【技术实现步骤摘要】
本公开涉及电力负荷预测，具体涉及基于领域知识约束的建筑用电负荷预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
2、建筑用电负荷预测是现代建筑能源管理系统中的关键环节，其准确性直接影响到建筑能耗的优化和节能效果。随着可再生能源渗透率的提高和建筑能源系统的去中心化、多能协同互补的发展趋势，对建筑用电负荷预测提出了更高的要求。传统的负荷预测方法主要依赖于经验模型和统计模型，这些方法虽然在一定程度上能够满足基本的预测需求，但其预测精度和泛化能力受限于历史数据和模型的质量。
3、近年来，随着大数据、人工智能等技术的快速发展，数据驱动的预测方法在建筑用电负荷预测领域得到了广泛应用。这些方法通过挖掘和分析大量历史数据，建立高精度的预测模型，能够显著提高用电负荷预测的准确性和稳定性。然而，纯粹的数据驱动方法往往缺乏对于建筑物理特性和运行机理的深入理解，导致在预测过程中可能出现偏差，特别是在特殊时段的条件下。具体地，现建筑用电负荷预测模型仍存在以下问题：
4、（1）建筑能源系统中的预测指标没有基于实际物理解析模型和领域知识构建，导致预测参数性能不佳，模型准确性低，预测结果偏差较大，常出现不符合常识的情况。
5、（2）在面对复杂的数据模型时，传统的算法拟合复杂函数所需参数量多，增加了模型训练的计算成本，容易导致过拟合现象，且在处理时序问题上泛化能力不足。
技术实现思路
1、本公开为了解决上述问题，
2、根据一些实施例，本公开采用如下技术方案：
3、基于领域知识约束的建筑用电负荷预测方法，包括：
4、获取原始建筑用电负荷数据；
5、利用自适应k近邻算法寻找原始建筑用电负荷数据中的异常数据，并将异常数据剔除；
6、构建领域知识物理约束，基于领域知识物理约束构建损失计算函数，基于损失计算函数对周期的kan网络和lstm单元相结合的预测集成模型的参数进行优化，得到优化后的预测集成模型；
7、将剔除异常数据后的原始建筑用电负荷数据输入优化后的预测集成模型中，先通过kan网络中的每个函数矩阵进行复合运算，将复合运算后的输出输入至lstm单元，获取有效的时序特征，最终使用线性层预测输出，对预测输出进行修剪，最终得到次日每小时的建筑能耗预测结果。
8、根据一些实施例，本公开采用如下技术方案：
9、基于领域知识约束的建筑用电负荷预测系统，包括：
10、数据获取模块，用于获取原始建筑用电负荷数据；
11、数据过滤模块，用于利用自适应k近邻算法寻找原始建筑用电负荷数据中的异常数据，并将异常数据剔除；
12、物理约束损失计算模块，用于构建领域知识物理约束，基于领域知识物理约束构建损失计算函数；
13、模型构建模块，用于基于损失计算函数对周期的kan网络和lstm单元相结合的预测集成模型的参数进行优化，得到优化后的预测集成模型；
14、预测模块，用于将剔除异常数据后的原始建筑用电负荷数据输入优化后的预测集成模型中，先通过kan网络中的每个函数矩阵进行复合运算，将复合运算后的输出输入至lstm单元，获取有效的时序特征，最终使用线性层预测输出；
15、输出修剪模块，用于对预测输出进行修剪，最终得到次日每小时的建筑能耗预测结果。
16、根据一些实施例，本公开采用如下技术方案：
17、一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述的基于领域知识约束的建筑用电负荷预测方法。
18、根据一些实施例，本公开采用如下技术方案：
19、一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的基于领域知识约束的建筑用电负荷预测方法。
20、根据一些实施例，本公开采用如下技术方案：
21、一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的基于领域知识约束的建筑用电负荷预测方法。
22、与现有技术相比，本公开的有益效果为：
23、本公开的基于领域知识约束的建筑用电负荷预测方法，构建领域知识物理约束，基于领域知识物理约束构建损失计算函数，基于损失计算函数对周期的kan网络和lstm单元相结合的预测集成模型的参数进行优化，通过领域知识的嵌入，防止了明显不同于实际物理值的预测值的出现，提升了预测结果合理性，有助于改善预测精度。
24、本公开的基于领域知识约束的建筑用电负荷预测方法，构建周期的kan网络和lstm单元相结合的预测集成模型，提出的预测集成模型在时序依赖性和处理复杂数据模型方面具有显著优势，预测集成模型能够合理利用时序信息且大大减少了预测集成模型中的参数量的设置，能够在低计算资源下实现更好的预测性能。
本文档来自技高网...【技术保护点】
1.基于领域知识约束的建筑用电负荷预测方法，其特征在于，包括：
2.如权利要求1所述的基于领域知识约束的建筑用电负荷预测方法，其特征在于，获取原始建筑用电负荷数据，对原始建筑用电负荷数据添加时间标签，组成时间数据序列，计算时间数据序列中任意两个数据点和的距离，采用迭代查询的自适应K近邻值算法搜索查找异常M值，将大于异常阈值的数据作为异常M值，输出M值并剔除这M个异常数据点。
3.如权利要求1所述的基于领域知识约束的建筑用电负荷预测方法，其特征在于，构建领域知识物理约束，基于领域知识物理约束构建损失计算函数，包括：将每日的数据点拟合得到一天时间内的建筑用电负荷函数表达式，计算样本均值以及样本方差，基于样本均值和样本方差计算限制样本值的区域上限函数以及区域下限函数，基于区域上限函数以及区域下限函数构建损失计算函数。
4.如权利要求1所述的基于领域知识约束的建筑用电负荷预测方法，其特征在于，预测集成模型包括KAN网络和LSTM单元，构建KAN网络，将异常清洗后的用电负荷数据输入KAN网络后，先通过KAN网络中的每个函数矩阵进行复合运算，为：
<...【技术特征摘要】
1.基于领域知识约束的建筑用电负荷预测方法，其特征在于，包括：
2.如权利要求1所述的基于领域知识约束的建筑用电负荷预测方法，其特征在于，获取原始建筑用电负荷数据，对原始建筑用电负荷数据添加时间标签，组成时间数据序列，计算时间数据序列中任意两个数据点和的距离，采用迭代查询的自适应k近邻值算法搜索查找异常m值，将大于异常阈值的数据作为异常m值，输出m值并剔除这m个异常数据点。
3.如权利要求1所述的基于领域知识约束的建筑用电负荷预测方法，其特征在于，构建领域知识物理约束，基于领域知识物理约束构建损失计算函数，包括：将每日的数据点拟合得到一天时间内的建筑用电负荷函数表达式，计算样本均值以及样本方差，基于样本均值和样本方差计算限制样本值的区域上限函数以及区域下限函数，基于区域上限函数以及区域下限函数构建损失计算函数。
4.如权利要求1所述的基于领域知识约束的建筑用电负荷预测方法，其特征在于，预测集成模型包括kan网络和lstm单元，构建kan网络，将异常清洗后的用电负荷数据输入kan网络后，先通过kan网络中的每个函数矩阵进行复合运算，为：
5.如权利要求1所述的基于领域知识约束的建筑用电负荷预...
【专利技术属性】
技术研发人员：李成栋，李梓萌，田晨璐，彭伟，严毅，
申请(专利权)人：山东建筑大学，
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。