CN111191856B - 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 - Google Patents

Abstract

本发明公开计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，包括步骤：S1.分别对电、冷、热负荷提取对应的静态特征；S2.通过基于长短期记忆网络的编码解码框架LSTMED模型分别对电、冷、热负荷提取对应的动态特征；S3.将得到的静态特征和动态特征与当前时刻气象特征相结合，形成扩展的特征矩阵；S4.基于扩展特征矩阵对梯度提升树GBDT模型进行训练；S5.将获得的多能负荷预测模型在实际数据集上进行测试。本发明能提供高精度的超短期多能负荷预测结果，及多时间尺度的短期多能负荷预测结果。

Description

计及时序动态特性和耦合特性的区域综合能源系统多能负荷 预测方法

技术领域

本发明涉及区域综合能源的冷、热、电负荷预测，具体涉及一种计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法。

背景技术

区域综合能源系统可以使能源供应多样化，促进能源产业升级。面对化石能源危机、气候变化和环境污染的挑战，RIES已成为国际能源领域的一个重要战略方向。负荷预测是保证能源系统可靠经济运行的前提和基础。在综合能源服务与泛在电力物联网融合发展的背景下，精确的能源预测在提升能源调度和管理技术、促进综合能源服务平台建设中的地位更加凸显。传统负荷预测方法主要集中在电力负荷、冷负荷、热负荷等某一类型负荷上，将动态不确定性建模问题转化为静态确定性建模问题。在综合能源系统多种能源互联的情况下，多能负荷预测不仅具有负荷本身的周期性和时间序列特性，而且增加了不同类型负荷之间的耦合特性。因此，基于以上负荷特性，研究多能负荷预测模型，为区域综合能源系统的规划和运行提供有效的数据支持，具有重要现实意义和经济价值。

发明内容

本发明的目的在于解决负荷预测中遇到的时序特征动态建模和区域综合能源多能互联耦合问题，提供一种考虑时序动态特性、耦合特性的区域综合能源系统多能负荷预测方法(MELF_TDCC)，该方法可实现对多种能源互联情况下的多能负荷预测建模和预测精度的提高。

为解决所述的技术问题，本发明所采用的技术方案如下:

一种计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，包括如下步骤：

S1.分别对电、冷、热负荷提取对应的静态特征；

S2.通过基于长短期记忆网络的编码解码框架LSTMED模型分别对电、冷、热负荷提取对应的动态特征；

S3.将得到的静态特征和动态特征与当前时刻气象特征相结合，形成扩展的特征矩阵；

S4.基于扩展特征矩阵对梯度提升树GBDT模型进行训练，获得多能负荷预测模型；

S5.将多能负荷预测模型在实际数据集上进行测试。

步骤中1中对电、冷、热负荷提取对应的静态特征，按如下步骤进行：

S11，提取电负荷、冷负荷和热负荷的周期特征、近因效应特征；

周期特征的提取是通过对电负荷、冷负荷和热负荷分别取当前时刻的前1天、前2天、前3天同一时刻的负荷值，即周期特征矩阵FP＝{L_d-3,t,L_d-2,t,L_d-1,t}；

近因效应特征的提取是通过提取当前时刻的前6个时刻的温度、湿度和负荷值，即近因效应特征矩阵FR＝{T_d,t-6,T_d,t-5,T_d,t-4,T_d,t-3,T_t-2,d,T_d,t-1；H_d,t-6,H_d,t-5,H_d,t-4,H_d,t-3,H_t-2,d,H_d,t-1；L_d,t-6,L_d,t-5,L_d,t-4,L_d,t-3,L_t-2,d,L_d,t-1}；

其中，d、t分别表示第d天、第t个时刻，T、H、E、C、H分别表示温度、湿度、电负荷、冷负荷和热负荷，L则表示电负荷、冷负荷或者热负荷中的一种；

S12，提取电负荷、冷负荷和热负荷的耦合特征；

耦合特征的提取是通过提取当前时刻的前1时刻电负荷、冷负荷和热负荷的3次多项式，即耦合特征值是通过公式FC＝{E_d,t-1*C_d,t-1*H_d,t-1}计算得到的。

步骤中2中动态特征提取采用如下步骤：

S21，构建基于长短期记忆网络的编码解码框架LSTMED模型；

LSTM模型的细胞单元包含遗忘门、输入门和输出门，通过门控机制实现长时依赖，细胞单元各状态变化实现通过如下公式；

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (2)

O_t＝σ(W_o·[h_t-1,x_t]+b_o) (5)

h_t＝O_t*tanh(C_t) (6)

其中，W_f、W_i、W_o、W_C、b_f、b_i、b_o、b_C分别表示网络激活函数输入的权重矩阵和偏执矩阵，σ(·)表示sigmoid函数，[·]表示两个向量拼接组合，符号*表示元素相乘；

S22，提取时序动态特征；

分别针对电负荷、冷负荷和热负荷，将当前时刻的前3个时刻负荷值作为时间序列样本输入到基于长短期记忆网络的编码解码框架LSTMED模型中，并通过最小化均方误差损失函数，得到Encoder-Decoder的6维向量表示，即为负荷的潜在时序动态特征，即时序动态特征矩阵FT＝{L_t-3,L_t-2,L_t-1}。

其中，步骤中3中扩展特征矩阵是通过将矩阵FP、FR、FC、FT与当前时刻的气象特征FM＝{T_d,t,H_d,t}合并组成，即扩展特征矩阵Ext＝{FP,FR,FC,FT,FM}。

其中，步骤中4中将步骤3中得到的扩展特征矩阵Ext作为GBDT模型的输入，并设置损失函数为最小二乘回归损失函数，学习率设为0.01，GBDT模型通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器损失函数的负梯度方向上进行训练，当达到预设迭代次数结束模型训练；本发明是通过1500个弱学习器来完成学习任务。

其中，步骤中4中，选取如下三个指标对多能负荷预测模型的精度进行评估：

其中，n表示样本点数，y_t表示t时刻的实际负荷值，表示t时刻的预测负荷值。

其中，步骤中5中，将多能负荷预测模型在实际数据集上进行测试，包括：将多能负荷预测模型在实际数据集上进行提前1小时的超短期多能负荷预测，以及将多能负荷预测模型在实际数据集上进行短期多时间尺度滚动多能负荷预测。

本发明在多能负荷预测方面，达到以下有益效果：

(1)高精度的超短期多能负荷预测结果，能够为综合能源系统提前1小时的调度任务提供有效的数据支撑；

(2)多时间尺度的短期多能负荷预测结果，能够为综合能源系统24h内的逐时调度任务(含日前调度)提供有效的数据支撑。

附图说明

图1为LSTMED模型示意图；

图2为多能负荷预测模型功能实现流程图；

图3a，图3b分别为基准模型M1与模型M2-M5的结构对比示意图；

图4a，图4b分别为M1-M5五个模型在两个时间(8月3日，8月16日)跨度为24小时的样本集上预测曲线与实际曲线的比较图；

图5a，图5b，图5c分别为M1-M5五个模型的电、冷、热负荷预测误差比较图；

图6为电、冷、热负荷多时间尺度滚动预测的MAPE(平均绝对百分比误差)误差趋势图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明提出的计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，包含如下步骤：

步骤1，数据集划分

本发明实施例所用数据集时间跨度是从2011年9月1日到2012年8月31日，包括的数据属性项为干球温度、湿球温度、相对湿度、历史电负荷、冷负荷和热负荷。将原始数据集分为训练集和测试集，其中，训练集时间跨度为2011年9月1日至2012年7月31日，测试集时间跨度为2012年8月1日至2012年8月31日。

步骤2，特征工程

考虑同类负荷自身固有的周期性、近因效应特性和时间序列特性及不同类型负荷间的交叉耦合特性，分别对测试集提取电、冷、热负荷的静态特征和动态特征，各特征的属性项如表1(扩展特征矩阵对应的属性项集合列表)所示。

表1

表中，d、t分别表示第d天、第t个时刻，T、H、E、C、H分别表示温度、湿度、电负荷、冷负荷和热负荷，L则表示电负荷、冷负荷或者热负荷中的一种。例如L_d-3,t代表第d-3天t时刻的负荷(电、冷或热)。FT₁、FT₂分别表示(L_t-3,L_t-2,L_t-1)通过模型LSTM和LSTMED得到的特征向量或矩阵。

动态特征提取过程采用的是2层LSTM模型和Encoder-Decoder框架构建的LSTMED模型，其中LSTM的神经元个数为(128，128)，激活函数为relu，优化器为adam，同时加入dropout机制防止过拟合。

LSTMED模型的结构，如图1所示，将LSTM模型与Encoder-Decoder相结合，提出了一种基于LSTMED的负荷动态时序特征提取方法。LSTMED是一种基于LSTM的编解码模型，它既可以利用LSTM模型实现序列建模，同时也可以通过编解码框架重构输入序列。将LSTMED应用于区域性多能源负荷的特征提取任务中，将有效地实现负荷时间动态特性的建模，而负荷时间动态特性正是负荷的重要特性之一，从而充分挖掘出多能负荷预测中潜在的高维时间动态特性。将历史负荷序列作为编码器的输入和解码器的输出，通过对编码过程和解码过程进行联合训练，使误差函数最小，得到代表负荷序列高维时序特征的向量表示c。

其中，在提取时序动态特征时，利用python对负荷序列进行数据格式转换，使其满足LSTMED输入格式要求，具体过程为：从原始负荷序列中取出第1-3个时刻的数据作为第一个样本，此时该样本的数据形状是(1,3,1)，表示一个序列长度为3的一维张量；从原始负荷序列中取出第2-4个时刻的数据第二个样本作为第二个样本；以此类推，将原始负荷向量转换成(m,3,1)的样本集，其中m表示样本数。然后将得到的新样本集作为LSTMED模型的输入，并通过最小化均方误差损失函数，得到Encoder-Decoder的6维向量表示，即为负荷的潜在时序动态特征，即时序动态特征矩阵FT₂。

步骤3，构建和训练适用于提前1小时超短期预测场景的对比模型

传统负荷预测方法中特征矩阵的构造过程只考虑表1中的气象特征、周期特征和近因效应特征，而LSTM得到的时间序列特征p₁已加入到近期的负荷预测方法中，如图1所示。此外，在研究多能源负荷预测方法时，不仅要考虑负荷的固有特性，还要考虑不同类型负荷之间的耦合特性。因此，本专利在多能源负荷预测模型的训练过程中加入了动态特性和耦合特性。同时，为了验证混合模型与GBDT的高维时间动态特性、耦合特性和特征融合层的有效性，建立了包括基准模型在内的五个比较模型。

所采用的比较模型、对应的特征项集和混合模型如表2(M1-M5五个对比模型集对应的特征和融合的模型列表)和图2所示。

表2

表2中初始特征包括气象特征、周期特征和近因效应特征。FCNN是指全联接神经网络模型。其中，M1是参考目前较为先进的预测思想构建的基准模型。M1的输入矩阵由气象、周期和近因效应特征组成，称为原始特征；

输入矩阵分两步输入：第一步，将由历史负荷组成的近期特征矩阵作为LSTM的输入，得到初步的预测结果FT₁。在第二步中，将第一步得到的结果FT1与气象特征和周期特征拼接输入到FCNN中，得到最终的预测结果。

M2用GBDT模型代替M1的全连通网络，M3和M4在M2的基础上分别加入耦合特征矩阵和动态特征矩阵FT₂，M5则在M2的基础上同时加入耦合特征矩阵和动态特征矩阵。M5正是本发明提出的计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测模型，请参考图3a，图3b所示。

步骤4，对提前1小时超短期预测模型进行测试

为了验证步骤3训练得到的MELF_TDCC模型的有效性和准确性，对测试集进行与步骤2和步骤3相同的特征处理过程，得到M1、M2、M3、M4、M5在测试集上的预测效果对比情况。

其中，五个模型得到的电负荷、冷负荷和热负荷的预测曲线与实际负荷曲线对比情况如图4a，图4b所示。

为了清楚地观察五个模型的预测结果，从测试集中随机提取的两个时间跨越为24小时的子样本集。子样本集1是8月3日00：00到8月3日23:00，子样本集2是8月16日00:00到8月16日23：00，如图4a，图4b所示。

两个子样本集的对比曲线反映了M1得到的预测曲线与实际负荷曲线拟合效果最差，而M5得到的预测曲线与实际负荷曲线拟合效果最佳，这证实了所提出的MELF_TDCC模型能产生更准确的预测。

为了详细分析五个模型在测试集上的预测性能，根据电负荷、冷负荷和热负荷的预测结果，分别计算了RMSE、TIC和MAPE三个误差指标，其柱状图如图5a、图5b、图5c所示。图5a、图5b、图5c分别表示电负荷、冷负荷和热负荷的误差指标。在小矩形中添加不同的颜色以区分MAPE、RMSE和TIC。矩形顶部的数字表示相应的负荷值。(为了实现不同单位间对比，将冷负荷和热负荷的RMSE除以1000)。

由图5a、图5b、图5c可以看出，M1-M5模型对电、冷、热负荷预测误差由小到大的顺序为M5<M4、M3<M2<M1。5种模型对电负荷、冷负荷和热负荷的预测误差趋势一致。与M1相比，M2、M3、M4、M5的预测误差均有不同程度的减小也就是说，交叉耦合特性、高维动态特性和GBDT模型有助于提高多能负荷预测的精度。

步骤5，构建多时间尺度的短期预测模型和测试

将步骤4中得到的最优模型M5，即本发明提出的MELF_TDCC模型的功能扩展到多时间尺度的滚动预测。通过选择不同的时间步长，从而实现多个时间尺度的滚动预测。电负荷、冷负荷和热负荷多时间尺度滚动预测的MAPE误差趋势如图6所示。

图6显示了随着时间尺度从1小时增加到24小时测试集上电负荷、冷负荷和热负荷的预测值与滚动预测的MAPE值。

其中，散点是MELF_TDCC在X轴对应的时间尺度上的预测误差，曲线是对散点误差的拟合结果。

由图6可以看出，当时间尺度为1小时时，电负荷的MAPE小于冷、热负荷的MAPE；而当时间尺度为2小时到4小时时，电负荷的MAPE位于冷、热负荷的MAPE之间；当时间尺度为5小时以上时，冷、热负荷的MAPE均远小于电负荷的MAPE值，这可能是由于电负荷对历史能耗的依赖性高于冷、热负荷。

总体来说，随着时间尺度的增大，电负荷、冷负荷和热负荷的MAPE趋势是先增大后趋于平稳。

以上分析，可以看出，本发明提供的计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，通过考虑多能互联情况下，同类负荷自身固有的周期特性、近因效应特性和时序动态特性及不同类型负荷间的耦合特性，实现区域综合能源系统多能负荷高精度预测。此外，利用逐时滚动预测方法，能实现24h内多能负荷多时间尺度预测。

以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，包括如下步骤：

S1.分别对电、冷、热负荷提取对应的静态特征；静态特征包括分别取当前时刻的前1天、前2天、前3天同一时刻的负荷值形成的周期特征矩阵FP、提取当前时刻的前6个时刻的温度、湿度和负荷值形成的近因效应特征矩阵FR以及提取当前时刻的前1时刻电负荷、冷负荷和热负荷的3次多项式形成的耦合特征FC；

S2.通过LSTM和基于长短期记忆网络的编码解码框架LSTMED模型分别对电、冷、热负荷提取对应的动态特征，包括时序动态特征FT₁以及高维时序动态特征FT₂，将由历史负荷组成的近期特征矩阵作为LSTM的输入，得到时序动态特征FT₁，将当前时刻前3个时刻负荷值作为时间序列样本输入到基于长短期记忆网络的编码解码框架LSTMED模型中得到Encoder-Decoder的6维向量表示作为高维时序动态特征FT₂；

S3.将得到的静态特征和动态特征与当前时刻气象特征相结合，形成扩展的特征矩阵；扩展的特征矩阵是通过将矩阵FP、FR、FC、FT₂与当前时刻的气象特征FM合并组成，扩展特征矩阵Ext＝{FP,FR,FC,FT₂,FM}；

S4.基于扩展特征矩阵对梯度提升树GBDT模型进行训练，获得多能负荷预测模型；

S5.将多能负荷预测模型在实际数据集上进行测试：将多能负荷预测模型在实际数据集上进行提前1小时的超短期多能负荷预测，以及将多能负荷预测模型在实际数据集上进行短期多时间尺度滚动多能负荷预测。

2.根据权利要求1所述计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，步骤S1中，对电、冷、热负荷提取对应的静态特征，按如下步骤进行：

S11，提取电负荷、冷负荷和热负荷的周期特征、近因效应特征；

周期特征的提取是通过对电负荷、冷负荷和热负荷分别取当前时刻的前1天、前2天、前3天同一时刻的负荷值，即周期特征矩阵FP＝{L_d-3,t,L_d-2,t,L_d-1,t}；

近因效应特征的提取是通过提取当前时刻的前6个时刻的温度、湿度和负荷值，即近因效应特征矩阵FR＝{T_d,t-6,T_d,t-5,T_d,t-4,T_d,t-3,T_d,t-2,T_d,t-1；H_d,t-6,H_d,t-5,H_d,t-4,H_d,t-3,H_d,t-2,H_d,t-1；L_d,t-6,L_d,t-5,L_d,t-4,L_d,t-3,L_d,t-2,L_d,t-1}；

其中，d、t分别表示第d天、第t个时刻，T、H、E、C、H分别表示温度、湿度、电负荷、冷负荷和热负荷，L则表示电负荷、冷负荷或者热负荷中的一种；

S12，提取电负荷、冷负荷和热负荷的耦合特征；

耦合特征的提取是通过提取当前时刻的前1时刻电负荷、冷负荷和热负荷的3次多项式，即耦合特征值是通过公式FC＝{E_d,t-1*C_d,t-1*H_d,t-1}计算得到的。

3.根据权利要求2所述计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，步骤S2中，高维时序动态特征FT₂提取采用如下步骤：

S21，构建基于长短期记忆网络的编码解码框架LSTMED模型；

LSTM模型的细胞单元包含遗忘门、输入门和输出门，通过门控机制实现长时依赖，细胞单元各状态变化实现通过如下公式：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (2)

O_t＝σ(W_o·[h_t-1,x_t]+b_o) (5)

h_t＝O_t*tanh(C_t) (6)

其中，W_f、W_i、W_o、W_C、b_f、b_i、b_o、b_C分别表示网络激活函数输入的权重矩阵和偏执矩阵，σ(·)表示sigmoid函数，[·]表示两个向量拼接组合，符号*表示元素相乘；

S22，提取高维时序动态特征FT₂

分别针对电负荷、冷负荷和热负荷，将当前时刻的前3个时刻负荷值作为时间序列样本输入到基于长短期记忆网络的编码解码框架LSTMED模型中，并通过最小化均方误差损失函数，得到Encoder-Decoder的6维向量表示，即为负荷的潜在时序动态特征，即时序动态特征矩阵FT₂＝{L_t-3,L_t-2,L_t-1}。

4.根据权利要求3所述计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，步骤S3中，当前时刻的气象特征FM＝{T_d,t,H_d,t}。

5.根据权利要求1所述计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，步骤S4中，梯度提升树GBDT模型通过构建并结合多个学习器来完成学习任务，每一次建立单个学习器时，是在之前建立的模型的损失函数的梯度下降方向。

6.根据权利要求1所述计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，步骤S4中，选取如下三个指标对多能负荷预测模型的精度进行评估：

其中，n表示样本点数，y_t表示t时刻的实际负荷值，表示t时刻的预测负荷值。