CN114662751A - 基于lstm的园区多能短期负荷预测及优化方法 - Google Patents

基于lstm的园区多能短期负荷预测及优化方法 Download PDF

Info

Publication number
CN114662751A
CN114662751A CN202210273768.0A CN202210273768A CN114662751A CN 114662751 A CN114662751 A CN 114662751A CN 202210273768 A CN202210273768 A CN 202210273768A CN 114662751 A CN114662751 A CN 114662751A
Authority
CN
China
Prior art keywords
power
load
output
control parameter
energy
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.)
Granted
Application number
CN202210273768.0A
Other languages
English (en)
Other versions
CN114662751B (zh
Inventor
王海
杨天元
王笑
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.)
Terminus Technology Group Co Ltd
Original Assignee
Terminus Technology Group 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 Terminus Technology Group Co Ltd filed Critical Terminus Technology Group Co Ltd
Priority to CN202210273768.0A priority Critical patent/CN114662751B/zh
Publication of CN114662751A publication Critical patent/CN114662751A/zh
Application granted granted Critical
Publication of CN114662751B publication Critical patent/CN114662751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/048—Activation functions
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

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)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Power Engineering (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)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LSTM的园区多能短期负荷预测及优化方法，涉及智能多能优化配置技术领域，通过大负荷下的短期负荷历史数据集训练多能负荷功率预测模型，控制参数数据集训练多能配置预测模型，基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优，对园区多能源系统进行最优配置，从而实现对园区多能资源的优化利用，提高能源利用率。

Description

基于LSTM的园区多能短期负荷预测及优化方法
技术领域
本发明涉及智能多能优化配置技术领域，具体涉及一种基于LSTM的园区多能短期负荷预测及优化方法。
背景技术
近年来，园区冷、热、电、气等的综合能源系统技术发展迅速，在综合能源系统的建设、规划调度和经济运行的过程中，对多种能源的负荷进行有效的预测，是制定决策和实现高效能源管理的重要基础。而现有冷、热、电、气等形式能量转化效率低、分布不集中、使用成本高等情况普遍存在，使得能源和环境已经成为制约国民经济可持续发展的主要瓶颈。
现有技术通过智能算法建立数学分析模型，相似日的负荷预测，净负荷预测方法等方法对综合负荷需求进行预测，但是大多是对各种负荷单独进行预测，没有考虑各种负荷之间的耦合关系，增强综合能源系统负荷的可预测性。例如，公开号为CN107451676A的发明申请公开了一种电力网络的负荷预测方法包括：获取历史负荷、影响因子等信息，计算得到各自的预测的负荷值，获取复数个方法的加权参数，对复数个相异的方法加权求和，根据比较判断结果是否超出两个阈值，并根据结果重复。并且对应地公开一种电力网络的负荷预测装置。该方法和装置能够提高预测精度，不造成缺电或拉闸限电而影响电力的使用，能够做出部署预案，能够提高能源利用率、降低不必要的功率消耗、减轻对环境造成的负担，有效改进精度，能够对预测结果进行进一步的处理和利用，提高数据利用价值。然而，该发明申请属于电力网络的负荷预测，不适用于多能源供给系统负荷的预测。
由冷、热、电、气等能源供应网络耦合形成的综合能源系统，可以实现资源的优化利用，提高能源利用率，是应对资源逐渐短缺、环境污染等问题的关键。因此，亟需一种适用于园区多能系统的负荷预测及优化配置方法，以实现对园区多能资源的优化利用，提高能源利用率。
发明内容
因此，本发明实施例的一种基于LSTM的园区多能短期负荷预测及优化方法，包括以下步骤：
对获取到的园区多能源系统的负荷历史数据进行特征提取，获得大负荷下的短期负荷历史数据集；
采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型；
对获取到的园区多能源系统的与负荷历史数据相对应的储能控制参数进行特征提取，获得控制参数数据集；
采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型；
基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优。
优选地，所述园区多能源系统包括电转化蓄冷装置、电转化储热装置、电转气储气装置、储电装置和电网供电装置，电转化蓄冷装置用于将电能转化为冷能以输出并储存，电转化储热装置用于将电能转化为热能以输出并储存，电转气储气装置用于将电力转化为气体以输出并储存，储电装置用于将电能储存并输出，电网供电装置用于直接输出电能分配给电转化蓄冷装置、电转化储热装置、电转气储气装置和储电装置。
优选地，所述多能负荷功率预测模型采用LSTM网络。
优选地，所述多能配置预测模型采用LSTM网络。
优选地，所述采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型的步骤包括：
采用LSTM网络的多能负荷功率预测模型具有依次连接的一个输入层、若干个隐含层、一个全连接层和一个输出层；每一层的输出作为下一层的输入；所述输出层采用Relu线性整流函数映射；
LSTM网络的输入阀门采用Sigmoid函数实现；
LSTM网络的遗忘阀门采用tanh函数实现；
LSTM网络的输出阀门采用Sigmoid函数实现；
训练多能负荷功率预测模型，输入为由负荷元素组成的大负荷下的短期负荷历史数据集，输出为供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率预测值，采用误差反向传播法则进行网络参数梯度的自动求导，以自动更新LSTM网络参数；
当精度满足训练要求时，获得训练好的多能负荷功率预测模型；
将当前时刻的负荷元素输入训练好的多能负荷功率预测模型进行推演后，获得当前时刻的预测输出值。
优选地，所述采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型的步骤包括：
采用LSTM网络的多能配置预测模型具有依次连接的一个输入层、若干个隐含层、一个全连接层和一个输出层；每一层的输出作为下一层的输入；所述输出层采用Relu线性整流函数映射；
LSTM网络的输入阀门采用Sigmoid函数实现；
LSTM网络的遗忘阀门采用tanh函数实现；
LSTM网络的输出阀门采用Sigmoid函数实现；
训练多能配置预测模型，输入为由控制元素组成的控制参数数据集，输出为供冷输出功率、供热输出功率、用气输出功率和用电输出功率预测值，采用误差反向传播法则进行网络参数梯度的自动求导，以自动更新LSTM网络参数；
当精度满足训练要求时，获得训练好的多能配置预测模型；
将当前时刻的控制元素输入训练好的多能配置预测模型进行推演后，获得当前时刻的预测输出值。
优选地，所述基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优的步骤包括：
通过多能负荷功率预测模型的推演，获得当前时刻的综合能耗预测值；
通过多能配置预测模型的推演，获得当前时刻的综合输出功率水平；
基于所述当前时刻的综合能耗预测值和当前时刻的综合输出功率水平进行是否是最小能耗的判断；
根据判断结果调整更新冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，进行寻优计算以获得园区多能源系统的最优配置。
本发明实施例的基于LSTM的园区多能短期负荷预测及优化方法，具有如下优点：
通过多能负荷功率预测模型和多能配置预测模型，分别从负荷功率、输出功率的两个角度智能分析了园区多能源系统的冷、热、气、电能量消耗情况，然后以最小功耗为优化目标，依据各能控制参数的寻优，获得最优配置，实现了对园区多能资源的优化利用，提高能源利用率。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述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为本发明实施例1中基于LSTM的园区多能短期负荷预测及优化方法的一个具体示例的流程图；
图2为本发明实施例1中园区多能源系统的一个具体示例的原理框图；
图3为本发明实施例1中冷量、热量、气体、储电输出控制参数更新过程的一个具体示例的示意图；
图4为本发明实施例1中基于LSTM的园区多能短期负荷预测及优化方法的另一个具体示例的流程图；
图5为本发明实施例2中基于LSTM的园区多能短期负荷预测及优化系统的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，本说明书中的某些图式是用于例示方法的流程图。应了解，这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器，以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中，所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作，以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上，以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程，从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地，各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解，所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机系统、或者专用硬件与计算机指令的组合来实施。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种基于LSTM的园区多能短期负荷预测及优化方法，如图1所示，包括以下步骤：
S1、对获取到的园区多能源系统的负荷历史数据进行特征提取，提取出大负荷下的数据，获得大负荷下的短期负荷历史数据集；如图2所示，所述园区多能源系统包括电转化蓄冷装置、电转化储热装置、电转气储气装置、储电装置和电网供电装置，电转化蓄冷装置用于将电能转化为冷能以输出并储存，电转化储热装置用于将电能转化为热能以输出并储存，电转气储气装置用于将电力转化为气体以输出并储存，储电装置用于将电能储存并输出，电网供电装置用于直接输出电能分配给电转化蓄冷装置、电转化储热装置、电转气储气装置和储电装置；所述大负荷下的短期负荷历史数据集包括各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；所述环境参数包括室外温度、室外湿度等；
S2、采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型，模型输出为当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；优选地，所述多能负荷功率预测模型采用LSTM网络(Long and Short Term Memory，长短期记忆神经网络)；
S3、对获取到的园区多能源系统的与负荷历史数据相对应的储能控制参数进行特征提取，提取出大负荷下的数据，获得控制参数数据集；所述控制参数数据集包括分别与各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率相对应的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数及相应的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；通过改变冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数可分别改变供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
S4、采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型，模型输出为当前时刻的环境参数下的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；优选地，所述多能配置预测模型采用LSTM网络；
S5、基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优，对园区多能源系统进行最优配置。
上述基于LSTM的园区多能短期负荷预测及优化方法，通过多能负荷功率预测模型和多能配置预测模型，分别从负荷功率、输出功率的两个角度智能分析了园区多能源系统的冷、热、气、电能量消耗情况，然后以最小功耗为优化目标，依据各能控制参数的寻优，获得最优配置，实现了对园区多能资源的优化利用，提高能源利用率。
优选地，所述S2的步骤包括：
S21、采用LSTM网络的多能负荷功率预测模型具有依次连接的一个输入层、若干个隐含层(例如8个)、一个全连接层和一个输出层；每一层的输出作为下一层的输入；将时刻k及该时刻的室外温度TEPk和室外湿度WETk、k-1时刻的供冷负荷功率
Figure BDA0003555043740000071
供热负荷功率
Figure BDA0003555043740000072
用气负荷功率
Figure BDA0003555043740000073
和用电负荷功率
Figure BDA0003555043740000074
组成所述大负荷下的短期负荷历史数据集中的一个负荷元素，时刻k为历史时刻，历史时刻的第i个负荷元素
Figure BDA0003555043740000075
所述大负荷下的短期负荷历史数据集包括N个负荷元素，作为LSTM网络的输入，LSTM网络的输入层维数为N×7；
所述输出层采用Relu线性整流函数映射；经过LSTM网络的前向传播之后，使用全连接层整合所有隐含层的计算结果，再通过Relu线性整流函数映射，获得最终的预测值；所述大负荷下的短期负荷历史数据集分为训练集和测试集；
LSTM网络可以用公式表示为：
Figure BDA0003555043740000076
其中，xi为第i个负荷元素，
Figure BDA0003555043740000077
为第i个负荷元素中时刻对应的预测输出值(包括第i个负荷元素中时刻的预测的供冷负荷功率、供热负荷功率、用气负荷功率、用电负荷功率)，fr表示第r层隐含层，共m层，π表示全连接层；
LSTM网络的输入阀门优选为采用Sigmoid函数实现，输入阀门对输入进行净化处理，筛选出有用信息喂入网络；
LSTM网络的遗忘阀门优选为采用tanh函数实现，遗忘阀门选择出前一记忆状态应当保留的部分；
LSTM网络的输出阀门优选为采用Sigmoid函数实现，输出阀门自动提取输出信息中的重要部分；
优选地，在所述大负荷下的短期负荷历史数据集输入LSTM网络之前，对数据集中的缺失值做0填充，保证数据的完整性，并将所有负荷元素进行归一化处理；
S22、训练多能负荷功率预测模型，采用误差反向传播法则进行网络参数梯度的自动求导，以自动更新LSTM网络参数；其中代价函数优选为采用均方误差损失表示，公式为：
Figure BDA0003555043740000081
其中，yi为第i个负荷元素中时刻对应的真实值(包括第i个负荷元素中时刻的真实的供冷负荷功率、供热负荷功率、用气负荷功率、用电负荷功率，可以从大负荷下的短期负荷历史数据集中得到)；b为批量大小，可根据实际需求进行设置，例如b＝1，固定批量大小的设置，提高了训练稳定性，且占用内存小。
S23、当精度满足训练要求时，获得训练好的多能负荷功率预测模型；当均方误差损失小于预设阈值时，停止迭代，训练过程完成；
S24、将当前时刻的负荷元素(包括当前时刻及该时刻的室外温度和室外湿度、上一时刻的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率)输入训练好的多能负荷功率预测模型进行推演后，获得当前时刻的预测输出值(包括当前时刻的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率)。
优选地，所述S4的步骤包括：
S41、采用LSTM网络的多能配置预测模型具有依次连接的一个输入层、若干个隐含层(例如6个)、一个全连接层和一个输出层；每一层的输出作为下一层的输入；将时刻k及该时刻的室外温度TEPk、室外湿度WETk、冷量输出控制参数
Figure BDA0003555043740000082
热量输出控制参数
Figure BDA0003555043740000083
气体输出控制参数
Figure BDA0003555043740000084
和储电输出控制参数
Figure BDA0003555043740000085
k-1时刻的供冷输出功率
Figure BDA0003555043740000086
供热输出功率
Figure BDA0003555043740000087
用气输出功率
Figure BDA0003555043740000088
和用电输出功率
Figure BDA0003555043740000089
组成所述控制参数数据集中的一个控制元素，时刻k为历史时刻，历史时刻的第i个控制元素
Figure BDA00035550437400000810
所述控制参数数据集包括M个控制元素，作为LSTM网络的输入，LSTM网络的输入层维数为M×11；
所述输出层采用Relu线性整流函数映射；经过LSTM网络的前向传播之后，使用全连接层整合所有隐含层的计算结果，再通过Relu线性整流函数映射，获得最终的预测值；所述控制参数数据集分为训练集和测试集；
LSTM网络可以用公式表示为：
Figure BDA0003555043740000091
其中，pi为第i个控制元素，
Figure BDA0003555043740000092
为第i个控制元素中时刻对应的预测输出值(包括第i个控制元素中时刻的预测的供冷输出功率、供热输出功率、用气输出功率和用电输出功率)，gr表示第r层隐含层，共m层，π表示全连接层；
LSTM网络的输入阀门优选为采用Sigmoid函数实现，输入阀门对输入进行净化处理，筛选出有用信息喂入网络；
LSTM网络的遗忘阀门优选为采用tanh函数实现，遗忘阀门选择出前一记忆状态应当保留的部分；
LSTM网络的输出阀门优选为采用Sigmoid函数实现，输出阀门自动提取输出信息中的重要部分；
优选地，在所述控制参数数据集输入LSTM网络之前，对数据集中的缺失值做0填充，保证数据的完整性，并将所有控制元素进行归一化处理；
S42、训练多能配置预测模型，采用误差反向传播法则进行网络参数梯度的自动求导，以自动更新LSTM网络参数；其中代价函数优选为采用均方误差损失表示，公式为：
Figure BDA0003555043740000093
其中，qi为第i个控制元素中时刻对应的真实值(包括第i个控制元素中时刻的真实的供冷输出功率、供热输出功率、用气输出功率、用电输出功率，可以从控制参数数据集中得到)；b为批量大小，可根据实际需求进行设置，例如b＝1，固定批量大小的设置，提高了训练稳定性，且占用内存小。
S43、当精度满足训练要求时，获得训练好的多能配置预测模型；当均方误差损失小于预设阈值时，停止迭代，训练过程完成；
S44、将当前时刻的控制元素(包括当前时刻及该时刻的室外温度、室外湿度、冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数、上一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率)输入训练好的多能配置预测模型进行推演后，获得当前时刻的预测输出值(包括当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率)。
优选地，如图3和图4所示，所述S5的步骤包括：
(1)通过多能负荷功率预测模型的推演，获得当前时刻的综合能耗预测值；
(2)通过多能配置预测模型的推演，获得当前时刻的综合输出功率水平；
(3)基于所述当前时刻的综合能耗预测值和当前时刻的综合输出功率水平进行是否是最小能耗的判断；
(4)根据判断结果调整更新冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，进行寻优计算以获得园区多能源系统的最优配置。
具体步骤包括：
S51、获取所述多能负荷功率预测模型预测输出的当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；
S52、根据所述当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率，获得当前时刻的综合能耗预测值；
S53、获取所述多能配置预测模型预测输出的当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
S54、根据所述当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，获得当前时刻的综合输出功率水平；
S55、根据所述当前时刻的综合输出功率水平，获得预设能耗水平关系表中与所述当前时刻的综合输出功率水平对应的当前时刻的能耗水平；
S56、判断所述当前时刻的综合能耗预测值是否大于所述当前时刻的能耗水平；当所述当前时刻的综合能耗预测值小于或等于所述当前时刻的能耗水平时，无需调整更新冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，即无需优化；
S57、当所述当前时刻的综合能耗预测值大于所述当前时刻的能耗水平时，重复调整更新下一时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，并据此通过多能配置预测模型预测推演获得下一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，得到下一时刻的能耗水平，直到当前时刻的综合能耗预测值小于或等于下一时刻的能耗水平为止；即重复进行以下步骤：调整更新下一时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，将所述当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率、下一时刻及该时刻的室外温度、室外湿度、冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数分别作为训练好的多能配置预测模型的输入进行推演，获得模型预测输出的下一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，并获得下一时刻的综合输出功率水平，查询预设能耗水平关系表，获得与所述下一时刻的综合输出功率水平对应的下一时刻的能耗水平；直至所述当前时刻的综合能耗预测值小于或等于所述下一时刻的能耗水平为止，完成优化过程。通过综合能耗预测值实现了是否是最小能耗的评判，以此调整更新冷量、热量、气体和储电输出控制参数，实现优化控制参数，以降低能耗水平，实现园区多能源系统的最优配置。
优选地，所述S52的步骤中，当前时刻的综合能耗预测值的计算公式为：
Figure BDA0003555043740000111
其中，
Figure BDA0003555043740000112
为当前时刻的综合能耗预测值，
Figure BDA0003555043740000113
为当前时刻的供冷负荷功率，
Figure BDA0003555043740000114
为当前时刻的供热负荷功率，
Figure BDA0003555043740000115
为当前时刻的用气负荷功率，
Figure BDA0003555043740000116
为当前时刻的用电负荷功率，α、β、γ、δ为时长系数，可根据实际需求进行设置，h为预设短期时长。
优选地，所述S54的步骤中，当前时刻的综合输出功率水平的计算公式为：
Figure BDA0003555043740000117
其中，
Figure BDA0003555043740000118
为当前时刻的综合输出功率水平，
Figure BDA0003555043740000119
为当前时刻的供冷输出功率，Qcool_max为最大供冷输出功率，
Figure BDA00035550437400001110
为当前时刻的供热输出功率，Qhot_max为最大供热输出功率，
Figure BDA00035550437400001111
为当前时刻的用气输出功率，Qgas_max为最大用气输出功率，
Figure BDA0003555043740000121
为当前时刻的用电输出功率，Qe_max为最大用电输出功率，λ、μ、v、ξ为功率水平系数，可根据实际需求进行设置。
优选地，预设能耗水平关系表中在[0,1]内线性划分为L个水平，即L个能耗水平，并对每个能耗水平下的综合输出功率水平进行初始化，得到各个能耗水平与综合输出功率水平的一一对应关系。
优选地，调整更新下一时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数时，可以按梯度相同或不同的规律在当前时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数基础上进行增加或减小，从而调试所得到的下一时刻的能耗水平，达到当前时刻的综合能耗预测值小于或等于下一时刻的能耗水平的要求。
实施例2
本实施例提供一种基于LSTM的园区多能短期负荷预测及优化系统，如图5所示，包括：
第一数据提取装置1，用于对获取到的园区多能源系统的负荷历史数据进行特征提取，提取出大负荷下的数据，获得大负荷下的短期负荷历史数据集；所述大负荷下的短期负荷历史数据集包括各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；所述环境参数包括室外温度、室外湿度等；
第一训练装置2，用于采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型，模型输出为当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；优选地，所述多能负荷功率预测模型采用LSTM网络(Long and Short Term Memory，长短期记忆神经网络)；
第二数据提取装置3，用于对获取到的园区多能源系统的与负荷历史数据相对应的储能控制参数进行特征提取，提取出大负荷下的数据，获得控制参数数据集；所述控制参数数据集包括分别与各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率相对应的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数及相应的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
第二训练装置4，用于采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型，模型输出为当前时刻的环境参数下的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；优选地，所述多能配置预测模型采用LSTM网络；
寻优装置5，用于基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优，对园区多能源系统进行最优配置。
上述基于LSTM的园区多能短期负荷预测及优化系统，通过多能负荷功率预测模型和多能配置预测模型，分别从负荷功率、输出功率的两个角度智能分析了园区多能源系统的冷、热、气、电能量消耗情况，然后以最小功耗为优化目标，依据各能控制参数的寻优，获得最优配置，实现了对园区多能资源的优化利用，提高能源利用率。
优选地，所述第一训练装置和第二训练装置分别包括：
模型构建单元，用于采用LSTM网络的预测模型具有依次连接的一个输入层、若干个隐含层、一个全连接层和一个输出层；每一层的输出作为下一层的输入；所述输出层采用Relu线性整流函数映射；
LSTM网络的输入阀门优选为采用Sigmoid函数实现，输入阀门对输入进行净化处理，筛选出有用信息喂入网络；
LSTM网络的遗忘阀门优选为采用tanh函数实现，遗忘阀门选择出前一记忆状态应当保留的部分；
LSTM网络的输出阀门优选为采用Sigmoid函数实现，输出阀门自动提取输出信息中的重要部分；
模型训练单元，用于训练预测模型，采用误差反向传播法则进行网络参数梯度的自动求导，以自动更新LSTM网络参数；
模型获得单元，用于当精度满足训练要求时，获得训练好的多能负荷功率预测模型。
所述第一训练装置具体包括：
多能负荷功率预测模型构建单元，用于将时刻k及该时刻的室外温度TEPk和室外湿度WETk、k-1时刻的供冷负荷功率
Figure BDA0003555043740000141
供热负荷功率
Figure BDA0003555043740000142
用气负荷功率
Figure BDA0003555043740000143
和用电负荷功率
Figure BDA0003555043740000144
组成所述大负荷下的短期负荷历史数据集中的一个负荷元素，时刻k为历史时刻，历史时刻的第i个负荷元素
Figure BDA0003555043740000145
所述大负荷下的短期负荷历史数据集包括N个负荷元素，作为LSTM网络的输入，LSTM网络的输入层维数为N×7；
采用LSTM网络的多能负荷功率预测模型具有依次连接的一个输入层、若干个隐含层(例如8个)、一个全连接层和一个输出层；每一层的输出作为下一层的输入；所述输出层采用Relu线性整流函数映射；所述大负荷下的短期负荷历史数据集分为训练集和测试集；模型预测输出值包括第i个负荷元素中时刻的预测的供冷负荷功率、供热负荷功率、用气负荷功率、用电负荷功率；
多能负荷功率预测模型训练单元，用于采用均方误差损失作为代价函数，训练多能负荷功率预测模型，采用误差反向传播法则进行网络参数梯度的自动求导，以自动更新LSTM网络参数；
多能负荷功率预测模型获得单元，用于当均方误差损失小于预设阈值时，停止迭代，训练过程完成，获得训练好的多能负荷功率预测模型；
当前时刻的预测输出值获得单元，用于将当前时刻的负荷元素(包括当前时刻及该时刻的室外温度和室外湿度、上一时刻的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率)输入训练好的多能负荷功率预测模型进行推演后，获得当前时刻的预测输出值(包括当前时刻的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率)。
所述第二训练装置具体包括：
多能配置预测模型构建单元，用于将时刻k及该时刻的室外温度TEPk、室外湿度WETk、冷量输出控制参数
Figure BDA0003555043740000146
热量输出控制参数
Figure BDA0003555043740000147
气体输出控制参数
Figure BDA0003555043740000148
和储电输出控制参数
Figure BDA0003555043740000149
k-1时刻的供冷输出功率
Figure BDA00035550437400001410
供热输出功率
Figure BDA00035550437400001411
用气输出功率
Figure BDA00035550437400001412
和用电输出功率
Figure BDA00035550437400001413
组成所述控制参数数据集中的一个控制元素，时刻k为历史时刻，历史时刻的第i个控制元素
Figure BDA00035550437400001414
所述控制参数数据集包括M个控制元素，作为LSTM网络的输入，LSTM网络的输入层维数为M×11；
采用LSTM网络的多能配置预测模型具有依次连接的一个输入层、若干个隐含层、一个全连接层和一个输出层；每一层的输出作为下一层的输入；所述输出层采用Relu线性整流函数映射；所述控制参数数据集分为训练集和测试集；模型预测输出值包括第i个控制元素中时刻的预测的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
多能配置预测模型训练单元，用于采用均方误差损失作为代价函数，训练多能负荷功率预测模型，采用误差反向传播法则进行网络参数梯度的自动求导，以自动更新LSTM网络参数；
多能配置预测模型获得单元，用于当均方误差损失小于预设阈值时，停止迭代，训练过程完成，获得训练好的多能配置预测模型；
当前时刻的预测输出值获得单元，用于将当前时刻的控制元素(包括当前时刻及该时刻的室外温度、室外湿度、冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数、上一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率)输入训练好的多能配置预测模型进行推演后，获得当前时刻的预测输出值(包括当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率)。
优选地，所述寻优装置包括：
当前时刻的负荷功率获取单元，用于获取所述多能负荷功率预测模型预测输出的当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；
当前时刻的综合能耗预测值获得单元，用于根据所述当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率，获得当前时刻的综合能耗预测值；
当前时刻的输出功率获取单元，用于获取所述多能配置预测模型预测输出的当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
当前时刻的综合输出功率水平获得单元，用于根据所述当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，获得当前时刻的综合输出功率水平；
当前时刻的能耗水平获得单元，用于根据所述当前时刻的综合输出功率水平，获得预设能耗水平关系表中与所述当前时刻的综合输出功率水平对应的当前时刻的能耗水平；
判断单元，用于判断所述当前时刻的综合能耗预测值是否大于所述当前时刻的能耗水平；当所述当前时刻的综合能耗预测值小于或等于所述当前时刻的能耗水平时，无需调整更新冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，即无需优化；
控制参数调整更新单元，用于当所述当前时刻的综合能耗预测值大于所述当前时刻的能耗水平时，重复调整更新下一时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，并据此通过多能配置预测模型预测推演获得下一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，得到下一时刻的能耗水平，直到当前时刻的综合能耗预测值小于或等于下一时刻的能耗水平为止。通过综合能耗预测值实现了是否是最小能耗的评判，以此调整更新冷量、热量、气体和储电输出控制参数，实现优化控制参数，以降低能耗水平，实现园区多能源系统的最优配置。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种基于LSTM的园区多能短期负荷预测及优化方法，其特征在于，包括以下步骤：
对获取到的园区多能源系统的负荷历史数据进行特征提取，获得大负荷下的短期负荷历史数据集；所述大负荷下的短期负荷历史数据集包括各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；
采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型，模型输出为当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；
对获取到的园区多能源系统的与负荷历史数据相对应的储能控制参数进行特征提取，获得控制参数数据集；所述控制参数数据集包括分别与各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率相对应的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数及相应的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型，模型输出为当前时刻的环境参数下的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优。
2.根据权利要求1所述的方法，其特征在于，所述采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型，模型输出为当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率的步骤包括：
采用LSTM网络的多能负荷功率预测模型具有依次连接的一个输入层、若干个隐含层、一个全连接层和一个输出层；每一层的输出作为下一层的输入；所述输出层采用Relu线性整流函数映射；
训练多能负荷功率预测模型，由负荷元素构成的大负荷下的短期负荷历史数据集作为LSTM网络的输入，LSTM网络的输出为供冷负荷功率、供热负荷功率、用气负荷功率、用电负荷功率预测值，采用均方误差损失作为代价函数，比较供冷负荷功率、供热负荷功率、用气负荷功率、用电负荷功率真实值和预测值之间的差距，当所述差距满足预设条件时，获得训练好的多能负荷功率预测模型；
将当前时刻的负荷元素输入训练好的多能负荷功率预测模型进行推演后，获得当前时刻的预测输出值。
3.根据权利要求1或2所述的方法，其特征在于，所述采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型，模型输出为当前时刻的环境参数下的供冷输出功率、供热输出功率、用气输出功率和用电输出功率的步骤包括：
采用LSTM网络的多能配置预测模型具有依次连接的一个输入层、若干个隐含层、一个全连接层和一个输出层；每一层的输出作为下一层的输入；所述输出层采用Relu线性整流函数映射；
训练多能配置预测模型，由控制元素构成的控制数据集作为LSTM网络的输入，LSTM网络的输出为供冷输出功率、供热输出功率、用气输出功率和用电输出功率预测值，采用均方误差损失作为代价函数，比较供冷输出功率、供热输出功率、用气输出功率和用电输出功率真实值和预测值之间的差距，当所述差距满足预设条件时，获得训练好的多能负荷功率预测模型；
将当前时刻的控制元素输入训练好的多能负荷功率预测模型进行推演后，获得当前时刻的预测输出值。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优的步骤包括：
获取所述多能负荷功率预测模型预测输出的当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；
根据所述当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率，获得当前时刻的综合能耗预测值；
获取所述多能配置预测模型预测输出的当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
根据所述当前时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，获得当前时刻的综合输出功率水平；
根据所述当前时刻的综合输出功率水平，获得预设能耗水平关系表中与所述当前时刻的综合输出功率水平对应的当前时刻的能耗水平；
判断所述当前时刻的综合能耗预测值是否大于所述当前时刻的能耗水平；
当所述当前时刻的综合能耗预测值大于所述当前时刻的能耗水平时，重复调整更新下一时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，并据此通过多能配置预测模型预测推演获得下一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，得到下一时刻的能耗水平，直到当前时刻的综合能耗预测值小于或等于下一时刻的能耗水平为止。
5.根据权利要求4所述的方法，其特征在于，所述调整更新下一时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数，并据此通过多能配置预测模型预测推演获得下一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，得到下一时刻的能耗水平的步骤包括：
调整更新下一时刻的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数；
将所述当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率、下一时刻及该时刻的室外温度、室外湿度、冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数分别作为训练好的多能配置预测模型的输入进行推演，获得模型预测输出的下一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
根据所述下一时刻的供冷输出功率、供热输出功率、用气输出功率和用电输出功率，获得下一时刻的综合输出功率水平；
查询预设能耗水平关系表，获得与所述下一时刻的综合输出功率水平对应的下一时刻的能耗水平。
6.一种基于LSTM的园区多能短期负荷预测及优化系统，其特征在于，包括：
第一数据提取装置，用于对获取到的园区多能源系统的负荷历史数据进行特征提取，获得大负荷下的短期负荷历史数据集；所述大负荷下的短期负荷历史数据集包括各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；
第一训练装置，用于采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型，模型输出为当前时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率；
第二数据提取装置，用于对获取到的园区多能源系统的与负荷历史数据相对应的储能控制参数进行特征提取，获得控制参数数据集；所述控制参数数据集包括分别与各大负荷下历史时刻的环境参数下的供冷负荷功率、供热负荷功率、用气负荷功率和用电负荷功率相对应的冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数及相应的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
第二训练装置，用于采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型，模型输出为当前时刻的环境参数下的供冷输出功率、供热输出功率、用气输出功率和用电输出功率；
寻优装置，用于基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优。
7.一种基于LSTM的园区多能短期负荷预测及优化系统，其特征在于，包括：
一个或多个处理器；以及
存储装置，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时，使得所述一个或多个处理器实现如权利要求1-5任一项所述的基于LSTM的园区多能短期负荷预测及优化方法。
8.一种计算机可读存储介质，所述存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5任一项所述的基于LSTM的园区多能短期负荷预测及优化方法。
9.一种计算机程序产品，包括计算机程序，其存储在计算机可读存储介质上，并且适合于在计算机上执行，其特征在于，所述计算机程序包括适于当其在所述计算机上运行时执行如权利要求1-5任一项所述的基于LSTM的园区多能短期负荷预测及优化方法的步骤的指令。
CN202210273768.0A 2022-03-19 2022-03-19 基于lstm的园区多能短期负荷预测及优化方法 Active CN114662751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210273768.0A CN114662751B (zh) 2022-03-19 2022-03-19 基于lstm的园区多能短期负荷预测及优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210273768.0A CN114662751B (zh) 2022-03-19 2022-03-19 基于lstm的园区多能短期负荷预测及优化方法

Publications (2)

Publication Number Publication Date
CN114662751A true CN114662751A (zh) 2022-06-24
CN114662751B CN114662751B (zh) 2022-10-04

Family

ID=82031144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210273768.0A Active CN114662751B (zh) 2022-03-19 2022-03-19 基于lstm的园区多能短期负荷预测及优化方法

Country Status (1)

Country Link
CN (1) CN114662751B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700126A (zh) * 2023-08-09 2023-09-05 中关村科学城城市大脑股份有限公司 能源设备控制方法、装置、电子设备和计算机可读介质
CN117154906A (zh) * 2023-11-01 2023-12-01 维屿(深圳)科技有限公司 一种具有制冷功能的无线充电调控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111292121A (zh) * 2020-01-16 2020-06-16 国家电网有限公司 一种基于园区画像的园区负荷预测方法及系统
CN112116153A (zh) * 2020-09-18 2020-12-22 上海电力大学 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法
CN112883584A (zh) * 2021-03-12 2021-06-01 国网上海市电力公司 一种考虑利益交互的多能微网群冷热电多能耦合优化方法
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN113516316A (zh) * 2021-07-29 2021-10-19 昆明理工大学 基于麻雀搜索优化的Attention-GRU短期负荷预测方法
CN113887801A (zh) * 2021-09-29 2022-01-04 西安建筑科技大学 建筑冷负荷预测方法、系统、设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210203159A1 (en) * 2019-12-27 2021-07-01 North China Electric Power University Power load forecasting method in multi-energy coupling mode
CN111292121A (zh) * 2020-01-16 2020-06-16 国家电网有限公司 一种基于园区画像的园区负荷预测方法及系统
CN112116153A (zh) * 2020-09-18 2020-12-22 上海电力大学 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法
CN112883584A (zh) * 2021-03-12 2021-06-01 国网上海市电力公司 一种考虑利益交互的多能微网群冷热电多能耦合优化方法
CN113516316A (zh) * 2021-07-29 2021-10-19 昆明理工大学 基于麻雀搜索优化的Attention-GRU短期负荷预测方法
CN113887801A (zh) * 2021-09-29 2022-01-04 西安建筑科技大学 建筑冷负荷预测方法、系统、设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUNYU LIU 等: "《Heating Load Forecasting for Combined Heat and Power Plants Via Strand-Based LSTM》", 《IEEE ACCESS》 *
许若冰等: "基于卷积神经网络和深度置信网络的多类型能源需求预测方法", 《供用电》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700126A (zh) * 2023-08-09 2023-09-05 中关村科学城城市大脑股份有限公司 能源设备控制方法、装置、电子设备和计算机可读介质
CN116700126B (zh) * 2023-08-09 2024-02-02 中关村科学城城市大脑股份有限公司 能源设备控制方法、装置、电子设备和计算机可读介质
CN117154906A (zh) * 2023-11-01 2023-12-01 维屿(深圳)科技有限公司 一种具有制冷功能的无线充电调控方法
CN117154906B (zh) * 2023-11-01 2024-04-02 维屿(深圳)科技有限公司 一种具有制冷功能的无线充电调控方法

Also Published As

Publication number Publication date
CN114662751B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN107301472B (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
CN114662751B (zh) 基于lstm的园区多能短期负荷预测及优化方法
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
CN110298138A (zh) 一种综合能源系统优化方法、装置、设备及可读存储介质
CN106532751B (zh) 一种分布式电源能效优化方法及系统
CN110783925A (zh) 一种两级部署的电网调控模型中心控制系统及方法
CN111725808B (zh) 基于奇异摄动的综合能源系统分布式趋同控制方法及系统
CN105207573A (zh) 基于离散概率模型的风光互补供电系统定量优化配置方法
CN110011358B (zh) 一种配电网负荷状态调节控制器
CN108830479A (zh) 一种计及电网全成本链的主配协同规划方法
CN108830451B (zh) 一种用户侧分布式储能的汇聚潜力评估方法及系统
CN107977741B (zh) 冷热电联供微网系统的能量调度优化方法
CN113255224A (zh) 一种基于发光萤火虫算法的能源系统配置优化方法
Ku et al. Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining
CN111598348A (zh) 一种输电网均匀性规划优化方法、系统、介质及电子设备
CN117556969B (zh) 一种基于概率场景驱动的柔性配电网分布式无功优化方法
CN113689031B (zh) 一种基于改进次梯度算法的配电网阻塞管理方法
CN111193295A (zh) 一种考虑动态重构的配网灵活性提升鲁棒优化调度方法
CN112821456B (zh) 基于迁移学习的分布式源-储-荷匹配方法及装置
CN113780722A (zh) 配电网的联合规划方法、装置、计算机设备和存储介质
CN109638837B (zh) 一种面向新能源并网的动态负载管理方法及系统
CN116885840A (zh) 一种基于实时数据的分布式新能源在线监测方法及系统
CN116865270A (zh) 一种含嵌入式直流的柔性互联配电网优化调度方法及系统
CN115062847A (zh) 一种基于逻辑回归算法的碳纤维供暖能耗预测方法及系统
CN116659128B (zh) 一种太阳能联合热泵的节能控制方法及系统

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
GR01 Patent grant
GR01 Patent grant