CN114676941A - 园区综合能源系统电-热负荷联合自适应预测方法及装置 - Google Patents
园区综合能源系统电-热负荷联合自适应预测方法及装置 Download PDFInfo
- Publication number
- CN114676941A CN114676941A CN202210596819.3A CN202210596819A CN114676941A CN 114676941 A CN114676941 A CN 114676941A CN 202210596819 A CN202210596819 A CN 202210596819A CN 114676941 A CN114676941 A CN 114676941A
- Authority
- CN
- China
- Prior art keywords
- day
- load
- electric
- thermal load
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 39
- 230000002354 daily effect Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000013526 transfer learning Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000013277 forecasting method Methods 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000005485 electric heating Methods 0.000 abstract description 18
- 230000008878 coupling Effects 0.000 abstract description 8
- 238000010168 coupling process Methods 0.000 abstract description 8
- 238000005859 coupling reaction Methods 0.000 abstract description 8
- 238000013508 migration Methods 0.000 abstract description 8
- 230000005012 migration Effects 0.000 abstract description 8
- 230000007704 transition Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 150000001875 compounds Chemical class 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及园区综合能源系统电‑热负荷联合自适应预测方法及装置,通过多任务学习框架学习多元负荷的耦合关系,采用CNN‑LSTM‑Attention网络分别提取电热负荷的特征,结合日前的天气信息作为共享层;同时损失函数考虑到电热负荷的不确定性差异,对不同任务赋予动态权重,来权衡多任务学习总体的损失大小,进一步提高负荷预测的准确性;在过渡季预测偏差大时,以MMD来分别衡量电热负荷以及天气的数据分布差异,采用迁移学习固定模型底层网络参数,并对相应的顶层网络参数进行微调,解决园区综合能源系统负荷预测模型的自适应性问题,为园区综合能源系统的精细化调度优化提供依据。
Description
技术领域
本发明属于新能源发电领域,尤其涉及园区综合能源系统电-热负荷联合自适应预测方法及装置。
背景技术
21世纪以来,随着我国经济建设的飞速发展,化石燃料的逐渐枯竭,使用化石燃料带来的环境污染问题日益突出,如何开发和利用可再生能源、促进能源转型成为全球各国亟待解决的难题。综合能源系统(Integrated Energy System, IES)打破了传统能源系统单独运行、分产分供的用能模式,强调多种形式能源的协调运行、联合调度,在灵活满足用户不同品位能源需求的前提下,极大地提高了能源利用效率,促进了可再生能源消纳,成为实现双碳目标的重要助力。其中,园区型综合能源系统(Community Integrated EnergySystem, CIES)作为IES的关键子集,具有运行方式灵活、低碳高效等特点,已经得到广泛应用。
CIES负荷预测是CIES能量管理的重要方面,高准确性的电热负荷预测不仅可以为CIES制定日前调度计划提供决策依据,还可以合理分配不同时段各能源耦合设备的出力,安排各个设备的生产启停,制定合理的生产和检修计划,维持供电供热的安全稳定,从而在保障用户多能需求的前提下,降低发电成本,增加经济效益。因此,精确的负荷预测已经成为CIES优化调度与运行控制的首要前提,就预测的时间尺度来看,短期预测(日前预测)对于CIES制定日前的各个设备出力计划,实现经济最优最为重要。
按功能划分,CIES一般可分为商业区、居民住宅区、工业园区、学校等场所,因此CIES可以看成是由多个用户级综合能源系统组成,电动汽车作为目前新型负荷的典型代表,正广泛与分布式可再生能源共同接入电力系统,以消纳CIES发电并提高电网运行稳定性,但大量电动汽车的充放电会加大CIES负荷的不确定性,并对CIES的安全运行产生显著影响。由于用户用能行为兼具规律性和不确定性,且用户用能需求趋于多元化,进一步使得多元负荷具有更大的波动性和随机性,用户用能行为的不确定性在于单个用户单元的用能行为变化以及不同用户单元的用能习惯差异,进而影响地区多类能源的供需平衡。同时,气候条件的改变(温度等)、人类的社会行为(工作日/周末等)、CIES的功能定位(工业园区/住宅区等)也是造成CIES负荷预测困难的原因。因此,相比于规模较大的单一能源统,用户用能行为的变化会对CIES整体负荷水平产生更加明显的影响。综上,不同于传统的系统级电力负荷预测,CIES的负荷预测具有以下特点:1)CIES多类负荷由于存在深度耦合关系,往往具有较高的相关性,预测模型需要考虑多元负荷间的相关性;2)CIES的规模较小,用户用能随机性大,CIES负荷不确定性更高;3)CIES负荷随季节变化明显,尤其在过渡季,受天气影响较大;4)CIES以电力系统为核心,热负荷需求受天气影响较大,加上存在热惯性和热储能,电热负荷的不确定性程度存在差异。
对于CIES的负荷预测,现有研究主要考虑电热负荷的耦合关系,在电热负荷的协同预测方面,由于多任务学习(MTL)通过使用共享表示并行训练多个任务,可以利用隐含在多个相关任务的特定领域信息来提高泛化能力,提升对不同任务的泛化认知,因此目前不少研究以多任务学习为基本框架,基于各种深度学习网络进行预测。但现有研究大多只关注CIES预测对象自身的历史变化规律,侧重于解决多元负荷耦合关系,而忽略了CIES负荷本身具有明显的季节性的固有特征。在对CIES负荷的季节性研究方面,由于CIES的用能特性在供暖/冷期是相似的,在季节过渡期间,负荷变化主要表现为用量上的差异,因此如何将供冷/暖期负荷特性迁移到过渡季模型中,在此基础上融入过渡季节的数据,以快速有效地建立负荷预测的动态模型,提高负荷预测的精度和效率,成为一个亟待解决的问题。迁移学习能将之前的任务中学到的已知部分共有特征迁移到新的任务中,在此基础上融入新的任务的数据,更加快速有效地学习新任务,是针对这一问题的主流机器学习方法,有望解决CIES负荷预测中,尤其是在季节过渡时出现的可参考样本少、与之前数据分布差异大的问题。但现有关于迁移学习在负荷预测中的应用研究,大多是重点解决小样本问题,而没有考虑负荷本身的季节变化,同时对单一类型的负荷预测进行研究,割裂了电热负荷的耦合关系,没有考虑电热负荷间的内在联系;最后,对多元负荷的不确定程度差异的研究相对空白。
发明内容
本发明的目的在于针对上述问题,克服现有技术的不足,提供一种园区综合能源系统电-热负荷联合自适应预测方法,预测模型以多任务学习为主体框架,采用CNN-LSTM-Attention网络分别提取电热负荷的特征,结合日前的天气信息作为共享层;同时损失函数考虑到电热负荷的不确定性差异,对不同任务赋予动态权重,来权衡多任务学习总体的损失大小,进一步提高负荷预测的准确性;在预测偏差大时,以MMD来分别衡量电热负荷以及天气数据的数据分布差异,采用迁移学习固定模型底层网络参数,并对相应的顶层网络参数进行微调,使得模型能自适应地学习负荷的动态变化。
本发明解决其技术问题是采取以下技术方案实现的:
园区综合能源系统电-热负荷联合自适应预测方法,包括如下步骤:
获取园区综合能源系统电负荷历史数据集、热负荷历史数据集、环境温度历史
数据集,并以上述数据集作为初始源域数据集;并设定日前预测的电负荷精度阈
值、热负荷精度阈值、核函数宽度参数、源域天数、目标域天数;其中,
园区综合能源系统电负荷包括园区居民用电负荷和园区电动汽车充电桩负荷;
将第天的电负荷预测误差、热负荷预测误差分别与电负荷精度阈
值、热负荷精度阈值进行比较,若且,
则将预测日的电-热负荷日前预测模型直接沿用为第天的电-热负荷日前预测模型,
并进行后续的园区综合能源系统电-热负荷日前预测;否则,获取第天前天的电负
荷、热负荷、环境温度历史数据作为新的目标域数据集,第天前第至
第天的电负荷、热负荷、环境温度历史数据作为新的源域数据集,分别获取新
的源域与新的目标域电负荷、热负荷和环境温度数据的数据分布差异值、和,根据电、热负荷迁移学习策略,以新的目标域数据集为训练集,对预测日的电-热负荷日前预测模型进行调整,获得第天的电-热负荷日前预测模型,并进行后
续的园区综合能源系统电-热负荷日前预测。
进一步的,所述改进后的深度多任务学习网络模型包括热负荷特征提取通道、电负荷特征提取通道、共享层、第一全连接层、第二全连接层、第三全连接层,所述热负荷特征提取通道、电负荷特征提取通道、第一全连接层分别将热负荷特征、电负荷特征、环境温度数据输入至共享层,共享层的共享特征分别经过第二全连接层、第三全连接层输出至输出层,输出电负荷和热负荷预测值的标幺值。
进一步的,所述共享层还包括损失函数层,损失函数如下:
若且,则以新的目标域数据集为训练集,将预
测日的电-热负荷日前预测模型中的其他参数固定,仅对共享层至输出层之间的电负荷通
道第二全连接层参数进行训练,完成参数微调,所得模型作为第天的电-热负荷日前
预测模型;
若且,则以新的目标域数据集为训练集,将预
测日的电-热负荷日前预测模型中的其他参数固定,仅对共享层至输出层之间的热负荷通
道第三全连接层参数进行训练,完成参数微调,所得模型作为第天的电-热负荷日前
预测模型;
若,则以新的目标域数据集为训练集,将预测日的电-热负
荷日前预测模型中的其他参数固定,仅对温度数据输入所经过的第一全连接层、共享层至
输出层之间的第二全连接层、第三全连接层参数进行训练,完成参数微调,所得模型作为第天的电-热负荷日前预测模型。
在新的源域数据集最后N天的电负荷、热负荷或温度数据各个小时的历
史数据基础上,分别乘以一个均匀分布在,]、、的随机数,作为仿真的目标域,获取
与仿真的目标域的MMD值,将其作为第天的电负荷动态数据分布差异阈值、热负荷动态
数据分布差异阈值、温度动态数据分布差异阈值。
进一步的,所述M、N的取值范围分别为:20≤M≤30、3≤N≤5。
园区综合能源系统电-热负荷联合自适应预测装置,包括:
数据获取模块,用于获取园区综合能源系统电负荷历史数据集、热负荷历史数据
集、环境温度历史数据集,并以上述数据集作为初始源域数据集;并设定日前预
测的电负荷精度阈值、热负荷精度阈值、核函数宽度参数、源域天数、目
标域天数;
预测误差获取模块,用于利用预测日的电-热负荷日前预测模型对预测日第天
进行负荷预测,得到第天电、热负荷预测数据、,并与第天的实际电、热
负荷数据、进行比较,获得第天的电负荷预测误差和热负荷预测误
差;
第天的电-热负荷日前预测模型获取模块,用于将第天的电负荷预测误差、热负荷预测误差分别与电负荷精度阈值、热负荷精度阈值
进行比较,若且,则将预测日的电-热负荷日前预测
模型直接沿用为第天的电-热负荷日前预测模型,并进行后续的园区综合能源系统电-
热负荷日前预测;否则,获取第天前天的电负荷、热负荷、环境温度历史数据作为新
的目标域数据集,第天前第至第天的电负荷、热负荷、环境温度历
史数据作为新的源域数据集,分别获取新的源域与新的目标域电负荷、热负荷和
环境温度数据的数据分布差异值、和,根据电、热负荷迁移学习策略,
以新的目标域数据集为训练集,对预测日的电-热负荷日前预测模型进行调整,
获得第天的电-热负荷日前预测模型,并进行后续的园区综合能源系统电-热负荷日前
预测。
一种计算设备,包括:
一个或多个处理单元;
存储单元,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元执行如上所述的园区综合能源系统电-热负荷联合自适应预测方法。
一种具有处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码被处理器执行时实现如上所述园区综合能源系统电-热负荷联合自适应预测方法的步骤。
本发明的优点和积极效果是:
本发明的一种园区综合能源系统电-热负荷联合自适应预测方法,立足于解决园区综合能源系统负荷预测中的负荷随机性强、季节性明显、负荷间不确定程度差异大、预测模型的自适应性等问题,通过多任务学习框架学习多元负荷的耦合关系,采用CNN-LSTM-Attention网络分别提取电热负荷的特征,结合日前的天气信息作为共享层;同时损失函数考虑到电热负荷的不确定性差异,对不同任务赋予动态权重,来权衡多任务学习总体的损失大小,进一步提高负荷预测的准确性;在过渡季预测偏差大时,以MMD来分别衡量电热负荷以及天气的数据分布差异,采用迁移学习固定模型底层网络参数,并对相应的顶层网络参数进行微调,解决园区综合能源系统负荷预测模型的自适应性问题,为园区综合能源系统的精细化调度优化提供依据。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1是本发明的改进后的深度多任务学习网络模型结构图;
图2是本发明的一维卷积神经网络结构示意图;
图3是本发明的长短期记忆神经网络结构示意图;
图4是本发明的注意力机制模块示意图;
图5是本发明的动态源域目标域划分示意图;
图6是本发明的电、热负荷迁移学习策略示意图;
图7(a)是国网客服中心北方园区算例不同模型预测电负荷MPAE结果对比图;
图7(b)是国网客服中心北方园区算例不同模型预测电负荷RMSE结果对比图;
图7(c)是国网客服中心北方园区算例不同模型预测热负荷MPAE结果对比图;
图7(d)是国网客服中心北方园区算例不同模型预测热负荷RMSE结果对比图。
具体实施方式
首先,需要说明的是,以下将以示例方式来具体说明本发明的具体结构、特点和优点等,然而所有的描述仅是用来进行说明的,而不应将其理解为对本发明形成任何限制。此外,在本文所提及各实施例中予以描述或隐含的任意单个技术特征,仍然可在这些技术特征(或其等同物) 之间继续进行任意组合或删减,从而获得可能未在本文中直接提及的本发明的更多其他实施例。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明涉及的园区综合能源系统电-热负荷联合自适应预测方法,包括如下步骤:
步骤1、获取园区综合能源系统电负荷历史数据集、热负荷历史数据集、环境温
度历史数据集,并以上述数据集作为初始源域数据集;并设定日前预测的电负荷
精度阈值、热负荷精度阈值、核函数宽度参数、源域天数、目标域天数
;其中,园区综合能源系统电负荷包括园区居民用电负荷和园区电动汽车充电桩负荷;
Min-max标准化计算公式如下:
(c)对标准化后的源域数据集进行训练样本的划分,单个训练样本的输入
数据为预测日前7天的电、热负荷历史数据和预测日的环境温度数据,维度分别为7×24、1
×24;单个训练样本的标签为预测日的电、热负荷数据,维度均为1×24;形成训练集
;
上述的改进后的深度多任务学习网络模型的具体结构为:所述改进后的深度多任务学习网络模型包括热负荷特征提取通道、电负荷特征提取通道、共享层、第一全连接层、第二全连接层、第三全连接层,所述热负荷特征提取通道、电负荷特征提取通道、第一全连接层分别将热负荷特征、电负荷特征、环境温度数据输入至共享层,共享层的共享特征分别经过第二全连接层、第三全连接层输出至输出层,输出电负荷和热负荷预测值的标幺值。
具体的,如附图1所示:
①:样本中的电、热负荷数据通过一维卷积神经网络输入,分别提取电、热负荷的时序特征;其中,电、热负荷样本的输入维度均为7×24;
一维卷积神经网络的输入数据维度为[time_steps,dimensions],其中time_steps表示输入数据的总时间步长,dimensions表示每个时间步上的特征数。一维卷积神经网络结构示意图如附图2所示,卷积计算过程如下所示:
LSTM的内部结构如附图3所示,单个结构单元由遗忘门、输入门和输出门三种类型
的门组成,LSTM单元使用当前时刻的输入、上一时刻的隐藏状态和细胞状态作为
当前时刻LSTM单元的输入,和被保留用于下一时刻的输入;遗忘门的公式表示为:
③:环境温度数据通过第一全连接层输入,其输出与注意力机制层输出的电、热负荷特征一起,输入至共享层作为共享特征;其中,环境温度数据输入维度为1×24;
④:共享层的共享特征,分别经过电负荷通道的第二全连接层和热负荷通道的第三全连接层输出至输出层,输出电负荷和热负荷预测值的标幺值;
⑤:在④的模型基础上添加损失函数层,损失函数设计如下:
其中,为训练集中的输入样本(即训练集样本中的输入数据),表示
改进后的深度多任务学习网络模型,、为训练集中各个样本对应的电、热负荷标签值
(训练集样本中的标签值),为的网络可训练变量,、为两个可训练变量。
步骤6:将第天前天的各类型历史数据作为新的目标域数据集,
前第至第天的各类型历史数据作为新的源域数据集,分别计算源域与
目标域电负荷、热负荷和环境温度数据的数据分布差异值、和;其中,、为设置的源域、目标域天数;源域目标域的划分如附图5所示。
场景7.2:若且,则以新的目标域数据集为训练
集,将预测日的电-热负荷日前预测模型中的其他参数固定,仅对共享层至输出层之间的
电负荷通道第二全连接层参数进行训练,完成参数微调,所得模型作为第天的电-热负
荷日前预测模型;
场景7.3:若且,则以新的目标域数据集为训练
集,将预测日的电-热负荷日前预测模型中的其他参数固定,仅对共享层至输出层之间的
热负荷通道第三全连接层参数进行训练,完成参数微调,所得模型作为第天的电-热负
荷日前预测模型;
场景7.4:若,则以新的目标域数据集为训练集,将预测日
的电-热负荷日前预测模型中的其他参数固定,仅对温度数据输入所经过的第一全连接层、
共享层至输出层之间的第二全连接层、第三全连接层参数进行训练,完成参数微调,所得模
型作为第天的电-热负荷日前预测模型。
在新的源域数据集最后N天的电负荷、热负荷或温度数据各个小时的历
史数据基础上,分别乘以一个均匀分布在,]、、的随机数,作为仿真的目标域,计算
与仿真的目标域的MMD值,将其作为第天的电负荷动态数据分布差异阈值、热负荷动态
数据分布差异阈值、温度动态数据分布差异阈值;
需要说明的是,所述M、N的取值范围分别为:20≤M≤30、3≤N≤5。
本发明的园区综合能源系统电-热负荷联合自适应预测方法,充分考虑了园区综合能源系统电-热负荷间的耦合关系和不确定性程度的差异,利用迁移学习,在获得新的实测数据后,对模型进行滚动更新和修正,使得模型能够不断学习负荷的季节性变化。
实施例2
本实施例利用实施例1中的园区综合能源系统电-热负荷联合自适应预测方法(Model-5),在国网客服中心北方园区的实际数据上进行了仿真实验,并将结果与如下模型的结果进行了对比:
Model-1:Model-1的结构与Model-5相同,但由历史数据训练初始化后,不进行模型参数的调整,直接用于后续的负荷预测;
Model-2:Model-2的结构与Model-5相同,随时间推移,每天进行重新训练,其训练集随着预测日后移,不断添加新的历史数据,剔除时间最远的历史数据,保持训练集样本数不变;
Model-3:Model-3采用最常见的LSTM模型进行预测单一类型负荷的预测,模型参数随时间推移动态更新,更新方式与Model-5相同;
Model-4:除了损失函数外,其余部分均与Model-5相同。
结果与不带迁移的多任务学习(Model-1)、滚动预测的多任务学习(Model-2)、带迁移的单任务LSTM模型(Model-3)、不考虑不确定性程度差异的带迁移的多任务学习(Model-4)的结果进行了对比。其中,Model-2的训练集随着预测日后移,不断添加新的历史数据,剔除时间最远的历史数据,保持训练集样本数不变。Model-1、Model-2、Model-4的模型均采用附图1所示的模型。
评价指标采用常见的平均绝对偏差百分比(MPAE)和均方根误差(RMSE),计算如下:
所有模型构建及训练在TenserFlow深度学习框架下进行,硬件平台采用IntelCore i7 CPU,集成开发环境采用Pycharm 2020.3。
北方园区数据集的采集时间为2019.10.1-2020.6.30,训练集采用2019.10.1-
2020.2.12之间的数据,测试集采用2020.2.13-2020.4.14之间的数据(2020.4.14后该园区
停止供热)。输入相关参数:日前预测的电负荷精度阈值、热负荷精度阈值
分别取8和12,源域设置天数,目标域设置天数,核函数宽度参数。单个
样本的输入数据为预测日前七天的电热负荷数据(维度为2724)、预测日当天的温度数
据(维度为124),输出为预测日当天的电热负荷值(维度为2124)。在训练集上多次试
验后确定初始模型最优超参数。
园区供暖期的不同方法预测结果评价指标对比如附图7(a)、7(b)、7(c)、7(d)所示,供暖期的具体统计结果如附表1所示:Model-1的预测效果最差;Model-2在气候变化平稳时期,预测性能较好,但在过渡季季节环境温度变化剧烈时,不能很快地捕捉到负荷动态变化;Model-3在季节变化时也能很快学习到负荷的动态变化,但在少部分时段会出现大的偏差,这是由于单任务模型没有考虑同一时刻电热负荷的关系,容易出现过拟合现象,泛化能力不够,稳定性更差。
该园区的电热负荷相关系数为0.64,两者不确定性程度存在较大差异,电负荷的日曲线比较规律,不确定性程度小,而热负荷的不确定性程度则大很多。结合附图7(a)、7(b)可知,对于电负荷,是否考虑负荷不确定性程度差异的模型预测性能表现相当,这是由于电负荷曲线更为规律,损失函数中相应的权重占比大,因此不会轻易进行有关电负荷的参数的调整。由附图7(c)、7(d)可知,Model-5在热负荷预测性能上具有明显提升,尤其是在热负荷的RMSE上,其RMSE明显低于其他模型。由附表1可知,本发明所提模型(Model-5)在各个方面的预测性能均优越于其他方法,对于不确定性程度大的任务的性能提升尤为明显。
表1 不同方法预测结果对比
综上,本发明提出的一种园区综合能源系统电-热负荷联合自适应预测方法能有效对CIES的电、热负荷进行日前预测。
实施例3
基于相同的发明创造原理,本实施例提供一种园区综合能源系统电-热负荷联合自适应预测装置,包括:
数据获取模块,用于获取园区综合能源系统电负荷历史数据集、热负荷历史数据
集、环境温度历史数据集,并以上述数据集作为初始源域数据集;并设定日前预
测的电负荷精度阈值、热负荷精度阈值、核函数宽度参数、源域天数、目
标域天数;
预测误差获取模块,用于利用预测日的电-热负荷日前预测模型对预测日第天
进行负荷预测,得到第天电、热负荷预测数据、,并与第天的实际电、热
负荷数据、进行比较,获得第天的电负荷预测误差和热负荷预测误
差;
第天的电-热负荷日前预测模型获取模块,用于将第天的电负荷预测误差、热负荷预测误差分别与电负荷精度阈值、热负荷精度阈值
进行比较,若且,则将预测日的电-热负荷日前预测
模型直接沿用为第天的电-热负荷日前预测模型,并进行后续的园区综合能源系统电-
热负荷日前预测;否则,获取第天前天的电负荷、热负荷、环境温度历史数据作为新
的目标域数据集,第天前第至第天的电负荷、热负荷、环境温度历
史数据作为新的源域数据集,分别获取新的源域与新的目标域电负荷、热负荷和
环境温度数据的数据分布差异值、和,根据电、热负荷迁移学习策略,
以新的目标域数据集为训练集,对预测日的电-热负荷日前预测模型进行调整,
获得第天的电-热负荷日前预测模型,并进行后续的园区综合能源系统电-热负荷日前
预测。
另外,本实施例还提供一种计算设备,包括:
一个或多个处理单元;
存储单元,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元执行上述的园区综合能源系统电-热负荷联合自适应预测方法;需要说明的是,计算设备可包括但不仅限于处理单元、存储单元;本领域技术人员可以理解,计算设备包括处理单元、存储单元并不构成对计算设备的限定,可以包括更多的部件,或者组合某些部件,或者不同的部件,例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
还提供一种具有处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码被处理器执行时实现上述的园区综合能源系统电-热负荷联合自适应预测方法的步骤;需要说明的是,可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合;可读介质上包含的程序可以用任何适当的介质传输,包括,但不限于无线、有线、光缆,RF等等,或者上述的任意合适的组合。例如,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java,C++等,还包括常规的过程式程序设计语言,诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行,或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络——包括局域网(LAN) 或广域网(WAN)连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
Claims (9)
1.园区综合能源系统电-热负荷联合自适应预测方法,其特征在于,包括如下步骤:
获取园区综合能源系统电负荷历史数据集、热负荷历史数据集、环境温度历史数据
集,并以上述数据集作为初始源域数据集;并设定日前预测的电负荷精度阈值、热负荷精度阈值、核函数宽度参数、源域天数、目标域天数;其中,园
区综合能源系统电负荷包括园区居民用电负荷和园区电动汽车充电桩负荷;
将第天的电负荷预测误差、热负荷预测误差分别与电负荷精度阈值、热负荷精度阈值进行比较,若且,则
将预测日的电-热负荷日前预测模型直接沿用为第天的电-热负荷日前预测模型,并
进行后续的园区综合能源系统电-热负荷日前预测;否则,获取第天前天的电负荷、
热负荷、环境温度历史数据作为新的目标域数据集,第天前第至第
天的电负荷、热负荷、环境温度历史数据作为新的源域数据集,分别获取新的源
域与新的目标域电负荷、热负荷和环境温度数据的数据分布差异值、和,根据电、热负荷迁移学习策略,以新的目标域数据集为训练集,对预测日的电-热负荷日前预测模型进行调整,获得第天的电-热负荷日前预测模型,并进行后
续的园区综合能源系统电-热负荷日前预测。
2.根据权利要求1所述的园区综合能源系统电-热负荷联合自适应预测方法,其特征在于:所述改进后的深度多任务学习网络模型包括热负荷特征提取通道、电负荷特征提取通道、共享层、第一全连接层、第二全连接层、第三全连接层,所述热负荷特征提取通道、电负荷特征提取通道、第一全连接层分别将热负荷特征、电负荷特征、环境温度数据输入至共享层,共享层的共享特征分别经过第二全连接层、第三全连接层输出至输出层,输出电负荷和热负荷预测值的标幺值。
5.根据权利要求4所述的园区综合能源系统电-热负荷联合自适应预测方法,其特征在
于:根据电、热负荷迁移学习策略,以新的目标域数据集为训练集,对预测日的
电-热负荷日前预测模型进行调整,获得第天的预测模型的方法为:
若且,则以新的目标域数据集为训练集,将预测日
的电-热负荷日前预测模型中的其他参数固定,仅对共享层至输出层之间的电负荷通道第
二全连接层参数进行训练,完成参数微调,所得模型作为第天的电-热负荷日前预测
模型;
若且,则以新的目标域数据集为训练集,将预测日
的电-热负荷日前预测模型中的其他参数固定,仅对共享层至输出层之间的热负荷通道第
三全连接层参数进行训练,完成参数微调,所得模型作为第天的电-热负荷日前预测
模型;
7.园区综合能源系统电-热负荷联合自适应预测装置,其特征在于,包括:
数据获取模块,用于获取园区综合能源系统电负荷历史数据集、热负荷历史数据集
、环境温度历史数据集,并以上述数据集作为初始源域数据集;并设定日前预测的
电负荷精度阈值、热负荷精度阈值、核函数宽度参数、源域天数、目标域
天数;
第天的电-热负荷日前预测模型获取模块,用于将第天的电负荷预测误差、热负荷预测误差分别与电负荷精度阈值、热负荷精度阈值
进行比较,若且,则将预测日的电-热负荷日前预测
模型直接沿用为第天的电-热负荷日前预测模型,并进行后续的园区综合能源系统电-
热负荷日前预测;否则,获取第天前天的电负荷、热负荷、环境温度历史数据作为新
的目标域数据集,第天前第至第天的电负荷、热负荷、环境温度历
史数据作为新的源域数据集,分别获取新的源域与新的目标域电负荷、热负荷和
环境温度数据的数据分布差异值、和,根据电、热负荷迁移学习策略,
以新的目标域数据集为训练集,对预测日的电-热负荷日前预测模型进行调整,
获得第天的电-热负荷日前预测模型,并进行后续的园区综合能源系统电-热负荷日前
预测。
8.一种计算设备,其特征在于:包括:
一个或多个处理单元;
存储单元,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元执行如权利要求1至6中任一项所述的方法。
9.一种具有处理器可执行的非易失的程序代码的计算机可读存储介质,其特征在于,所述程序代码被处理器执行时实现如权利要求1至6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596819.3A CN114676941B (zh) | 2022-05-30 | 2022-05-30 | 园区综合能源系统电-热负荷联合自适应预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210596819.3A CN114676941B (zh) | 2022-05-30 | 2022-05-30 | 园区综合能源系统电-热负荷联合自适应预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114676941A true CN114676941A (zh) | 2022-06-28 |
CN114676941B CN114676941B (zh) | 2022-09-30 |
Family
ID=82080203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210596819.3A Active CN114676941B (zh) | 2022-05-30 | 2022-05-30 | 园区综合能源系统电-热负荷联合自适应预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676941B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360342A (zh) * | 2023-02-13 | 2023-06-30 | 广东工业大学 | 一种机床热误差预测建模方法 |
CN117148026A (zh) * | 2023-10-31 | 2023-12-01 | 国网天津市电力公司经济技术研究院 | 一种电气自动化供电系统检测装置及方法 |
CN117669839A (zh) * | 2024-02-01 | 2024-03-08 | 山东赛马力发电设备有限公司 | 一种综合能源系统分布式负荷预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
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 |
CN113591368A (zh) * | 2021-06-29 | 2021-11-02 | 中国电力科学研究院有限公司 | 一种综合能源系统多能负荷预测方法及系统 |
CN113609762A (zh) * | 2021-07-27 | 2021-11-05 | 山东大学 | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 |
CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
-
2022
- 2022-05-30 CN CN202210596819.3A patent/CN114676941B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
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 |
CN113591368A (zh) * | 2021-06-29 | 2021-11-02 | 中国电力科学研究院有限公司 | 一种综合能源系统多能负荷预测方法及系统 |
CN113609762A (zh) * | 2021-07-27 | 2021-11-05 | 山东大学 | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 |
CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
江晶晶 等: "贫乏信息下基于深度迁移学习的智慧建筑负荷预测方法", 《电气技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116360342A (zh) * | 2023-02-13 | 2023-06-30 | 广东工业大学 | 一种机床热误差预测建模方法 |
CN117148026A (zh) * | 2023-10-31 | 2023-12-01 | 国网天津市电力公司经济技术研究院 | 一种电气自动化供电系统检测装置及方法 |
CN117148026B (zh) * | 2023-10-31 | 2024-03-12 | 国网天津市电力公司经济技术研究院 | 一种电气自动化供电系统检测装置及方法 |
CN117669839A (zh) * | 2024-02-01 | 2024-03-08 | 山东赛马力发电设备有限公司 | 一种综合能源系统分布式负荷预测方法及系统 |
CN117669839B (zh) * | 2024-02-01 | 2024-04-30 | 山东赛马力发电设备有限公司 | 一种综合能源系统分布式负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114676941B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN112186743B (zh) | 一种基于深度强化学习的动态电力系统经济调度方法 | |
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
CN114676941B (zh) | 园区综合能源系统电-热负荷联合自适应预测方法及装置 | |
Tan et al. | Multi-objective energy management of multiple microgrids under random electric vehicle charging | |
Ge et al. | Data-driven spatial-temporal prediction of electric vehicle load profile considering charging behavior | |
CN114091879A (zh) | 基于深度强化学习的多园区能源调度方法和系统 | |
Xu et al. | Data-driven game-based pricing for sharing rooftop photovoltaic generation and energy storage in the residential building cluster under uncertainties | |
Nazir et al. | Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT) | |
CN112215428A (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
Zhong et al. | An Orderly EV Charging Scheduling Method Based on Deep Learning in Cloud‐Edge Collaborative Environment | |
Zhang et al. | Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach | |
Sen | Time series prediction based on improved deep learning | |
Pu et al. | A novel GRU-TCN network based Interactive Behavior Learning of multi-energy Microgrid under incomplete information | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
El-Azab et al. | Seasonal electric vehicle forecasting model based on machine learning and deep learning techniques | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
Kim et al. | A deep-learning framework for forecasting renewable demands using variational auto-encoder and bidirectional long short-term memory | |
Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
Yang et al. | Day‐ahead wind power combination forecasting based on corrected numerical weather prediction and entropy method | |
Ma et al. | Residential high-power load prediction based on optimized LSTM network | |
Wei et al. | An attention-based cnn-gru model for resident load short-term forecast |
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 |