CN114330824A - 一种考虑源荷协同运行的能源需求预测方法及系统 - Google Patents

一种考虑源荷协同运行的能源需求预测方法及系统 Download PDF

Info

Publication number
CN114330824A
CN114330824A CN202111410252.8A CN202111410252A CN114330824A CN 114330824 A CN114330824 A CN 114330824A CN 202111410252 A CN202111410252 A CN 202111410252A CN 114330824 A CN114330824 A CN 114330824A
Authority
CN
China
Prior art keywords
energy
power generation
regional
data set
normal distribution
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
Application number
CN202111410252.8A
Other languages
English (en)
Inventor
张伊宁
吴杰康
吴伟杰
李猛
李逸欣
郑敏嘉
孙辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111410252.8A priority Critical patent/CN114330824A/zh
Publication of CN114330824A publication Critical patent/CN114330824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种考虑源荷协同运行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发电量数据集，提取用户侧的发电特征信息；根据区域能源消耗历史数据，构建能源消耗量数据矩阵；将所述发电特征信息和所述能源消耗量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。本发明通过分析区域发电量数据集和区域能源消耗历史数据，得到发电量数据集和能源消耗历史数据之间的协同关系，能够提高能源需求预测的准确性。

Description

一种考虑源荷协同运行的能源需求预测方法及系统
技术领域
本发明涉及能源需求预测技术领域，尤其涉及一种考虑源荷协同运行的能源需求预测方法及系统。
背景技术
随着能源互联网建设推进和配电网市场化改革深入，主动配电网源-网-荷-储形态结构和运行特点已发生显著变化。从电源侧看，随着分布式风、光等清洁能源和冷、热、电综合能源大量接入，系统不确定性显著增强且多能流高度耦合趋势明显；从网络侧看，随着直流配网建设、单纯用电服务向综合用能服务转变和电力物联网发展，系统交直流并重、物理信息高度融合、电、气、冷/热、交通等多能源耦合网络日渐形成；从负荷侧看，随能源站、5G基站和数据中心、储能、微网、电动汽车充电站/桩等发展，主动配电网非线性和电力电子化日益增强，且存在源、荷和孤岛多状态输、配网交互模式；从储能侧看，系统储能将呈现储电、气、热等多样形式且深度参与源、网、荷各环节；另一方面，配电网市场化改革深入对系统规划和运行的安全性和经济性提出更高要求，亟需以市场机制协调多主体责、权、利，确保系统安全、可靠、经济运行。上述变化，对配电网规划和运行提出了新的要求，突破传统配电网电能需求单一、物理信息融合欠缺、较少考虑市场化因素等不足，以支撑服务型能源互联网建设目标，进行主动配电网源-网-荷-储协同规划和运行研究十分必要。
发明内容
本发明目的在于，提供一种考虑源荷协同运行的能源需求预测方法及系统，以解决如何通过分析区域发电量数据集和区域能源消耗历史数据，得到发电量数据集和能源消耗历史数据之间的协同关系，提高能源需求预测准确性的问题。
为实现上述目的，本发明实施例提供一种考虑源荷协同运行的能源需求预测方法，包括：
根据区域发电量数据集，提取用户侧的发电特征信息；其中，所述发电特征信息包括水电发电特征、风力发电特征和光伏发电特征；
根据区域能源消耗历史数据，构建能源消耗量数据矩阵；其中，所述能源消耗历史数据包括煤炭消耗量、石油消耗量、天然气消耗量和核能消耗量；
将所述发电特征信息和所述能源消耗量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，所述根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度水电站发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度水电站发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度水电站发电量按照正态分布规律变化的均值和方差，以及区域用户年度水电站发电量与最大发电小时数按照正态分布规律变化的概率，得到水电发电特征。
优选地，所述根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度风力发电场发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度风力发电场发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度风力发电场发电量按照正态分布规律变化的均值和方差，以及区域用户年度风力发电场发电量与最大发电小时数按照正态分布规律变化的概率，得到风力发电特征。
优选地，所述根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度光伏发电站发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度光伏发电站发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度光伏发电站发电量按照正态分布规律变化的均值和方差，以及区域用户年度光伏发电站发电量与最大发电小时数按照正态分布规律变化的概率，得到光伏发电特征。
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：
根据所述受限玻尔兹曼机的连接权重系数向量和偏置系数向量，得到最大对数似然函数、隐藏单元概率和可见单元概率。
本发明实施例还提供一种考虑源荷协同运行的能源需求预测系统，包括：
发电特征提取模块，用于根据区域发电量数据集，提取用户侧的发电特征信息；其中，所述发电特征信息包括水电发电特征、风力发电特征和光伏发电特征；
能源矩阵构建模块，用于根据区域能源消耗历史数据，构建能源消耗量数据矩阵；其中，所述能源消耗历史数据包括煤炭消耗量、石油消耗量、天然气消耗量和核能消耗量；
需求预测模块，用于将所述发电特征信息和所述能源消耗量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，用于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。
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源荷协同运行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源荷协同运行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：
本发明公开的考虑源荷协同运行的能源需求预测方法，包括根据区域发电量数据集，提取用户侧的发电特征信息；其中，所述发电特征信息包括水电发电特征、风力发电特征和光伏发电特征；根据区域能源消耗历史数据，构建能源消耗量数据矩阵；其中，所述能源消耗历史数据包括煤炭消耗量、石油消耗量、天然气消耗量和核能消耗量；将所述发电特征信息和所述能源消耗量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。本发明通过分析区域发电量数据集和区域能源消耗历史数据，得到发电量数据集和能源消耗历史数据之间的协同关系，能够提高能源需求预测的准确性。
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源荷协同运行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源荷协同运行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。
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。这些都增加了现代城市能源需求预测的难度和复杂性。
区域能源包括冷、热、电，通过能源利用和能源互联等技术手段，可以提高能源利用效率。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，很少考虑水-风-光分布式发电的问题和影响，没有考虑区域之间煤炭、石油需求量与水-风-光分布式发电的关联、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，这些特性极大影响地区能源利用效率。以往冷、热、电多种能源需求预测通常采用确定性的计算方法，有些也采用概率分析的不确定性计算方法。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，计算结果是唯一性和确定性的，往往不能反映地区能源需求的实际情况。而概率分析的计算方法通常是在只假设冷、热、电能源中等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，计算结果是具有一定置信水平的概率值。实际上，冷、热、电多种能源需求受多种不确定性因素影响。而且，这些影响因素通常都有随机不确定性或模糊不确定性，或者具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在。可见，冷、热、电多种能源需求预测的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。
请参阅图1，图1是本发明某一实施例提供的考虑源荷协同运行的能源需求预测方法的流程示意图。在本实施例中，考虑源荷协同运行的能源需求预测方法，包括以下步骤：
S110，根据区域发电量数据集，提取用户侧的发电特征信息；其中，所述发电特征信息包括水电发电特征、风力发电特征和光伏发电特征；
S120，根据区域能源消耗历史数据，构建能源消耗量数据矩阵；其中，所述能源消耗历史数据包括煤炭消耗量、石油消耗量、天然气消耗量和核能消耗量；
S130，将所述发电特征信息和所述能源消耗量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，步骤S110，根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度水电站发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度水电站发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度水电站发电量按照正态分布规律变化的均值和方差，以及区域用户年度水电站发电量与最大发电小时数按照正态分布规律变化的概率，得到水电发电特征。
在某一具体实施例中，用户侧的水电发电特征信息的提取过程包括：
(1)采用概率分析的方法，利用发电量数据集，计算并确定第i个区域中第k年第j个用户水电站发电量按照正态分布规律变化的均值
Figure BDA0003365222760000071
和方差
Figure BDA0003365222760000072
在n年内水电站总发电量按照正态分布规律变化的均值μEHEij和方差σEHEij。其中，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。
利用发电量数据集，计算并确定第i个区域中第k年第j个用户水电站最大发电小时数按照正态分布规律变化的均值
Figure BDA0003365222760000073
和方差
Figure BDA0003365222760000074
在n年内水电站总最大发电小时数按照正态分布规律变化的均值μTHEij和方差σTHEij。
(2)采用概率分析的方法，计算第i个区域中第k年第j个用户水电站发电量
Figure BDA0003365222760000075
最大发电小时数
Figure BDA0003365222760000076
按照正态分布规律变化的概率为：
Figure BDA0003365222760000077
Figure BDA0003365222760000078
其中，NHEij为第i个区域第j个用户水电站的数量，kEHEij、kTHEij均为系数，erf(y)为误差函数，其表达式为：
Figure BDA0003365222760000079
在本发明实施例中，步骤S110，根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度风力发电场发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度风力发电场发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度风力发电场发电量按照正态分布规律变化的均值和方差，以及区域用户年度风力发电场发电量与最大发电小时数按照正态分布规律变化的概率，得到风力发电特征。
在某一具体实施例中，用户侧的风力发电特征信息的提取过程包括：
(1)采用概率分析的方法，利用发电量数据集，计算并确定第i个区域中第k年第j个用户风力发电场发电量按照正态分布规律变化的均值
Figure BDA0003365222760000081
和方差
Figure BDA0003365222760000082
在n年内风力发电场总发电量按照正态分布规律变化的均值μEWEij和方差σEWEij。其中，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。
利用发电量数据集，计算并确定第i个区域中第k年第j个用户风力发电场最大发电小时数按照正态分布规律变化的均值
Figure BDA0003365222760000083
和方差
Figure BDA0003365222760000084
在n年内风力发电场总最大发电小时数按照正态分布规律变化的均值μTWEij和方差σTWEij。
(2)采用概率分析的方法，计算第i个区域中第k年第j个用户风电场发电量
Figure BDA0003365222760000085
最大发电小时数
Figure BDA0003365222760000086
按照正态分布规律变化的概率为：
Figure BDA0003365222760000087
Figure BDA0003365222760000088
其中，NWEij为第i个区域第j个用户风电场的数量，kEWEij、kTWEij均为系数。
在本发明实施例中，步骤S110，根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度光伏发电站发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度光伏发电站发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度光伏发电站发电量按照正态分布规律变化的均值和方差，以及区域用户年度光伏发电站发电量与最大发电小时数按照正态分布规律变化的概率，得到光伏发电特征。
在某一具体实施例中，用户侧的光伏发电特征信息的提取过程包括：
(1)采用概率分析的方法，利用发电量数据集，计算并确定第i个区域中第k年第j个用户光伏发电站发电量按照正态分布规律变化的均值
Figure BDA0003365222760000091
和方差
Figure BDA0003365222760000092
在n年内光伏发电站总发电量按照正态分布规律变化的均值μEPVij和方差σEPVij。其中，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。
利用发电量数据集，计算并确定第i个区域中第k年第j个用户光伏发电站最大发电小时数按照正态分布规律变化的均值
Figure BDA0003365222760000093
和方差
Figure BDA0003365222760000094
在n年内光伏发电站总最大发电小时数按照正态分布规律变化的均值μTPVij和方差σTPVij。
(2)采用概率分析的方法，计算第i个区域中第k年第j个用户光伏发电站发电量
Figure BDA0003365222760000095
最大发电小时数
Figure BDA0003365222760000096
按照正态分布规律变化的概率：
Figure BDA0003365222760000097
Figure BDA0003365222760000098
其中，NPVij为第i个区域第j个用户光伏发电站的数量，kEPVij、kTPVij均为系数。
在本发明实施例中，步骤S120，根据区域能源消耗历史数据，构建能源消耗量数据矩阵，包括：从历史数据库获取第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：
Figure BDA0003365222760000101
其中，
Figure BDA0003365222760000102
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；
Figure BDA0003365222760000103
为第i个区域中第k年第j个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；
Figure BDA0003365222760000104
为第i个区域中第k年第j个能源用户石油消耗量历史数据向量；
Figure BDA0003365222760000105
为第i个区域中第k年第j个能源用户天然气消耗量历史数据向量；
Figure BDA0003365222760000106
为第i个区域中第k年第j个能源用户核能消耗量历史数据向量。
在第i个区域中，第k年第j个能源用户煤炭消耗量
Figure BDA0003365222760000107
石油消耗量
Figure BDA0003365222760000108
天然气消耗量
Figure BDA0003365222760000109
核能消耗量
Figure BDA00033652227600001010
分别用如下矩阵表示：
Figure BDA00033652227600001011
Figure BDA00033652227600001012
Figure BDA00033652227600001013
Figure BDA00033652227600001014
其中，
Figure BDA00033652227600001015
为第i个区域中第j个能源用户第k年煤炭消耗量；
Figure BDA00033652227600001016
为第i个区域中第j个能源用户第k年石油消耗量；
Figure BDA00033652227600001017
为第i个区域中第j个能源用户第k年天然气消耗量；
Figure BDA00033652227600001018
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：
Figure BDA0003365222760000111
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；
Figure BDA0003365222760000112
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；
Figure BDA0003365222760000113
为第i个区域中第k年石油消耗量历史数据向量；
Figure BDA0003365222760000114
为第i个区域中第k年天然气消耗量历史数据向量；
Figure BDA0003365222760000115
为第i个区域中第k年核能消耗量历史数据向量。
在本发明实施例中，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。
在某一具体实施例中，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，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；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：
Figure BDA0003365222760000121
其中，X为深度置信网络输入层的输入数据矩阵。NI为输入层的输入数据的数量，
Figure BDA0003365222760000122
Figure BDA0003365222760000123
为第k年第i个区域能源消耗量历史数据矩阵，其数学表达式为：
Figure BDA0003365222760000124
输出层的输出数据Y为：
Figure BDA0003365222760000125
其中，Y为深度置信网络输出层的输出数据矩阵。
Figure BDA0003365222760000126
为第k年第i个区域能源需求量预测数据矩阵，其数学表达式为：
Figure BDA0003365222760000127
其中，
Figure BDA0003365222760000128
分别为第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求量预测值。
第l级(l＝1,2,3)受限玻尔兹曼机RBMl的隐藏单元向量Hl为：
Figure BDA0003365222760000129
其中，Hl为第l级(l＝1,2,3)受限玻尔兹曼机RBMl的隐藏单元向量，
Figure BDA00033652227600001210
为第l级(l＝1,2,3)受限玻尔兹曼机RBMl中与第k年第i个区域相关的隐藏单元向量元素，其数学表达式为：
Figure BDA0003365222760000131
在本发明实施例中，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：
根据所述受限玻尔兹曼机的连接权重系数向量和偏置系数向量，得到最大对数似然函数、隐藏单元概率和可见单元概率。
在某一具体实施例中，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：
Figure BDA0003365222760000132
其中，
Figure BDA0003365222760000133
为与第k年第i个区域相关的第l级受限玻尔兹曼机RBMl的连接权重系数向量，其数学表达式为：
Figure BDA0003365222760000134
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：
Figure BDA0003365222760000135
其中，
Figure BDA0003365222760000136
为与第k年第i个区域相关的第l级受限玻尔兹曼机RBMl的可见单元偏置系数a向量，其数学表达式为：
Figure BDA0003365222760000137
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：
Figure BDA0003365222760000138
Figure BDA0003365222760000141
其中，
Figure BDA0003365222760000142
为与第k年第i个区域相关的第l级受限玻尔兹曼机RBMl的隐藏单元偏置系数b向量，其数学表达式为：
Figure BDA0003365222760000143
构造最大对数似然函数：
Figure BDA0003365222760000144
在某一实施例中，隐藏单元概率的计算的过程和方法。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：
Figure BDA0003365222760000151
其中，σ为激活函数，σ＝(1+e-x)-1。
在某一实施例中，可见单元概率的计算的过程和方法。第l级(l＝1,2,3)受限玻尔兹曼机RBMl的可见单元概率按照下式计算：
Figure BDA0003365222760000152
其中，σ为激活函数，σ＝(1+e-x)-1。
考虑用户侧分布式源荷协同运行的连接权重和偏置系数更新的过程和方法。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：
Figure BDA0003365222760000153
Figure BDA0003365222760000154
Figure BDA0003365222760000161
Figure BDA0003365222760000162
Figure BDA0003365222760000163
其中，
Figure BDA0003365222760000164
分别为与第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系数学习率，
Figure BDA0003365222760000165
分别为与第k年第i个区域第j个能源用户煤炭、石油、天然气、核能需求相关的小水电协同率，
Figure BDA0003365222760000166
分别为与第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系数的风电协同率，
Figure BDA0003365222760000167
Figure BDA0003365222760000168
分别为与第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系数的光伏发电协同率。
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：
Figure BDA0003365222760000171
Figure BDA0003365222760000172
Figure BDA0003365222760000173
Figure BDA0003365222760000174
Figure BDA0003365222760000181
其中，
Figure BDA0003365222760000182
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、核能需求相关的可见单元偏置系数的学习率，
Figure BDA0003365222760000183
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、核能需求相关的可见单元偏置系数的小水电协同率，
Figure BDA0003365222760000184
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、核能需求相关的可见单元偏置系数的风电协同率，
Figure BDA0003365222760000185
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、核能需求相关的可见单元偏置系数的光伏发电协同率。
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：
Figure BDA0003365222760000186
Figure BDA0003365222760000187
Figure BDA0003365222760000191
Figure BDA0003365222760000192
Figure BDA0003365222760000193
其中，
Figure BDA0003365222760000194
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、核能需求相关的隐藏单元偏置系数学习率，
Figure BDA0003365222760000195
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、核能需求相关的隐藏单元偏置系数小水电协同率，
Figure BDA0003365222760000196
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、核能需求相关的隐藏单元偏置系数风电协同率，
Figure BDA0003365222760000197
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、核能需求相关的隐藏单元偏置系数光伏发电协同率。
在某一具体实施例中，能源需求预测的过程包括：深度置信网络的第三隐藏层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：
Figure BDA0003365222760000201
Figure BDA0003365222760000202
Figure BDA0003365222760000203
Figure BDA0003365222760000204
其中，
Figure BDA0003365222760000205
为第k年第i个区域第j个能源用户用电量，kC、kO、kG、kN分别为煤炭、石油、天然气、核能在能源消耗量中的比例。
利用本发明所提出的考虑源荷协同运行的能源需求预测方法，阐明用户侧分布式小水电、风电和光伏发电与负荷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、天然气和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、天然气和核能需求量关联、制约和协同关系特征值，确定区域内煤炭、石油、天然气和核能需求量与水-风-光分布式发电之间关联、制约和协同关系特征值，确定区域之间煤炭、石油、天然气和核能需求量与水-风-光分布式发电的关联、制约和协同关系特征值，能够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。
请参阅图2，图2是本发明某一实施例提供的考虑源荷协同运行的能源需求预测系统的结构示意图。在本实施例中，考虑源荷协同运行的能源需求预测系统，包括：
发电特征提取模块210，用于根据区域发电量数据集，提取用户侧的发电特征信息；其中，所述发电特征信息包括水电发电特征、风力发电特征和光伏发电特征；
能源矩阵构建模块220，用于根据区域能源消耗历史数据，构建能源消耗量数据矩阵；其中，所述能源消耗历史数据包括煤炭消耗量、石油消耗量、天然气消耗量和核能消耗量；
需求预测模块230，用于将所述发电特征信息和所述能源消耗量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，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，用于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。
关于考虑源荷协同运行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源荷协同运行的能源需求预测系统的限定，在此不再赘述。上述考虑源荷协同运行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源荷协同运行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，以完成上述的考虑源荷协同运行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源荷协同运行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，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的考虑源荷协同运行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程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的考虑源荷协同运行的能源需求预测方法，并达到如上述方法一致的技术效果。
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)

1.一种考虑源荷协同运行的能源需求预测方法，其特征在于，包括：
根据区域发电量数据集，提取用户侧的发电特征信息；其中，所述发电特征信息包括水电发电特征、风力发电特征和光伏发电特征；
根据区域能源消耗历史数据，构建能源消耗量数据矩阵；其中，所述能源消耗历史数据包括煤炭消耗量、石油消耗量、天然气消耗量和核能消耗量；
将所述发电特征信息和所述能源消耗量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所述的考虑源荷协同运行的能源需求预测方法，其特征在于，所述根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度水电站发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度水电站发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度水电站发电量按照正态分布规律变化的均值和方差，以及区域用户年度水电站发电量与最大发电小时数按照正态分布规律变化的概率，得到水电发电特征。
3.根据权利要求1所述的考虑源荷协同运行的能源需求预测方法，其特征在于，所述根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度风力发电场发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度风力发电场发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度风力发电场发电量按照正态分布规律变化的均值和方差，以及区域用户年度风力发电场发电量与最大发电小时数按照正态分布规律变化的概率，得到风力发电特征。
4.根据权利要求1所述的考虑源荷协同运行的能源需求预测方法，其特征在于，所述根据区域发电量数据集，提取用户侧的发电特征信息，包括：
根据区域发电量数据集，获取区域用户年度光伏发电站发电量按照正态分布规律变化的均值和方差；
根据区域发电量数据集，获取区域用户年度光伏发电站发电量与最大发电小时数按照正态分布规律变化的概率；
根据区域用户年度光伏发电站发电量按照正态分布规律变化的均值和方差，以及区域用户年度光伏发电站发电量与最大发电小时数按照正态分布规律变化的概率，得到光伏发电特征。
5.根据权利要求1所述的考虑源荷协同运行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。
6.根据权利要求5所述的考虑源荷协同运行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：
根据所述受限玻尔兹曼机的连接权重系数向量和偏置系数向量，得到最大对数似然函数、隐藏单元概率和可见单元概率。
7.一种考虑源荷协同运行的能源需求预测系统，其特征在于，包括：
发电特征提取模块，用于根据区域发电量数据集，提取用户侧的发电特征信息；其中，所述发电特征信息包括水电发电特征、风力发电特征和光伏发电特征；
能源矩阵构建模块，用于根据区域能源消耗历史数据，构建能源消耗量数据矩阵；其中，所述能源消耗历史数据包括煤炭消耗量、石油消耗量、天然气消耗量和核能消耗量；
需求预测模块，用于将所述发电特征信息和所述能源消耗量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。
8.根据权利要求7所述的考虑源荷协同运行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，用于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。
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6任一项所述的考虑源荷协同运行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6任一项所述的考虑源荷协同运行的能源需求预测方法。
CN202111410252.8A 2021-11-19 2021-11-19 一种考虑源荷协同运行的能源需求预测方法及系统 Pending CN114330824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111410252.8A CN114330824A (zh) 2021-11-19 2021-11-19 一种考虑源荷协同运行的能源需求预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111410252.8A CN114330824A (zh) 2021-11-19 2021-11-19 一种考虑源荷协同运行的能源需求预测方法及系统

Publications (1)

Publication Number Publication Date
CN114330824A true CN114330824A (zh) 2022-04-12

Family

ID=81046507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111410252.8A Pending CN114330824A (zh) 2021-11-19 2021-11-19 一种考虑源荷协同运行的能源需求预测方法及系统

Country Status (1)

Country Link
CN (1) CN114330824A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117040135A (zh) * 2023-09-20 2023-11-10 北京国电通网络技术有限公司 电力设备供电方法、装置、电子设备和计算机可读介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117040135A (zh) * 2023-09-20 2023-11-10 北京国电通网络技术有限公司 电力设备供电方法、装置、电子设备和计算机可读介质
CN117040135B (zh) * 2023-09-20 2024-01-12 北京国电通网络技术有限公司 电力设备供电方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
Scarabaggio et al. Distributed demand side management with stochastic wind power forecasting
CN107578124B (zh) 基于多层改进gru神经网络的短期电力负荷预测方法
Quan et al. A survey of computational intelligence techniques for wind power uncertainty quantification in smart grids
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Chen et al. Effective load carrying capability evaluation of renewable energy via stochastic long-term hourly based SCUC
CN111008748B (zh) 包括电动汽车充电负荷的微电网经济调度优化方法
Apostolopoulou et al. Robust optimization for hydroelectric system operation under uncertainty
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
Galvani et al. A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters
Wu et al. Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model
Bagheri et al. A novel wind power forecasting based feature selection and hybrid forecast engine bundled with honey bee mating optimization
Yu et al. Grid integration of distributed wind generation: Hybrid Markovian and interval unit commitment
CN105809349A (zh) 一种考虑来水相关性梯级水电站群的调度方法
Teferra et al. Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization
de Souza Dutra et al. A customized transition towards smart homes: A fast framework for economic analyses
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
Souabi et al. Data-driven prediction models of photovoltaic energy for smart grid applications
Mirjalili et al. A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system
Su et al. Research on robust stochastic dynamic economic dispatch model considering the uncertainty of wind power
Kang et al. Optimal planning of hybrid energy storage systems using curtailed renewable energy through deep reinforcement learning
CN114330824A (zh) 一种考虑源荷协同运行的能源需求预测方法及系统
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
Yang et al. A non-intrusive carbon emission accounting method for industrial corporations from the perspective of modern power systems
de Oliveira et al. Optimisation modelling tools and solving techniques for integrated precinct-scale energy–water system planning
Yang Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm

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