SA-GA-CNN-LSTM新型冷暖系统负荷预测方法研究.pdf

引用格式：引用格式：陈石毓,李壮举,刘浩,等.SA-GA-CNN-LSTM 新型冷暖系统负荷预测方法研究J.中国测试，2023,49(9):115-122.CHENShiyu,LIZhuangju,LIUHao,etal.ResearchonloadforecastingmethodofnewcoolingandheatingsystembasedonSA-GA-CNN-LSTMJ.ChinaMeasurement&Test,2023,49(9):115-122.DOI:10.11857/j.issn.1674-5124.2022050043SA-GA-CNN-LSTM 新型冷暖系统负荷预测方法研究陈石毓1，李壮举1，刘浩1，陈梦依2(1.北京建筑大学，北京102616;2.昆士兰大学，澳大利亚布里斯班4072)摘要:为提高预测精度，给新型相变储能供冷供暖系统提供准确的储能参考，结合该系统的特点，提出新的负荷预测方法。该方法先对数据进行模糊 C 均值聚类，然后将聚类结果分别传入由遗传算法（geneticalgorithm,GA）、自注意力机制（self-attention,SA）和卷积长短时记忆神经网络（CNN-LSTM）相结合的模型进行预测。采用北京昌平某变电所的相变储能冷暖系统的实测数据进行训练并确定了该预测模型，最后用该模型进行负荷预测，预测数据和实测数据对比，证明了该模型的有效性。与单一神经网络模型 CNN、LSTM 和混合神经网络模型 CNN-LSTM、GA-CNN-LSTM 相比，所提出的 SA-GA-CNN-LSTM 神经网络模型的预测精度最高。在平均绝对误差（MAPE）指标下，比表现较好的单一神经网络模型 LSTM 误差降低 2.32%，比混合神经网络模型 CNN-LSTM 误差降低 1.49%。关键词:相变储能;负荷预测;卷积神经网络;长短时记忆神经网络;自注意力机制中图分类号:TM744文献标志码:A文章编号:16745124(2023)09011508Research on load forecasting method of new cooling and heating systembased on SA-GA-CNN-LSTMCHENShiyu1,LIZhuangju1,LIUHao1,CHENMengyi2(1.BeijingUniversityofCivilEngineeringandArchitecture,Beijing102616,China;2.UniversityofQueensland,Brisbane4072,Australia)Abstract:Inordertoimprovethepredictionaccuracyandprovideaccurateenergystoragereferenceforthenewphasechangeenergystoragecoolingandheatingsystem,combinedwiththecharacteristicsofthesystem,anewloadpredictionmethodisproposed.ThismethodfirstperformsfuzzyC-meansclusteringonthedata,andthentransmitstheclusteringresultstothemodelcombinedbygeneticalgorithm(GA),selfattentionmechanism(SA)andconvolutionallongandshort-termmemoryneuralnetwork(CNN-LSTM).UsingthemeasureddataofthephasechangeenergystoragecoolingandheatingsystemofasubstationinChangping,Beijing,thepredictionmodelistrainedanddetermined.Finally,themodelisusedforloadprediction.Thecomparisonbetweenthepredicteddataandthemeasureddataprovestheeffectivenessofthemodel.ComparedwithsingleneuralnetworkmodelsCNN,LSTMandhybridneuralnetworkmodelsCNN-LSTMandGA-CNN-收稿日期:2022-05-09；收到修改稿日期:2022-07-13作者简介:陈石毓（1998-），男，北京市人，硕士研究生，专业方向为建筑节能、负荷预测研究。通信作者:李壮举（1975-），男，河南南阳市人，副教授，博士，主要从事建筑节能、复杂系统控制研究。第49卷第9期中国测试Vol.49No.92023年9月CHINAMEASUREMENT&TESTSeptember,2023LSTM,thepredictionaccuracyoftheproposedSA-GA-CNN-LSTMneuralnetworkmodelisthehighest.Undertheaverageabsoluteerror(MAPE)index,itis2.32%higherthanthesingleneuralnetworkmodelLSTMand1.49%higherthanthehybridneuralnetworkmodelCNN-LSTM.Keywords:phasechangeenergystorage;loadforecasting;convolutionalneuralnetwork;longandshorttermmemoryneuralnetwork;selfattentionmechanism0 引言为实现国家提出的“双碳目标”，逐步控制发电量，结合发电侧和用电侧现有问题：发电侧受到光伏发电和风力发电等清洁能源的影响，发电总量出现实时波动的现象，当用电量接近发电上限时会出现供电不稳定的问题；用电侧出现了用电高峰期供电压力过大，低谷期用电量和供电上限差距过大的问题；对此，储能技术的发展是实现国家战略目标，解决电网现有问题的关键手段。对于供冷供热系统而言，相变储能（phasechangematerial,PCM）的发展是降低供电压力的重要手段之一，PCM 是利用相变材料的相变热进行能量吞吐的一项新型环保节能技术。北京博瑞莱集团研制出了集“绿色，安全，储能量大”于一体的新型低温差相变储能材料，相变温度在 25 左右，与自然温度相差较小，相变热为243J/g。新型相变储能材料供热系统结构如图 1 所示，其制热原理为：日间通过太阳能给相变储能材料蓄热，在电价谷段时利用制热机组补充蓄热。另设低温相变材料收集低温空气中的低品质空气能，转化为零度以上能源提供给制热机组二次转化，确保制热机组在极低温时能保证 3.5 倍以上的能效比；制冷原理为：制冷机组在夜间工作，利用夜间温差小制冷机组效率高的特点，且夜间属于谷电时间，其他时段由相变储能材料释能制冷，能效比可达35 倍。由于相变储能系统在谷电时期储能，峰平段释能，因此理论上配备了储能板块的冷热系统在用电方面能够实现削峰填谷，降低市政供电压力，减少花费的效果。结合该系统安全稳定、储能容量大的特点。为了在相变储能系统实际规划设计中提供准确的参考，提高负荷预测精度、减少误差，有效避免过度储能造成资源浪费或储能不足的情况发生。本文提出了一种新型负荷预测模型，通过预测结果计算出当日相变储能系统的储能需量，进而给具体部署多大面积的相变储能材料提供参考。在数据驱动的预测方法中，目前大多数研究是将实验数据整体进行输入，而本文所应用的训练集数据为相变储能系统实测负荷数据，负荷曲线在工作日、休息日、节假日等日期出现明显差异，若将特征差异过大的数据共同训练，对于模型的预测精度会有一定的影响，因此在实验前，需要将特征差异过大的数据进行特征聚类，对不同特征的数据分别预测。在预测方法中，有部分研究者提出利用 BP神经网络1、RBF 神经网络2、长短时记忆神经网络（LSTM）3，以及混合神经网络模型4来解决负荷预测问题，但是这些预测模型在训练时依然存在梯度消失或爆炸的情况，且模型对于长距离特征关系的学习能力不足、很难学习到对于预测结果影响较大的输入特征。针对该系统在蓄能时的用电负荷会维持在一定数值上出现持续波动的特点，结合目前输入数据和预测方法存在的问题，本文提出了将输入数据经模糊 C 均值（FCM）聚类5处理后，分别传入以卷积长短时记忆神经网络（CNN-LSTM）6为基础模型，遗传算法（GA）7-9和自注意力机制（SA）10-11进行优化的 SA-GA-CNN-LSTM 神经网络模型12-15，缩小预测结果在极值点上的误差，提高预测的精度。具体过程为：首先利用FCM算法对不同特征的数据进行聚类，再分类构建 SA-GA-CNN-LSTM 模型，实现对不同类别特征的负荷预测，最后将各类预测结果组合得到相变材料储能预测模型，从而使预测结果更加精准。1 数据预处理本研究采用北京市昌平区某变电所的相变储能冷暖系统的实测历史数据作为数据集。首先对数据进行预处理，将传感器的异常值和漏测值进行修改冷凝器室外机压缩机膨胀阀热交换机蒸发器可选室内机除湿及新风水泵阀态液态地板、墙壁、天花板储冷储热装置25 恒温吸收热量释放热量图 1 新型相变储能材料供热系统结构图116中国测试2023年9月和填补，修改和填补值为最近相邻采集时刻的平均值。所有输入数据特征进行数据归一化处理，便于一致性分析，然后采取模糊 C 均值聚类的方法将数据样本进行聚类，将差距过大的数据分别预测，避免相互影响，此做法可降低整体模型的计算复杂度，同时提高模型的预测精度。1.1 归一化处理mnXX数据归一化处理的目的是将多种变量的数据统一缩放到一个范围，因为范围较大的数据会比范围较小的数据影响度更大，此做法加快了模型的训练速度，保证了模型的精确性和稳定性。假设输入特征数据集是的矩阵，则 表示为：X=x11x1n.xm1xmn(1)将原始数据按照下式进行归一化处理：xij=(xij min1imxij)(max1imxij min1imxij)(2)xij式中：原始数据；max1imxijmin1imxij和矩阵 X 中每列的最大值和最小值；xij处理之后的数据，取值范围是 0,1。1.2 模糊 C 均值聚类算法模糊 C 均值聚类算法（fuzzyC-meansalgorithm，FCM），是通过优化目标函数得到所有样本对所有类中心的隶属度，从而决定样本点的类别，以达到自动对样本数据进行分类的目的。给每个样本都赋予属于每个类别的隶属度函数，通过隶属度值大小来将样本聚类。FCM 是一种软聚类算法，与硬聚类算法相比不易出错。因为有些数据不易区分成明显的类，根据算法本身计算出的聚类结果并不准确，因此采用 FCM 将每一个对象分别对每个类别赋予一个权值，标明该对象所属类别的程度进行模糊聚类，是一种实用性很好的数据处理方式。FCM 中目标函数及式中参数设置为：Jm(U,V)=ni=1cj=1umij|xi pj|2(3)ni=1uij=11 j c0 uij 11 i n,1 j c1 cj=1uij n1 i n(4)xii式中：原始数据集 X 的第 列；n 和 c样本数和聚类个数；U由uiji=1,2,nj=1,2,c组成的隶属度矩阵(；)；V=p1,p2,pc；uijji第 个样本属于第 类的隶属度；pjj第 个聚类中心；mm 1一个加权指数，且一般。uijpj通过拉格朗日乘数法得出的隶属度矩阵和聚类中心的表达式为：uij=1ck=1(|xi pj|xi pk|)2m1(5)pj=ni=1umijxini=1umij(6)FCM 的算法流程如图 2 所示。初始化赋值种群中心和隶属度种群中心 pj根据种群中心 pj 和终止条件开始结束是否通过公式(6)计算公式(5)更新隶属度 uij通过公式(3)计算目标函数 Jm(U,V)Jm(U,V)达到图 2 FCM 算法流程图Xi1,Xi2,XiNiCiNiCi评价指标选用类内距离（intra-classdistance），该指标表示同一类别中各样本点到聚类中心的均方距 离。假 设 聚 类 得 到 K 类 不 同 负 荷 特 征，是类中的样本，为类别中的样本X(i)kX(i)l数，表示各个类别中的聚类中心，表示样本中不同类别的全部元素。则类内距离的表达式为：d2(Ci)=1KNiKk=1Nil=1d2(X(i)k,X(i)l)(7)第49卷第9期陈石毓，等：SA-GA-CNN-LSTM 新型冷暖系统负荷预测方法研究1171.3 聚类过程及结果分析d2(Ci)以上述模糊 C 均值聚类算法作为聚类方式，对经过归一化处理后的历史数据进行聚类，并绘制FCM 聚类指标得分柱状图，评价指标为类内距离，数值越小表示聚类效果越好，聚类结果如图 3所示，当聚类中心数 C=8 时，类内距离数值最低，聚类效果最好。这 8 类结果分别为周一；周二、周三、周四、周五；周六；周日；法定节假日；法定节假日的前一天；法定节假日后的第一天；法定节假日后的第二天。160140120100806040200位置价值2345678910聚类中心数目/个图 3 FCM 聚类指标得分图2 SA-GA-CNN-LSTM 预测模型CNN-LSTM 神经网络模型结构如图 4 所示，首先将预处理过的数据传入卷积神经网络中，提取数据的空间特征，再通过长短时记忆神经网络提取数据的时间特征。其中将聚类后每类中的第 n-1 个日期的用电功率和温度、湿度、风向、风速以及第 n 个日期的温度、湿度、风向、风速作为输入变量特征，输出为第 n 个日期的用电功率。整个模型分别结合了卷积神经网络（CNN）和长短时记忆网络（LSTM）的优势。此外本文在 LSTM 的训练中，加入了遗传算法（GA）和自注意力机制（SA）。卷积层 池化层LSTM层Dropout层输入层卷积神经网络长短时记忆神经网络输出层LSTM层全连接层图 4 CNN-LSTM 算法模型结构2.1 卷积神经网络（CNN）CNN 是一种特殊的线性运算，主要作用是数据特征的提取，CNN 的基本结构为输入层、卷积层、池化层、全连接层和输出层。由于时序数据预测问题是一维的，所以本文采用一维卷积层，卷积核以时间步长为特征单一方向移动，这样就可以与下一阶段传输给 LSTM 的维度相同，避免维度转换。一维卷积神经网络结构如图 5 所示。卷积池化输出结果时序数据输入全连接61623261图 5 一维卷积神经网络结构2.2 长短时记忆神经网络（LSTM）sigmoidht1xtftCt1tanhCtCtsigmoidtanhCtsigmoidhtLSTM 是一种特殊的 RNNs，可以有效解决长时依赖问题，网络结构如图 6 所示。LSTM 主要包含了细胞状态和三个门，分别为遗忘门、输入门、输出门。LSTM 首先由遗忘门判断什么信息可以通过细胞状态，这个决定是由函数来控制，它会根据上一时刻的输出和当前输入来产生一个0 到 1 的，由此来判断上一时刻学到的信息是否通过或部分通过。接下来是产生需要更新的信息，由函数来生成新的候选值，作为当前层产生的候选值添加到细胞状态中。将前两部分产生的值结合来进行更新，此过程就是丢掉不需要的信息，添加新信息的过程。最后一步通过函数得到一个初始输出，然后使用函数将缩放到1到 1 之间，再与函数得到的输出逐对相乘，从而得到模型的输出。其中 w 和 b 表示上述门的权矩阵和偏置向量。具体计算公式为：细胞单元细胞单元ht1Xt1Xt+1tanhtanhXththt+1+图 6 LSTM 神经网络结构118中国测试2023年9月ft=(wfht1,xt+bf)(8)it=(wiht1,xt+bi)(9)Ct=tanh(wcht1,xt+bc)(10)Ct=ftCt1+itCt(11)ot=(woht1,xt+bo)(12)ht=ottanh(Ct)(13)2.3 遗传算法（GA）遗传算法是起源于对生物系统所进行的计算机模式研究，是模拟生物进化过程中选择、交叉、变异的一种算法。其中选择的作用是优胜劣汰、适者生存，寻找最优个体；交叉的作用是保证种群的稳定性，向最优解进化；变异的作用是保证种群的多样性，避免交叉可能产生的局部收敛。适应度函数的选取直接影响遗传算法的收敛速度以及能否找到最优解。选择函数采用轮盘赌函数，即为适应度函数评分越高，被选择的概率越大。本文采用了遗传算法优化长短时记忆神经网络的层数和隐藏层的神经元个数，GA 优化 LSTM 流程图如图 7 所示。2.4 自注意力机制（SA）自注意力机制（self-attentionmechanism）是注意力机制（attentionmechanism）的一种变体，相对于注意力机制，自注意力机制可以在编码或解码中单独使用，更加关注了输入数据内在的关系，从而提高模型的稳定性和预测精度。本文将自注意力机制嵌入到 LSTM 神经网络模型中，是为了解决面对长输入序列时出现记忆能力不足，提取重要特征弱的问题，进而提高模型对用电负荷预测的精准性，其基本结构如图 8 所示。wqwvwkQqiaiattention(ai,V)aiVimi=1KVsoftmax()qiKDkTDx图 8 自注意力机制基本结构DxDxDxwqwkwvqiDiKTKsoftmax()Dksoftmax()aiDiViDiattention()图中为输入序列，Q、K、V 分别为输入序列的查询(Query)、键(Key)以及值(Value)矩阵，是由同一输入经过不同权重(,)的线性变换得到的向量分别组合成的矩阵，为输入序列中特征的查询向量，为 的转置矩阵，是按列进行归一化的激活函数，用于将注意力得分归一化，为缩放因子，使得便于计算，为特征的注意力权重，为特征对应的值向量，表示注意力得分函数。2.5 SA-GA-CNN-LSTM 的负荷预测模型冷热系统的耗能量是一组随着用能需求变化且会受到温湿度等环境因素影响，而呈现非线性变化的时间序列数据。所以在负荷预测任务中，不仅需要考虑输入参数之间的联系，还需要考虑用电功率在时间维度的变化。长短时记忆神经网络在时间序列数据的预测中有着不错的表现，因此使用其作为基准模型。但是对于输入参数较多时，单一的长短时记忆神经网络的特征提取能力和稳定性都不能满足要求，因此引入卷积神经网络来解决此问题，并且卷积神经网络可以用来处理时间序列数据，所以将卷积神经网络特征提取得到的结果映射为序列向量，作为长短时记忆神经网络的输入。将卷积神经网络和长短时记忆神经网络结合在一起，构建 CNN-LSTM 预测模型。虽然 CNN-LSTM 模型在预测效果上明显高于 CNN 和 LSTM 单独使用，但仍然存在两个问题。第一：虽然 LSTM 对于梯度消失或爆初始化种群开始计算适应度选择变异后代是否训练神经网络模型进行预测获取权值与偏重结束交叉满足要求？图 7 GA-LSTM 流程图第49卷第9期陈石毓，等：SA-GA-CNN-LSTM 新型冷暖系统负荷预测方法研究119炸有所缓解，但除了细胞单元，仍然存在梯度消失或爆炸的情况。第二：在输入序列过长时，传递的信息多次通过遗忘门，降低了模型对于长距离特征关系的学习能力，且 LSTM 无法有效找到输入序列的内在联系，即不同输入特征对于预测结果的影响并不一致，可 LSTM 并不能区别对待，重点去学习对于预测结果影响大的数据。面对以上问题，加入遗传算法（GA）训练网络的超参数权重与偏置值，可以有效缓解模型训练过拟合，避免梯度消失或爆炸的情况出现，得到最佳的窗口大小及神经元数目，且省去了人工调参的步骤；加入自注意力机制（SA），在模型训练时获取每个时刻的输入数据信息，得到不同数据的权重并对 LSTM 中的隐藏层进行加权，更好地捕捉长距离依赖关系，有效区分不同数据特征对于预测结果的影响程度，重点学习对于预测结果影响程度高的数据特征。综上本文构建了 SA-GA-CNN-LSTM 神经网络模型，模型的电负荷预测流程图如图 9 所示，其中具体步骤如下：数据处理按照 8:2 的比例分为训练集和测试集训练集数据输入测试集参数初始化CNNSA-GA-LSTM达到训练轮数输出相应评价指标的结果开始原始数据结束否是或函数收敛？图 9 基于 SA-GA-CNN-LSTM 负荷预测流程图1）将传感器得到的数据进行整理，修改异常值与漏测值，并进行归一化处理。在此之后将不同特征的用电功率数据进行模糊 C 均值聚类操作，去除差值过大对于模型预测的影响。最后将所有类别的数据按照训练集与测试集比例为 8:2 划分。2）初始化模型超参数，将训练集传入模型进行训练，网络进行特征提取，并且按照设定更新优化参数。直到迭代次数完成或者损失函数趋向收敛时，模型停止训练。3）将测试集数据传入训练好的网络模型中进行预测，通过 4 种不同的评价指标，得到不同的评价得分，将此得分与其他网络模型进行对比分析，得出实验结果。2.6 模型性能评价指标本文通过建立神经网络模型对未来负荷进行预测，属于回归问题的范畴。单一的评价指标具有一定局限性，因此选择平均平方差（meansquareerror，MSE）、均方根误差（rootmeansquareerror，RMSE）、平均绝对误差（meanabsoluteerror，MAE）和平均绝对百分误差（meanabsolutepercentageerror，MAPE）4 个评价指标来进行比较不同模型的预测精度和稳定性。计算公式为：MSE=1nni=1(yiyi)2(14)RMSE=vt1nni=1(yiyi)2(15)MAE=1nni=1|yiyi|(16)MAPE=100%nni=1?yiyiyi?(17)0,+)n yiyi其中，4 个评价指标的取值范围均为，为测试集样本的总数，和 分别表示测试集的预测值和真实值，MSE 和 RMSE 越小，预测值和真实值越接近，模型精度越高。MAE 和 MAPE 越小，模型的稳定性越好。3 实验结果与分析本文选取由北京市昌平区博瑞莱相变储能实验室提供的实测数据，数据采样间隔为 10min，经预处理后作为数据集，将 80%作为训练集，20%作为测试集。本文所有实验均在极链 AI 云上进行，实验机器采用 AmpereA100 显卡，CPU 型号为 AMDEPYC730216-CoreProcessor，251GB 内存，64 内核，39GB 显存，实例框架为 TensorFlow2.4.1，程序代码为 Python3.8，CUDA 版本为 11.1.1，本文实验训练阶段的迭代次数均为 10000 次。为验证 SA-GA-CNN-LSTM 神经网络模型的预测能力，将与 CNN 神经网络模型、LSTM 神经网络模型、未经优化的 CNN-LSTM 混合神经网络模型120中国测试2023年9月和未加入自注意力机制的 GA-CNN-LSTM 混合神经网络模型的预测结果进行比较，评价指标为平均平方差(MSE)、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和模型运行时间。3.1 不同模型实验误差性能对比结果本文分别对单一神经网络模型 CNN 和 LSTM，以及混合神经网络模型 CNN-LSTM、GA-CNN-LSTM 和 SA-GA-CNN-LSTM 进行测试。将模型预测结果反归一化后截取其中一周对应时间点的用电功率预测结果对比图，如图 10 至图 14 所示，黑线为用电功率真实值，红线为用电功率预测值。从图上可以明显看出单一的 CNN 和 LSTM 神经网络模型预测效果不佳，SA-GA-CNN-LSTM 神经网络模型的预测值与真实值的重合程度最大，与未加入自注意力机制的 GA-CNN-LSTM 神经网络模型相比，在用电功率发生变化的时间段内表现更好，缩小了预测结果在极值点上的误差，明显优于其他 3 种神经网络模型。020406080100120140160Total power/kW2004006008001 000Real valueCNN1 200Time/(15 min)图 10 CNN 模型预测结果图020406080100120140Total power/kW2004006008001 000Real valueLSTM1 200Time/(15 min)图 11 LSTM 模型预测结果图进一步对比分析实验结果，如表 1 所列，在MSE 和 RMSE 评价指标中，单一神经网络模型CNN 的误差最大，其次为 LSTM，混合神经网络模型中 SA-GA-CNN-LSTM 误差最小。其中在 RMSE指 标 下，SA-GA-CNN-LSTM 分 别 比 GA-CNN-LSTM 和CNN-LSTM 误差减少了0.477kW 和1.185kW。在 MAE 和 MAPE 评价指标下，仍然是单一神经网络模型 CNN 的误差最大，其次为 LSTM，混合神经网络模型中 SA-GA-CNN-LSTM 误差依然是最小的。其中在 MAPE 评价指标下，SA-GA-CNN-LSTM 分别比 GA-CNN-LSTM 和 CNN-LSTM 误差减少了 0.39%和 1.49%，比 LSTM 误差减少 2.32%。此结果充分体现了自注意力机制获取全面数据后重点学习影响程度高的数据，与遗传算法优化超参数相结合的优势，综合表 1 和图 10-图 14，本文提出的 SA-GA-CNN-LSTM 神经网络模型相较于 CNN、LSTM、CNN-LSTM 和 GA-CNN-LSTM 神经网络模型的 4 项误差指标均为最小，呈现出了最优的预测效果，证明本文所提出的预测模型精准度和稳定性更高，预测性能更好。020406080100120140Total power/kW2004006008001 000Real valueCNN-LSTM1 200Time/(15 min)图 12 CNN-LSTM 模型预测结果图020406080100120140Total power/kW2004006008001 000Real valueGA-CNN-LSTM1 200Time/(15 min)图 13 GA-CNN-LSTM 模型预测结果图020406080100120140Total power/kW2004006008001 000Real valueSA-GA-CNN-LSTM1 200Time/(15 min)图 14 SA-GA-CNN-LSTM 模型预测结果图第49卷第9期陈石毓，等：SA-GA-CNN-LSTM 新型冷暖系统负荷预测方法研究121表 1 不同模型预测误差指标模型CNNLSTMCNN-LSTMGA-CNN-LSTMSA-GA-CNN-LSTMMSE22.8887.0652.7330.8930.219RMSE/kW4.7842.6581.6530.9450.468MAE/kW1.7631.3540.9790.5920.319MAPE0.0450.0340.0260.0150.011表 2 不同模型运行时间参数CNNLSTMCNN-LSTMGA-CNN-LSTMSA-GA-CNN-LSTM训练时间/s208.268.3456.8327.5341.7测试时间/s0.290.200.740.550.613.2 不同模型运行时间对比结果本文将运行时间分为训练时间和测试时间两部分，不同神经网络模型的运行时间如表 2 所列。在训练阶段：单一的 CNN 和 LSTM 神经网络所消耗的时间为 208.2s 和 68.3s，而混合神经网络 CNN-LSTM、GA-CNN-LSTM 和 SA-GA-CNN-LSTM 所消耗时间分别为 456.8s、327.5s 和 341.7s。在测试 阶 段：CNN、LSTM、CNN-LSTM、GA-CNN-LSTM、SA-GA-CNN-LSTM5 个神经网络模型所消耗的时间分别为 0.29s、0.20s、0.74s、0.55s、0.61s。可见单一的神经网络模型在训练和测试两个阶段的运算速度表现都是较好的，但是在实际预测任务中需要综合误差性能指标，因此在综合误差性能后，混合神经网络模型还是更具有优势。4 结束语本文通过系统研究和实验，对相变储能系统不同特征的输入数据进行了划分，提出的混合神经网络预测模型 SA-GA-CNN-LSTM 在预测结果上，综合了 MSE、RMSE、MAE、MAPE4 个误差指标和运算速度后，与其他 4 个神经网络模型进行对比，表现出了较好的性能，缩小了预测结果在极值点上的误差，提高了在负荷波动时的预测准确率。通过模型预测的负荷结果，计算得到每日储能需量大小，服务于相变储能系统的规划设计，可为相变储能系统的部署提供有价值的参考，助力储能发展，缓解市供电压力，具有一定的实用价值。参考文献师兵兵,段哲民,陆正俊.神经网络预测中长期电力负荷对比研究J.继电器,2007(23):43-45.1刘银波,吕越.RBF 神经网络在船舶电力负荷预测中的应用J.舰船科学技术,2021,43(18):121-123.2尹春杰,肖发达,李鹏飞,等.基于 LSTM 神经网络的区域微网短期负荷预测J.计算机与现代化,2022(4):7-11.3刘亚珲,赵倩.基于聚类经验模态分解的 CNN-LSTM 超短期电力负荷预测J.电网技术,2021,45(11):4444-4451.4何津民,张丽珍.基于自注意力机制和 CNN-LSTM 深度学习的对虾投饵量预测模型J.大连海洋大学学报,2022,37(2):304-311.5刘旭丽,莫毓昌,吴哲,等.基于 DWT-CNN-LSTM 的超短期光伏发电功率预测J.郑州大学学报(理学版),2022,54(4):86-94.6贾睿,杨国华,郑豪丰,等.基于自适应权重的 CNN-LSTM&GRU 组合风电功率预测方法J.中国电力,2022,55(5):47-56.7廖清阳,王军,胡凯强,等.基于深度并行 CNN-BiLSTM 的能源互联网电负荷和热负荷联合预测模型J.中国测试,2022,48(4):146-153.8方明宽,宁静,陈春俊.高速列车横向蛇行失稳的 EEMD-CNN-LSTM 预测方法J.中国测试,2021,47(7):79-83.9滕金保,孔韦韦,田乔鑫,等.基于 CNN 和 LSTM 的多通道注意力机制文本分类模型J.计算机工程与应用,2021,57(23):154-162.10王晨阳,段倩倩,周凯,等.基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测J.物理学报,2020,69(10):149-155.11王晓玲,李克,张宗亮,等.耦合 ALO-LSTM 和特征注意力机制的土石坝渗压预测模型J.水利学报,2022,53(4):403-412.12王琛,王颖,郑涛,等.基于 ResNet-LSTM 网络和注意力机制的综合能源系统多元负荷预测J.电工技术学报,2022(7):187-197.13刘智宇,郝冬,张妍懿,等.基于 GA-ELM 算法的燃料电池性能预测模型 J.电池,2023,53(3):243-247.14李秉晨,于惠钧,丁华轩,等.基于 CEEMD 和 LLSTM-ARIMA 的短期风速预测J.中国测试,2022,48(2):163-168.15(编辑:莫婕)122中国测试2023年9月