CN114004423A - 一种考虑区域能效协同优化的能源需求预测方法及系统 - Google Patents
一种考虑区域能效协同优化的能源需求预测方法及系统 Download PDFInfo
- Publication number
- CN114004423A CN114004423A CN202111410251.3A CN202111410251A CN114004423A CN 114004423 A CN114004423 A CN 114004423A CN 202111410251 A CN202111410251 A CN 202111410251A CN 114004423 A CN114004423 A CN 114004423A
- Authority
- CN
- China
- Prior art keywords
- energy
- regional
- consumption data
- data matrix
- user
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 132
- 238000004519 manufacturing process Methods 0.000 claims abstract description 86
- 238000005265 energy consumption Methods 0.000 claims abstract description 78
- 239000003245 coal Substances 0.000 claims abstract description 67
- 239000003345 natural gas Substances 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 239000003921 oil Substances 0.000 abstract description 36
- 239000013598 vector Substances 0.000 description 29
- 238000009826 distribution Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 9
- 239000003208 petroleum Substances 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 5
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 description 4
- 102100038040 RNA-binding motif protein, Y chromosome, family 1 member A1 Human genes 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 description 2
- 101001076867 Homo sapiens RNA-binding protein 3 Proteins 0.000 description 2
- 102100025902 RNA-binding protein 3 Human genes 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction 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
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002195 synergetic effect 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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑区域能效协同优化的能源需求预测方法及系统,涉及能源需求预测技术领域。所述方法包括:根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;根据区域历史生产总值数据集,构建区域生产总值数据矩阵;将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。本发明能够通过分析区域之间煤炭、石油、天然气、核能消耗量与生产总值间的关系特征值,提高区域煤炭、石油、天然气、核能能源需求量预测的准确性。
Description
技术领域
本发明涉及能源需求预测技术领域,尤其涉及一种考虑区域能效协同优化的能源需求预测方法及系统。
背景技术
区域能源是一种冷、热、水、电协同作用的区域能源解决方案,旨在发展冷,热,生活热水和电力的生产和供应之间的协同作用。在传统的能源需求预测中,通常只考虑经济规模和增长、人口规模和增速、产业结构和发展等的影响,很少考虑区域之间煤炭、石油、天然气、核能需求量与生产总值、能效的关联、制约和协同关系。冷、热、电多种能源具有关系复杂并交互作用的随机和模糊不确定性事件或参量的系统。在各种不确定性随机和模糊事件或参量的影响下,冷、热、电多种能源需求变得更具随机特性和模糊特性,这些特性都会影响地区能源利用效率。
现有的冷、热、电多种能源需求预测通常采用确定性计算或概率分析计算方法。确定性计算的方法通常是在假设冷、热、电多种能源需求都确定的情况下进行地区能源需求预测,也没有考虑能源利用效率等因素的影响,计算结果难以反映地区能源需求的实际情况。而概率分析计算通常是在只假设冷、热、电能源中某个单一因素为不确定性因素的情况下冷、热、电多种能源需求预测量,计算不够全面。
发明内容
本发明目的在于,提供一种考虑区域能效协同优化的能源需求预测方法及系统,通过分析区域之间煤炭、石油、天然气、核能消耗量与生产总值间的关系特征值,确定区域煤炭、石油、天然气、核能能源需求量的预测值。
为实现上述目的,本发明提供一种考虑区域能效协同优化的能源需求预测方法,包括:
根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;
根据区域历史生产总值数据集,构建区域生产总值数据矩阵;其中,所述区域历史生产总值数据集包括煤炭消耗相关数据、石油消耗相关数据、天然气消耗相关数据和核能消耗相关数据;
将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。
优选地,所述的考虑区域能效协同优化的能源需求预测方法,还包括:根据所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵,计算区域能源利用效率。
优选地,所述深度置信网络的构建过程包括:
构建一个输入层、三个隐藏层和一个输出层的网络结构模型;
利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到输入变量之间的协同关系特性。
优选地,所述利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到输入变量之间的协同关系特性,包括:
利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到区域内不同能源需求量之间的协同关系特性、区域之间不同能源需求量的协同关系特性、得到区域内不同能源需求量与生产总值、能效之间的协同关系特性,以及区域之间不同能源需求量与生产总值、能效的协同关系特性。
本发明还提供一种考虑区域能效协同优化的能源需求预测系统,包括:
区域能源消耗数据矩阵构建模块,用于根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;
区域生产总值数据矩阵构建模块,用于根据区域历史生产总值数据集,构建区域生产总值数据矩阵;其中,所述区域历史生产总值数据集包括煤炭消耗相关数据、石油消耗相关数据、天然气消耗相关数据和核能消耗相关数据;
特征训练模块,用于将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。
优选地,所述的考虑区域能效协同优化的能源需求预测系统,还包括区域能源利用效率计算模块,用于根据所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵,计算区域能源利用效率。
优选地,所述深度置信网络包括一个输入层、三个隐藏层和一个输出层;所述深度置信网络通过利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到输入变量之间的协同关系特性。
优选地,所述深度置信网络通过利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到区域内不同能源需求量之间的协同关系特性、区域之间不同能源需求量的协同关系特性、得到区域内不同能源需求量与生产总值、能效之间的协同关系特性,以及区域之间不同能源需求量与生产总值、能效的协同关系特性。
本发明实施例还提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例所述的考虑区域能效协同优化的能源需求预测方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一实施例所述的考虑区域能效协同优化的能源需求预测方法。
与现有技术相比,本发明具有以下有益效果:
本发明公开的考虑区域能效协同优化的能源需求预测方法,包括:根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;根据区域历史生产总值数据集,构建区域生产总值数据矩阵;其中,所述区域历史生产总值数据集包括煤炭消耗相关数据、石油消耗相关数据、天然气消耗相关数据和核能消耗相关数据;将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。本发明能够通过分析区域之间煤炭、石油、天然气、核能消耗量与生产总值间的关系特征值,提高区域煤炭、石油、天然气、核能能源需求量预测的准确性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的考虑区域能效协同优化的能源需求预测方法的流程示意图;
图2是本发明某一实施例提供的考虑区域能效协同优化的能源需求预测系统的结构示意图;
图3是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
能源系统是一个复杂的非线性时变系统,能源系统的运行受经济发展、人口增长、技术进步、政策调控、能源贸易等因素的影响,而且这些因素交互作用、相互影响、高度耦合。近年来能源需求预测的研究重点由上述的传统方法转到了各种新兴的非线性方法。各种计算科学也开始被应用于能源需求预测领域,例如遗传算法和神经网络算法等。比如,运用遗传算法来预测土耳其能源需求总量,并指出比政府模型更精确;用遗传算法来预测土耳其石油、天然气、煤的需求;用神经网络模型来预测加拿大居民的能源消费;用神经网络分析了全球清洁能源的消费;用神经网络模型对电力能源需求量分别进行了短期、中期和长期的预测;用混沌时间序列模型对我国能源生产总量进行建模,并分析了模型的合理性。混沌时间序列模型,由于其对初始条件十分敏感,以至于进行长期预测时扰动太大,很难获得准确的预测。遗传算法由于其参数设定主要依靠建模者经验,具有一定的主观性;且不同的遗传技术也会有不同的参数,因此,算法的通用性受限。由于能源领域的数据有不断变大的趋势,未来数值容易超过学习样本最大值,因此神经网络算法不适合长期预测。在灰色理论中将未知信息进行灰色处理,由于对能源系统作用的因素是时变的,因此在进行长期预测时精度也会下降。
与不同能源独立运营的传统能源系统相比,多能源系统可以将气、电、热(热、冷)能等不同的能源载体整合在一起,实现同步供能,提高能源利用效率。区域综合能源系统以冷热电联供为核心,可以对区域内、区域间天然气和分布式能源协同调度、运行和控制。在满足系统多样化能源需求的同时,实现能源的梯级利用,提高经济效益和环境效益是未来能源系统发展的重要方向。现代城市以微电网为核心,具有典型的多能源系统特征。
请参阅图1,图1是本发明某一实施例提供的考虑区域能效协同优化的能源需求预测方法的流程示意图。
本实施例提供的考虑区域能效协同优化的能源需求预测方法,包括以下步骤:
S110,根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;
S120根据区域历史生产总值数据集,构建区域生产总值数据矩阵;其中,所述区域历史生产总值数据集包括煤炭消耗相关数据、石油消耗相关数据、天然气消耗相关数据和核能消耗相关数据;
S130,将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。
在某一实施例中,根据区域历史能源消耗数据集,第i个区域n年能源消耗量等的数据,通过处理、计算和分析,构建第k年第i个区域能源消耗量历史数据矩阵:
其中,为第k年第i个区域能源消耗量历史数据矩阵,i=1,2,...,NR,j=1,2,...,NEi,k=1,2,...,n,NR为能源区域的数量,NEi为第i个区域中能源用户的数量,n为能源分析年的数量;为第i个区域中第k年第j个能源用户能源用户煤炭消耗量历史数据向量,k=1,2,...,n,n为能源分析年的数量;为第i个区域中第k年第j个能源用户能源用户石油消耗量历史数据向量;为第i个区域中第k年第j个能源用户能源用户天然气消耗量历史数据向量;为第i个区域中第k年第j个能源用户能源用户核能消耗量历史数据向量。
其中,为第i个区域中第j个能源用户第k年煤炭消耗量;为第i个区域中第j个能源用户第k年石油消耗量;为第i个区域中第j个能源用户第k年天然气消耗量;为第i个区域中第j个能源用户第k年核能消耗量。NEi为第i个区域中能源用户的数量。
第i个区域能源消耗量历史数据矩阵为:
其中,Ei为第i个区域能源消耗量历史数据矩阵,i=1,2,...,NR,NR为能源区域的数量;为第i个区域中第k年煤炭消耗量历史数据向量,k=1,2,...,n,n为能源分析年的数量;为第i个区域中第k年石油消耗量历史数据向量;为第i个区域中第k年天然气消耗量历史数据向量;为第i个区域中第k年核能消耗量历史数据向量。
在某一实施例中,根据区域历史生产总值数据集,获取第i个区域中n年生产总值等的数据,构建第k年第i个区域生产总值历史数据矩阵:
其中,Vi k为第k年第i个区域生产总值历史数据矩阵;为第i个区域中第k年与煤炭消耗量相关的生产总值历史数据向量;为第i个区域中第k年与石油消耗量相关的生产总值历史数据向量;为第i个区域中第k年与天然气消耗量相关的生产总值历史数据向量;为第i个区域中第k年与核能消耗量相关的生产总值历史数据向量。
在第i个区域中,第k年第j个能源用户与煤炭、石油、天然气、核能消耗量相关的生产总值数学上分别用如下矩阵表示:
其中,为第i个区域中第k年能源用户与煤炭消耗量相关的生产总值历史数据向量;为第i个区域中第j个能源用户第k年与煤炭消耗量相关的生产总值;为第i个区域中第j个能源用户第k年与石油消耗量相关的生产总值;为第i个区域中第j个能源用户第k年与天然气消耗量相关的生产总值;为第i个区域中第j个能源用户第k年与核能消耗量相关的生产总值。
构建第i个区域生产总值历史数据矩阵:
其中,Vi为第i个区域中生产总值历史数据矩阵,i=1,2,...,NR,NR为能源区域的数量;为第i个区域中第k年与煤炭消耗量相关的生产总值历史数据向量,k=1,2,...,n,n为能源分析年的数量;为第i个区域中第k年与石油消耗量相关的生产总值历史数据向量;为第i个区域中第k年与天然气消耗量相关的生产总值历史数据向量;为第i个区域中第k年与核能消耗量相关的生产总值历史数据向量。
在考虑区域能效协同优化的能源需求预测方法中,还包括:根据所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵,计算区域能源利用效率。
利用能源消耗量数据矩阵和生产总值数据矩阵,计算第k年第i个区域中第j(j=1,2,...,NEi)个能源用户煤炭、石油、天然气、核能利用效率,其计算式分别为:
计算第k年第i个区域煤炭、石油、天然气、核能利用效率的综合平均值:
计算n年里第i个区域能源利用效率(简称能效):
计算所有区域能源利用效率(简称能效):
其中,e为n年里所有区域能效的综合平均值,ki为第i个区域能源利用效率的权重系数。
针对获取的能源消耗量等用户用能数据,采用概率分析的方法,计算并确定第i个区域中第j(j=1,2,...,NEi)个能源用户煤炭、石油、天然气、核能消耗量按照正态分布规律变化的概率、均值和方差:pCij、μCij和σCij;pOij、μOij和σOij;pGij、μGij和σGij;pNij、μNij和σNij。计算并确定第i个区域中煤炭、石油、天然气、核能消耗量按照正态分布规律变化的概率、均值和方差:pCi、μCi和σCi;pOi、μOi和σOi;pGi、μGi和σGi;pNi、μNi和σNi。计算并确定所有区域煤炭、石油、天然气、核能总的消耗量按照正态分布规律变化的概率;均值和方差:pC、μC和σC;pO、μO和σO;pG、μG和σG;pN、μN和σN。
采用概率分析的方法,计算并确定第i个区域中第j(j=1,2,...,NEi)个能源用户与煤炭、石油、天然气、核能消耗量相关的生产总值按照正态分布规律变化的概率;均值和方差:pVCij、μVCij和σVCij;pVOij、μVOij和σVOij;pVGij、μVGij和σVGij;pVNij、μVNij和σVNij。计算并确定第i个区域中与煤炭、石油、天然气、核能消耗量相关的生产总值按照正态分布规律变化的概率、均值和方差:pVCi、μVCi和σVCi;pVOi、μVOi和σVOi;pVGi、μVGi和σVGi;pVNi、μVNi和σVNi。计算并确定所有区域与煤炭、石油、天然气、核能总的消耗量相关的生产总值按照正态分布规律变化的概率、均值和方差:pVC、μVC和σVC;pVO、μVO和σVO;pVG、μVG和σVG;pVN、μVN和σVN。
采用概率分析的方法,计算并确定第i个区域中第j(j=1,2,...,NEi)个能源用户与煤炭、石油、天然气、核能消耗量相关的能效按照正态分布规律变化的概率;均值和方差:peCij、μeCij和σeCij;peOij、μeOij和σeOij;peGij、μeGij和σeGij;peNij、μeNij和σeNij。计算并确定第i个区域中与煤炭、石油、天然气、核能消耗量相关的能效按照正态分布规律变化的概率、均值和方差:peCi、μeCi和σeCi;peOi、μeOi和σeOi;peGi、μeGi和σeGi;peNi、μeNi和σeNi。计算并确定所有区域与煤炭、石油、天然气、核能总的消耗量相关的能效按照正态分布规律变化的概率、均值和方差:peC、μeC和σeC;peO、μeO和σeO;peG、μeG和σeG;peN、μeN和σeN。
本发明利用能源消耗量及生产总值的历史数据,采用深度置信网络,对区域煤炭、石油、天然气、核能需求量进行预测。所述深度置信网络的构建过程包括:构建一个输入层、三个隐藏层和一个输出层的网络结构模型;利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到输入变量之间的协同关系特性。
利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到区域内不同能源需求量之间的协同关系特性、区域之间不同能源需求量的协同关系特性、得到区域内不同能源需求量与生产总值、能效之间的协同关系特性,以及区域之间不同能源需求量与生产总值、能效的协同关系特性。
在某一具体实施例中,深度置信网络由1个输入层、3个隐藏层和1个输出层构成。输入层表征区域能源需求量、生产总值和能效的输入数据接入与排序关系。设置3个受限玻尔兹曼机RBM1、RBM2、RBM3,受限玻尔兹曼机RBM1表征区域能源需求量、生产总值和能效的输入数据X与第一隐藏层H1之间的连接关系,受限玻尔兹曼机RBM2表征第一隐藏层H1与第二隐藏层H2之间的连接关系,受限玻尔兹曼机RBM3表征第二隐藏层H2与第三隐藏层H3之间的连接关系。输出层表征区域能源需求量预测值与排序关系。
深度信念网络利用受限玻尔兹曼机在无监督情况下对区域能源需求量、生产总值和能效之间的关联、制约和协同关系特性进行学习训练,(1)确定区域内煤炭、石油、天然气、核能需求量之间关联、制约和协同关系特征值,(2)确定区域之间煤炭、石油、天然气、核能需求量关联、制约和协同关系特征值,(3)确定区域内煤炭、石油、天然气、核能需求量与生产总值、能效之间关联、制约和协同关系特征值,(4)确定区域之间煤炭、石油、天然气、核能需求量与生产总值、能效的关联、制约和协同关系特征值;利用Softmax分类器,确定区域在未来年份的能源需求量并输出。
输入层的输入数据X为:
输出层的输出数据Y为:
其中,Y为深度置信网络输出层的输出数据矩阵。Yi k为第k年第i个区域能源需求量预测数据矩阵,其数学表示为:
第l级(l=1,2,3)受限玻尔兹曼机RBMl的隐藏单元向量Hl为::
利用最大似然函数来训练受限玻尔兹曼机RBM,考虑受限玻尔兹曼机RBM的连接权重系数向量ω、偏置系数向量a和b,得到参数θ={ω,a,b},其中:
第l级(l=1,2,3)受限玻尔兹曼机RBMl的连接权重系数向量ω为:
第l级(l=1,2,3)受限玻尔兹曼机RBMl的可见单元偏置系数向量a为:
第l级(l=1,2,3)受限玻尔兹曼机RBMl的隐藏单元偏置系数向量b为:`
构造最大对数似然函数:
第l级(l=1,2,3)受限玻尔兹曼机RBMl的隐藏单元概率按照下式计算:
其中,σ为激活函数,σ=(1+e-x)-1。
在本发明实施例中,进一步考虑到能效协同优化的连接权重和偏置系数更新,在受限玻尔兹曼机RBM中,采用学习率对连接权重和偏置系数进行更新,采用协同率对能效进行更新。在这种更新原则下,受限玻尔兹曼机RBM与第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的连接权重的更新计算式如下:
式中分别为与受限玻尔兹曼机RBM中第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的学习率, 分别为与受限玻尔兹曼机RBM中第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的能效协同率。
受限玻尔兹曼机RBM与第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的可见单元偏置系数的更新计算式如下:
式中为与受限玻尔兹曼机RBM中第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的可见单元偏置系数的学习率,为与受限玻尔兹曼机RBM中第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的可见单元偏置系数的能效协同率。
受限玻尔兹曼机RBM与第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的隐藏单元偏置系数的更新计算式如下:
其中为与受限玻尔兹曼机RBM中第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的可见单元偏置系数的学习率,为与受限玻尔兹曼机RBM中第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的可见单元偏置系数的能效协同率。
第三隐藏层H3与输出层构成线性神经网络,将DBN提取的特征向量作为输入,通过线性激活函数处理得到能源需求的预测值。
利用第三隐藏层H3中更新的连接权重和偏置系数,可以得到第K年第i个区域第j个能源用户煤炭、石油、天然气、核能需求量的预测值:
得到第K年第i个区域煤炭、石油、天然气、核能需求量的预测值:
请参阅图2,图2是本发明某一实施例提供的考虑区域能效协同优化的能源需求预测系统的结构示意图。
本实施例提供的考虑区域能效协同优化的能源需求预测系统,包括:
区域能源消耗数据矩阵构建模块210,用于根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;
区域生产总值数据矩阵构建模块220,用于根据区域历史生产总值数据集,构建区域生产总值数据矩阵;其中,所述区域历史生产总值数据集包括煤炭消耗相关数据、石油消耗相关数据、天然气消耗相关数据和核能消耗相关数据;
特征训练模块230,用于将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。
在本发明实施例中,考虑区域能效协同优化的能源需求预测系统,还包括区域能源利用效率计算模块,用于根据所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵,计算区域能源利用效率。
关于考虑区域能效协同优化的能源需求预测系统的具体限定可以参见上文中对于考虑区域能效协同优化的能源需求预测方法的限定,在此不再赘述。上述考虑区域能效协同优化的能源需求预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图3,本发明实施例提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任意一个实施例中的考虑区域能效协同优化的能源需求预测方法。
处理器用于控制该计算机终端设备的整体操作,以完成上述的考虑区域能效协同优化的能源需求预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作,这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的考虑区域能效协同优化的能源需求预测方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供了一种包括计算机程序的计算机可读存储介质,该计算机程序被处理器执行时实现上述任意一个实施例中的考虑区域能效协同优化的能源需求预测方法的步骤。例如,该计算机可读存储介质可以为上述包括计算机程序的存储器,上述计算机程序可由计算机终端设备的处理器执行以完成上述的考虑区域能效协同优化的能源需求预测方法,并达到如上述方法一致的技术效果。
利用本发明所提出的考虑区域能效协同优化的能源需求预测方法,阐明区域能效的交互制约和协同关系对能源需求量的影响,确定区域内煤炭、石油、天然气、核能需求量之间关联、制约和协同关系特征值,确定区域之间煤炭、石油、天然气、核能需求量关联、制约和协同关系特征值,确定区域内煤炭、石油、天然气、核能需求量与生产总值、能效之间关联、制约和协同关系特征值,确定区域之间煤炭、石油、天然气、核能需求量与生产总值、能效的关联、制约和协同关系特征值,准确预测区域能源需求量,为可持续高效用能提供理论指导,为区域能源的高效协同利用提供必要的技术支撑。
以上所述是本发明的优选实施方式,应当指出,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,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种考虑区域能效协同优化的能源需求预测方法,其特征在于,包括:
根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;
根据区域历史生产总值数据集,构建区域生产总值数据矩阵;其中,所述区域历史生产总值数据集包括煤炭消耗相关数据、石油消耗相关数据、天然气消耗相关数据和核能消耗相关数据;
将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。
2.根据权利要求1所述的考虑区域能效协同优化的能源需求预测方法,其特征在于,还包括:根据所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵,计算区域能源利用效率。
3.根据权利要求1所述的考虑区域能效协同优化的能源需求预测方法,其特征在于,所述深度置信网络的构建过程包括:
构建一个输入层、三个隐藏层和一个输出层的网络结构模型;
利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到输入变量之间的协同关系特性。
4.根据权利要求3所述的考虑区域能效协同优化的能源需求预测方法,其特征在于,所述利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到输入变量之间的协同关系特性,包括:
利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到区域内不同能源需求量之间的协同关系特性、区域之间不同能源需求量的协同关系特性、得到区域内不同能源需求量与生产总值、能效之间的协同关系特性,以及区域之间不同能源需求量与生产总值、能效的协同关系特性。
5.一种考虑区域能效协同优化的能源需求预测系统,其特征在于,包括:
区域能源消耗数据矩阵构建模块,用于根据区域历史能源消耗数据集,构建区域能源消耗数据矩阵;其中,所述区域历史能源消耗数据集包括用户煤炭消耗数据、用户石油消耗数据、用户天然气消耗数据和用户核能消耗数据;
区域生产总值数据矩阵构建模块,用于根据区域历史生产总值数据集,构建区域生产总值数据矩阵;其中,所述区域历史生产总值数据集包括煤炭消耗相关数据、石油消耗相关数据、天然气消耗相关数据和核能消耗相关数据;
特征训练模块,用于将所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵输入深度置信网络进行特征训练,得到能源需求量预测值。
6.根据权利要求5所述的考虑区域能效协同优化的能源需求预测系统,其特征在于,还包括区域能源利用效率计算模块,用于根据所述区域能源消耗数据矩阵和所述区域生产总值数据矩阵,计算区域能源利用效率。
7.根据权利要求5所述的考虑区域能效协同优化的能源需求预测系统,其特征在于,所述深度置信网络包括一个输入层、三个隐藏层和一个输出层;所述深度置信网络通过利用受限玻尔兹曼机在无监督情况下,对所述深度置信网络的网络结构模型进行训练,得到输入变量之间的协同关系特性。
8.根据权利要求7所述的考虑区域能效协同优化的能源需求预测系统,其特征在于,所述深度置信网络通过利用受限玻尔兹曼机在无监督情况下,对所述网络结构模型进行训练,得到区域内不同能源需求量之间的协同关系特性、区域之间不同能源需求量的协同关系特性、得到区域内不同能源需求量与生产总值、能效之间的协同关系特性,以及区域之间不同能源需求量与生产总值、能效的协同关系特性。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的考虑区域能效协同优化的能源需求预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的考虑区域能效协同优化的能源需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410251.3A CN114004423A (zh) | 2021-11-19 | 2021-11-19 | 一种考虑区域能效协同优化的能源需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111410251.3A CN114004423A (zh) | 2021-11-19 | 2021-11-19 | 一种考虑区域能效协同优化的能源需求预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004423A true CN114004423A (zh) | 2022-02-01 |
Family
ID=79930328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111410251.3A Pending CN114004423A (zh) | 2021-11-19 | 2021-11-19 | 一种考虑区域能效协同优化的能源需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004423A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719243A (zh) * | 2022-12-01 | 2023-02-28 | 广东电网有限责任公司 | 一种基于PSO-CNN-BILSTM-Attention的煤炭需求量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
CN111401603A (zh) * | 2020-01-22 | 2020-07-10 | 国网江苏省电力有限公司南京供电分公司 | 一种多类型能源需求预测方法 |
CN112803427A (zh) * | 2021-03-24 | 2021-05-14 | 国网山东省电力公司泰安供电公司 | 基于需求的区域电网调度方法、系统、终端及存储介质 |
CN112862216A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种基于深度置信网络的多行业能源需求预测方法 |
-
2021
- 2021-11-19 CN CN202111410251.3A patent/CN114004423A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
CN111401603A (zh) * | 2020-01-22 | 2020-07-10 | 国网江苏省电力有限公司南京供电分公司 | 一种多类型能源需求预测方法 |
CN112862216A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种基于深度置信网络的多行业能源需求预测方法 |
CN112803427A (zh) * | 2021-03-24 | 2021-05-14 | 国网山东省电力公司泰安供电公司 | 基于需求的区域电网调度方法、系统、终端及存储介质 |
Non-Patent Citations (2)
Title |
---|
吴伟杰等: "CCHP用户冷热电负荷预测的纵横交叉优化深度信念网络方法", 《南方电网技术》, 29 December 2021 (2021-12-29), pages 1 - 10 * |
吴伟杰等: "基于CSO 优化深度信念网络的 园区能源需求预测方法", 《电网技术》, 2 November 2020 (2020-11-02), pages 1 - 11 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719243A (zh) * | 2022-12-01 | 2023-02-28 | 广东电网有限责任公司 | 一种基于PSO-CNN-BILSTM-Attention的煤炭需求量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | A stacked GRU-RNN-based approach for predicting renewable energy and electricity load for smart grid operation | |
Fan et al. | Assessment of deep recurrent neural network-based strategies for short-term building energy predictions | |
CN107578124B (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
Chang et al. | Transparent digital twin for output control using belief rule base | |
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Zhao et al. | A hybrid method of dynamic cooling and heating load forecasting for office buildings based on artificial intelligence and regression analysis | |
Wang et al. | Building load forecasting using deep neural network with efficient feature fusion | |
Ahmadiahangar et al. | Residential load forecasting for flexibility prediction using machine learning-based regression model | |
CN111932015A (zh) | 一种区域供冷供热冷热量负荷的预测方法及系统 | |
Boithias et al. | Genetic algorithms based optimization of artificial neural network architecture for buildings’ indoor discomfort and energy consumption prediction | |
CN111027772A (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN104318329A (zh) | 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法 | |
Bamdad et al. | Building energy optimization using surrogate model and active sampling | |
Ahmad et al. | Energy demand prediction through novel random neural network predictor for large non-domestic buildings | |
CN114004423A (zh) | 一种考虑区域能效协同优化的能源需求预测方法及系统 | |
Yu et al. | A novel short-term electrical load forecasting framework with intelligent feature engineering | |
Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
Zhao et al. | Real-time energy consumption prediction method for air-conditioning system based on long short-term memory neural network | |
Li et al. | A hybrid learning method for the data-driven design of linguistic dynamic systems | |
Juan et al. | Multi-step prediction of dissolved oxygen in river based on random forest missing value imputation and attention mechanism coupled with recurrent neural network | |
CN114330824A (zh) | 一种考虑源荷协同运行的能源需求预测方法及系统 | |
Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
Wen et al. | Short-term load forecasting with bidirectional LSTM-attention based on the sparrow search optimisation algorithm | |
Javed et al. | Modelling and optimization of residential heating system using random neural networks |
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 |