简介这是一份针对区域综合能源系统多元负荷短期预测的学术论文PDF聚焦冷、热、电负荷的耦合预测问题适合能源电力方向的研究生、科研人员以及从事负荷预测与数据建模的技术人员。论文提出GRA-LSTM组合模型利用灰色关联度分析定量评估多元负荷之间及与气象因素的关联再通过长短期记忆神经网络捕捉时序特征实现短期预测同时基于DeST软件搭建某写字楼模型动态模拟全年逐时冷、热、电负荷并完成算例验证与精度评估呈现了完整的实验设计思路。资源包共1个PDF文件约1.52MB已有417人学习。读者可从中获取负荷耦合性分析、网络构建、仿真实验及结果分析等关键细节用于复现实验或延伸研究。这对区域综合能源系统运行优化与多元负荷预测研究具有直接参考价值。1. 多元负荷短期预测强耦合才是精度的分水岭区域综合能源系统里冷、热、电三类负荷从来不是彼此独立的三条曲线。同一个写字楼里夏季空调压缩机抬升电负荷同时直接决定冷负荷冬季热泵与电采暖让热负荷和电负荷共享同一股功率波动。如果按传统电力负荷预测的思路对三类负荷各建一个模型、各训一套参数等于主动丢掉了负荷之间的耦合信息精度上限在起步时就被锁死了。GRA-LSTM 这个方案的核心动作有两个先用灰色关联度分析GRA量化冷、热、电负荷之间以及气象因素之间的耦合程度再把相关性显著的特征合并成统一输入交给长短期记忆LSTM网络做综合预测。从论文的对比结果看把冷电、热电捆绑建模的 GRA-LSTM 模型工作日与休息日平均相对误差普遍在 1.5%~1.8%而独立建模的 LSTM 停在 2%~3%Elman 网络更是掉到 5%~7%。适合谁读正在做综合能源系统调度、建筑负荷预测或者准备参加数学建模竞赛想找一套「特征筛选 时序网络」完整打法的工程师和学生。2. 先做相关性筛选GRA 灰色关联度分析的选型逻辑与计算实现2.1 为什么不用 Pearson 相关系数大多数人在做特征筛选时第一反应是算 Pearson 相关系数。这个方法在线性关系明显的数据集上表现不错但落到多元负荷预测上有两个硬伤一是冷、热、电负荷之间并非纯线性关系负荷受建筑热惯性、设备启停策略、人员作息等多重因素影响曲线形态更多呈现非线性耦合二是 Pearson 系数对样本量的要求偏高而在区域综合能源系统这类场景里逐时数据的质量参差不齐缺失段和异常段会显著拉低系数可信度。GRA 灰色关联度分析是另一种思路它不假设变量之间呈线性关系而是通过比较序列曲线的几何形状相似度来判断关联强弱。曲线越接近关联度越大。这种方法的优点有三个不需要大量样本就能得到稳定结果计算量小、运行速度快对数据分布没有先验假设。在多因素、非线性的负荷相关性分析场景下它比 Pearson 更贴合实际问题。2.2 关联系数与关联度的计算公式GRA 的核心是两步计算。第一步求关联系数第二步对关联系数求平均得到关联度。[ \xi_i(k) \frac{\min_i \min_k |x_0(k) - x_i(k)| \rho \max_i \max_k |x_0(k) - x_i(k)|}{|x_0(k) - x_i(k)| \rho \max_i \max_k |x_0(k) - x_i(k)|} ][ r_i \frac{1}{n}\sum_{k1}^{n} \xi_i(k) ]公式中 (x_0(k)) 是参考序列比如电负荷(x_i(k)) 是比较序列冷负荷、温度、太阳辐射量等(\rho) 是分辨系数通常取 0.5(n) 是序列长度。两级最小差和两级最大差刻画了所有比较序列相对参考序列的偏离范围关联系数则落在 [0,1] 区间内越接近 1 说明该时刻两序列的几何形态越接近。最后对所有时刻取平均得到整个序列的关联度 (r_i)。原文针对北方地区气候特点用 DeST-C 软件建立了某写字楼建筑模型模拟全年逐时冷、热、电负荷再按季节切分做相关性分析。夏季6—8月分析冷负荷与电负荷、各气象因素的关联冬季12月—次年2月分析热负荷与电负荷、各气象因素的关联。表 1 是夏季分析结果表 2 是冬季分析结果。夏季影响因素电负荷关联度冷负荷关联度电负荷1.000.86冷负荷0.861.00温度0.800.81太阳辐射量0.650.66空气湿度0.190.21冬季影响因素电负荷关联度热负荷关联度电负荷1.000.61热负荷0.611.00温度0.820.79太阳辐射量0.640.68空气湿度0.230.22两张表的结论很明确电负荷与冷、热负荷的关联度明显高于与气象因素的关联度说明负荷之间的耦合性比外部气象驱动更强气象因素中温度贡献最大太阳辐射量次之空气湿度最弱。夏季冷负荷与电负荷关联度达到 0.86高于冬季热负荷与电负荷的 0.61这符合实际运行逻辑——夏季电负荷增量主要来自空调压缩机而空调制冷功率正是冷负荷的直接来源两者同源同涨。2.3 GRA 计算的 Python 实现在实际工程里GRA 完全可以脱离 MATLAB 用纯 Python 实现几十行代码就能跑完整个相关性分析。下面这段代码实现了完整的灰色关联度计算流程输入是多列特征矩阵输出每个特征相对于参考列的关联度。import numpy as np def grey_relational_analysis(reference, features, rho0.5): 灰色关联度分析 :param reference: 参考序列1D array例如电负荷 :param features: 比较序列矩阵2D array每一列是一个影响因素 :param rho: 分辨系数默认 0.5 :return: 每个特征列的关联度 # 1. 均值化处理消除量纲影响 ref_norm reference / np.mean(reference) feat_norm features / np.mean(features, axis0) # 2. 计算绝对差值矩阵 diff np.abs(feat_norm - ref_norm.reshape(-1, 1)) # 3. 求两级最小差和两级最大差 min_diff np.min(diff) max_diff np.max(diff) # 4. 计算关联系数 coef (min_diff rho * max_diff) / (diff rho * max_diff) # 5. 对时间维求平均得到关联度 degree np.mean(coef, axis0) return degree # 示例构造模拟数据3个特征列 # 电负荷作为参考序列冷负荷、温度、湿度作为比较序列 electric_load np.array([120, 135, 142, 158, 170, 165, 150, 132]) cold_load np.array([80, 95, 105, 120, 132, 128, 112, 90]) temperature np.array([26, 28, 30, 33, 35, 34, 31, 27]) humidity np.array([45, 48, 52, 55, 58, 56, 50, 46]) features np.column_stack([cold_load, temperature, humidity]) degrees grey_relational_analysis(electric_load, features) for i, name in enumerate([cold_load, temperature, humidity]): print(f{name}: {degrees[i]:.4f})代码逻辑分四步先对参考序列和所有比较序列做均值化归一消除负荷幅值和气象数值量纲差异再逐时刻求差形成差值矩阵然后代入公式求两级最小差、两级最大差从而算出每个时刻的关联系数最后对所有时刻取平均。输出结果是每个特征列相对于参考序列的关联度数值越大代表与参考序列曲线形态越接近。提示运行前检查序列中是否有零值或缺失值均值化会把零值放大为 0导致差值矩阵畸变。实际项目里建议先用线性插值补齐缺失点再做 GRA。3. LSTM 网络结构与多元负荷输入向量设计3.1 从循环神经网络到 LSTM梯度消失问题的解法循环神经网络RNN在处理时间序列时有一个关键设计隐藏层状态沿着时间轴单向传递当前时刻的输出依赖前面所有时刻的隐含状态从而保留了时间维度信息。但 RNN 的隐患也在这里——随着时间间隔拉长误差信号在反向传播过程中按矩阵连乘的方式逐层衰减权重更新趋近于零这就是经典的梯度消失问题。负荷预测这种按小时采样的任务前一天同一时刻的负荷对当前时刻往往有强参考价值间隔 24 步的依赖关系恰好踩在 RNN 的短板上。LSTM 在 RNN 的基础上重新设计了记忆单元核心是三个门控遗忘门、输入门、输出门外加一条记忆细胞通道。遗忘门决定上一时刻的细胞状态有多少要丢弃[ f_t \sigma(W_f \cdot [h_{t-1}, x_t] b_f) ]输入门决定新信息有多少写入记忆细胞同时通过 tanh 层生成候选状态[ i_t \sigma(W_i \cdot [h_{t-1}, x_t] b_i) ][ \tilde{C}t \tanh(W_c \cdot [h{t-1}, x_t] b_c) ]当前时刻细胞状态由遗忘门过滤后的旧状态和输入门过滤后的候选状态相加得到[ C_t f_t \cdot C_{t-1} i_t \cdot \tilde{C}_t ]输出门决定当前细胞状态有多少暴露给隐藏层输出[ o_t \sigma(W_o \cdot [h_{t-1}, x_t] b_o) ][ h_t o_t \cdot \tanh(C_t) ]这套门控机制让梯度在记忆细胞通道上可以几乎无损地跨时刻传递从而捕捉间隔 24 小时以上的周期性规律。对区域综合能源系统来说冷、热、电负荷受建筑热惯性和设备循环启停影响前一天甚至前三天的同时刻负荷都对当前时刻有显著参考价值LSTM 的记忆特性正好匹配这种需求。3.2 输入矩阵的构造方式多元负荷预测和单负荷预测在输入构造上有个本质区别单负荷模型只输入历史负荷序列而多元模型必须把相关性分析结果映射成具体的特征列。原文按照 GRA 分析结论将温度、太阳辐射量、空气湿度与冷、热、电负荷历史数据共同构成输入样本集。具体到预测 d 日 k 时刻的负荷输入由三部分特征组成特征分组具体内容维度历史负荷d-1、d-2、d-3 日同时刻的冷、热、电负荷3×39气象因素d 日 k-1、k、k1 时刻的温度、太阳辐射、空气湿度的最大值、最小值、平均值3×3×327日类型工作日/休息日量化值 Kd工作日取 1休息日取 01合计 37 维输入。气象因素取当前时刻前后各一小时的最大、最小、平均三个统计量是为了把短时波动特征纳入模型视野避免只用单点值造成信息丢失这一点在原文的公式 (11)-(13) 中有明确体现。3.3 Keras 下搭建 GRA-LSTM 预测网络原文没有公开网络的层数和神经元数量实际复现时我用两层 LSTM 加一层全连接输出的结构经验上在小时级负荷数据上有较好的表现。完整搭建代码如下import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.optimizers import Adam def build_lstm_model(input_dim37, hidden_units128): 构建GRA-LSTM多元负荷预测模型 :param input_dim: 输入特征维度 :param hidden_units: LSTM隐藏层神经元数量 model Sequential([ # 第一层LSTM返回完整序列给下一层 LSTM(hidden_units, return_sequencesTrue, input_shape(None, input_dim)), Dropout(0.2), # 第二层LSTM只返回最后一个时刻的输出 LSTM(hidden_units // 2), Dropout(0.2), # 全连接输出层输出维度负荷种类数 Dense(3, activationlinear) ]) model.compile( optimizerAdam(learning_rate0.001), lossmse, metrics[mae] ) return model model build_lstm_model() model.summary()关键参数说明第一层 LSTM 设置return_sequencesTrue是为了让第二层 LSTM 收到完整的时间步序列None作为时间步维度意味着模型可以接受任意长度的时间窗口便于调整历史回看步数输出层神经元数设为 3对应冷、热、电三个负荷的预测值。损失函数用均方误差 MSE因为负荷预测本质是回归任务。Dropout 设为 0.2 用于抑制过拟合在样本量只有几千条的小数据集上尤其有效。4. 训练配置与三组对比实验的复现思路4.1 数据集划分与输入样本集构造原文选取了某写字楼全年模拟负荷数据按季节切分训练集夏季预测用 7 月 2 日至 8 月 1 日的冷、电负荷作为训练样本预测对象是 8 月 2 日工作日和 8 月 3 日休息日冬季预测用 1 月 2 日至 1 月 24 日的热电负荷训练预测 1 月 25 日和 1 月 26 日。数据按每天 24 个点记录每小时一个采样点。这种切分包含了两个关键设计一是训练集只取预测日前一个月的数据避免跨季节样本干扰模型对当前季节模式的拟合二是同时保留工作日和休息日两个典型日进行验证因为日类型对负荷曲线形态有决定性影响仅测工作日无法证明模型的泛化能力。4.2 模型的收敛性验证方法在正式预测前先分析模型损失函数曲线的收敛行为。原文图 6 显示误差在迭代 50 次后趋于稳定且不再波动这是判断 LSTM 模型是否合理的重要依据。如果损失曲线持续震荡或长期不下降说明学习率过大或网络结构不稳定需要返回调整超参数。复现时我一般记录每轮训练集和验证集的 loss当两个曲线都进入平台期且差距不大时判定收敛。4.3 三组对比实验的设计逻辑原文做了三组模型对比这个对比设计值得在复现时原样保留模型建模方式输入特征模型1LSTM 独立预测仅对应负荷的历史数据模型2GRA-LSTM 综合预测历史负荷 气象因素 日类型模型3Elman 神经网络综合预测与模型2相同的输入模型 1 和模型 2 的对比用于验证「耦合建模是否有效」——模型 2 把冷、热、电负荷作为关联特征一起输入模型 1 则对每个负荷单独建模模型 2 和模型 3 的对比用于验证「LSTM 是否优于传统循环网络」。三组对比正好构成两个维度的消融实验特征工程维度和网络结构维度。误差指标用平均相对误差 MAPE 和最大相对误差计算公式如下def mean_absolute_percentage_error(y_true, y_pred): 平均绝对百分误差 MAPE y_true np.array(y_true) y_pred np.array(y_pred) # 避免除零加入极小值 return np.mean(np.abs((y_true - y_pred) / (y_true 1e-8))) * 100 # 示例夏季工作日电负荷预测 true_load [152.3, 148.7, 145.2, 143.8, 146.9] # 实际负荷 pred_load [154.1, 150.2, 143.9, 146.5, 148.8] # 模型预测 mape mean_absolute_percentage_error(true_load, pred_load) print(fMAPE: {mape:.2f}%)这里对每个时刻的真实值和预测值做相对误差然后取平均。MAPE 是负荷预测领域最常用的指标因为它的数值直接对应工程上关心的「平均偏差百分之几」。注意公式中加了极小值1e-8防止真实负荷为零时除零报错实际电力负荷很少为零但夜间低谷时段可能出现个位数级的低值这个保护仍然有必要。4.4 预测误差结果分析原文的三组模型冷、热、电负荷预测误差对比如下负荷类型模型2GRA-LSTM模型1LSTM独立模型3Elman夏季电负荷工作日1.54%2.49%5.25%夏季电负荷休息日1.63%2.56%7.14%夏季冷负荷工作日1.72%2.27%6.01%夏季冷负荷休息日1.81%2.45%7.31%冬季电负荷工作日1.52%1.99%6.22%冬季电负荷休息日1.61%2.17%7.17%冬季热负荷工作日1.69%2.77%7.17%冬季热负荷休息日1.79%3.02%7.21%两组对比的结论都很鲜明模型 2 相比模型 1误差平均下降约 0.7~1.2 个百分点说明耦合建模确实把冷、热、电负荷之间的相关性转化成了预测精度模型 3 的误差整体在 5%~7%远高于两个 LSTM 变体说明 Elman 这类结构在捕捉小时级负荷的长周期依赖时能力有限LSTM 的门控机制优势明显。完整训练流程的代码骨架如下# 构造滑窗样本 def create_sequences(features, target, lookback24, ahead1): X, y [], [] for i in range(lookback, len(features) - ahead 1): X.append(features[i - lookback:i]) y.append(target[i ahead - 1]) return np.array(X), np.array(y) # 训练过程 X_train, y_train create_sequences(train_features, train_load) model build_lstm_model(input_dimtrain_features.shape[1]) history model.fit( X_train, y_train, epochs150, batch_size72, validation_split0.2, verbose1 ) # 预测 pred model.predict(X_test)lookback24表示用过去 24 小时的数据预测下个小时的负荷ahead1表示单步预测。batch_size 取 72 是 24 的三倍这样每个 batch 恰好覆盖三个整天的数据有利于模型学习日周期模式。epochs 设为 150配合早停机制可以防止过拟合——当验证集 loss 连续 10 个 epoch 不下降时停止训练保存最优权重。提示训练前务必对所有特征做归一化处理。原文提到数据要归一化后构建输入样本集实际复现时经验做法是对每个特征列分别做 MinMaxScaler范围映射到 [0,1]。注意要用训练集的 min/max 去变换验证集和测试集避免信息泄漏。5. 把 GRA-LSTM 工程化的几个可复用小技巧5.1 多步滚动预测的滑窗处理原文预测的是单时刻单点负荷工程上往往需要预测未来 24 小时的完整曲线。常见做法是滚动预测把 t 时刻预测值作为 t1 时刻的输入特征逐步滚动到未来 24 小时。但这样做会累积误差预测步长越远偏差越大。我一般用两种手段缓解一是限制滚动深度每次只滚动 6~8 小时然后用实测数据重新校准输入窗口二是在训练阶段就把多步预测纳入损失函数让模型直接输出未来 24 小时的全部预测值而不是只输出一步再滚动。后者训练时间更长但长时预测精度明显更稳。5.2 季节性滑动窗口的切分策略GRA 的结果已经说明夏季冷负荷与电负荷强耦合、冬季热负荷与电负荷强耦合且不同季节对气象因素的敏感度不同。训练时如果把全年数据混在一起训练模型在一年的不同时段被迫拟合不同的耦合模式精度必然互相拖累。复现原文时可以直接照搬它的方案夏季预测只取 6—8 月数据冬季预测只取 12 月至次年 2 月数据其他月份单独建窗。如果数据覆盖多年还可以叠加「近日偏好」——在季节窗口内给最近 14 天的样本分配更高的权重让模型更关注负荷近期变化趋势。5.3 用特征扰动实验验证模型学到了真实的耦合关系模型 2 比模型 1 精度高能证明耦合建模有效但无法证明模型「理解」了耦合机制。一个实用的验证方法是对输入特征做扰动测试把冷负荷输入列整体平移若干小时或者把温度序列的数值全部替换为上一年的同期数据观察电负荷预测输出的变化幅度。如果冷负荷被破坏后面电负荷预测误差明显上升说明模型确实在利用负荷间耦合关系做推断而不是单纯记忆历史曲线如果输出几乎不变说明模型退化为单负荷模型LSTM 没有真正学到交叉特征。这个测试在论文里没有提到但我在实际项目中验证过很多次做法简单且能直接暴露特征工程的问题。扰动幅度建议取原始序列标准差的 1~2 倍过小看不出差异过大会让模型输出直接崩溃失去参考意义。本文还有配套的精品资源点击获取 GRA-LSTM在综合能源系统多元负荷预测中的应用与实现
简介这是一份针对区域综合能源系统多元负荷短期预测的学术论文PDF聚焦冷、热、电负荷的耦合预测问题适合能源电力方向的研究生、科研人员以及从事负荷预测与数据建模的技术人员。论文提出GRA-LSTM组合模型利用灰色关联度分析定量评估多元负荷之间及与气象因素的关联再通过长短期记忆神经网络捕捉时序特征实现短期预测同时基于DeST软件搭建某写字楼模型动态模拟全年逐时冷、热、电负荷并完成算例验证与精度评估呈现了完整的实验设计思路。资源包共1个PDF文件约1.52MB已有417人学习。读者可从中获取负荷耦合性分析、网络构建、仿真实验及结果分析等关键细节用于复现实验或延伸研究。这对区域综合能源系统运行优化与多元负荷预测研究具有直接参考价值。1. 多元负荷短期预测强耦合才是精度的分水岭区域综合能源系统里冷、热、电三类负荷从来不是彼此独立的三条曲线。同一个写字楼里夏季空调压缩机抬升电负荷同时直接决定冷负荷冬季热泵与电采暖让热负荷和电负荷共享同一股功率波动。如果按传统电力负荷预测的思路对三类负荷各建一个模型、各训一套参数等于主动丢掉了负荷之间的耦合信息精度上限在起步时就被锁死了。GRA-LSTM 这个方案的核心动作有两个先用灰色关联度分析GRA量化冷、热、电负荷之间以及气象因素之间的耦合程度再把相关性显著的特征合并成统一输入交给长短期记忆LSTM网络做综合预测。从论文的对比结果看把冷电、热电捆绑建模的 GRA-LSTM 模型工作日与休息日平均相对误差普遍在 1.5%~1.8%而独立建模的 LSTM 停在 2%~3%Elman 网络更是掉到 5%~7%。适合谁读正在做综合能源系统调度、建筑负荷预测或者准备参加数学建模竞赛想找一套「特征筛选 时序网络」完整打法的工程师和学生。2. 先做相关性筛选GRA 灰色关联度分析的选型逻辑与计算实现2.1 为什么不用 Pearson 相关系数大多数人在做特征筛选时第一反应是算 Pearson 相关系数。这个方法在线性关系明显的数据集上表现不错但落到多元负荷预测上有两个硬伤一是冷、热、电负荷之间并非纯线性关系负荷受建筑热惯性、设备启停策略、人员作息等多重因素影响曲线形态更多呈现非线性耦合二是 Pearson 系数对样本量的要求偏高而在区域综合能源系统这类场景里逐时数据的质量参差不齐缺失段和异常段会显著拉低系数可信度。GRA 灰色关联度分析是另一种思路它不假设变量之间呈线性关系而是通过比较序列曲线的几何形状相似度来判断关联强弱。曲线越接近关联度越大。这种方法的优点有三个不需要大量样本就能得到稳定结果计算量小、运行速度快对数据分布没有先验假设。在多因素、非线性的负荷相关性分析场景下它比 Pearson 更贴合实际问题。2.2 关联系数与关联度的计算公式GRA 的核心是两步计算。第一步求关联系数第二步对关联系数求平均得到关联度。[ \xi_i(k) \frac{\min_i \min_k |x_0(k) - x_i(k)| \rho \max_i \max_k |x_0(k) - x_i(k)|}{|x_0(k) - x_i(k)| \rho \max_i \max_k |x_0(k) - x_i(k)|} ][ r_i \frac{1}{n}\sum_{k1}^{n} \xi_i(k) ]公式中 (x_0(k)) 是参考序列比如电负荷(x_i(k)) 是比较序列冷负荷、温度、太阳辐射量等(\rho) 是分辨系数通常取 0.5(n) 是序列长度。两级最小差和两级最大差刻画了所有比较序列相对参考序列的偏离范围关联系数则落在 [0,1] 区间内越接近 1 说明该时刻两序列的几何形态越接近。最后对所有时刻取平均得到整个序列的关联度 (r_i)。原文针对北方地区气候特点用 DeST-C 软件建立了某写字楼建筑模型模拟全年逐时冷、热、电负荷再按季节切分做相关性分析。夏季6—8月分析冷负荷与电负荷、各气象因素的关联冬季12月—次年2月分析热负荷与电负荷、各气象因素的关联。表 1 是夏季分析结果表 2 是冬季分析结果。夏季影响因素电负荷关联度冷负荷关联度电负荷1.000.86冷负荷0.861.00温度0.800.81太阳辐射量0.650.66空气湿度0.190.21冬季影响因素电负荷关联度热负荷关联度电负荷1.000.61热负荷0.611.00温度0.820.79太阳辐射量0.640.68空气湿度0.230.22两张表的结论很明确电负荷与冷、热负荷的关联度明显高于与气象因素的关联度说明负荷之间的耦合性比外部气象驱动更强气象因素中温度贡献最大太阳辐射量次之空气湿度最弱。夏季冷负荷与电负荷关联度达到 0.86高于冬季热负荷与电负荷的 0.61这符合实际运行逻辑——夏季电负荷增量主要来自空调压缩机而空调制冷功率正是冷负荷的直接来源两者同源同涨。2.3 GRA 计算的 Python 实现在实际工程里GRA 完全可以脱离 MATLAB 用纯 Python 实现几十行代码就能跑完整个相关性分析。下面这段代码实现了完整的灰色关联度计算流程输入是多列特征矩阵输出每个特征相对于参考列的关联度。import numpy as np def grey_relational_analysis(reference, features, rho0.5): 灰色关联度分析 :param reference: 参考序列1D array例如电负荷 :param features: 比较序列矩阵2D array每一列是一个影响因素 :param rho: 分辨系数默认 0.5 :return: 每个特征列的关联度 # 1. 均值化处理消除量纲影响 ref_norm reference / np.mean(reference) feat_norm features / np.mean(features, axis0) # 2. 计算绝对差值矩阵 diff np.abs(feat_norm - ref_norm.reshape(-1, 1)) # 3. 求两级最小差和两级最大差 min_diff np.min(diff) max_diff np.max(diff) # 4. 计算关联系数 coef (min_diff rho * max_diff) / (diff rho * max_diff) # 5. 对时间维求平均得到关联度 degree np.mean(coef, axis0) return degree # 示例构造模拟数据3个特征列 # 电负荷作为参考序列冷负荷、温度、湿度作为比较序列 electric_load np.array([120, 135, 142, 158, 170, 165, 150, 132]) cold_load np.array([80, 95, 105, 120, 132, 128, 112, 90]) temperature np.array([26, 28, 30, 33, 35, 34, 31, 27]) humidity np.array([45, 48, 52, 55, 58, 56, 50, 46]) features np.column_stack([cold_load, temperature, humidity]) degrees grey_relational_analysis(electric_load, features) for i, name in enumerate([cold_load, temperature, humidity]): print(f{name}: {degrees[i]:.4f})代码逻辑分四步先对参考序列和所有比较序列做均值化归一消除负荷幅值和气象数值量纲差异再逐时刻求差形成差值矩阵然后代入公式求两级最小差、两级最大差从而算出每个时刻的关联系数最后对所有时刻取平均。输出结果是每个特征列相对于参考序列的关联度数值越大代表与参考序列曲线形态越接近。提示运行前检查序列中是否有零值或缺失值均值化会把零值放大为 0导致差值矩阵畸变。实际项目里建议先用线性插值补齐缺失点再做 GRA。3. LSTM 网络结构与多元负荷输入向量设计3.1 从循环神经网络到 LSTM梯度消失问题的解法循环神经网络RNN在处理时间序列时有一个关键设计隐藏层状态沿着时间轴单向传递当前时刻的输出依赖前面所有时刻的隐含状态从而保留了时间维度信息。但 RNN 的隐患也在这里——随着时间间隔拉长误差信号在反向传播过程中按矩阵连乘的方式逐层衰减权重更新趋近于零这就是经典的梯度消失问题。负荷预测这种按小时采样的任务前一天同一时刻的负荷对当前时刻往往有强参考价值间隔 24 步的依赖关系恰好踩在 RNN 的短板上。LSTM 在 RNN 的基础上重新设计了记忆单元核心是三个门控遗忘门、输入门、输出门外加一条记忆细胞通道。遗忘门决定上一时刻的细胞状态有多少要丢弃[ f_t \sigma(W_f \cdot [h_{t-1}, x_t] b_f) ]输入门决定新信息有多少写入记忆细胞同时通过 tanh 层生成候选状态[ i_t \sigma(W_i \cdot [h_{t-1}, x_t] b_i) ][ \tilde{C}t \tanh(W_c \cdot [h{t-1}, x_t] b_c) ]当前时刻细胞状态由遗忘门过滤后的旧状态和输入门过滤后的候选状态相加得到[ C_t f_t \cdot C_{t-1} i_t \cdot \tilde{C}_t ]输出门决定当前细胞状态有多少暴露给隐藏层输出[ o_t \sigma(W_o \cdot [h_{t-1}, x_t] b_o) ][ h_t o_t \cdot \tanh(C_t) ]这套门控机制让梯度在记忆细胞通道上可以几乎无损地跨时刻传递从而捕捉间隔 24 小时以上的周期性规律。对区域综合能源系统来说冷、热、电负荷受建筑热惯性和设备循环启停影响前一天甚至前三天的同时刻负荷都对当前时刻有显著参考价值LSTM 的记忆特性正好匹配这种需求。3.2 输入矩阵的构造方式多元负荷预测和单负荷预测在输入构造上有个本质区别单负荷模型只输入历史负荷序列而多元模型必须把相关性分析结果映射成具体的特征列。原文按照 GRA 分析结论将温度、太阳辐射量、空气湿度与冷、热、电负荷历史数据共同构成输入样本集。具体到预测 d 日 k 时刻的负荷输入由三部分特征组成特征分组具体内容维度历史负荷d-1、d-2、d-3 日同时刻的冷、热、电负荷3×39气象因素d 日 k-1、k、k1 时刻的温度、太阳辐射、空气湿度的最大值、最小值、平均值3×3×327日类型工作日/休息日量化值 Kd工作日取 1休息日取 01合计 37 维输入。气象因素取当前时刻前后各一小时的最大、最小、平均三个统计量是为了把短时波动特征纳入模型视野避免只用单点值造成信息丢失这一点在原文的公式 (11)-(13) 中有明确体现。3.3 Keras 下搭建 GRA-LSTM 预测网络原文没有公开网络的层数和神经元数量实际复现时我用两层 LSTM 加一层全连接输出的结构经验上在小时级负荷数据上有较好的表现。完整搭建代码如下import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.optimizers import Adam def build_lstm_model(input_dim37, hidden_units128): 构建GRA-LSTM多元负荷预测模型 :param input_dim: 输入特征维度 :param hidden_units: LSTM隐藏层神经元数量 model Sequential([ # 第一层LSTM返回完整序列给下一层 LSTM(hidden_units, return_sequencesTrue, input_shape(None, input_dim)), Dropout(0.2), # 第二层LSTM只返回最后一个时刻的输出 LSTM(hidden_units // 2), Dropout(0.2), # 全连接输出层输出维度负荷种类数 Dense(3, activationlinear) ]) model.compile( optimizerAdam(learning_rate0.001), lossmse, metrics[mae] ) return model model build_lstm_model() model.summary()关键参数说明第一层 LSTM 设置return_sequencesTrue是为了让第二层 LSTM 收到完整的时间步序列None作为时间步维度意味着模型可以接受任意长度的时间窗口便于调整历史回看步数输出层神经元数设为 3对应冷、热、电三个负荷的预测值。损失函数用均方误差 MSE因为负荷预测本质是回归任务。Dropout 设为 0.2 用于抑制过拟合在样本量只有几千条的小数据集上尤其有效。4. 训练配置与三组对比实验的复现思路4.1 数据集划分与输入样本集构造原文选取了某写字楼全年模拟负荷数据按季节切分训练集夏季预测用 7 月 2 日至 8 月 1 日的冷、电负荷作为训练样本预测对象是 8 月 2 日工作日和 8 月 3 日休息日冬季预测用 1 月 2 日至 1 月 24 日的热电负荷训练预测 1 月 25 日和 1 月 26 日。数据按每天 24 个点记录每小时一个采样点。这种切分包含了两个关键设计一是训练集只取预测日前一个月的数据避免跨季节样本干扰模型对当前季节模式的拟合二是同时保留工作日和休息日两个典型日进行验证因为日类型对负荷曲线形态有决定性影响仅测工作日无法证明模型的泛化能力。4.2 模型的收敛性验证方法在正式预测前先分析模型损失函数曲线的收敛行为。原文图 6 显示误差在迭代 50 次后趋于稳定且不再波动这是判断 LSTM 模型是否合理的重要依据。如果损失曲线持续震荡或长期不下降说明学习率过大或网络结构不稳定需要返回调整超参数。复现时我一般记录每轮训练集和验证集的 loss当两个曲线都进入平台期且差距不大时判定收敛。4.3 三组对比实验的设计逻辑原文做了三组模型对比这个对比设计值得在复现时原样保留模型建模方式输入特征模型1LSTM 独立预测仅对应负荷的历史数据模型2GRA-LSTM 综合预测历史负荷 气象因素 日类型模型3Elman 神经网络综合预测与模型2相同的输入模型 1 和模型 2 的对比用于验证「耦合建模是否有效」——模型 2 把冷、热、电负荷作为关联特征一起输入模型 1 则对每个负荷单独建模模型 2 和模型 3 的对比用于验证「LSTM 是否优于传统循环网络」。三组对比正好构成两个维度的消融实验特征工程维度和网络结构维度。误差指标用平均相对误差 MAPE 和最大相对误差计算公式如下def mean_absolute_percentage_error(y_true, y_pred): 平均绝对百分误差 MAPE y_true np.array(y_true) y_pred np.array(y_pred) # 避免除零加入极小值 return np.mean(np.abs((y_true - y_pred) / (y_true 1e-8))) * 100 # 示例夏季工作日电负荷预测 true_load [152.3, 148.7, 145.2, 143.8, 146.9] # 实际负荷 pred_load [154.1, 150.2, 143.9, 146.5, 148.8] # 模型预测 mape mean_absolute_percentage_error(true_load, pred_load) print(fMAPE: {mape:.2f}%)这里对每个时刻的真实值和预测值做相对误差然后取平均。MAPE 是负荷预测领域最常用的指标因为它的数值直接对应工程上关心的「平均偏差百分之几」。注意公式中加了极小值1e-8防止真实负荷为零时除零报错实际电力负荷很少为零但夜间低谷时段可能出现个位数级的低值这个保护仍然有必要。4.4 预测误差结果分析原文的三组模型冷、热、电负荷预测误差对比如下负荷类型模型2GRA-LSTM模型1LSTM独立模型3Elman夏季电负荷工作日1.54%2.49%5.25%夏季电负荷休息日1.63%2.56%7.14%夏季冷负荷工作日1.72%2.27%6.01%夏季冷负荷休息日1.81%2.45%7.31%冬季电负荷工作日1.52%1.99%6.22%冬季电负荷休息日1.61%2.17%7.17%冬季热负荷工作日1.69%2.77%7.17%冬季热负荷休息日1.79%3.02%7.21%两组对比的结论都很鲜明模型 2 相比模型 1误差平均下降约 0.7~1.2 个百分点说明耦合建模确实把冷、热、电负荷之间的相关性转化成了预测精度模型 3 的误差整体在 5%~7%远高于两个 LSTM 变体说明 Elman 这类结构在捕捉小时级负荷的长周期依赖时能力有限LSTM 的门控机制优势明显。完整训练流程的代码骨架如下# 构造滑窗样本 def create_sequences(features, target, lookback24, ahead1): X, y [], [] for i in range(lookback, len(features) - ahead 1): X.append(features[i - lookback:i]) y.append(target[i ahead - 1]) return np.array(X), np.array(y) # 训练过程 X_train, y_train create_sequences(train_features, train_load) model build_lstm_model(input_dimtrain_features.shape[1]) history model.fit( X_train, y_train, epochs150, batch_size72, validation_split0.2, verbose1 ) # 预测 pred model.predict(X_test)lookback24表示用过去 24 小时的数据预测下个小时的负荷ahead1表示单步预测。batch_size 取 72 是 24 的三倍这样每个 batch 恰好覆盖三个整天的数据有利于模型学习日周期模式。epochs 设为 150配合早停机制可以防止过拟合——当验证集 loss 连续 10 个 epoch 不下降时停止训练保存最优权重。提示训练前务必对所有特征做归一化处理。原文提到数据要归一化后构建输入样本集实际复现时经验做法是对每个特征列分别做 MinMaxScaler范围映射到 [0,1]。注意要用训练集的 min/max 去变换验证集和测试集避免信息泄漏。5. 把 GRA-LSTM 工程化的几个可复用小技巧5.1 多步滚动预测的滑窗处理原文预测的是单时刻单点负荷工程上往往需要预测未来 24 小时的完整曲线。常见做法是滚动预测把 t 时刻预测值作为 t1 时刻的输入特征逐步滚动到未来 24 小时。但这样做会累积误差预测步长越远偏差越大。我一般用两种手段缓解一是限制滚动深度每次只滚动 6~8 小时然后用实测数据重新校准输入窗口二是在训练阶段就把多步预测纳入损失函数让模型直接输出未来 24 小时的全部预测值而不是只输出一步再滚动。后者训练时间更长但长时预测精度明显更稳。5.2 季节性滑动窗口的切分策略GRA 的结果已经说明夏季冷负荷与电负荷强耦合、冬季热负荷与电负荷强耦合且不同季节对气象因素的敏感度不同。训练时如果把全年数据混在一起训练模型在一年的不同时段被迫拟合不同的耦合模式精度必然互相拖累。复现原文时可以直接照搬它的方案夏季预测只取 6—8 月数据冬季预测只取 12 月至次年 2 月数据其他月份单独建窗。如果数据覆盖多年还可以叠加「近日偏好」——在季节窗口内给最近 14 天的样本分配更高的权重让模型更关注负荷近期变化趋势。5.3 用特征扰动实验验证模型学到了真实的耦合关系模型 2 比模型 1 精度高能证明耦合建模有效但无法证明模型「理解」了耦合机制。一个实用的验证方法是对输入特征做扰动测试把冷负荷输入列整体平移若干小时或者把温度序列的数值全部替换为上一年的同期数据观察电负荷预测输出的变化幅度。如果冷负荷被破坏后面电负荷预测误差明显上升说明模型确实在利用负荷间耦合关系做推断而不是单纯记忆历史曲线如果输出几乎不变说明模型退化为单负荷模型LSTM 没有真正学到交叉特征。这个测试在论文里没有提到但我在实际项目中验证过很多次做法简单且能直接暴露特征工程的问题。扰动幅度建议取原始序列标准差的 1~2 倍过小看不出差异过大会让模型输出直接崩溃失去参考意义。本文还有配套的精品资源点击获取