CN108879692A - 一种区域综合能源系统能流分布预测方法及系统 - Google Patents
一种区域综合能源系统能流分布预测方法及系统 Download PDFInfo
- Publication number
- CN108879692A CN108879692A CN201810666324.7A CN201810666324A CN108879692A CN 108879692 A CN108879692 A CN 108879692A CN 201810666324 A CN201810666324 A CN 201810666324A CN 108879692 A CN108879692 A CN 108879692A
- Authority
- CN
- China
- Prior art keywords
- energy
- flow distribution
- tensor
- external factor
- spatial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000002123 temporal effect Effects 0.000 claims abstract description 97
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 99
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 239000000284 extract Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 239000004744 fabric Substances 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000004913 activation Effects 0.000 description 13
- 230000000306 recurrent effect Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/04—Circuit arrangements for AC mains or AC distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域综合能源系统能流分布预测方法及系统，该方法包括以下步骤：采集多能流网络数据；构建多能流网络数据表示模型；挖掘能流分布相关的多源时空特征；输出能流分布预测结果。本系统包括以下模块：多能流网络数据表示模块；能流分布空间特征提取模块；能流分布时序特征提取模块；能流分布外部因素特征提取模块；能流分布特征融合模块；能流分布预测输出模块。本发明基于网络表示学习方法和深度学习方法对多能流网络数据进行转化和分析，挖掘能流分布相关的时空特征和外部因素特征，为区域综合能源系统能流分布状态预测问题提供新的方法和技术基础。
Description
技术领域
本发明涉及一种区域综合能源系统能流分布预测方法。
背景技术
能流分布预测是能源系统布局规划和运行优化的重要内容，是有效提高能源利用效率和缓解能源环境问题的基础环节。而且相对于传统单一能源系统，区域综合能源系统是一种多种能源网络协同耦合形成的复杂多网流系统，网络机理模型复杂，多种能流不仅具有时序相关关系，同时具有能流节点上的空间相关关系，时空建模和动态预测非常困难。因此，在多能流系统的综合需求响应下，对未来能流分布状态进行预测，需要一种基于多能流时空建模和多源异构数据融合的集成预测方法。
目前，多能流网络拓扑性质的描述尚未形成完善的参数体系和模型算法，需要考虑网络结构、网络流以及网络要素属性和功能的动态时空变化，因此把握和理解多能流网络的动态演化在模型建立和计算求解上存在一定的难度和挑战。同时，区域综合能源系统的能流分布受多种因素影响，这些因素信息具有多源、多变量、异构、海量、多尺度、多时相等特点，需要采用高效的信息融合方法来弥补单一信息源导致的信息缺失。
时空特征挖掘是确保预测准确性的另一关键技术。由于能源本身以及能量转换存在的不确定性和复杂性，准确的能流特性分析和相应的预测模型建立是提高能流分布预测精度的关键。随着传感测量技术、网络通信技术、计算机技术以及数据处理方式的发展与突破，已积累了海量的时空数据，对于挖掘空间相关性和时序相关性的任务，近年发展起来的深度学习模型能表现出很好的信息表达能力、鲁棒性和泛化性，现有研究表明，循环神经网络对时间序列深度挖掘非常有效(J.Cao et al.,Science China Information Sciences,2017,60(3):032201.)，其中长短期记忆网络是一种特殊的循环神经网络，在处理和预测间隔与延迟较长的时间序列中有较大优势，但无法理解和反映各能源节点多种能源在空间上的交互耦合对各能流状态时序变化的影响。深度卷积神经网络对空间数据挖掘非常有效(A.Krizhevsky et al.,Advances in Neural Information Processing Systems,2012,1097-1105.)，并通过和循环神经网络相结合，已扩展应用到许多场景中，但在区域综合能源系统领域，尚未考虑多种能流网络在空间分布上的交互耦合关系和不同时间尺度上的周期特性。同时，面对多源异构的时间、空间、外部因素特征和属性，目前尚未考虑基于语义构建能全面挖掘时空数据在时间属性上的时序性、临近性、周期性、趋势性，空间上的距离、层次、耦合特性以及外部因素的全局影响关系的深度学习集成模型，而无法基于其网络拓扑结构与时序统一映射和处理多源异构数据，挖掘更全面的特征以提高预测精度和泛化性能。
发明内容
为了解决上述技术问题，本发明提供一种区域综合能源系统能流分布预测方法及系统。
本发明解决上述问题的技术方案是：基于深度学习的区域综合能源系统多能流分布集成预测方法，包括以下步骤：
步骤一：获取区域综合能源系统网络拓扑结构，采集各能源节点能流信息和影响能流分布的外部因素信息；
步骤二：根据网络拓扑结构将各时段能流信息表示为能流时空分布张量，同时将各时段多源外部因素信息融合为外部因素张量；
步骤三：根据能流时空分布张量和外部因素张量构建深度神经网络，提取能流分布空间特征、时序特征和能流分布外部因素特征，并对各特征进行分阶段融合，得到能流时空分布张量预测值；
步骤四：在训练阶段：基于能源节点能流信息和能流分布外部因素信息的历史数据，计算各时段的能流时空分布张量预测值和对应实际值的交叉熵损失值，通过交叉熵损失值迭代更新前述步骤中的神经网络模型参数；在预测阶段：输出能流时空分布张量预测值，作为预测时段各能源节点多种能流分布状态的预测结果。
本方法面向综合需求响应下区域综合能源系统的能源供需匹配及其优化调度需求，获取相关的历史时空数据，通过网络表示学习方法构建统一的张量表达模型，通过设计适应的深度神经网络结构且优化得到最佳的网络参数，实现能流分布预测中时空特征和外部因素特征的准确选择和提取，并基于多层次分阶段的多源特征融合方法进行多源异构时空数据的关联挖掘，实现多种能流分布状态的高精度预测。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤一中，影响能流分布的外部因素信息包括区域综合能源系统中能源价格信息、能源计划信息、节假日信息、天气信息。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤二中，将各时段能流信息表示为能流时空分布张量的具体步骤为：
2-1-1)基于区域综合能源系统网络拓扑结构和能源节点各时段能流信息，建立能源网络有向图D和各时段t能流传输邻接矩阵Pt，以此构建各时段t能流状态观测矩阵Xt；
2-1-2)基于能源网络有向图D，对时段t的M种能流网络分别构建相应的能流状态观测矩阵{Xt m|m＝1,L,M}；
2-1-3)按能源类型m编组不同能流状态观测矩阵Xt m，建立时段t对应的立方体结构的能流时空分布张量{St∈R2M×I×J|t＝0,L,T}。
该方法采用张量数学结构编组能流状态观测矩阵，实现了多维时空数据在时间、空间和能源类型属性上的统一映射，可根据实际需要，基于张量操作按时间、空间和能流类型属性对其进行拆分组合，实现不同维度的特征提取、关系识别与过程重建，并能结合数据驱动方法有效挖掘多维时空数据不同维度间无法用机理模型表征的耦合作用关系。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤二中，建立能源网络有向图和能流传输邻接矩阵的具体步骤为：
2-2-1)根据区域综合能源系统的网络拓扑结构和能源节点能流信息，以系统内所有能源节点为顶点集V(D)、能源节点之间的所有连接为边集E(D)、边集到顶点集的映射为关联函数I(D)，构建能源网络有向图D＝(V(D),E(D),I(D))；
2-2-2)根据区域综合能源系统中的能源节点之间的能流传输在不同时段的流量，基于能源网络有向图D的边集E(D)，按时序构建反映能流在不同时段的流量的邻接矩阵，采用N阶方阵存储时段t各能源节点间的能流大小，得到能流传输邻接矩阵Pt，N为V(D)中的顶点个数。
该方法通过构建有向图，由顶点集合与顶点间的二元关系集合描述区域综合能源系统内各能源节点的分布与连接关系，由边的方向表示能源传输方向，能基于图操作将网络拓扑结构和能源节点能流信息转换为数学模型，并通过构建带权有向图邻接矩阵，根据各能流传输的流量大小对相应元素进行赋值，能直观表示多种能流在各能源节点之间的传输特性。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤二中，构建能流状态观测矩阵的具体步骤为：
2-3-1)根据能源网络有向图D，按照能流分布构造I×J大小的矩阵X，其中再将V(D)中的地理坐标为(i,j)的能源节点映射到X上，映射方法为：
其中为节点v按i值在集合V(D)中的排序序号，{u|i'u∈e∧i'v∈e}为映射坐标i’均为e的节点的集合，X中的元素为二元组，分别代表对应能源节点在某一时刻的能流流入、流出状态；
2-3-2)根据时段t的能流传输邻接矩阵Pt，统计各能源节点在时段t的能流流入、流出量，更新X中对应的元素值，并表示为Xt，更新方法为：
其中Pt[v,u]是节点v传输到节点u的能流流量，|·|表示对应集合的累加和；并遍历所有时段，构建出按时序排列的能流状态观测矩阵{Xt∈R2×I×J|t＝0,L,T}，T为时段数量。
该方法根据能源节点数目，对能源网络有向图和能流传输邻接矩阵进行二次映射，构建能流状态观测矩阵，能直观反映各能源节点不同类型能源的供需状态沿时序在不同时段的空间分布情况，将原始数据转换为适应于供数据驱动方法学习的时空信息，同时有效减少了冗余信息，将空间复杂度由O(n2)降到O(n)，节省了存储空间。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤二中，将各时段多源外部因素信息融合为外部因素张量的具体步骤为：
2-4-1)根据影响能流分布的外部因素信息，分别对各能源节点在时段t所对应的每一种外部因素信息的不同状态进行独热编码，并将各外部因素信息对应的独热码按顺序拼接成向量，得到各能源节点n的h维外部因素向量en；
2-4-2)根据能流状态观测矩阵对各能源节点的映射关系，构造I×J大小的矩阵Ew，Ew中的元素为对应能源节点n的外部因素向量en某一维w(w＝1,…,h)的值，以此得到表示各能源节点在时段t的h维外部因素状态的外部因素矩阵{Et w|w＝1,L,h}，并按w进行编组，建立时段t对应的外部因素张量{Zt∈Rh×I×J|t＝0,L,T}。
该方法采用独热编码方法有效融合了多种外部因素的离散型数据，扩充了数据信息，能更精确地反映系统运行的环境特征，并将多能流网络中的能流信息和外部因素信息按照能流网络拓扑结构进行统一映射，实现多能流与信息流的属性在时间和空间上同时配准，以便结合数据驱动方法发现低维特征中的高度非线性关系。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤三的具体步骤为：
3-1-1)根据时间的临近性、周期性和趋势性，基于时段t(t＝0,…,T)，分别按短期\中期\长期时间尺度抽取能流时空分布张量，得到时段t三个不同时间尺度的能流时空分布张量序列，再分解时段t能流时空分布张量序列中各张量，按空间维度映射到2M通道的I×J矩阵中，得到相应时间尺度的2M通道的能流分布矩阵序列X(l)，并构建深度残差卷积神经网络，输入多时间尺度能流分布矩阵序列X(l)，捕获能流分布空间特征，得到时段t在三个不同时间尺度d上的多时间尺度空间特征张量SS,d,t∈R2M×I×J；
3-1-2)抽取时段t临近时间内连续时序的能流时空分布张量，将各张量分解后得到的2M个能流状态观测矩阵对应的各能源节点状态值，按时序存储为各时段I×J组2M维的状态向量序列，并构建时空循环神经网络，输入状态向量序列以及能流传输邻接矩阵对应的各传输流量值，捕获能流分布时序特征，得到时段t的时序特征张量ST,t∈R2M×I×J；
3-1-3)选取时段t的外部因素张量，分解为h维外部因素矩阵序列，并以外部因素矩阵维度作为输入层神经元数、能流时空分布张量维度作为输出层神经元数，构建全连接神经网络，输入外部因素矩阵序列，捕获能流分布外部因素序特征，提取与能流时空分布张量具有相同维度的外部因素特征张量SE,t∈R2M×I×J；
3-1-4)基于参数矩阵融合多时间尺度空间特征张量为空间特征张量，并与时序特征张量融合为时空特征张量，再将时空特征张量与外部因素特征张量进行融合，得到能流时空分布张量预测值。
该方法通过深度神经网络有效提取非线性数据特征，能表现出很好的信息表达能力、鲁棒性和泛化性，通过构造时空图表示其能流状态和传输流量的高阶时空信息，图的节点代表能源节点，边捕捉其多种能流之间的时空相互作用，并按时序嵌入到循环神经网络模型中，形成高阶且直观的时空混合网络，以此设计相应的网络模型使得能在空间、时间、外部因素属性上进行数据驱动的学习，并基于深度学习进行分阶段多源特征融合，其在非线性数据特征提取、融合的模型精度和收敛性平衡等方面表现出较大优势，能有效发掘其低维特征之间的高度非线性关系。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤三中，捕获能流分布空间特征的具体步骤为：
3-2-1)将输入的2M通道图像矩阵序列X(l)，经过滤波器和偏置进行卷积运算，计算方法为：
X(l+1)＝f(W(l)*X(l)+b(l))，
其中*代表卷积运算，根据输入图像X(l)输出特征图X(l+1)，f(·)是激活函数，W(l)和b(l)分别是对应滤波器和偏置的参数值，通过深度卷积神经网络由浅层到深层捕获能流分布的空间相关特征，最后由2M组多卷积核生成的2M个特征映射图，反映M种能流网络在时段t的能流分布状态；
3-2-2)通过深度卷积神经网络来捕捉远距离空间相关性的同时，采用残差学习避免训练效率差、梯度下降问题，以两层卷积以及激活函数和正则化操作组成残差网络单元，计算方法为：
X(l+1)＝X(l)+F(X(l)；θ(l))，
其中F(·)表示残差网络单元激活函数，包括卷积激活函数与非线性激活函数，θ(l)代表第l层残差网络单元内的所有网络参数。
该方法通过卷积运算捕捉多能流网络各能源节点状态和不同类型能源之前的空间相关性，采用残差网络单元避免由于设计深层卷积捕捉很远区域相关性带来的训练复杂、梯度下降等问题，以此设计深度卷积残差神经网络，有效拟合多能流网络信息在空间上的距离与层次特性。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤三中，构建时空循环神经网络的具体步骤为：
3-3-1)根据能源网络有向图D，以及时段t及其临近时间内的能流传输邻接矩阵，建立表示对应时段t’内各能源节点的初始状态、各能流传输流量的能源系统时空图Gt’，其顶点集合表示各能源节点在对应时段内的能流状态，边集表示对应时段内能源节点间能流传输和能源节点内部能源转换的时序变化关系；
3-3-2)根据时段t’能源系统时空图Gt’，对每一个能源节点，将该节点时段t’-1的能流状态、时段t’流入该节点的能流传输关系，均构建为一个隐藏单元，对于相同类型的能流传输关系和节点时序变化关系，共享一组隐藏单元参数；
3-3-3)将每一个能源节点的所有隐藏单元的隐状态结果以及该节点在该时刻的初始状态值进行融合，再由输出单元进行计算，得出对应每一节点在时段t’的不同类型能流的流入流出状态的2M维预测状态向量。
该方法按时序将时空图中的每一种关系转化为对应的循环神经网络单元，反映能源节点状态、能流传输流量、能源节点状态在时间属性上的时序关系、能源节点与不同能流传输在空间属性上的连接关系、以及能流传输在时间属性上的变换关系和空间上的交互关系，形成适用于时空数据的时间序列模型。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤三中，捕获能流分布时序特征的具体步骤为：
3-4-1)将时段t及其临近时间内各时段的2M维的状态向量序列，以及能流传输邻接矩阵对应的各传输流量值，按时序输入到时空循环神经网络中，根据节点状态值以及传输流量值进行循环计算，计算方法为：
yt＝Whyht，
其中表示该节点第i个隐藏单元在时段t的结果，xti表示其在时段t的初始状态值，fW i(·)是其对应的权重计算和激活函数，yt表示该节点在时段t的预测状态向量，由各隐藏单元结果的融合结果ht乘以相应系数Why得到；
3-4-2)按照能源网络有向图D编组所有能源节点在时段t的预测状态向量yt，得到时段t的时序特征张量ST,t∈R2M×I×J。
该方法对语义上相似的节点分享权值参数，对节点和边对应的特征进行非线性连接，有效拟合多能流网络信息在时序上的不规则、循环变动和长期趋势特性，基于正反馈、差异化高、可同步训练的混合时空循环神经网络捕捉时序特征，能灵活扩展时空图，加强相似交互关系的分享。
进一步地，上述区域综合能源系统能流分布预测方法，所述步骤三中，基于参数矩阵融合多时间尺度空间特征张量为空间特征张量的具体方法为：根据不同能源节点对不同时间尺度空间特征的相关程度，对各能源节点的三种时间尺度的空间特征分别初始化几组融合权重超参数，通过训练选取最优参数组合，存储为I×J×3大小的参数矩阵W，用于在预测阶段融合预测时段t的三种时间尺度的空间特征，融合方法为：
其中Wi,j,d为参数矩阵W对应顶点(i,j)的空间特征在第d种时间尺度的融合权重，从而得到融合后的空间特征张量SS,t∈R2M×I×J；融合空间特征张量和时序特征张量，以及融合时空特征张量与外部因素特征矩阵的方法与上述方法基本类似，分别通过训练得到一个对应的I×J×2大小的参数矩阵进行融合，经过三次融合后，得到时段t的能流时空分布张量预测值
该方法基于参数矩阵的融合方法对不同特征对应的融合权重超参数进行训练，以确定最优信息融合策略，以基于实时采集的能流信息和外部因素信息获得能精确反映当前变化情况的融合特征。
本发明提供的区域综合能源系统能流分布预测系统，包括以下模块：
模块一：多能流网络数据表示模块；用于输入采集能源节点能流信息和影响能流分布的外部因素信息，并结合能源系统网络拓扑结构转换为表示多能流时空分布的统一规范数据结构的样本；
模块二：能流分布空间特征挖掘模块；用于提取区域综合能源系统能流分布空间特征；模块三：能流分布时序特征挖掘模块；用于提取区域综合能源系统能流分布时序特征；
模块四：能流分布外部因素特征提取模块；用于提取区域综合能源系统能流分布外部因素特征；
模块五：能流分布特征融合模块；用于融合区域综合能源系统能流分布的空间特征、时序特征和外部因素特征；
模块六：能流分布预测输出模块；输出融合后的能流时空分布张量预测值。
上述区域综合能源系统能流分布预测系统，所述模块一中表示多能流时空分布的统一规范数据结构包含：能源网络有向图，能流传输邻接矩阵，能流状态观测矩阵、能流时空分布张量、外部因素张量。
上述区域综合能源系统能流分布预测系统，所述模块二通过深度残差卷积神经网络对多时间尺度抽取的能流时空分布张量分解序列进行能流分布空间特征提取。
上述区域综合能源系统能流分布预测系统，所述模块三通过时空循环神经网络对短期时间尺度抽取的能流时空分布张量分解序列进行能流分布时序特征提取。
上述区域综合能源系统能流分布预测系统，所述模块四通过全连接神经网络对相应时段的外部因素张量分解序列进行能流分布外部因素特征提取。
上述区域综合能源系统能流分布预测系统，所述模块五通过基于参数矩阵的融合方法分阶段融合区域综合能源系统能流分布的空间特征、时序特征和外部特征。
上述区域综合能源系统能流分布预测系统，所述模块六在系统训练阶段，将融合得到的能流时空分布张量预测值输出到模块二和模块三用于其中的神经网络模型参数更新；在系统预测阶段，将融合得到的能流时空分布张量预测值输出到目标信息系统或目标显示设备中。
本发明的有益效果在于：本发明基于网络表示学习、深度学习和集成学习提供了一种区域综合能源系统多能流分布集成预测方法及系统，克服了难以用机理模型表达多层耦合动态的多能流网络的问题，通过设计多层耦合复杂网络中的多维时空数据建模方法和基于深度学习的多源异构时空数据挖掘模型，为区域综合能源系统亟需的多能流分布精准预测提供新的方法和技术基础，以适用多种外部因素影响下的能源系统能流供需匹配及其优化调度任务，并促进深度学习在多源时空数据挖掘相关领域的拓展与应用。
附图说明
图1系根据本发明的实施例的方法步骤之流程图。
图2系根据本发明的实施例的系统之模块图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示，在训练阶段，采集区域综合能源系统网络拓扑结构和能源节点能流信息、外部因素信息的历史数据；经数据预处理后，按时序构建不同时段的能源网络有向图、能流传输邻接矩阵、能流状态观测矩阵、能流时空分布张量和能源系统时空图，并遍历时段变量t(t＝0,…,T)，依次取时段t的临近时段区间、周期时段区间、趋势时段区间的能流时空分布张量转换为能流分布矩阵序列，输入至对应三种时间尺度的深度残差卷积神经网络中，提取三种时间尺度下的能流分布空间特征SS,d,t∈R2M×I×J；再取时段t的临近时段的能流时空分布张量转换为状态向量序列，结合能流传输邻接矩阵对应的各传输流量值，由时空循环神经网络提取时序特征ST,t∈R2M×I×J；同时采用独热编码方法融合时段t对应的多源异构的外部因素信息，按时序构建不同时段的外部因素张量，通过全连接神经网络提取外部因素特征张量SE,t∈R2M×I×J；然后采用基于参数矩阵的加权平均法对不同特征进行融合，得到能流时空分布张量预测值作为时段t能流分布预测结果，并根据时段t能流时空分布张量St的实际状态值，采用交叉熵损失函数和Tanh激活函数对上述各神经网络模型进行反向传播，迭代更新参数。在预测阶段，采集预测时段t的短期\中期\长期时间尺度内的区域综合能源系统网络拓扑结构信息和能流传输信息数据，以及预测时段t的外部因素信息数据，构建为对应的统一规范数据结构作为输入，由对应的训练好的神经网络模型提取能流分布在预测时段t的时空特征和外部因素特征，根据相应的融合权重参数矩阵融合各特征，输出融合得到的能流时空分布张量预测值
具体地说，本发明基于深度学习公开了一种区域综合能源系统多能流分布集成预测方法及系统；
本实施例中，所述方法包括以下步骤：
步骤S101：获取某一电\气\热区域综合能源系统网络拓扑结构，采集其N(N＝16)个能源节点电\气\热M(M＝3)种能流信息和影响能流分布的外部因素信息。
影响能流分布的外部因素信息包括：该电\气\热区域综合能源系统中电力、天然气和热力三种能源的价格信息及能源计划信息，节假日信息和天气信息。
步骤S102：根据网络拓扑结构将各时段能流信息表示为能流时空分布张量，同时将各时段多源外部因素信息融合为外部因素张量。
将各时段能流信息表示为能流时空分布张量的具体步骤为：
2-1-1)基于区域综合能源系统网络拓扑结构和能源节点各时段M种能流信息，建立能源网络有向图D和各时段t能流传输邻接矩阵Pt，以此构建各时段t能流状态观测矩阵Xt；
2-1-2)基于能源网络有向图D，对时段t的M种能流网络分别构建相应的能流状态观测矩阵{Xt m|m＝1,L,M}；
2-1-3)按能源类型m编组不同能流状态观测矩阵Xt m，建立时段t对应的立方体结构的能流时空分布张量{St∈R2M×I×J|t＝0,L,T}。
建立能源网络有向图和能流传输邻接矩阵的具体步骤为：
2-2-1)根据区域综合能源系统的网络拓扑结构和能源节点能流信息，以系统内N个能源节点为顶点集V(D)、能源节点之间的所有连接为边集E(D)、边集到顶点集的映射为关联函数I(D)，构建能源网络有向图D＝(V(D),E(D),I(D))；
2-2-2)根据区域综合能源系统中的能源节点之间的能流传输在不同时段的流量，基于能源网络有向图D的边集E(D)，按时序构建反映能流在不同时段的流量的邻接矩阵，采用N阶方阵存储时段t各能源节点间的能流大小，得到能流传输邻接矩阵Pt。
构建能流状态观测矩阵的具体步骤为：
2-3-1)根据能源网络有向图D，按照能流分布构造I×J大小的矩阵X，其中再将V(D)中的地理坐标为(i,j)的能源节点映射到X上，映射方法为：
j'v＝vsort j|{u|i'u∈e∧i'v∈e},e＝(1,L,I-1)，
其中vsort i|{u|u∈V(D)}为节点v按i值在集合V(D)中的排序序号，{u|i'u∈e∧i'v∈e}为映射坐标i’均为e的节点的集合，X中的元素为二元组，分别代表对应能源节点在某一时刻的能流流入、流出状态；
2-3-2)根据时段t的能流传输邻接矩阵Pt，统计各能源节点在时段t的能流流入、流出量，更新X中对应的元素值，并表示为Xt，更新方法为：
其中Pt[v,u]是节点v传输到节点u的能流流量，|·|表示对应集合的累加和；并遍历所有时段，构建出按时序排列的能流状态观测矩阵{Xt∈R2×I×J|t＝0,L,T}，T为时段数量。
将各时段多源外部因素信息融合为外部因素张量的具体步骤为：
2-4-1)根据影响能流分布的外部因素信息，分别对各能源节点在时段t所对应的每一种外部因素信息的不同状态进行独热编码，并将各外部因素信息对应的独热码按顺序拼接成向量，得到各能源节点n的h维外部因素向量en；
2-4-2)根据能流状态观测矩阵对各能源节点的映射关系，构造I×J大小的矩阵Ew，Ew中的元素为对应能源节点n的外部因素向量en某一维w(w＝1,…,h)的值，以此得到表示各能源节点在时段t的h维外部因素状态的外部因素矩阵{Et w|w＝1,L,h}，并按w进行编组，建立时段t对应的外部因素张量{Zt∈Rh×I×J|t＝0,L,T}。
步骤S103：根据能流时空分布张量和外部因素张量构建深度神经网络，提取能流分布空间特征、时序特征和能流分布外部因素特征，并对各特征进行分阶段融合，得到能流时空分布张量预测值。具体步骤为：
3-1-1)根据时间的临近性、周期性和趋势性，基于时段t(t＝0,…,T)，分别按短期\中期\长期时间尺度，抽取时段t的临近时段区间[t-lc·o,t-(lc-1)·o,L,t-o]、周期时段区间[t-lp·p,t-(lp-1)·p,L,t-p]、趋势时段区间[t-lq·q,t-(lq-1)·q,L,t-q]的能流时空分布张量，其中lc、lp、lq分别表示临近、周期、趋势时间尺度的区间长度，o、p、q分别表示临近时差、周期时差、趋势时差，在本实施例中分别设值为1小时、1天、1周，从而得到时段t三个不同时间尺度的能流时空分布张量序列，再分解时段t能流时空分布张量序列中各张量，按空间维度映射到2M通道的I×J矩阵中，得到相应时间尺度的2M通道的能流分布矩阵序列X(l)，并构建深度残差卷积神经网络，输入多时间尺度能流分布矩阵序列X(l)，捕获能流分布空间特征，得到时段t在三个不同时间尺度d上的多时间尺度空间特征张量SS,d,t∈R2M×I×J；
3-1-2)抽取时段t临近时间内连续时序的能流时空分布张量，将各张量分解后得到的2M个能流状态观测矩阵对应的各能源节点状态值，按时序存储为各时段I×J组2M维的状态向量序列，并构建时空循环神经网络，输入状态向量序列以及能流传输邻接矩阵对应的各传输流量值，捕获能流分布时序特征，得到时段t的时序特征张量ST,t∈R2M×I×J；
3-1-3)选取时段t的外部因素张量，分解为h维外部因素矩阵序列，并以外部因素矩阵维度作为输入层神经元数、能流时空分布张量维度作为输出层神经元数，构建全连接神经网络，输入外部因素矩阵序列，捕获能流分布外部因素序特征，提取与能流时空分布张量具有相同维度的外部因素特征张量SE,t∈R2M×I×J；
3-1-4)基于参数矩阵融合多时间尺度空间特征张量为空间特征张量，并与时序特征张量融合为时空特征张量，再将时空特征张量与外部因素特征张量进行融合，得到能流时空分布张量预测值。
捕获能流分布空间特征的具体步骤为：
3-2-1)将输入的2M通道图像矩阵序列X(l)，输入至对应的深度残差卷积神经网络中，经过滤波器和偏置进行卷积运算，计算方法为：
X(l+1)＝f(W(l)*X(l)+b(l))，
其中*代表卷积运算，根据输入图像X(l)输出特征图X(l+1)，f(·)是激活函数，W(l)和b(l)分别是对应滤波器和偏置的参数值，通过深度卷积神经网络由浅层到深层捕获能流分布的空间相关特征，最后由2M组多卷积核生成的2M个特征映射图，反映M种能流网络在时段t的能流分布状态；
3-2-2)通过深度卷积神经网络来捕捉远距离空间相关性的同时，采用残差学习避免训练效率差、梯度下降问题，以两层卷积以及激活函数和正则化操作组成残差网络单元，计算方法为：
X(l+1)＝X(l)+F(X(l)；θ(l))，
其中F(·)表示残差网络单元激活函数，包括卷积激活函数与非线性激活函数，θ(l)代表第l层残差网络单元内的所有网络参数，最终得到时段t在三个不同时间尺度d上的空间相关特征张量SS,d,t∈R2M×I×J。
构建时空循环神经网络的具体步骤为：
3-3-1)根据能源网络有向图D，和时段t及其临近时段区间[t-lR,t-(lR-1),L,t-1]内的能流传输邻接矩阵Pt’(t’＝t-lR,…,t)，建立表示时段t’内各能源节点的初始状态、各能流传输流量的能源系统时空图Gt’，其顶点集合表示各能源节点在对应时段内的能流状态，边集表示对应时段内能源节点间能流传输和能源节点内部能源转换的时序变化关系；
3-3-2)根据时段t’能源系统时空图Gt’，对每一个能源节点，将该节点时段t’-1的能流状态、时段t’流入该节点的能流传输关系，均构建为一个隐藏单元，对于相同类型的能流传输关系和节点时序变化关系，共享一组隐藏单元参数；
3-3-3)将每一个能源节点的所有隐藏单元的隐状态结果以及该节点在该时刻的初始状态值进行融合，再由输出单元进行计算，得出对应每一节点在时段t’的不同类型能流的流入流出状态的2M维预测状态向量。
捕获能流分布时序特征的具体步骤为：
3-4-1)将时段t及其临近时间内各时段的2M维的状态向量序列，以及能流传输邻接矩阵对应的各传输流量值，按时序输入到时空循环神经网络中，根据节点状态值以及传输流量值进行循环计算，计算方法为：
yt＝Whyht，
其中ht i表示该节点第i个隐藏单元在时段t的结果，xt i表示其在时段t的初始状态值，fW i(·)是其对应的权重计算和激活函数，yt表示该节点在时段t的预测状态向量，由各隐藏单元结果的融合结果ht乘以相应系数Why得到；
3-4-2)按照能源网络有向图D编组所有能源节点在时段t的预测状态向量yt，得到时段t的时序特征张量ST,t∈R2M×I×J。
基于参数矩阵融合多时间尺度空间特征张量为空间特征张量的具体方法为：根据不同能源节点对不同时间尺度空间特征的相关程度，对各能源节点的三种时间尺度的空间特征分别初始化几组融合权重超参数，通过训练选取最优参数组合，存储为I×J×3大小的参数矩阵W，用于在预测阶段融合预测时段t的三种时间尺度的空间特征，融合方法为：
其中Wi,j,d为参数矩阵W对应顶点(i,j)的空间特征在第d种时间尺度的融合权重，从而得到融合后的空间特征张量SS,t∈R2M×I×J；
融合空间特征张量和时序特征张量，以及融合时空特征张量与外部因素特征矩阵的方法与上述方法基本类似，分别通过训练得到一个对应的I×J×2大小的参数矩阵进行融合，经过三次融合后，得到时段t的能流时空分布张量预测值
步骤S104：在训练阶段：基于能源节点能流信息和能流分布外部因素信息的历史数据，根据步骤S101至步骤S103按时序计算各时段的能流时空分布张量预测值和对应时段的能流时空分布张量实际值的交叉熵损失值，通过交叉熵损失值迭代更新前述步骤中的神经网络模型参数；在预测阶段：按步骤S101至步骤S103计算并输出能流时空分布张量预测值，作为预测时段各能源节点多种能流分布状态的预测结果。
本实施例中，所述系统包括以下模块：
模块S201：多能流网络数据表示模块；用于输入采集能源节点能流信息和影响能流分布的外部因素信息，并结合能源系统网络拓扑结构转换为表示多能流时空分布的统一规范数据结构的样本；其中表示多能流时空分布的统一规范数据结构包含：能源网络有向图，能流传输邻接矩阵，能流状态观测矩阵、能流时空分布张量、外部因素张量。
模块S202：能流分布空间特征挖掘模块；用于提取区域综合能源系统能流分布空间特征；该模块通过深度残差卷积神经网络对多时间尺度抽取的能流时空分布张量分解序列进行能流分布空间特征提取。
模块S203：能流分布时序特征挖掘模块；用于提取区域综合能源系统能流分布时序特征；该模块通过时空循环神经网络对短期时间尺度抽取的能流时空分布张量分解序列进行能流分布时序特征提取。
模块S204：能流分布外部因素特征提取模块；用于提取区域综合能源系统能流分布外部因素特征；该模块通过全连接神经网络对相应时段的外部因素张量分解序列进行能流分布外部因素特征提取。
模块S205：能流分布特征融合模块；用于融合区域综合能源系统能流分布的空间特征、时序特征和外部因素特征；该通过基于参数矩阵的融合方法分阶段融合区域综合能源系统能流分布的空间特征、时序特征和外部特征。
模块S206：能流分布预测输出模块；输出融合后的能流时空分布张量预测值。该模块在系统训练阶段，将融合得到的能流时空分布张量预测值输出到模块二和模块三用于其中的神经网络模型参数更新；在系统预测阶段，将融合得到的能流时空分布张量预测值输出到目标信息系统或目标显示设备中。
本实施例可以实现综合需求响应下区域多能源系统多种能流分布预测，揭示多能源网络中多种能源供需状态变化趋势。步骤S101综合考虑区域综合能源系统内多种能源的协同运行，与终端综合能源单元内不同能流之间和不同能源节点之间的时空约束、能量惯性、多种能源价格和激励信号引导下的综合需求响应信号以及其他多种外部影响因素信息紧密相关，采集隐含有用信息的历史时空数据。步骤S102实现了多维时空数据和多源异构数据的一致性表达模型的构建，步骤S103借鉴数据驱动思想，基于深度神经网络进行时空特征、外部因素特征的挖掘和多源信息融合，步骤S104面向多种能源和多个网络节点进行能流分布预测，以此指导系统实施精准综合需求响应，实现多能协同耦合互补，提高能源效率，缓解能源环境问题，为系统多能流特性分析、多能源系统稳态分析、多能源网络建模及运行优化、综合能源系统协同规划等任务提供决策依据。
以上对本发明实例所提供的区域综合能源系统能流分布预测方法及系统进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有变化之处。综上所述，本说明书内容不应理解为本发明的限制。
Claims (16)
1.一种区域综合能源系统能流分布预测方法，包括以下步骤：
步骤一：获取区域综合能源系统网络拓扑结构，采集各能源节点能流信息和影响能流分布的外部因素信息；
步骤二：根据网络拓扑结构将各时段能流信息表示为能流时空分布张量，同时将各时段多源外部因素信息融合为外部因素张量；
步骤三：根据能流时空分布张量和外部因素张量构建深度神经网络，提取能流分布空间特征、时序特征和能流分布外部因素特征，并对各特征进行分阶段融合，得到能流时空分布张量预测值；
步骤四：在训练阶段：基于历史数据计算各时段的能流时空分布张量预测值和对应实际值的交叉熵损失值，通过交叉熵损失值迭代更新前述步骤中的神经网络模型参数；在预测阶段：输出能流时空分布张量预测值，作为预测时段各能源节点多种能流分布状态的预测结果。
2.根据权利要求1所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤一中，影响能流分布的外部因素信息包括区域综合能源系统中能源价格信息、能源计划信息、节假日信息、天气信息。
3.根据权利要求1所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤二中，将各时段能流信息表示为能流时空分布张量的具体方法为：基于区域综合能源系统网络拓扑结构和能源节点各时段能流信息，建立能源网络有向图和能流传输邻接矩阵，以此构建能流状态观测矩阵，再根据能流类型属性编组不同能流状态观测矩阵，得到各时段能流时空分布张量。
4.根据权利要求3所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤二中，建立的能源网络有向图的顶点集表示系统内所有能源节点，边集表示能源节点之间的所有连接；建立的能流传输邻接矩阵元素值表示系统各能源节点之间的能流传输的流量。
5.根据权利要求3所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤二中，构建能流状态观测矩阵的具体方法为：根据能源网络有向图和各能源节点坐标构建映射各能源节点能流流入、流出状态的观测矩阵，并根据能流传输邻接矩阵统计各能源节点的能流流入、流出量，更新观测矩阵对应的元素值。
6.根据权利要求1所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤二中，将各时段多源外部因素信息融合为外部因素张量的具体方法为：将各能源节点多源外部因素信息进行融合，得到各能源节点外部因素向量，再根据能流状态观测矩阵对各能源节点的映射关系，建立映射各能源节点的外部因素向量各维状态值的外部因素矩阵，再按状态维度编组各外部因素矩阵，构建外部因素张量。
7.根据权利要求3所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤三的具体步骤为：
3-1)按短期\中期\长期时间尺度抽取能流时空分布张量，将抽取的张量分解得到多时间尺度能流分布矩阵序列，并构建深度残差卷积神经网络，输入多时间尺度能流分布矩阵序列，提取与能流时空分布张量具有相同维度的多时间尺度空间特征张量；
3-2)基于能源网络有向图和能流传输邻接矩阵建立能源系统时空图，以此构建时空循环神经网络，并输入短期时间尺度能流分布矩阵序列，提取与能流时空分布张量具有相同维度的时序特征张量；
3-3)选取对应时段的外部因素张量，分解为外部因素矩阵序列，并以外部因素矩阵维度作为输入层神经元数、能流时空分布张量维度作为输出层神经元数，构建全连接神经网络，输入外部因素矩阵序列，提取与能流时空分布张量具有相同维度的外部因素特征张量；
3-4)基于参数矩阵融合多时间尺度空间特征张量为空间特征张量，并与时序特征张量融合为时空特征张量，再将时空特征张量与外部因素特征张量进行融合，得到能流时空分布张量预测值。
8.根据权利要求7所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤三中，建立的能源系统时空图由顶点集合表示各能源节点在对应时段内的能流状态，边集表示对应时段内能源节点间能流传输和能源节点内部能源转换的时序变化关系。
9.根据权利要求7所述的区域综合能源系统能流分布预测方法，其特征在于，所述步骤三中，基于参数矩阵的融合方法，其中参数矩阵的元素值为融合过程中各能源节点能流与不同特征相关程度的权重。
10.一种区域综合能源系统能流分布预测系统，包括以下模块：
模块一：多能流网络数据表示模块；用于输入采集能源节点能流信息和影响能流分布的外部因素信息，并结合能源系统网络拓扑结构转换为表示多能流时空分布的统一规范数据结构的样本；
模块二：能流分布空间特征挖掘模块；用于提取区域综合能源系统能流分布空间特征；
模块三：能流分布时序特征挖掘模块；用于提取区域综合能源系统能流分布时序特征；
模块四：能流分布外部因素特征提取模块；用于提取区域综合能源系统能流分布外部因素特征；
模块五：能流分布特征融合模块；用于融合区域综合能源系统能流分布的空间特征、时序特征和外部因素特征；
模块六：能流分布预测输出模块；输出融合后的能流时空分布张量预测值。
11.根据权利要求10所述的区域综合能源系统能流分布预测系统，其特征在于，所述模块一中表示多能流时空分布的统一规范数据结构包含：能源网络有向图，能流传输邻接矩阵，能流状态观测矩阵、能流时空分布张量、外部因素张量。
12.根据权利要求10所述的区域综合能源系统能流分布预测系统，其特征在于，所述模块二通过深度残差卷积神经网络对多时间尺度抽取的能流时空分布张量分解序列进行能流分布空间特征提取。
13.根据权利要求10所述的区域综合能源系统能流分布预测系统，其特征在于，所述模块三通过时空循环神经网络对短期时间尺度抽取的能流时空分布张量分解序列进行能流分布时序特征提取。
14.根据权利要求10所述的区域综合能源系统能流分布预测系统，其特征在于，所述模块四通过全连接神经网络对相应时段的外部因素张量分解序列进行能流分布外部因素特征提取。
15.根据权利要求10所述的区域综合能源系统能流分布预测系统，其特征在于，所述模块五通过基于参数矩阵的融合方法分阶段融合区域综合能源系统能流分布的空间特征、时序特征和外部特征。
16.根据权利要求10所述的区域综合能源系统能流分布预测系统，其特征在于，所述模块六在系统训练阶段，将融合得到的能流时空分布张量预测值输出到模块二和模块三用于其中的神经网络模型参数更新；在系统预测阶段，将融合得到的能流时空分布张量预测值输出到目标信息系统或目标显示设备中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810666324.7A CN108879692B (zh) | 2018-06-26 | 2018-06-26 | 一种区域综合能源系统能流分布预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810666324.7A CN108879692B (zh) | 2018-06-26 | 2018-06-26 | 一种区域综合能源系统能流分布预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108879692A true CN108879692A (zh) | 2018-11-23 |
| CN108879692B CN108879692B (zh) | 2020-09-25 |
Family
ID=64294754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810666324.7A Active CN108879692B (zh) | 2018-06-26 | 2018-06-26 | 一种区域综合能源系统能流分布预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108879692B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109740751A (zh) * | 2018-12-24 | 2019-05-10 | 北京中科寒武纪科技有限公司 | 神经网络模型的架构融合方法及相关装置 |
| CN109861220A (zh) * | 2019-03-22 | 2019-06-07 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| CN109948827A (zh) * | 2019-01-17 | 2019-06-28 | 南京伯罗奔尼能源管理有限公司 | 一种基于多能互补的工业用户多能流优化方法 |
| CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
| CN111582356A (zh) * | 2020-04-30 | 2020-08-25 | 中国人民解放军海军航空大学 | 一种目标信息统一表示及关联方法 |
| CN111726243A (zh) * | 2020-05-14 | 2020-09-29 | 华为技术有限公司 | 预测节点状态的方法和装置 |
| CN111881950A (zh) * | 2020-07-10 | 2020-11-03 | 交控科技股份有限公司 | 道岔转辙机电流时间序列的特征表示方法及装置 |
| WO2021036589A1 (zh) * | 2019-08-29 | 2021-03-04 | 腾讯科技（深圳）有限公司 | 人工智能推荐模型的特征处理方法、装置、电子设备及存储介质 |
| CN112747416A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 空调系统能耗预测方法及装置 |
| CN113673846A (zh) * | 2021-08-05 | 2021-11-19 | 湘潭大学 | 一种电力物联网架构下的需量态势感知方法 |
| CN113704363A (zh) * | 2020-05-22 | 2021-11-26 | 百度在线网络技术（北京）有限公司 | 一种权重确定方法、装置、设备及存储介质 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN116957367A (zh) * | 2023-09-21 | 2023-10-27 | 南昌大学 | 综合能源系统运行策略的参数多时间尺度预测方法及系统 |
| CN117391314A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市上融科技有限公司 | 综合场站运营管理平台 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104218673A (zh) * | 2014-08-06 | 2014-12-17 | 国网上海市电力公司 | 电网自动化智能分区方法 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
-
2018
- 2018-06-26 CN CN201810666324.7A patent/CN108879692B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104218673A (zh) * | 2014-08-06 | 2014-12-17 | 国网上海市电力公司 | 电网自动化智能分区方法 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 梅生伟 等: ""多能互补网络建模及动态演化机理初探"", 《全球能源互联网》 * |
| 钱玉麟 等: ""多能流数学建模和控制优化"", 《计算机工程与应用》 * |
| 马瑞 等: ""智慧社区多能流随机响应面模型预测控制方法"", 《电力系统自动化》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859854A (zh) * | 2018-12-17 | 2019-06-07 | 中国科学院深圳先进技术研究院 | 传染病预测方法、装置、电子设备及计算机可读介质 |
| CN109740751A (zh) * | 2018-12-24 | 2019-05-10 | 北京中科寒武纪科技有限公司 | 神经网络模型的架构融合方法及相关装置 |
| CN109740751B (zh) * | 2018-12-24 | 2020-04-14 | 中科寒武纪科技股份有限公司 | 神经网络模型的架构融合方法及相关装置 |
| CN109948827A (zh) * | 2019-01-17 | 2019-06-28 | 南京伯罗奔尼能源管理有限公司 | 一种基于多能互补的工业用户多能流优化方法 |
| CN109861220A (zh) * | 2019-03-22 | 2019-06-07 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
| CN109861220B (zh) * | 2019-03-22 | 2022-07-01 | 西南交通大学 | 电力系统分析用深度卷积神经网络张量输入构建方法 |
| CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
| CN110299005B (zh) * | 2019-06-10 | 2020-11-17 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
| WO2021036589A1 (zh) * | 2019-08-29 | 2021-03-04 | 腾讯科技（深圳）有限公司 | 人工智能推荐模型的特征处理方法、装置、电子设备及存储介质 |
| CN112747416A (zh) * | 2019-10-31 | 2021-05-04 | 北京国双科技有限公司 | 空调系统能耗预测方法及装置 |
| CN111582356A (zh) * | 2020-04-30 | 2020-08-25 | 中国人民解放军海军航空大学 | 一种目标信息统一表示及关联方法 |
| CN111582356B (zh) * | 2020-04-30 | 2022-03-29 | 中国人民解放军海军航空大学 | 一种目标信息统一表示及关联方法 |
| CN111726243B (zh) * | 2020-05-14 | 2021-10-22 | 华为技术有限公司 | 预测节点状态的方法和装置 |
| CN111726243A (zh) * | 2020-05-14 | 2020-09-29 | 华为技术有限公司 | 预测节点状态的方法和装置 |
| CN113704363B (zh) * | 2020-05-22 | 2024-04-30 | 百度在线网络技术（北京）有限公司 | 一种权重确定方法、装置、设备及存储介质 |
| CN113704363A (zh) * | 2020-05-22 | 2021-11-26 | 百度在线网络技术（北京）有限公司 | 一种权重确定方法、装置、设备及存储介质 |
| CN111881950A (zh) * | 2020-07-10 | 2020-11-03 | 交控科技股份有限公司 | 道岔转辙机电流时间序列的特征表示方法及装置 |
| CN111881950B (zh) * | 2020-07-10 | 2024-05-21 | 交控科技股份有限公司 | 道岔转辙机电流时间序列的特征表示方法及装置 |
| CN113673846B (zh) * | 2021-08-05 | 2023-09-12 | 湘潭大学 | 一种电力物联网架构下的需量态势感知方法 |
| CN113673846A (zh) * | 2021-08-05 | 2021-11-19 | 湘潭大学 | 一种电力物联网架构下的需量态势感知方法 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN116937579B (zh) * | 2023-09-19 | 2023-12-01 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN116957367A (zh) * | 2023-09-21 | 2023-10-27 | 南昌大学 | 综合能源系统运行策略的参数多时间尺度预测方法及系统 |
| CN116957367B (zh) * | 2023-09-21 | 2024-01-09 | 南昌大学 | 综合能源系统运行策略的参数多时间尺度预测方法及系统 |
| CN117391314B (zh) * | 2023-12-13 | 2024-02-13 | 深圳市上融科技有限公司 | 综合场站运营管理平台 |
| CN117391314A (zh) * | 2023-12-13 | 2024-01-12 | 深圳市上融科技有限公司 | 综合场站运营管理平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108879692B (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108879692A (zh) | 一种区域综合能源系统能流分布预测方法及系统 | |
| Zhu et al. | Wind speed behaviors feather analysis and its utilization on wind speed prediction using 3D-CNN | |
| Bao et al. | Spatial–temporal complex graph convolution network for traffic flow prediction | |
| CN109285346A (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
| CN109062956A (zh) | 一种面向区域综合能源系统的时空特征挖掘方法 | |
| Khodayar et al. | Deep learning for pattern recognition of photovoltaic energy generation | |
| CN109344992B (zh) | 一种融合时空因素的智能家居用户操控行为习惯建模方法 | |
| Liu et al. | Edge sensing data-imaging conversion scheme of load forecasting in smart grid | |
| CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
| Aheleroff et al. | Digital Twin enabled mass personalization: A case study of a smart wetland maintenance system | |
| CN111242292A (zh) | 基于深度时空网络的od数据预测方法及系统 | |
| CN116128094A (zh) | 一种基于数字孪生的工业园区能量管理系统及方法 | |
| CN116543554A (zh) | 基于动态相关性的时空Transformer交通流预测方法 | |
| CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
| CN116052427A (zh) | 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 | |
| CN107995278B (zh) | 一种基于城域级物联网感知数据的场景智能分析系统与方法 | |
| Wang et al. | SHGCN: a hypergraph-based deep learning model for spatiotemporal traffic flow prediction | |
| Khan et al. | A multi-perspective revisit to the optimization methods of Neural Architecture Search and Hyper-parameter optimization for non-federated and federated learning environments | |
| CN109086312B (zh) | 一种区域综合能源系统多能流网络的数据表示方法及系统 | |
| Ardebili et al. | Digital Twins bonds society with cyber-physical Energy Systems: a literature review | |
| CN117688453B (zh) | 一种基于时空嵌入注意力网络的交通流量预测方法 | |
| Brenner et al. | Learning spatio-temporal aggregations for large-scale capacity expansion problems | |
| Li et al. | Deep neural network-embedded Internet of Social Computing Things for sustainability prediction | |
| CN115311864A (zh) | 一种基于多视角动态图卷积网络的交通流预测方法 | |
| Mollaiy Berneti | A hybrid approach based on the combination of adaptive neuro-fuzzy inference system and imperialist competitive algorithm: oil flow rate of the wells prediction case study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |