(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211083123.7 (22)申请日 2022.09.05 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 李光夏　周成　李佳桐　沈玉龙　 (74)专利代理 机构 西安嘉思特知识产权代理事 务所(普通 合伙) 6123 0 专利代理师 王丹 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) (54)发明名称 考虑误差自相关与局部性增强的热负荷预 测方法 (57)摘要 本发明公开了一种考虑误差自相关与局部 性增强的热负荷预测方法， 涉及机器学习处理技 术领域， 包括： 获取历史热负荷数据和环境数据； 历史热负荷数据和环境数据根据观测点时间正 序排布； 预处理历史热负荷数据和环境数据， 得 到数据样 本； 构建考虑误差自相关与局部性增强 的热负荷预测模 型； 预测模型包括误差自相关性 建模模块、 局部性增强模块和特征提取模块； 将 数据样本划分为训练集样本和测试集样本， 基于 训练集样 本优化预测模型， 得到优化好的预测模 型； 基于测试样本即评估优化好的预测模型， 并 不断再调整预测模型的训练超参数； 基于优化好 的预测模型， 对未来热负荷进行预测。 本申请实 现了对热负荷较为高效的预测。 权利要求书2页 说明书6页 附图1页 CN 115470981 A 2022.12.13 CN 115470981 A 1.一种考虑误差自相关与局部性增强的热负荷预测方法， 其特 征在于， 包括： 获取历史热负荷数据和环境数据； 其中， 所述环境数据包括室内温度、 室外温度和室外 风速； 所述历史热负荷数据和所述环境数据根据观测点时间正序排布； 预处理所述历史热负荷数据和所述环境数据， 得到数据样本； 其中， 所述预处理包括数 据标准化操作和滑窗操作； 构建考虑误差自相关与局部性增强的热负荷预测模型； 所述预测模型包括误差自相关 性建模模块、 局部性增强模块和特 征提取模块； 将所述数据样本划分为训练集样本和测试集样本， 基于所述训练集样本优化所述预测 模型， 得到优化好的所述预测模 型； 基于所述测试样本 即评估所述优化好的所述预测模型， 并不断再调整所述预测模型的训练超参数； 基于优化 好的所述预测模型， 对未来热负荷进行 预测。 2.根据权利要求1所述的考虑误差自相关与局部性增强的热负荷预测方法， 其特征在 于， 所述数据标准 化操作的过程包括： 采用数据标准化公式获取数据集的标准化值； 其中， 所述数据集为包括所述历史热负 荷和所述环境数据的N维连续向量 t为观测点， RN为N维空间向量； 所述数据标准化 公式为： 其中， μ为所述观测点t的数据的期望值， σ 为所述观测点t的数据的方差 。 3.根据权利要求2所述的考虑误差自相关与局部性增强的热负荷预测方法， 其特征在 于， 所述滑窗操作的过程包括： 使用固定大小的窗口划分经数据标准化操作后的数据 t0 为总的观测点， Xt0为数据值； 将本次观测点落入窗口内的数据的片段Xi‑W+1： i作为所述数据样本的特征； 其中， W为窗 口的长度， i 为本次观测点； 将下次观测点的数据Xi+1作为所述数据样本的标签； 窗口以固定步长在数据 上滑动， 直至数据 被完全划分。 4.根据权利要求1所述的考虑误差自相关与局部性增强的热负荷预测方法， 其特征在 于， 所述预测模型用于拟合 函数， 表达式为： Xi‑ρ Xi‑1＝f(Xi‑W‑1‑ρ Xi‑W,…,Xi‑1‑ρ Xi‑2； θ, ρ )； 其中， f为所述预测模型， θ为所述预测模型的权重参数， ρ 为相邻观测点的预测误差的 相关性系数， i 为本次观测点， W 为窗口的长度， Xt表示标准 化后本次观测点 i的数据值。 5.根据权利要求1所述的考虑误差自相关与局部性增强的热负荷预测方法， 其特征在 于， 还包括： 所述误差自相关性建模模块将相邻观测点的预测误差的相关性建模为一阶线性函数， 即ei＝ρ ei‑1+εi， 其中， ei为本次观测点i的预测误差， 满足ei＝Xi‑f(Xi‑W： i‑1； θ, ρ )， ρ 为相邻观 测点的预测误差的相关性系数， εi为相邻观测点的预测误差之间的无关部分。 6.根据权利要求1所述的考虑误差自相关与局部性增强的热负荷预测方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115470981 A 2于， 还包括： 基于所述数据集中的数据的片段， 所述局部性增强模块沿时间正序方向对数据的片段 进行逐点的1维卷积操作。 7.根据权利要求1所述的考虑误差自相关与局部性增强的热负荷预测方法， 其特征在 于， 所述基于所述训练集样本优化所述预测模型， 得到优化 好的所述预测模型的过程包括： 随机初始化所述预测模型的权重参数θ， 并将相邻观测点的预测误差的相关性系数ρ 置 零； 分别设置针对所述预测模型的权重参数θ和相邻观测点的预测误差的相关性系数ρ 的 参数优化器； 将所述训练样本集输入所述预测模型， 更新所述预测模型的权重参数θ和相邻观测点 的预测误差的相关性系数ρ 。权　利　要　求　书 2/2 页 3 CN 115470981 A 3