负荷预测结果 lc_pre，其中：。
10、优选的，所述步骤（d）中的关键特征预报数据包括如下可量测信息：冷水盘管阀门开度值（t1，单位：%），室内湿度设定值（t2，单位：%），室内温度设定值（t3，单位：℃），冷水盘管进水温度（t4，单位：℃），回风机气体流量设定值（t5，单位：cfm），外部空气湿度（t6，单位：%），外部空气温度（t7，单位：℃），外部二氧化碳浓度（t8，单位：ppm），红外辐射强度（t9，单位：w/m2），太阳辐射强度（t10，单位：w/m2），大气压力（t11，单位：kpa），外部风速（t12，单位：km/h），以如下向量形式表示：x=[t1, t2, t3,…, t11, t12]。
11、优选的，所述步骤（e）中用于构建模式匹配数据库与步骤（f）中用于训练人工智能模型的历史样本数据库相同，且均通过实际采集数据构建，其中，实际采集的数据为某个时刻下关键特征量测数据x i,k以及酒店实际负荷数据 p i,k，采样时间间隔为1小时，连续采集一天为一个完整样本数据 s i。
12、；其中， s i表示第 i个样本数据，x i,k表示第 i个样本在 k时刻的关键特征量测数据向量，包括12类量测信息， p i,k表示第 i个样本在 k时刻的酒店实际负荷数据。
13、优选的，所述步骤（b）中酒店负荷模式匹配数据库的构建方法如下：
14、步骤（b1）、采用shapelet方法对历史样本数据库中酒店的 n个日负荷曲线进行聚类，获得 m个典型类；
15、步骤（b2）、对同一聚类中的酒店日负荷曲线计算平均值，获得该聚类下酒店日负荷典型曲线，则第 i个典型类下的日负荷典型曲线为：；其中，为典型类的日负荷典型曲线， a为典型类包含的日负荷曲线数量；表示典型类中所有负荷曲线的和；表示典型类中第 s个样本数据；
16、第 i个典型类下的酒店日关键特征数据典型曲线也以步骤（b2）中平均值方式计算获得，计算方法为：；其中，为样本库中第 s s个样本对应的关键特征数据矩阵， t i,j表示该样本下第 i个关键特征在 j时刻的数值；表示典型类的酒店日关键特征数据典型曲线组成的矩阵；
17、步骤（b3）、将不同聚类下酒店日关键特征数据典型曲线与酒店日负荷典型曲线组合，形成用于酒店负荷预测的酒店负荷模式匹配数据库；；其中，表示由不同典型类中酒店日关键特征数据典型曲线与酒店日负荷典型曲线共同组成的酒店负荷模式匹配数据库。
18、优选的，所述步骤（e）中基于模式匹配数据库的酒店负荷预测方法如下：
19、步骤（e1）、基于天气预报信息与酒店运行计划信息，获得酒店未来一天各时刻的关键特征预报数据；
20、步骤（e2）、以预报的关键特征数据曲线与模式匹配数据库中存储的关键特征数据典型曲线族进行比对，获得距离向量 d本文档来自技高网...
【技术保护点】
1.一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤（D）中的关键特征预报数据包括如下可量测信息：冷水盘管阀门开度值t1，室内湿度设定值t2，室内温度设定值t3，冷水盘管进水温度t4，回风机气体流量设定值t5，外部空气湿度t6，外部空气温度t7，外部二氧化碳浓度t8，红外辐射强度t9，太阳辐射强度t10，大气压力t11，外部风速t12，以如下向量形式表示：。
3.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤（E）中用于构建模式匹配数据库与步骤（F）中用于训练人工智能模型的历史样本数据库相同，且均通过实际采集数据构建，其中，实际采集的数据为某个时刻下关键特征量测数据以及酒店实际负荷数据，采样时间间隔为1小时，连续采集一天为一个完整样本数据；；其中，Si表示第i个样本数据，xi,k表示第i个样本在k时刻的关键特征量测数据向量，包括12类量测信息，Pi,k表示第
4.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤（B）中酒店负荷模式匹配数据库的构建方法如下：
5.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤（E）中基于模式匹配数据库的酒店负荷预测方法如下：
6.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤（C）中酒店负荷人工智能预测模型的构建方法如下：
7.根据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤（F）中基于人工智能模型的酒店负荷预测方法如下：
8.据权利要求1所述的一种基于Shapelet-XGboost的酒店负荷综合预测方法，其特征在于：步骤（G）中酒店负荷预测结果LC_1和LC_2的权重系数w1和w2，通过如下方法确定：
...【技术特征摘要】
1.一种基于shapelet-xgboost的酒店负荷综合预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于shapelet-xgboost的酒店负荷综合预测方法，其特征在于：步骤（d）中的关键特征预报数据包括如下可量测信息：冷水盘管阀门开度值t1，室内湿度设定值t2，室内温度设定值t3，冷水盘管进水温度t4，回风机气体流量设定值t5，外部空气湿度t6，外部空气温度t7，外部二氧化碳浓度t8，红外辐射强度t9，太阳辐射强度t10，大气压力t11，外部风速t12，以如下向量形式表示：。
3.根据权利要求1所述的一种基于shapelet-xgboost的酒店负荷综合预测方法，其特征在于：步骤（e）中用于构建模式匹配数据库与步骤（f）中用于训练人工智能模型的历史样本数据库相同，且均通过实际采集数据构建，其中，实际采集的数据为某个时刻下关键特征量测数据以及酒店实际负荷数据，采样时间间隔为1小时，连续采集一天为一个完整样本数据；；其中，si表示第i个样本数据，xi,k表示第i个样本在k时刻的关键特征...
【专利技术属性】
技术研发人员：刘刚，陈又丰，姜华，张绚，
申请(专利权)人：江苏米特物联网科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。