CN111950793A - 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 - Google Patents
一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 Download PDFInfo
- Publication number
- CN111950793A CN111950793A CN202010824705.0A CN202010824705A CN111950793A CN 111950793 A CN111950793 A CN 111950793A CN 202010824705 A CN202010824705 A CN 202010824705A CN 111950793 A CN111950793 A CN 111950793A
- Authority
- CN
- China
- Prior art keywords
- load
- sequence
- cold
- prediction
- historical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000008878 coupling Effects 0.000 title claims abstract description 23
- 238000010168 coupling process Methods 0.000 title claims abstract description 23
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 230000000737 periodic effect Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000003637 basic solution Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000035802 rapid maturation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，具体包括以下步骤：1)综合能源系统历史数据预处理；2)多元负荷模态分解；3)建立多元负荷多任务学习预测模型；4)多元负荷预测误差补偿；本发明采用自适应局部迭代滤波分解方法对历史冷、热、电负荷时间序列进行分解，在此基础进行重构得到各个负荷的周期序列、波动序列与趋势序列，可以降低多元负荷时间序列的复杂度与非平稳性，在数据层面实现模型预测精度的提升。
Description
技术领域
本发明涉及综合能源系统多元负荷预测领域，尤其涉及一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，为综合能源系统多元负荷预测提供一种方法。
背景技术
随着全球环境污染的日趋严重，可再生能源发电技术的迅速成熟，综合能源系统依靠具有能量梯级利用、可再生能源的高效消纳等优点，受到人们越来越多的关注。
综合能源系统是指一定区域内利用先进的物理信息技术和创新管理模式，整合区域内煤炭、石油、天然气、电能、热能等多种能源，实现多种异质能源子系统之间的协调规划、优化运行，协同管理、交互响应和互补互济。在满足系统内多元化用能需求的同时，要有效地提升能源利用效率，促进能源可持续发展的新型一体化的能源系统。
综合能源系统作为一种可以为能源用户同时提供多种类型能源服务的系统，是能源互联网的实际物理载体。但是由于纳入冷、热、电等多种能源使得能源系统的耦合性也增强；其次能源生产与消费快速市场化，综合能源系统对能源调度的实时性要求越来越高，这些都对综合能源系统多元负荷预测的准确性与可靠性提出了更高的要求，因此精确的多元负荷预测成为能否实现综合能源系统经济运行与优化调度的关键。
现有的综合能源系统负荷预测方法多未考虑不同类型负荷之间的耦合特性，并且没有对负荷预测误差进行相应的误差补偿，导致最后的综合能源系统多元负荷预测精度较低。因此如何对综合能源系统多元负荷进行准确的预测成为亟需解决问题。
发明内容
本发明的目的在于克服现有的综合能源系统多元负荷预测方法未考虑不同类型负荷之间的耦合特性，并且没有对负荷预测误差进行相应的误差补偿的缺点，本提供了预测精度较高、考虑多元负荷耦合特性并且进行相应预测误差补偿的一种考虑多元负荷耦合特性及预测误差补偿的综合能源系统负荷预测方法。
本发明通过以下技术方案来实现上述目的：一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，具体包括以下步骤：
1)综合能源系统历史数据预处理
首先对综合能源系统历史负荷数据及对应的历史气象数据、日期信息进行缺失值检验与填补，并对历史负荷与气象数据进行最大-最小规范化处理；其次使用皮尔逊相关系数选取对历史负荷影响较大的气象特征；最后在此基础上将历史冷、热、电负荷数据排成时间序列；
2)多元负荷模态分解
首先采用自适应局部迭代滤波分解ALIF方法分别对历史冷、热、电负荷时间序列进行分解，分别得到冷、热、电负荷具有不同频段的模态函数与剩余分量；在此基础上分别将多元负荷的模态函数根据样本熵值进行重构形成周期序列、波动序列与趋势序列。
3)建立多元负荷多任务学习预测模型
首先将多元负荷周期序列、波动序列以及趋势序列与对应历史气象数据以及日期信息组合以此划分为训练集与测试集用于模型训练与测试，然后分别使用长短期记忆网络LSTM模型对训练集进行多任务学习训练，实现冷、热、电负荷、气象及日期之间耦合信息的共享，分别得到各个序列的预测模型；接着将同种负荷各个序列预测模型的预测结果进行求和重构，分别得到冷、热、电负荷的初始负荷预测结果；最后使用综合能源系统实际历史负荷序列与初始负荷预测结果构造多元负荷预测误差序列。
4)多元负荷预测误差补偿
首先使用门控循环单元网络GRU算法对冷、热、电负荷预测误差序列进行多任务学习的训练，建立误差预测模型进行误差预测；其次分别将多元负荷初始负荷预测结果与误差预测结果求和重构，得到多元负荷最终的预测结果，最后对多元负荷最终的预测结果进行反归一化即得到实际预测结果。
进一步，所述步骤1)中综合能源系统历史数据预处理步骤为：
1.1)首先获取综合能源系统的历史冷、热、电负荷数据、历史气象数据与日期信息，其中气象数据包括温度值、湿度值、风速，辐照度、降水情况，日期信息使用1,2,3…7代表星期一至星期日以区分工作日与非工作日，对以上历史负荷数据及对应的历史气象数据进行缺失值检验与填补，并利用最大-最小规范化处理对历史负荷数据与历史气象数据进行处理，具体如下式所示：
式中，x'为特征规范化后的值；x为特征原始值；xMIN为原始特征最小值；xMAX为原始特征最大值；
1.2)对步骤1.1)中经过规范化处理之后的数据进行气象特征筛选，为充分考虑气象因素对历史冷、热、电负荷的影响，采用皮尔逊相关系数分析历史气象数据与多元负荷之间的相关性，筛选出对综合能源系统负荷影响较大的气象特征，分别计算冷、热、电负荷与各个气象特征之间的相关性，分别将每个气象特征与三种负荷的相关性求和得到该气象特征总相关性值，根据气象特征总相关性值完成气象特征的筛选；
1.3)将步骤1.1)中经过数据预处理的历史冷、热、电负荷数据按采样时间排成时间序列，得到历史冷、热、电负荷时间序列，其中：
历史冷负荷时间序列为Pcold＝[Pcold(1),Pcold(2),...,Pcold(n)]，
历史热负荷时间序列Pheat＝[Pheat(1),Pheat(2),...,Pheat(n)]，
历史电负荷时间序列为Pelect＝[Pelect(1),Pelect(2),...,Pelect(n)]，
其中n为一个负荷时间序列所包含的数据个数。
再进一步，所述步骤2)中，综合能源系统多元负荷模态分解的步骤为：
2.1)对步骤1)中的历史冷、热、电负荷时间序列采用自适应局部迭代滤波分解(ALIF)方法进行分解，分别得到冷、热、电负荷具有不同频段的模态函数与剩余分量；其中自适应局部迭代滤波分解又可以分为内循环过程与外循环过程，同时为了实现自适应局部迭代滤波，选取根据不同滤波区间上Fokker-Planck方程的基础解系构造具有自适应功能的滤波函数；
2.2)对步骤2.1)中的多元负荷各个模态函数计算样本熵值，将各种负荷样本熵值相近的模态函数进行重构得到新的序列，形成各种负荷的周期序列、波动序列与趋势序列，其中冷负荷的周期序列
波动序列
与趋势序列
热负荷周期序列
波动序列
与趋势序列
电负荷周期序列
波动序列
与趋势序列
进一步，所述步骤3)中建立多元负荷多任务学习预测模型的步骤为：
3.1)将步骤1)与步骤2)中得到的多元负荷周期序列、波动序列以及趋势序列与对应历史气象数据以及日期信息组合得到多元负荷数据集，划分为训练集与测试集，分别用于模型的训练与测试；
3.2)将步骤3.1)得到的训练集输入模型进行训练，使用LSTM模型对多元负荷的周期序列、波动序列以及趋势序列分别进行多任务学习的训练，得到各个序列对应的预测模型，具体方法为借助LSTM算法进行多任务学习以实现综合能源系统的多元负荷预测，使冷热电负荷预测任务实现参数共享，以此实现能源系统多元负荷之间耦合信息的共享；
3.3)所述步骤3.2)中使用LSTM模型对冷、热、电负荷各序列
进行多任务学习训练与预测，其中下标j＝cold,heat,elect表示负荷类型，上标i＝1,2,3分别代表周期序列、波动序列以及趋势序列；具体原理为利用t时刻前m个点的冷、热、电负荷数据预测下一个时刻点即t时刻的冷、热、电负荷，冷、热、电负荷预测每次训练的输入与输出数据如下所示：
式(2)中t＝m+1,m+2,...,n，结合日期信息date，使用date＝1,2,...,7代表星期一至星期日；t-1时刻实时气象数据作为预测t时刻负荷时输入模型的气象特征weather(t)＝[T,h,ws,ir]，其中T为温度值，h为湿度值，ws为风速，ir为辐照度；最终输入模型特征为：
模型输出为：
使用经过训练的LSTM模型进行多任务预测:
LSTMi代表不同序列经过多任务学习训练得到的模型，最终多元负荷不同序列经过模型的预测结果为
t＝1,2,...,n，上标i＝1,2,3代表不同序列。
3.4)对步骤3.3)中的冷、热、电各个序列的预测结果分别求和重构，则重构之后的冷、热、电负荷预测结果可以表示为：
模型的初始冷负荷预测结果为：
模型的初始热负荷预测结果为：
模型的初始热负荷预测结果为：
3.5)结合步骤3.4)预测结果并且考虑实际的冷、热、电负荷值为Pcold(t)，Pheat(t)，Pelect(t)，t＝1,2,...,n，则可以的到冷负荷预测误差序列：
同理得热负荷预测误差序列：Eheat＝[eheat(1),eheat(2),...,eheat(n)]；
同理可得电负荷预测误差序列：Eelect＝[eelect(1),eelect(2),...,eelect(n)]。
更进一步，所述步骤4)中多元负荷预测误差补偿具体步骤为：
4.1)对步骤3)中各种负荷的预测误差序列使用GRU算法多任务学习的方式进行训练与预测，冷、热、电负荷预测误差序列的特征维度k,具体原理为利用t时刻前k个点的冷、热、电负荷预测误差数据预测下一个时刻点即t时刻的冷、热、电负荷预测误差，使用GRU算法进行误差预测模型训练，输入数据和输出数据分别表示为：
输入数据：
X(t)＝[xcold(t),xheat(t),xelect(t),weather(t),date] (7)
其中：
输出数据：
yerror(t)＝[ecold(t),eheat(t),eelect(t)] (9)
4.2)利用所述步骤4.1)训练所得的GRU模型进行多元负荷预测误差的预测，预测结果
GRU代表经过多任务学习训练的的模型，最终负荷误差预测结果为
t＝1,2,...,n，模型的冷负荷误差预测结果为：
4.3)结合步骤4.2)误差预测结果与步骤3)初始负荷预测结果，
冷负荷最终的预测结果：
热负荷最终的预测结果：
电负荷最终的预测结果：
将多元负荷最终的预测结果反归一化，得到实际的多元负荷预测结果。
本发明的有益效果在于：
(1)本发明采用自适应局部迭代滤波分解方法即ALIF方法对历史冷、热、电负荷时间序列进行分解，在此基础进行重构得到各个负荷的周期序列、波动序列与趋势序列，可以降低多元负荷时间序列的复杂度与非平稳性，在数据层面实现模型预测精度的提升；
(2)本发明充分考虑了综合能源系统多元负荷之间的耦合特性，以及多元负荷与气象特征的相关性，使用多任务学习的方式可以更好的实现冷、热、电负荷预测任务之间的参数共享，以此实现能源系统多元负荷之间耦合信息的共享，使多元负荷各自预测任务获取多余隐含的信息实现预测精度的提升；
(3)本发明还从模型预测误差方面进行了考量，考虑模型本身存在预测误差以及模态分解存在误差，对模型的预测误差进行补偿，以此实现模型的多元负荷预测精度进一步提升。
附图说明
图1是本发明一种考虑多元负荷耦合特性综合能源系统负荷预测方法的流程图。
图2是本发明一种综合能源系统多元负荷预测模型的训练以及测试流程图。
具体实施方式
结合附图对本发明的实施作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
参照附图1与附图2，一种考虑多元负荷耦合特性及预测误差补偿的综合能源系统负荷预测方法，所述预测方法包括以下步骤：
1)综合能源系统历史数据预处理
首先对综合能源系统历史负荷数据及对应的历史气象数据、日期信息进行缺失值检验与填补，并对历史负荷与气象数据进行最大-最小规范化处理；其次使用皮尔逊相关系数选取对历史负荷影响较大的气象特征；最后在此基础上将历史冷、热、电负荷数据排成时间序列得到历史冷、热、电负荷序列；
2)多元负荷模态分解
首先对历史冷、热、电负荷序列分别采用自适应局部迭代滤波分解(ALIF)方法进行分解，得到冷、热、电负荷具有不同频段的模态函数与剩余分量；随后在此基础上分别将多元负荷的模态函数根据样本熵值进行重构形成周期序列、波动序列与趋势序列。
3)建立多元负荷多任务学习预测模型
首先分别使用LSTM模型对多元负荷的周期序列、波动序列以及趋势序列进行多任务学习的训练，实现冷、热、电负荷之间耦合信息的共享，分别得到各个序列的预测模型；接着将同种负荷各个序列预测模型的预测结果进行求和重构，分别得到冷、热、电负荷的初始负荷预测结果；最后使用综合能源系统实际历史负荷序列与初始负荷预测结果构造多元负荷预测误差序列。
4)多元负荷预测误差补偿
首先使用GRU算法对冷、热、电负荷预测误差序列进行多任务学习的训练，建立误差预测模型进行误差预测；其次分别将多元负荷初始负荷预测结果与误差预测结果求和重构，得到多元负荷最终的预测结果，最后对多元负荷最终的预测结果进行反归一化即得到实际预测结果。
本实例为北方某工业园综合能源系统，该能源系统所包含的负荷类型有冷负荷、热负荷、电负荷，在考虑多元负荷耦合特性与预测误差补偿的情况下，以综合能源系统负荷预测方法为例。
本发明考虑多元负荷耦合特性及预测误差补偿的综合能源系统负荷预测方法如图1所示，由如下步骤组成：
步骤1，综合能源系统历史数据预处理
首先综合能源系统的历史冷、热、电负荷数据、历史气象数据与日期信息采样频率为15min/次，其中天气数据包括温度值，湿度值、风速、辐照度、降水情况等，日期信息使用1,2,3…7代表星期一至星期日以区分工作日与非工作日，随即对以上历史负荷数据及对应的历史气象数据进行缺失值检验以及缺失值填补，并利用最大-最小规范化处理对历史负荷数据与历史气象数据进行处理，具体如下式所示：
式中，x'为特征规范化后的值；x为特征原始值；xMIN为原始特征最小值；xMAX为原始特征最大值；
随后对经过规范化处理之后的数据进行气象特征筛选，为充分考虑气象因素对历史冷、热、电负荷的影响，采用皮尔逊相关系数分析历史气象数据与多元负荷之间的相关性，筛选出对多元负荷影响较大的气象特征输入模型，分别计算冷、热、电负荷与各个气象特征之间的相关性，其次分别将每个气象特征与三种负荷的相关性求和得到该气象特征总相关性值，根据气象特征总相关性值完成气象特征的筛选，经过筛选保留温度值，湿度值、风速、辐照度这四个相关性高的气象特征；
最后将经过数据预处理的历史冷、热、电负荷数据按采样时间排成时间序列，得到历史冷、热、电负荷时间序列，其中：历史冷负荷时间序列为Pcold＝[Pcold(1),Pcold(2),...,Pcold(n)]，历史热负荷时间序列Pheat＝[Pheat(1),Pheat(2),...,Pheat(n)]，历史电负荷时间序列为Pelect＝[Pelect(1),Pelect(2),...,Pelect(n)]，其中n为一个负荷时间序列所包含的数据个数。
步骤2，综合能源系统多元负荷模态分解
首先，对步骤1)中的历史冷、热、电负荷时间序列采用自适应局部迭代滤波分解(ALIF)方法进行分解，分别得到冷、热、电负荷具有不同频段的模态函数与剩余分量；其中自适应局部迭代滤波分解又可以分为内循环过程与外循环过程，同时为了实现自适应局部迭代滤波，选取根据不同滤波区间上Fokker-Planck方程的基础解系构造具有自适应功能的滤波函数；
其次，对多元负荷模态函数计算其样本熵值，将各个负荷样本熵值相近的模态函数进行重构得到新的序列，形成各个负荷的周期序列、波动序列与趋势序列，
其中冷负荷的周期序列
波动序列
与趋势序列
热负荷周期序列
波动序列
与趋势序列
电负荷周期序列
波动序列
与趋势序列
步骤3，建立多元负荷多任务学习预测模型
首先，将步骤2)中得到的多元负荷周期序列、波动序列以及趋势序列与对应历史气象数据以及日期信息合并得到多元负荷数据集，划分训练集与测试集，分别用于模型的训练与测试；
其次，将训练集输入模型进行训练，分别使用LSTM模型对多元负荷的周期序列、波动序列以及趋势序列分别进行多任务学习的训练，分别得到各个序列对应的预测模型，具体方法为借助LSTM算法进行多任务学习以实现综合能源系统的多元负荷预测，使冷热电负荷预测任务实现参数共享，以此实现能源系统多元负荷之间耦合信息的共享；
使用LSTM模型对冷、热、电负荷各序列
进行多任务学习训练与预测，其中j＝cold,heat,elect表示负荷类型，上标i＝1,2,3分别代表周期序列、波动序列以及趋势序列；具体原理为利用t时刻前m个点的冷、热、电负荷数据预测下一个时刻点即t时刻的冷、热、电负荷，冷、热、电负荷预测每次训练的输入与输出数据可以分别表示为：
其中t＝m+1,m+2,...,n，日期信息date，使用date＝1,2,...,7代表星期一至星期日；合并t-1时刻实时气象数据作为预测t时刻负荷时输入模型的气象特征weather(t)＝[T,h,ws,ir]，其中T为温度值，h为湿度值，ws为风速，ir为辐照度；最终输入模型特征为：
模型输出为：
使用经过训练的LSTM模型进行多任务预测:
LSTMi代表不同序列经过多任务学习训练得到的模型，最终多元负荷不同序列经过模型的预测结果为
t＝1,2,...,n，上标i＝1,2,3代表不同序列。
接着对冷、热、电各个序列的预测结果分别求和重构，则重构之后的冷、热、电负荷预测结果可以表示为：
模型的初始冷负荷预测结果为：
模型的初始热负荷预测结果为：
模型的初始热负荷预测结果为：
最后，结合预测结果并且考虑实际的冷、热、电负荷值为Pcold(t)，Pheat(t)，Pelect(t)，t＝1,2,...,n，则可以的到冷负荷预测误差序列：
同理得热负荷预测误差序列：Eheat＝[eheat(1),eheat(2),...,eheat(n)]；
同理可得电负荷预测误差序列：Eelect＝[eelect(1),eelect(2),...,eelect(n)]
步骤4，多元负荷预测误差补偿
首先，对步骤3)中各种负荷的预测误差序列使用GRU算法多任务学习的方式进行训练与预测，冷、热、电负荷预测误差序列的特征维度k,具体原理为利用t时刻前k个点的冷、热、电负荷预测误差数据预测下一个时刻点即t时刻的冷、热、电负荷预测误差，使用GRU算法进行误差预测模型训练，输入数据和输出数据分别表示为：
输入数据：
X(t)＝[xcold(t),xheat(t),xelect(t),weather(t),date] (16)
其中：
输出数据：
yerror(t)＝[ecold(t),eheat(t),eelect(t)]； (18)
其次，利用训练所得的GRU模型进行多元负荷预测误差的预测，预测结果
GRU代表经过多任务学习训练的的模型，最终负荷误差预测结果为
t＝1,2,...,n，模型的冷、热、电负荷误差预测结果为：
最后，结合误差预测结果与初始负荷预测结果，得到多元负荷最终预测结果如下：
冷负荷最终的预测结果：
热负荷最终的预测结果：
电负荷最终的预测结果：
将多元负荷最终的预测结果反归一化，得到实际的多元负荷预测结果，其中冷负荷反归一化后实际预测值为
热负荷反归一化后实际预测值为
电负荷反归一化后实际预测值为
上述实施例只是本发明的较佳实施例，并不是对本发明技术方案的限制，只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明专利的权利保护范围内。
Claims (5)
1.一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，其特征在于：具体包括以下步骤：
1)综合能源系统历史数据预处理
首先对综合能源系统历史负荷数据及对应的历史气象数据、日期信息进行缺失值检验与填补，并对历史负荷与气象数据进行最大-最小规范化处理；其次使用皮尔逊相关系数选取对历史负荷影响较大的气象特征；最后在此基础上将历史冷、热、电负荷数据排成时间序列；
2)多元负荷模态分解
首先采用自适应局部迭代滤波分解ALIF方法分别对历史冷、热、电负荷时间序列进行分解，分别得到冷、热、电负荷具有不同频段的模态函数与剩余分量；在此基础上分别将多元负荷的模态函数根据样本熵值进行重构形成周期序列、波动序列与趋势序列；
3)建立多元负荷多任务学习预测模型
首先将多元负荷周期序列、波动序列以及趋势序列与对应历史气象数据以及日期信息组合以此划分为训练集与测试集用于模型训练与测试，然后分别使用长短期记忆网络LSTM模型对训练集进行多任务学习训练，实现冷、热、电负荷、气象及日期之间耦合信息的共享，分别得到各个序列的预测模型；接着将同种负荷各个序列预测模型的预测结果进行求和重构，分别得到冷、热、电负荷的初始负荷预测结果；最后使用综合能源系统实际历史负荷序列与初始负荷预测结果构造多元负荷预测误差序列；
4)多元负荷预测误差补偿
首先使用门控循环单元网络GRU算法对冷、热、电负荷预测误差序列进行多任务学习的训练，建立误差预测模型进行误差预测；其次分别将多元负荷初始负荷预测结果与误差预测结果求和重构，得到多元负荷最终的预测结果，最后对多元负荷最终的预测结果进行反归一化即得到实际预测结果。
2.根据权利要求1所述的一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，其特征在于：所述步骤1)中综合能源系统历史数据预处理步骤为：
1.1)首先获取综合能源系统的历史冷、热、电负荷数据、历史气象数据与日期信息，其中气象数据包括温度值、湿度值、风速，辐照度、降水情况，日期信息使用1,2,3…7代表星期一至星期日以区分工作日与非工作日，对以上历史负荷数据及对应的历史气象数据进行缺失值检验与填补，并利用最大-最小规范化处理对历史负荷数据与历史气象数据进行处理，具体如下式所示：
式中，x'为特征规范化后的值；x为特征原始值；xMIN为原始特征最小值；xMAX为原始特征最大值；
1.2)对步骤1.1)中经过规范化处理之后的数据进行气象特征筛选，为充分考虑气象因素对历史冷、热、电负荷的影响，采用皮尔逊相关系数分析历史气象数据与多元负荷之间的相关性，筛选出对综合能源系统负荷影响较大的气象特征，分别计算冷、热、电负荷与各个气象特征之间的相关性，分别将每个气象特征与三种负荷的相关性求和得到该气象特征总相关性值，根据气象特征总相关性值完成气象特征的筛选；
1.3)将步骤1.1)中经过数据预处理的历史冷、热、电负荷数据按采样时间排成时间序列，得到历史冷、热、电负荷时间序列，其中：
历史冷负荷时间序列为Pcold＝[Pcold(1),Pcold(2),...,Pcold(n)]，
历史热负荷时间序列Pheat＝[Pheat(1),Pheat(2),...,Pheat(n)]，
历史电负荷时间序列为Pelect＝[Pelect(1),Pelect(2),...,Pelect(n)]，
其中n为一个负荷时间序列所包含的数据个数。
3.根据权利要求1所述的一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，其特征在于：所述步骤2)中，综合能源系统多元负荷模态分解的步骤为：
2.1)对步骤1)中的历史冷、热、电负荷时间序列采用自适应局部迭代滤波分解(ALIF)方法进行分解，分别得到冷、热、电负荷具有不同频段的模态函数与剩余分量；其中自适应局部迭代滤波分解又可以分为内循环过程与外循环过程，同时为了实现自适应局部迭代滤波，选取根据不同滤波区间上Fokker-Planck方程的基础解系构造具有自适应功能的滤波函数；
2.2)对步骤2.1)中的多元负荷各个模态函数计算样本熵值，将各种负荷样本熵值相近的模态函数进行重构得到新的序列，形成各种负荷的周期序列、波动序列与趋势序列，其中冷负荷的周期序列
波动序列
与趋势序列
热负荷周期序列
波动序列
与趋势序列
电负荷周期序列
波动序列
与趋势序列
4.根据权利要求1所述的一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，其特征在于：所述步骤3)中建立多元负荷多任务学习预测模型的步骤为：
3.1)将步骤1)与步骤2)中得到的多元负荷周期序列、波动序列以及趋势序列与对应历史气象数据以及日期信息组合得到多元负荷数据集，划分为训练集与测试集，分别用于模型的训练与测试；
3.2)将步骤3.1)得到的训练集输入模型进行训练，使用LSTM模型对多元负荷的周期序列、波动序列以及趋势序列分别进行多任务学习的训练，得到各个序列对应的预测模型，具体方法为借助LSTM算法进行多任务学习以实现综合能源系统的多元负荷预测，使冷热电负荷预测任务实现参数共享，以此实现能源系统多元负荷之间耦合信息的共享；
3.3)所述步骤3.2)中使用LSTM模型对冷、热、电负荷各序列
进行多任务学习训练与预测，其中下标j＝cold,heat,elect表示负荷类型，上标i＝1,2,3分别代表周期序列、波动序列以及趋势序列；具体原理为利用t时刻前m个点的冷、热、电负荷数据预测下一个时刻点即t时刻的冷、热、电负荷，冷、热、电负荷预测每次训练的输入与输出数据如下所示：
式(2)中t＝m+1,m+2,...,n，结合日期信息date，使用date＝1,2,...,7代表星期一至星期日；t-1时刻实时气象数据作为预测t时刻负荷时输入模型的气象特征weather(t)＝[T,h,ws,ir]，其中T为温度值，h为湿度值，ws为风速，ir为辐照度；最终输入模型特征为：
模型输出为：
使用经过训练的LSTM模型进行多任务预测:
LSTMi代表不同序列经过多任务学习训练得到的模型，最终多元负荷不同序列经过模型的预测结果为
上标i＝1,2,3代表不同序列；
3.4)对步骤3.3)中的冷、热、电各个序列的预测结果分别求和重构，则重构之后的冷、热、电负荷预测结果可以表示为：
模型的初始冷负荷预测结果为：
模型的初始热负荷预测结果为：
模型的初始热负荷预测结果为：
3.5)结合步骤3.4)预测结果并且考虑实际的冷、热、电负荷值为Pcold(t)，Pheat(t)，Pelect(t)，t＝1,2,...,n，则可以的到冷负荷预测误差序列：
同理得热负荷预测误差序列：Eheat＝[eheat(1),eheat(2),...,eheat(n)]；
同理可得电负荷预测误差序列：Eelect＝[eelect(1),eelect(2),...,eelect(n)]。
5.根据权利要求1所述的一种考虑多元负荷耦合特性的综合能源系统负荷预测方法，其特征在于：所述步骤4)中多元负荷预测误差补偿具体步骤为：
4.1)对步骤3)中各种负荷的预测误差序列使用GRU算法多任务学习的方式进行训练与预测，冷、热、电负荷预测误差序列的特征维度k,具体原理为利用t时刻前k个点的冷、热、电负荷预测误差数据预测下一个时刻点即t时刻的冷、热、电负荷预测误差，使用GRU算法进行误差预测模型训练，输入数据和输出数据分别表示为：
输入数据：
X(t)＝[xcold(t),xheat(t),xelect(t),weather(t),date] (7)
其中：
输出数据：
yerror(t)＝[ecold(t),eheat(t),eelect(t)] (9)
4.2)利用所述步骤4.1)训练所得的GRU模型进行多元负荷预测误差的预测，预测结果
GRU代表经过多任务学习训练的的模型，最终负荷误差预测结果为
模型的冷负荷误差预测结果为：
4.3)结合步骤4.2)误差预测结果与步骤3)初始负荷预测结果，
冷负荷最终的预测结果：
热负荷最终的预测结果：
电负荷最终的预测结果：
将多元负荷最终的预测结果反归一化，得到实际的多元负荷预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010824705.0A CN111950793A (zh) | 2020-08-17 | 2020-08-17 | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010824705.0A CN111950793A (zh) | 2020-08-17 | 2020-08-17 | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950793A true CN111950793A (zh) | 2020-11-17 |
Family
ID=73343276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010824705.0A Pending CN111950793A (zh) | 2020-08-17 | 2020-08-17 | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950793A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112600204A (zh) * | 2020-12-21 | 2021-04-02 | 江苏方天电力技术有限公司 | 一种商业综合体空调设备用电负荷预测方法及系统 |
| CN113052400A (zh) * | 2021-04-23 | 2021-06-29 | 国网吉林省电力有限公司 | 一种考虑电-热耦合特性的短期热负荷概率预测方法 |
| CN113095598A (zh) * | 2021-05-07 | 2021-07-09 | 国网山东省电力公司经济技术研究院 | 一种多能负荷预测方法、系统、设备和介质 |
| CN113344283A (zh) * | 2021-06-23 | 2021-09-03 | 国网黑龙江省电力有限公司 | 基于边缘智能的能源互联网新能源消纳能力评估方法 |
| CN113449904A (zh) * | 2021-05-12 | 2021-09-28 | 国网河北省电力有限公司衡水供电分公司 | 多能负荷预测方法、装置及设备 |
| CN113554211A (zh) * | 2021-05-27 | 2021-10-26 | 浙江工业大学 | 一种基于alif-gru-mtl源-荷联合预测的综合能源系统优化调度方法 |
| CN113609762A (zh) * | 2021-07-27 | 2021-11-05 | 山东大学 | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 |
| CN113822481A (zh) * | 2021-09-23 | 2021-12-21 | 国网天津市电力公司 | 基于多任务学习策略和深度学习的综合能源负荷预测方法 |
| CN113837503A (zh) * | 2021-11-29 | 2021-12-24 | 新风光电子科技股份有限公司 | 基于人工智能的电网负荷预测方法及系统 |
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
| CN114298165A (zh) * | 2021-12-09 | 2022-04-08 | 国网浙江省电力有限公司宁波供电公司 | 区域综合能源系统多能负荷态势感知模型的构建方法 |
| CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
| CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
| CN116090359A (zh) * | 2023-04-11 | 2023-05-09 | 南京师范大学 | 一种基于组合预测模型的综合能源系统多元负荷预测方法 |
| CN116187601A (zh) * | 2023-05-04 | 2023-05-30 | 华北理工大学 | 一种基于负荷预测的综合能源系统运行优化方法 |
| CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
-
2020
- 2020-08-17 CN CN202010824705.0A patent/CN111950793A/zh active Pending
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112600204A (zh) * | 2020-12-21 | 2021-04-02 | 江苏方天电力技术有限公司 | 一种商业综合体空调设备用电负荷预测方法及系统 |
| CN112600204B (zh) * | 2020-12-21 | 2023-06-13 | 江苏方天电力技术有限公司 | 一种商业综合体空调设备用电负荷预测方法及系统 |
| CN113052400A (zh) * | 2021-04-23 | 2021-06-29 | 国网吉林省电力有限公司 | 一种考虑电-热耦合特性的短期热负荷概率预测方法 |
| CN113095598A (zh) * | 2021-05-07 | 2021-07-09 | 国网山东省电力公司经济技术研究院 | 一种多能负荷预测方法、系统、设备和介质 |
| CN113449904A (zh) * | 2021-05-12 | 2021-09-28 | 国网河北省电力有限公司衡水供电分公司 | 多能负荷预测方法、装置及设备 |
| CN113554211A (zh) * | 2021-05-27 | 2021-10-26 | 浙江工业大学 | 一种基于alif-gru-mtl源-荷联合预测的综合能源系统优化调度方法 |
| CN113344283A (zh) * | 2021-06-23 | 2021-09-03 | 国网黑龙江省电力有限公司 | 基于边缘智能的能源互联网新能源消纳能力评估方法 |
| CN113344283B (zh) * | 2021-06-23 | 2023-11-28 | 国网黑龙江省电力有限公司 | 基于边缘智能的能源互联网新能源消纳能力评估方法 |
| CN113609762A (zh) * | 2021-07-27 | 2021-11-05 | 山东大学 | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 |
| CN113822481A (zh) * | 2021-09-23 | 2021-12-21 | 国网天津市电力公司 | 基于多任务学习策略和深度学习的综合能源负荷预测方法 |
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
| CN113837503A (zh) * | 2021-11-29 | 2021-12-24 | 新风光电子科技股份有限公司 | 基于人工智能的电网负荷预测方法及系统 |
| CN114298165A (zh) * | 2021-12-09 | 2022-04-08 | 国网浙江省电力有限公司宁波供电公司 | 区域综合能源系统多能负荷态势感知模型的构建方法 |
| CN114298165B (zh) * | 2021-12-09 | 2024-04-30 | 国网浙江省电力有限公司宁波供电公司 | 区域综合能源系统多能负荷态势感知模型的构建方法 |
| CN115983448B (zh) * | 2022-12-14 | 2023-09-12 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
| CN115983448A (zh) * | 2022-12-14 | 2023-04-18 | 南京信息工程大学 | 一种基于时空图神经网络的多能源负荷预测方法 |
| CN115882454B (zh) * | 2023-02-09 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
| CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
| CN116090359A (zh) * | 2023-04-11 | 2023-05-09 | 南京师范大学 | 一种基于组合预测模型的综合能源系统多元负荷预测方法 |
| CN116187601A (zh) * | 2023-05-04 | 2023-05-30 | 华北理工大学 | 一种基于负荷预测的综合能源系统运行优化方法 |
| CN116187601B (zh) * | 2023-05-04 | 2023-06-23 | 华北理工大学 | 一种基于负荷预测的综合能源系统运行优化方法 |
| CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950793A (zh) | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 | |
| Huang et al. | Forecasting hourly solar irradiance using hybrid wavelet transformation and Elman model in smart grid | |
| Gendeel et al. | Performance comparison of ANN<? show [AQ ID= Q1]?> s model with VMD for short‐term wind speed forecasting | |
| CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| Rodríguez et al. | Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks | |
| CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| Zhang et al. | Highly accurate peak and valley prediction short-term net load forecasting approach based on decomposition for power systems with high PV penetration | |
| CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
| Rodríguez et al. | Ensemble forecaster based on the combination of time-frequency analysis and machine learning strategies for very short-term wind speed prediction | |
| Zheng et al. | A multi-scale electricity consumption prediction algorithm based on time-frequency variational autoencoder | |
| Song et al. | Electricity consumption forecasting for smart grid using the multi-factor back-propagation neural network | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
| Li et al. | Temporal attention based tcn-bigru model for energy time series forecasting | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| Patidar et al. | A hybrid system of data-driven approaches for simulating residential energy demand profiles | |
| CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| CN105528517A (zh) | 基于神经网络、小波分解光伏电站功率预测方法、系统 | |
| CN112257938B (zh) | 一种光伏发电功率预测方法及装置 | |
| Yang et al. | An improved spatial upscaling method for producing day‐ahead power forecasts for wind farm clusters | |
| Zhu et al. | eForecaster: unifying electricity forecasting with robust, flexible, and explainable machine learning algorithms | |
| CN112001519A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
| CN117154723B (zh) | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
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 |