CN113065680A - 一种能源互联网的能量需求预测方法及系统 - Google Patents
一种能源互联网的能量需求预测方法及系统 Download PDFInfo
- Publication number
- CN113065680A CN113065680A CN202010000960.3A CN202010000960A CN113065680A CN 113065680 A CN113065680 A CN 113065680A CN 202010000960 A CN202010000960 A CN 202010000960A CN 113065680 A CN113065680 A CN 113065680A
- Authority
- CN
- China
- Prior art keywords
- energy
- data
- historical data
- demand
- node
- 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 32
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 23
- 239000007789 gas Substances 0.000 claims description 36
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 230000005611 electricity Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 239000003345 natural gas Substances 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000004378 air conditioning Methods 0.000 claims description 9
- RZZGGSCKACYXBQ-UHFFFAOYSA-N 3,5,6,7,8,9-hexahydro-2h-cyclohepta[c]pyridazin-3-ylhydrazine Chemical compound C1CCCCC2=CC(NN)NN=C21 RZZGGSCKACYXBQ-UHFFFAOYSA-N 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- RZGZMLICFFEUIQ-UHFFFAOYSA-N 5-[(1-phenylcyclohexyl)amino]pentanoic acid Chemical compound C=1C=CC=CC=1C1(NCCCCC(=O)O)CCCCC1 RZGZMLICFFEUIQ-UHFFFAOYSA-N 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005485 electric heating Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000007983 Tris buffer Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- ZYYBBMCBAFICKK-UHFFFAOYSA-N perfluoro-N-cyclohexylpyrrolidine Chemical compound FC1(F)C(F)(F)C(F)(F)C(F)(F)N1C1(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C1(F)F ZYYBBMCBAFICKK-UHFFFAOYSA-N 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种能源互联网的能量需求预测方法及系统，所述方法包括：获取待预测能源互联网节点的特征变量和历史需求数据；基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；其中，所述节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建。本发明提供的技术方案通过节点泛化动态模型能够准确表达在外界特征变量影响下，该节点多种能源需求的动态变化关系，有助于能源互联网优化调度及运行风险评估工作的展开。
Description
技术领域
本发明涉及能源互联网建模领域，具体涉及一种能源互联网的能量需求预测方法及系统。
背景技术
化石能源的广泛利用导致了一系列环境危机的日益深化，依赖于不可再生能源的发展战略将难以持续下去。伴随着可再生能源的快速发展，能源行业正向着高效、清洁以及可持续化的方向发展。能源和互联网的深度融合催生出的能源互联网这一概念，已成为继智能电网之后的又一前沿发展方向。能源互联网由集中式的化石能源利用向着分布式可再生能源利用转变的目的，体现其在实现广域内的多能源协调互补运行中不可替代的作用。能源互联网的运行的关键在于能够实现多源协调互补，连接电力系统、天然气系统以及供热系统等多种能源资源，利用不同能源之间的可替代性实现横向融合。
目前，针对能源互联网的建模问题，人们已经对其进行了大量的研究。能源互联网的建模过程一般分为对能量传输网络的建模以及对能量枢纽的建模。能量传输网络主要包含对输电线路，输热/输气管道的建模，描述其中能量或流量的变化关系，并考虑能量的守恒以及流体的连续性，构建能量传输网络模型从而进行能量流计算。能量枢纽建模主要针对系统间的耦合元件，用于描述不同能源形式的系统间的耦合关系，如燃气轮机、热电联产(combined heat and power，CHP)机组、电转气(Power to Gas，P2G)装置等。能量枢纽的建模主要通过建立转换矩阵，构建能量输入和能量输出之间的转换关系，从而形成等效负荷连接到能量传输网络上。
现阶段能源互联网建模过程中仍存在诸多问题。首先能源互联网中存在大量非线性环节，风电、光伏、用户等环节存在不确定性，因此能源互联网建模问题建模复杂度高；其次，能量转换关系复杂，难以直接使用公式准确表达耦合关系，使用简化模型精度不高；最后，不同能量形式系统的时间尺度不同，热力及天然气系统变化速度远远小于电力系统，单时间断面的建模方法难以准确描述输入输出间的关系。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供一种能源互联网的能量需求预测方法及系统，技术方案中基于数据驱动和机理模型耦合的建模方式实现对能源互联网的建模。针对包含转化关系、光伏发电、居民用电等环节在内的广义能源互联网负荷节点建立能源互联网基本单元泛化动态模型，能够根据气象因素、分时电价以及用户偏好等特征因素计算得到该节点一段时间内各时间点下的能量需求，即与外部能量传输网络的电能、热能以及天然气交换量，并形成等效负荷。
本发明提供的一种能源互联网的能量需求预测方法，包括：
获取待预测能源互联网节点的特征变量和历史需求数据；
基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；
其中，所述节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建。
优选的，所述节点泛化动态模型的构建，包括：
基于能源互联网节点的历史需求数据和元件参数，采用预先构建的节点能量管理优化模型得到电负荷历史数据、热负荷历史数据和气负荷历史数据；
将所述电负荷历史数据、热负荷历史数据和气负荷历史数据，以及特征变量的历史数据基于设置的量测时间点向前设定时间点得到输入数据集，并向后设定时间点得到各能量需求对应的输出数据集；
基于所述输入数据集和输出数据集划分为训练数据集和测试数据集；
基于训练数据集，采用LSTM网络进行卷积神经网络学习、分段和拼接，确定电负荷历史数据、热负荷历史数据气负荷历史数据和特征变量的历史数据与各能量需求之间的映射关系；
基于所述测试数据集进行测试，调整LSTM网络的映射关系参数得到节点泛化动态模型；
其中，所述节点能量管理优化模型为基于能量枢纽模型中多种能量需求的关系进行构建。
优选的，所述特征变量包括：环境温度、光照强度、电价信息和用户偏好，所述能量需求包括电需求、热需求和气需求。
优选的，所述节点能量管理优化模型的构建，包括：
建立以最小化用户成本的目标函数；
为能量枢纽模型中电能、天然气能和热能分别构建平衡方程；
基于各元件安全稳定运行、各可控设备容量上下限为所述目标函数构建约束条件；
所述平衡方程包括电能平衡方程、天然气能平衡方程和热能平衡方程；所述可控设备包括空调系统、热电联产CHP机组、电锅炉、光伏阵列和电动汽车。
优选的，所述电能平衡方程，如下式所示：
式中：Pex,t为与电网的功率交换，PCHP,t为CHP机组出力，PPV,t为光伏出力，PEV,t为电动汽车交换功率，Pac,k,t为空调功率，PEB,t为电锅炉消耗热功率；Pd,t为用户的不可控电能需求；
所述天然气能平衡方程，如下式所示：
Gex,t-GCHP,t-Gd,t＝0
式中：Gex,t为用户购气流量，GCHP,t为CHP机组消耗流量；Gd,t为用户的不可控天然气需求；
所述热能平衡方程，如下式所示：
Hex,t+HCHP,t+HEB,t-Hd,t＝0
式中：Hex,t为与热网功率交换，HCHP,t为CHP机组产生热功率，HEB,t为电锅炉输出的热功率，Hd,t为用户的不可控热能需求。
优选的，所述基于能源互联网节点的历史需求数据和元件参数，采用预先构建的节点能量管理优化模型得到电负荷历史数据、热负荷历史数据和气负荷历史数据，包括：
将能源互联网节点的历史需求数据和元件参数，带入所述节点能量管理优化模型得到功率交换；
将所述功率交换与不可控需求数据相耦合生成电负荷历史数据、热负荷历史数据和气负荷历史数据。
优选的，所述基于训练数据集，采用LSTM网络进行卷积神经网络学习、分段和拼接，确定电负荷历史数据、热负荷历史数据气负荷历史数据和特征变量的历史数据与各能量需求之间的映射关系，包括：
利用卷积神经网络学习电热气负荷时间序列的耦合关系及时间相关性；
将卷积得到的序列以及特征变量构成的时间序列分别通过多个长短期记忆网络LSTM层得到多段特征信息；
将所述多段特征信息拼接后通过全连接层得到电需求、热需求和气需求。
优选的，所述长短期记忆网络LSTM层的数量是基于特征变量的数目进行设计。
优选的，所述输入数据集，包括：
分时电价、环境温度、光照强度、用户偏好、电负荷历史数据、热负荷历史数据和气负荷历史数据的时间序列；
其中，所述分时电价、环境温度、光照强度和用户偏好分别由48个时间点的历史数据和1个量测时间点的历史数据构成；
所述电负荷历史数据、热负荷历史数据和气负荷历史数据分别由量测时间点之前48个时间点的历史数据构成。
优选的，所述输出数据集，包括：
电需求、热需求和气需求的时间序列；
所述时间序列为量测时间点及量测点之后3个时间点的历史数据。
基于同一发明构思，本发明还提供了一种能源互联网的能量需求预测系统，包括：
获取模块，用于获取待预测能源互联网节点的特征变量和历史需求数据；
计算模块，用于基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；
其中，所述节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建。
优选的，所述系统还包括构建模块，用于构建节点泛化动态模型；
所述构建模块，包括：
数据处理单元，用于基于能源互联网节点的历史需求数据和元件参数，采用预先构建的节点能量管理优化模型得到电负荷历史数据、热负荷历史数据和气负荷历史数据；
数据集单元，用于将所述电负荷历史数据、热负荷历史数据和气负荷历史数据，以及特征变量的历史数据基于设置的量测时间点向前设定时间点得到输入数据集，并向后设定时间点得到各能量需求对应的输出数据集；
划分单元，用于基于所述输入数据集和输出数据集划分为训练数据集和测试数据集；
训练单元，用于基于训练数据集，采用LSTM网络进行卷积神经网络学习、分段和拼接，确定电负荷历史数据、热负荷历史数据气负荷历史数据和特征变量的历史数据与各能量需求之间的映射关系；
测试单元，用于基于所述测试数据集进行测试，调整LSTM网络的映射关系参数得到节点泛化动态模型；
其中，所述节点能量管理优化模型为基于能量枢纽模型中多种能量需求的关系进行构建。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的技术方案，获取待预测能源互联网节点的特征变量和历史需求数据；基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；本发明中的节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建，通过该模型能够准确表达在特征变量影响下，该节点处多种能源需求的动态变化关系，有助于能源互联网优化调度及运行风险评估工作的展开。
附图说明
图1是本发明提供的一种能源互联网的能量需求预测方法流程图；
图2是本发明中构建模型的方法流程图；
图3为本发明的基于能量枢纽的广义能源互联网节点示意图；
图4为本发明的数据集的构建示意图；
图5为本发明的基于LSTM的泛化动态模型结构示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
如图1所示，本发明提供了一种能源互联网的能量需求预测方法，包括：
S1获取待预测能源互联网节点的特征变量和历史需求数据；
S2基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；
其中，所述节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建。
本实施例通过图2对本发明中能源互联网的能量需求预测方法中构建的模型进行详细介绍，该方法针对广义的能源互联网节点进行建模，包括：
S01收集节点内部的元件参数及特征变量数据，如CHP机组参数、电锅炉参数、光伏阵列参数、环境温度、光照强度、电价信息、用户偏好以及历史需求数据等；
S02建立以最小化用户成本的目标函数，以各元件安全稳定运行、各可控设备容量上下限为约束条件的节点能量管理优化模型，并计算出可控部分的功率交换；
S03将计算得到的功率交换与不可控能耗部分相耦合形成节点实际能源需求，与特征变量和负荷历史数据形成数据输出及输入构成数据集，建立基于长短期记忆网络(Long Short-Term Memory，LSTM)的节点泛化动态模型；
S04利用训练数据集进行模型训练，训练后的模型可以根据输入的外界因素及该点历史需求数据计算得到当前时间点下未来一小段时间的能量需求及变化趋势，并能够通过改善数据质量或调节超参数来提高性能。
具体实践时，训练后得到的模型计算速度快，准确性高，适用于耦合关系复杂的能源互联网节点建模。
利用本发明提供的预测方法进行具体实施时，包括如下步骤：
步骤1：导入广义能源互联网节点参数。
首先导入如图3所示的广义能源互联网节点运行参数及量测数据，具体包括CHP机组参数、电锅炉参数、光伏阵列参数、电动汽车参数、空调系统参数、环境温度、光照强度、电价信息、用户偏好以及历史需求数据等；
步骤2：建立广义能源互联网节点能量管理优化模型，包括：
步骤2.1：建立最小化用户成本的目标函数，如下式所示：
其中，分为用电成本和用气成本和供热成本。Ce,t为各时段电价，Pex,tΔt为用户购电量，Cg为每立方米天然气价格，Gex,tΔt为用户购气量,Ch用热成本系数，Hex,tΔt用户消耗热能。
步骤2.2：建立平衡方程，包括：
针对系统内部三种不同的能量形式分别建立平衡方程，所述电能平衡方程，
如下式所示：
其中，Pex,t为与电网的功率交换，PCHP,t为CHP机组出力，PPV,t为光伏出力，PEV,t为电动汽车交换功率，Pac,k,t为空调功率，PEB,t为电锅炉消耗热功率，Pd,t为用户的不可控电能需求。
所述气能平衡方程，如下式所示：
Gex,t-GCHP,t-Gd,t＝0 (3-3)
其中，Gex,t，GCHP,t分别为用户购气流量及CHP机组消耗流量，Gd,t为用户的不可控天然气需求。
所述热能平衡方程，如下式所示：
Hex,t+HCHP,t+HEB,t-Hd,t＝0 (3-4)
其中，Hex,t，HCHP,t分别为与热网功率交换及CHP机组产生热功率，HEB,t为电锅炉输出的热功率，Hd,t为用户的不可控热能需求。
本实施例中获取的历史需求数据与可控部分的功率交换而言属于不可控的，因此也称历史需求数据为用户的不可控能量需求。
步骤2.3：建立可控设备约束条件，包括：
(1)空调系统的约束条件，如下式所示：
其中，Tk,t为t时刻空调k所处室温，αk为散热系数，Ta,t为环境温度，Tac,k,t为空调k的温度增益，Ck及Rk分别为空调的热电容和热电阻，ηk为空调工作效率，Pac,k,t为空调用电功率，
为空调最大最小用电功率，
为设定的温度范围。
(2)CHP的约束条件，如下式所示：
PCHP,tηHE＝HCHP,t (3-10)
其中，PCHP,t为CHP机组产生的电功率，ηHE为热电转比，HCHP,t为产生的热功率，FCHP,t为CHP机组天然气消耗量，GHV为天然气热值，ηCHP为CHP机组效率，
及
为机组爬坡速率上下界。
(3)电锅炉的约束条件，如下式所示：
HEB,t＝ηEBPEB,t(t＝0,1,…NT-1) (3-14)
其中，HEB,t为电锅炉输出的热功率，ηEB为电锅炉转换效率，PEB,t为电锅炉消耗的电功率。
(4)光伏阵列的约束条件，如下式所示：
其中，S为太阳能板面积，ηpv为光伏阵列转化系数，Rt为太阳辐射量，TPV,t为太阳能板温度，假设等于环境温度TPV,t＝Ta,t。
(5)电动汽车的约束条件，如下式所示：
其中，EEV,t为电动汽车t时刻的电量；EEV,0为初始时刻电量；ηc，ηd分别为充电效率和放电效率；Ec,t，Ed,t分别为单位时段内的充电电量和放电电量；sc,t，sd,t为表示充电和放电状态的二元变量；Eout为出行消耗电量；ts为出发时间；tr为返回时间。
将第一步获取的能源互联网节点运行参数带入到第二步的节点能量管理优化模型中，利用计算机仿真软件对其进行求解，得到电负荷历史数据、热负荷历史数据和气负荷历史数据。
步骤3：建立基于LSTM的数据-机理双驱动能源互联网节点泛化动态模型，包括：
基于步骤2中提出的能源互联网泛化动态理论模型，构建相应的数据驱动模型。主要分为数据集构建及LSTM网络设计两部分。
采用如图4所示的方法构建输入输出数据集，输入数据集包括分时电价、环境温度、光照强度、用户偏好(用户设置温度)、电负荷历史数据、热负荷历史数据、气负荷历史数据。其中分时电价、环境温度、光照强度及用户偏好等特征变量为以15分钟为间隔，各自包含48个历史数据点以及1个量测时间点的，共49个时间点的时间序列。电负荷历史数据、热负荷历史数据和气负荷历史数据为步骤2计算得到的，即通过功率交换与不可控部分实测需求数据相互叠加得到，包含量测时间点之前的48个时间点的时间序列。输出数据为包含量测时间点及该点之后3个时间点的时间序列，即该节点一小时内的变化趋势。输入输出数据集需要进行归一化处理。
构建如图5所示的网络，考虑到电热气负荷时间序列不仅存在时间相关性，三者间还存在耦合关系，首先利用一层卷积神经网络(Convolutional Neural Networks,CNN)学习耦合关系及时间相关性。然后将卷积得到的序列以及四种特征变量构成的时间序列分别通过五个LSTM层，将得到的五段特征信息拼接后通过三个全连接层得到输出结果，其中Convolution表示一层卷积神经网络，Dense代表全连接层。
网络采用ADAM优化算法，学习率设置为0.01；损失函数采用均方误差(Mean-square Error，MSE)构建：
其中，yi为训练数据集中的真实数据，y'i为网络计算得到的预测值，n为样本总个数。
各层激活函数选用带泄露线性整流函数(Leaky Rectified Linear Unit,LeakyReLU)：
f(x)＝max(0,x)+aimin(0,x) (3-22)
该激活函数可避免在输入为负时产生梯度消失现象，Leaky ReLU的负半轴斜率ai设置为0.01。
步骤4：泛化动态模型训练与验证，包括：
步骤4.1：数据集划分为将数据集中的80％作为训练数据集，20％作为测试数据集。
步骤4.2：前向传播，包括：
将包含特征变量和历史数据的输入数据集输入至LSTM网络中，计算得到各层输出值。根据网络输出和训练集中的输出数据计算损失函数值。
步骤4.3：反向传播，包括：
计算各层误差信号，并调整各层的权值。重复步骤4.2及步骤4.3直至达到设定的最大迭代次数。
步骤4.4：模型验证与测试，包括：
将测试数据集输入至程序计算输出，与测试数据集中的真实样本进行比较。根据测试集结果从数据质量以及训练次数、批大小、学习率等超参数调优两个方面，提升模型质量。
本发明提供的技术方案针对由电、热、气三种能源形式构成，包含复杂转化关系及用户的广义能源互联网节点，以最小化用户成本，建立节点能量管理优化模型，求得节点内可控部分的能量交换；将节点能量管理优化模型的计算结果与实测数据耦合，建立基于LSTM的广义能源互联网节点泛化动态模型，能够有效提取数据中的时间相关性信息，并且根据量测得到的外部特征变量计算得到当前及未来一段时间内的能耗趋势。构建的节点能量管理优化模型能够描述能源互联内部可控部分的在面对外界特征因素变化时的相应机理，并求解其能源需求，与实测数据相互耦合，考虑数据更全面，有利于提高预测准确率。
实施例2
基于同一发明构思，本发明还提供了一种能源互联网的能量需求预测系统，包括：
获取模块，用于获取待预测能源互联网节点的特征变量和历史需求数据；
计算模块，用于基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；
其中，所述节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建。
实施例中，所述系统还包括构建模块，用于构建节点泛化动态模型；
所述构建模块，包括：
数据处理单元，用于基于能源互联网节点的历史需求数据和元件参数，采用预先构建的节点能量管理优化模型得到电负荷历史数据、热负荷历史数据和气负荷历史数据；
数据集单元，用于将所述电负荷历史数据、热负荷历史数据和气负荷历史数据，以及特征变量的历史数据基于设置的量测时间点向前设定时间点得到输入数据集，并向后设定时间点得到各能量需求对应的输出数据集；
划分单元，用于基于所述输入数据集和输出数据集划分为训练数据集和测试数据集；
训练单元，用于基于训练数据集，采用LSTM网络进行卷积神经网络学习、分段和拼接，确定电负荷历史数据、热负荷历史数据气负荷历史数据和特征变量的历史数据与各能量需求之间的映射关系；
测试单元，用于基于所述测试数据集进行测试，调整LSTM网络的映射关系参数得到节点泛化动态模型；
其中，所述节点能量管理优化模型为基于能量枢纽模型中多种能量需求的关系进行构建。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.一种能源互联网的能量需求预测方法，其特征在于，包括：
获取待预测能源互联网节点的特征变量和历史需求数据；
基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；
其中，所述节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建。
2.如权利要求1所述的方法，其特征在于，所述节点泛化动态模型的构建，包括：
基于能源互联网节点的历史需求数据和元件参数，采用预先构建的节点能量管理优化模型得到电负荷历史数据、热负荷历史数据和气负荷历史数据；
将所述电负荷历史数据、热负荷历史数据和气负荷历史数据，以及特征变量的历史数据基于设置的量测时间点向前设定时间点得到输入数据集，并向后设定时间点得到各能量需求对应的输出数据集；
基于所述输入数据集和输出数据集划分为训练数据集和测试数据集；
基于训练数据集，采用LSTM网络进行卷积神经网络学习、分段和拼接，确定电负荷历史数据、热负荷历史数据气负荷历史数据和特征变量的历史数据与各能量需求之间的映射关系；
基于所述测试数据集进行测试，调整LSTM网络的映射关系参数得到节点泛化动态模型；
其中，所述节点能量管理优化模型为基于能量枢纽模型中多种能量需求的关系进行构建。
3.如权利要求2所述的方法，其特征在于，所述特征变量包括：环境温度、光照强度、电价信息和用户偏好，所述能量需求包括电需求、热需求和气需求。
4.如权利要求2所述的方法，其特征在于，所述节点能量管理优化模型的构建，包括：
建立以最小化用户成本的目标函数；
为能量枢纽模型中电能、天然气能和热能分别构建平衡方程；
基于各元件安全稳定运行、各可控设备容量上下限为所述目标函数构建约束条件；
所述平衡方程包括电能平衡方程、天然气能平衡方程和热能平衡方程；所述可控设备包括空调系统、热电联产CHP机组、电锅炉、光伏阵列和电动汽车。
5.如权利要求4所述的方法，其特征在于，所述电能平衡方程，如下式所示：
式中：Pex,t为与电网的功率交换，PCHP,t为CHP机组出力，PPV,t为光伏出力，PEV,t为电动汽车交换功率，Pac,k,t为空调功率，PEB,t为电锅炉消耗热功率；Pd,t为用户的不可控电能需求；
所述天然气能平衡方程，如下式所示：
Gex,t-GCHP,t-Gd,t＝0
式中：Gex,t为用户购气流量，GCHP,t为CHP机组消耗流量；Gd,t为用户的不可控天然气需求；
所述热能平衡方程，如下式所示：
Hex,t+HCHP,t+HEB,t-Hd,t＝0
式中：Hex,t为与热网功率交换，HCHP,t为CHP机组产生热功率，HEB,t为电锅炉输出的热功率，Hd,t为用户的不可控热能需求。
6.如权利要求4所述的方法，其特征在于，所述基于能源互联网节点的历史需求数据和元件参数，采用预先构建的节点能量管理优化模型得到电负荷历史数据、热负荷历史数据和气负荷历史数据，包括：
将能源互联网节点的历史需求数据和元件参数，带入所述节点能量管理优化模型得到功率交换；
将所述功率交换与不可控需求数据相耦合生成电负荷历史数据、热负荷历史数据和气负荷历史数据。
7.如权利要求2所述的方法，其特征在于，所述基于训练数据集，采用LSTM网络进行卷积神经网络学习、分段和拼接，确定电负荷历史数据、热负荷历史数据气负荷历史数据和特征变量的历史数据与各能量需求之间的映射关系，包括：
利用卷积神经网络学习电热气负荷时间序列的耦合关系及时间相关性；
将卷积得到的序列以及特征变量构成的时间序列分别通过多个长短期记忆网络LSTM层得到多段特征信息；
将所述多段特征信息拼接后通过全连接层得到电需求、热需求和气需求。
8.如权利要求2所述的方法，其特征在于，所述长短期记忆网络LSTM层的数量是基于特征变量的数目进行设计。
9.如权利要求3所述的方法，其特征在于，所述输入数据集，包括：
分时电价、环境温度、光照强度、用户偏好、电负荷历史数据、热负荷历史数据和气负荷历史数据的时间序列；
其中，所述分时电价、环境温度、光照强度和用户偏好分别由48个时间点的历史数据和1个量测时间点的历史数据构成；
所述电负荷历史数据、热负荷历史数据和气负荷历史数据分别由量测时间点之前48个时间点的历史数据构成。
10.如权利要求3所述的方法，其特征在于，所述输出数据集，包括：
电需求、热需求和气需求的时间序列；
所述时间序列为量测时间点及量测点之后3个时间点的历史数据。
11.一种能源互联网的能量需求预测系统，其特征在于，包括：
获取模块，用于获取待预测能源互联网节点的特征变量和历史需求数据；
计算模块，用于基于所述特征变量和历史需求数据以及预先构建的节点泛化动态模型，得到当前时间点下未来时间的能量需求及变化趋势；
其中，所述节点泛化动态模型为基于特征变量与能源互联网节点处各能量需求的动态变化关系进行构建。
12.如权利要求11所述的系统，其特征在于，所述系统还包括构建模块，用于构建节点泛化动态模型；
所述构建模块，包括：
数据处理单元，用于基于能源互联网节点的历史需求数据和元件参数，采用预先构建的节点能量管理优化模型得到电负荷历史数据、热负荷历史数据和气负荷历史数据；
数据集单元，用于将所述电负荷历史数据、热负荷历史数据和气负荷历史数据，以及特征变量的历史数据基于设置的量测时间点向前设定时间点得到输入数据集，并向后设定时间点得到各能量需求对应的输出数据集；
划分单元，用于基于所述输入数据集和输出数据集划分为训练数据集和测试数据集；
训练单元，用于基于训练数据集，采用LSTM网络进行卷积神经网络学习、分段和拼接，确定电负荷历史数据、热负荷历史数据气负荷历史数据和特征变量的历史数据与各能量需求之间的映射关系；
测试单元，用于基于所述测试数据集进行测试，调整LSTM网络的映射关系参数得到节点泛化动态模型；
其中，所述节点能量管理优化模型为基于能量枢纽模型中多种能量需求的关系进行构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010000960.3A CN113065680A (zh) | 2020-01-02 | 2020-01-02 | 一种能源互联网的能量需求预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010000960.3A CN113065680A (zh) | 2020-01-02 | 2020-01-02 | 一种能源互联网的能量需求预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113065680A true CN113065680A (zh) | 2021-07-02 |
Family
ID=76558082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010000960.3A Pending CN113065680A (zh) | 2020-01-02 | 2020-01-02 | 一种能源互联网的能量需求预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065680A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516521A (zh) * | 2021-07-30 | 2021-10-19 | 中国电力科学研究院有限公司 | 能源互联网用户用能数据预测方法及系统 |
| CN114862177A (zh) * | 2022-04-29 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种能源互联能源存储分配方法及系统 |
| CN115169994A (zh) * | 2022-09-05 | 2022-10-11 | 北京宇乾能源科技有限责任公司 | 一种多种清洁能源互补控制决策处理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967537A (zh) * | 2017-11-27 | 2018-04-27 | 湖南大学 | 一种风光沼微能源网的能量管理方法及装置 |
| CN108494021A (zh) * | 2018-04-20 | 2018-09-04 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
| CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
-
2020
- 2020-01-02 CN CN202010000960.3A patent/CN113065680A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967537A (zh) * | 2017-11-27 | 2018-04-27 | 湖南大学 | 一种风光沼微能源网的能量管理方法及装置 |
| CN108494021A (zh) * | 2018-04-20 | 2018-09-04 | 东北大学 | 电-热-气综合能源系统的稳定评估与静态控制方法 |
| CN110490385A (zh) * | 2019-08-22 | 2019-11-22 | 广东电网有限责任公司 | 一种综合能源系统中电负荷和热负荷的联合预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516521A (zh) * | 2021-07-30 | 2021-10-19 | 中国电力科学研究院有限公司 | 能源互联网用户用能数据预测方法及系统 |
| CN114862177A (zh) * | 2022-04-29 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种能源互联能源存储分配方法及系统 |
| CN115169994A (zh) * | 2022-09-05 | 2022-10-11 | 北京宇乾能源科技有限责任公司 | 一种多种清洁能源互补控制决策处理方法及系统 |
| CN115169994B (zh) * | 2022-09-05 | 2023-09-26 | 北京宇乾能源科技有限责任公司 | 一种多种清洁能源互补控制决策处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sawle et al. | PV-wind hybrid system: A review with case study | |
| Yona et al. | Determination method of insolation prediction with fuzzy and applying neural network for long-term ahead PV power output correction | |
| Bashir et al. | Optimal sizing of hybrid wind/photovoltaic/battery considering the uncertainty of wind and photovoltaic power using Monte Carlo | |
| CN104537435B (zh) | 基于用户侧经济性指标的分布式电源优化配置方法 | |
| CN113065680A (zh) | 一种能源互联网的能量需求预测方法及系统 | |
| CN109103926A (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
| CN104794533A (zh) | 计入可入网电动汽车的配电网用户光伏电站的容量最优配置方法 | |
| Gao et al. | An iterative optimization and learning-based IoT system for energy management of connected buildings | |
| Khan et al. | Energy demand modelling and ANN based forecasting using MATLAB/Simulink | |
| Soni et al. | Multi-objective dynamic economic emission dispatch integration with renewable energy sources and plug-in electrical vehicle using equilibrium optimizer | |
| CN112580897A (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
| CN113591375B (zh) | 一种基于智能体的多能源系统最优协同运行方法 | |
| CN112101626A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
| Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
| Maruf et al. | An enhancement of agent-based power supply-demand matching by using ann-based forecaster | |
| CN114638396A (zh) | 一种基于神经网络实例化的光伏功率预测方法及系统 | |
| Chen et al. | Reinforcement learning based two‐timescale energy management for energy hub | |
| CN103187736A (zh) | 含风电场有功调度系统 | |
| CN111126716A (zh) | 一种基于极端梯度提升算法预测电价的系统模型 | |
| Fouad et al. | Simulation and energy management of an experimental solar system through adaptive neural networks | |
| Khaligh Fard et al. | Electricity Supply Model of Conventional Residential Buildings in Tehran with Priority on Renewable Energy Using Adaptive Fuzzy-neural Inference System | |
| CN116191508A (zh) | 一种计及风光出力的含储能有源配电网经济运行优化方法 | |
| CN114400713A (zh) | 综合能源系统区间优化调度方法 | |
| Naceur et al. | Deep Learning Algorithm to Predict The Integration Efficiency Of Wind Turbine In Smart Grid | |
| Jdeed et al. | Smart grid modeling and simulation—Comparing GridLAB-D and RAPSim via two Case studies |
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 |