CN115456287A - 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 - Google Patents
一种基于长短时记忆网络的综合能源系统多元负荷预测方法 Download PDFInfo
- Publication number
- CN115456287A CN115456287A CN202211154773.6A CN202211154773A CN115456287A CN 115456287 A CN115456287 A CN 115456287A CN 202211154773 A CN202211154773 A CN 202211154773A CN 115456287 A CN115456287 A CN 115456287A
- Authority
- CN
- China
- Prior art keywords
- load prediction
- model
- energy system
- error
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000015654 memory Effects 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 210000002569 neuron Anatomy 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于长短时记忆网络的综合能源系统多元负荷预测方法,包括以下步骤:(1)获取综合能源系统负荷历史数据;(2)使用多层RBM网络对样本数据进行特征提取;(3)将特征提取后的数据输入LSTM网络进行网络模型训练,保存网络模型权值,得到负荷预测模型;(4)对负荷预测模型的预测误差建立LSTM误差补偿模型,使用误差补偿对预测数据进行重构,得到最终负荷预测值;(5)采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。本发明考虑了多元负荷预测的影响因素,有利于综合能源系统的优化运行,提高了能源利用效率。
Description
技术领域
本发明涉及一种电力系统的负荷预测方法,尤其涉及一种基于长短时记忆网络的综合能源系统多元负荷预测方法。
背景技术
电力系统的负荷预测是电力系统调度优化运行不可缺少的一部分,可以帮助系统对可能会出现的问题提前进行处理准备。当前在电力系统负荷预测方面的研究已经非常深入,预测模型和预测方法也已经非常完善,具有很好的预测效果。但是对于综合能源领域的电负荷、热负荷的综合预测,现有方法还很难满足其精度需求。
目前常用的负荷预测方法包括传统方法和机器学习方法。传统预测方法主要有指数平滑法、趋势外推法、时间序列法和回归分析法等,这类型的预测方法只适用于在过去、现在和未来都很平稳的系统,无法应对随机出现的问题。机器学习的预测方法主要有支持向量机(SVM)、神经网络法、随机森林等方法,其中长短时记忆网络(LSTM)神经网络是近些年应用非常广泛的一种机器学习预测方法,基于其拓展的BiLSTM神经网络也得到非常广泛的应用。LSTM可以有效地解决陷入局部最优解和梯度爆炸等问题,而且其在时间序列的数据训练中表现更好。但是应用到综合能源领域的电负荷、热负荷和冷负荷的综合预测时,由于多元负荷的引入导致精确度下降,表现还有待提升。
发明内容
发明目的:针对以上问题,本发明提出一种基于长短时记忆网络的综合能源系统多元负荷预测方法,能够提高综合能源系统的负荷预测精度。
技术方案:本发明所采用的技术方案是一种基于长短时记忆网络的综合能源系统多元负荷预测方法,包括以下步骤:
步骤1,在综合能源系统的历史数据中,获得训练数据集;
步骤2,采用多层RBM网络模型作为综合能源系统多元负荷预测的特征提取模型,采用对比散度算法,使用步骤1获得的训练数据集对多层RBM网络模型进行逐层训练;使用训练好的多层RBM网络模型完成训练数据集的特征提取;
步骤3,采用LSTM网络模型作为综合能源系统多元负荷预测模型,使用步骤2获得的经特征提取后的训练数据集训练LSTM网络模型,利用训练好的LSTM网络模型计算负荷预测误差;
步骤4,采用LSTM网络模型作为综合能源系统多元负荷预测的误差补偿模型,对负荷预测误差数据进行处理,用处理后的负荷预测误差数据训练误差补偿模型;训练好的误差补偿模型输出负荷预测的误差补偿值,然后将负荷预测值与误差补偿值重构为负荷预测结果;
步骤5,建立模糊综合评价的因素集和评价集,采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。
步骤1中所述的历史气象数据包括温度、湿度、太阳辐射、气压和风速数据;步骤1还包括:对所述历史数据进行预处理,所述预处理是对归一化处理后的数据利用滑动窗口法将数据转化为时间序列特征的数据;步骤4中对负荷预测误差数据进行处理,是将预测时刻与其前k个时刻的多元负荷预测误差构成k+1维误差数据,结合天气信息和日类型信息共同构成误差补偿模型的训练数据;所述多元负荷预测误差包括电负荷预测误差、热负荷预测误差和冷负荷预测误差。
所述步骤2包括以下过程:
(2.1)多层RBM设为两层神经网络,第一层为可见层,第二层为隐藏层;确定每层多层RBM的可见层与隐藏层的神经元个数,可见层与隐藏层之间采用全连接方式,层内神经元无连接,神经元之间的连接为神经元之间的权值;
(2.2)无监督地训练每一层多层RBM网络,训练的目标函数为模型能量函数的值最小:
式中,E(v,h)表示RBM的能量函数,用于描述状态是否稳定,nv表示可见层神经元的个数,nh表示隐藏层神经元的个数,权重矩阵W=(wi,j)表示可见层神经元vi与隐藏层神经元hj之间的权值,ai表示可见层神经元vi的偏置,bj表示隐藏层神经元hj的偏置。
所述综合能源系统多元负荷预测模型的具体函数为:
ft=sigmoid(Wf·ht-1+Wf·xt+bf)it=sigmoid(Wi·ht-1+Wi·xt+bi)
ht=ot⊙tanh(Ct)
其中ft、it、ot分别表示神经元的遗忘门、输入门、输出门的输出信号;表示神经元候选状态信息;Ct表示神经元状态信息;ht表示神经元的隐状态;sigmoid()为S型激活函数;tanh()表示双曲正切激活函数;Wf、Wi、WC、Wo分别表示遗忘门、输入门、记忆单元和输出门的权重;bf、bi、bC、bo分别表示遗忘门、输入门、记忆单元和输出门的偏置量;xt表示神经元输入序列值;⊙表示逐点乘法运算。
基于LSTM结构的综合能源系统多元负荷预测模型,以及基于LSTM结构的误差补偿模型,均采用Adam优化算法对LSTM网络模型的网络参数进行优化。
所述的将负荷预测值与误差补偿值重构为负荷预测最终值,重构式为:
相应的,本发明提出一种基于长短时记忆网络的综合能源系统多元负荷预测装置,包括:
数据存储模块,用于存储综合能源系统的历史数据,
特征提取模块,用于对训练数据集进行特征提取并发送至负荷预测模块;所述特征提取模块采用多层RBM网络模型,采用对比散度算法,使用训练数据集对多层RBM网络模型进行逐层训练;
负荷预测模块,用于初步计算负荷预测值;计算负荷预测误差并发送至负荷预测误差补偿模块;以及将负荷预测值与误差补偿值重构为负荷预测结果;所述负荷预测模块采用LSTM网络模型,使用经特征提取后的训练数据集训练LSTM网络模型;
负荷预测误差补偿模块,用于计算误差补偿值并发送至负荷预测模块;所述负荷预测误差补偿模块采用LSTM网络模型,用处理后的负荷预测误差数据训练误差补偿模型;所述处理后的负荷预测误差数据,处理过程包括:将预测时刻与其前k个时刻的多元负荷预测误差构成k+1维误差数据,结合天气信息和日类型信息共同构成误差补偿模型的训练数据;
模型评价模块,所述模型评价模块是通过建立模糊综合评价的因素集和评价集,采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。
所述模型评价模块执行以下步骤:建立模糊综合评价的因素集和评价集;确定因素权向量和评价矩阵;对系统进行评价并确定系统总得分;
所述建立模糊综合评价的因素集和评价集,所述因素集为电负荷预测误差、热负荷预测误差和冷负荷预测误差组成的集合,所述评价集为评价结果组成的集合;
所述确定因素权向量和评价矩阵,包括:通过熵值法来确定因素权向量,通过将每个影响因素与每个评价建立隶属度关系,得到评价矩阵;所述隶属度通过隶属度函数确定,隶属度函数使用梯形型的模糊分布;
所述对系统进行评价并确定系统总得分,包括:计算模糊向量对系统进行评价,模糊向量中数值最大的项即为系统总得分:
B=A×R
其中,B表示模糊向量;A表示因素权向量;R表示评价矩阵。
本发明还提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于长短时记忆网络的综合能源系统多元负荷预测方法的步骤。
本发明还提出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上述的基于长短时记忆网络的综合能源系统多元负荷预测方法的步骤。
有益效果:相比于现有技术,本发明通过多层受限玻尔兹曼机(RBM)对样本数据进行特征提取,使用长短时记忆神经网络(LSTM)对负荷进行预测,并利用长短时记忆神经网络(LSTM)对预测误差进行补偿,以便预测结果更接近真实值。该方法有效地提高了综合能源系统多元负荷预测的准确率。
附图说明
图1是本发明所述的基于长短时记忆网络的综合能源系统多元负荷预测方法的流程图;
图2是本发明所述的RBM-LSTM算法流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示,为本发明所述的基于长短时记忆网络的综合能源系统多元负荷预测方法的流程图,包括以下步骤:
步骤1:获取负荷历史数据以及对应的日期类型信息和天气信息;对获取的信息进行归一化处理;对获取的电、热、冷的历史负荷数据进行序列化处理;将获取的数据集划分为训练集和测试集,其中80%作为训练集使用,20%作为测试集使用。训练集用来对模型进行训练,测试集用来对训练完的模型进行测试。
获取历史数据:首先获取综合能源系统地电负荷、热负荷、冷负荷的历史数据、气象历史数据和日期类型数据。其中气象数据包括温度、湿度、太阳辐射度和风速。日期类型数据用1和2区分工作日和休息日。收集的历史数据为综合能源系统中一年时间,采样间隔为15min的数据。
归一化处理为:将获取的历史数据利用min-max标准化公式进行归一化处理:
其中xni表示归一化后的数据,xi表示待归一化的数据,xmin表示待归一化数据的最小值,xmax表示待归一化数据的最大值。
序列化处理为:对得到的电、热、冷的历史负荷数据利用滑动窗口法将数据转化为时间序列特征的数据,将当前时间过去Y小时的历史数据作为模型的输入特征,滑动窗口法的宽度设置为Y小时,步长设置为1小时,逐步滑动所设置的窗口,将各个纪录时刻的历史数据由其前Y小时的特征共同表示。
图2为本发明误差补偿RBM-LSTM算法流程图,结合图2进一步说明:
步骤2:设计多层RBM网络结构,建立多层RBM特征提取模型;无监督地训练每一层多层RBM网络,得到输入数据特征提取模型。
建立特征提取模型,具体为:多层RBM是一个两层神经网络,第一层为可见层,第二层为隐藏层。确定每层多层RBM的可见层与隐藏层的神经元个数,可见层与隐藏层之间采用全连接方式,层内神经元无连接,神经元之间的连接为神经元之间的权值。确定网络的初始参数,其中权重矩阵W=(wi,j)表示可见层神经元vi与隐藏层神经元hj之间的权值,ai表示可见层神经元vi的偏置,bj表示隐藏层神经元hj的偏置。一层多层RBM网络的输出作为下一层多层RBM网络的输入,通过多层RBM实现对原始输入数据的特征进行提取。
对特征提取模型进行训练,具体为:多层RBM模型是一个基于能量的模型,训练的目的是使下式的能量函数的值最小:
其中,E(v,h)表示多层RBM网络的能量;nv表示可见层的神经元数目;ai为可见层神经元的偏置;vi表示可见层神经元的值;nh表示隐藏层的神经元数目;bj为隐藏层神经元的偏置;hj表示隐藏层神经元的值;wi,j为可见层神经元i与隐藏层神经元j之间的连接权值。
多层RBM网络的训练方法为对比散度算法,求解出各个神经元之间的权值与偏置的改变量以使能量函数值最小。采用对比散度对多层RBM网络进行逐层训练,将逐层训练好的多层RBM网络结合构成多层RBM神经网络,实现对输入特征数据的特征提取。
步骤3:设计LSTM网络结构,建立LSTM多元负荷预测模型;对设计的LSTM网络进行训练,得到负荷预测模型。
建立多元负荷预测模型,具体为:LSTM通过输入门、遗忘门和输出门来实现信息的保护和控制,其具体函数如下:
ft=sigmoid(Wf·ht-1+Wf·xt+bf) (3)
it=sigmoid(Wi·ht-1+Wi·xt+bi) (4)
ot=sigmoid(Wo·ht-1+Wo·xt+bo) (7)
ht=ot⊙tanh(Ct) (8)
其中ft、it、ot分别表示神经元的遗忘门、输入门、输出门的输出信号;表示神经元候选状态信息;Ct表示神经元状态信息;ht表示神经元的隐状态;sigmoid()为S型激活函数;tanh( )表示双曲正切激活函数;Wf、Wi、WC、Wo分别表示遗忘门、输入门、记忆单元和输出门的权重;bf、bi、bC、bo分别表示遗忘门、输入门、记忆单元和输出门的偏置量;xt表示神经元输入序列值;⊙表示逐点乘法运算。
得到多元负荷预测模型,具体为:训练损失函数设置为均方根误差(RMSE),设置迭代次数,选择Adam优化器优化网络中的参数;
步骤4:结合步骤3的负荷预测误差确定LSTM误差补偿模型的输入特征;建立LSTM误差补偿模型;对建立的误差补偿模型进行训练,得到误差补偿模型;将负荷预测值与误差补偿值重构为负荷预测最终值。
确定误差补偿模型的输入特征,具体为:将预测时刻与其前k个时刻的多元负荷预测误差构成k+1维误差数据,结合天气信息和日类型信息共同构成误差补偿模型的输入数据:
X(t)=[Ee(t),Eh(t),Ec(t),D,W(t)] (10)
Ee(t)=[ee(t-k),ee(t-k+1),..,ee(t)] (11)
Eh(t)=[eh(t-k),eh(t-k+1),...,eh(t)] (12)
Ec(t)=[ec(t-k),ec(t-k+1),...,ec(t)] (13)
W(t)=[wins(t),soli(t),hum(t),tem(t)] (14)
其中,X(t)表示误差补偿模型的输入数据;Ee(t)表示负荷预测模型的电负荷预测误差;Eh(t)表示负荷预测模型的热负荷预测误差;Ec(t)表示负荷预测模型的冷负荷预测误差;D表示日类型信息;W(t)表示气象数据信息;ee(t)表示t时刻的电负荷预测误差;eh(t)表示t时刻的热负荷预测误差;ec(t)表示t时刻的冷负荷预测误差;wins(t)表示t时刻的风速;soli(t)表示t时刻的辐射度;hum(t)表示t时刻的湿度;tem(t)表示t时刻的温度。
重构负荷预测最终值,具体为:利用所构建的误差补偿模型对多元负荷预测的误差进行预测,模型的输出数据为:
将式(8)所得的误差补偿量与步骤3所述的多元负荷预测模型所预测的复合值相加进行反归一化处理的值作为负荷预测的最终输出值:
步骤5:将多元负荷预测模型在测试数据上进行测试,采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。
建立模糊综合评价的因素集和评价集;确定因素权向量和评价矩阵;对系统进行评价并确定系统总得分。
建立模糊综合评价的因素集和评价集,具体为:将影响多元负荷预测模型评价的电负荷预测误差、热负荷预测误差和冷负荷预测误差组成一个集合定义为因素集,将评价结果为优秀、良好、中等和较差所组成的集合定义为评价集。
U=(u1,u2,u3) (17)
V=(v1,v2,v3,v4) (18)
其中U表示模糊综合评价法的因素集;u1表示电负荷误差;u2表示热负荷误差;u3表示冷负荷误差;V表示模糊综合评价法的评价集;v1表示优秀;v2表示良好;v3表示中等;v4表示较差;
确定因素权向量和评价矩阵,具体为:在评价过程中,各因素的重要程度有所不同,需要给各因素ui一个权重ai,各因素的权重组成权向量A。因素集U中的第i个元素ui对评价集中第j个元素vj的隶属度为rij,将每个影响因素与每个评价建立隶属度关系,可得到模糊综合评价矩阵R。
其中,各因素的权值可以通过熵值法来确定,隶属度可以通过隶属度函数来确定,隶属度函数使用梯形型的模糊分布来表示。
对系统进行评价并确定系统总得分,具体为:通过模糊变化将U上的模糊向量A变为V上的模糊向量B,模糊向量中数值最大的项即为系统的模糊综合评价得分。
B=A×R (19)
其中,B表示模糊向量;A表示权向量;R表示模糊综合评价矩阵。
实施例2
在一个实施例中,提供了一种基于长短时记忆网络的综合能源系统多元负荷预测装置,包括:
数据存储模块,用于存储综合能源系统的历史冷、热、电负荷数据、日类型信息及历史气象数据,
特征提取模块,用于对训练数据集进行特征提取并发送至负荷预测模块;所述特征提取模块采用多层RBM网络模型,采用对比散度算法,使用训练数据集对多层RBM网络模型进行逐层训练;
负荷预测模块,用于初步计算负荷预测值;计算负荷预测误差并发送至负荷预测误差补偿模块;以及将负荷预测值与误差补偿值重构为负荷预测结果;所述负荷预测模块采用LSTM网络模型,使用经特征提取后的训练数据集训练LSTM网络模型;
负荷预测误差补偿模块,用于计算误差补偿值并发送至负荷预测模块;所述负荷预测误差补偿模块采用LSTM网络模型,用处理后的负荷预测误差数据训练误差补偿模型;
模型评价模块,所述模型评价模块是通过建立模糊综合评价的因素集和评价集,采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。
实施例3
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的基于长短时记忆网络的综合能源系统多元负荷预测方法的步骤。
实施例4
在一个实施例中,提供了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上述的基于长短时记忆网络的综合能源系统多元负荷预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种基于长短时记忆网络的综合能源系统多元负荷预测方法,其特征在于,包括以下步骤:
步骤1,在综合能源系统的历史数据中,获得训练数据集;
步骤2,采用多层RBM网络模型作为综合能源系统多元负荷预测的特征提取模型,采用对比散度算法,使用所述训练数据集对多层RBM网络模型进行逐层训练;使用训练好的多层RBM网络模型完成训练数据集的特征提取;
步骤3,采用LSTM网络模型作为综合能源系统多元负荷预测模型,使用获得的经特征提取后的训练数据集训练LSTM网络模型,利用训练好的LSTM网络模型计算负荷预测误差;
步骤4,采用LSTM网络模型作为综合能源系统多元负荷预测的误差补偿模型,对负荷预测误差数据进行处理,用处理后的负荷预测误差数据训练误差补偿模型;训练好的误差补偿模型输出负荷预测的误差补偿值,将负荷预测值与误差补偿值重构为负荷预测结果;
步骤5,建立模糊综合评价的因素集和评价集,采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。
2.根据权利要求1所述的基于长短时记忆网络的综合能源系统多元负荷预测方法,其特征在于:步骤1中所述历史数据包括:气象数据包括温度、湿度、太阳辐射、气压和风速数据;步骤1还包括:对所述历史数据进行预处理,所述预处理是对归一化处理后的数据利用滑动窗口法将数据转化为时间序列特征的数据;步骤4中对负荷预测误差数据进行处理,是将预测时刻与其前k个时刻的多元负荷预测误差构成k+1维误差数据,结合天气信息和日类型信息共同构成误差补偿模型的训练数据;所述多元负荷预测误差包括电负荷预测误差、热负荷预测误差和冷负荷预测误差。
3.根据权利要求1所述的基于长短时记忆网络的综合能源系统多元负荷预测方法,其特征在于:所述步骤2包括以下过程:
(2.1)多层RBM设为两层神经网络,第一层为可见层,第二层为隐藏层;确定每层多层RBM的可见层与隐藏层的神经元个数,可见层与隐藏层之间采用全连接方式,层内神经元无连接,神经元之间的连接为神经元之间的权值;
(2.2)无监督地训练每一层多层RBM网络,训练的目标函数为模型能量函数的值最小:
式中,E(v,h)表示RBM的能量函数,用于描述状态是否稳定,nv表示可见层神经元的个数,nh表示隐藏层神经元的个数,权重矩阵W=(wi,j)表示可见层神经元vi与隐藏层神经元hj之间的权值,ai表示可见层神经元vi的偏置,bj表示隐藏层神经元hj的偏置。
4.根据权利要求1所述的基于长短时记忆网络的综合能源系统多元负荷预测方法,其特征在于:所述综合能源系统多元负荷预测模型的具体函数为:
ft=sigmoid(Wf·ht-1+Wf·xt+bf)it=sigmoid(Wi·ht-1+Wi·xt+bi)
ht=ot⊙tanh(Ct)
5.根据权利要求1所述的基于长短时记忆网络的综合能源系统多元负荷预测方法,其特征在于:基于LSTM结构的综合能源系统多元负荷预测模型,以及基于LSTM结构的误差补偿模型,均采用Adam优化算法对LSTM网络模型的网络参数进行优化。
7.一种基于长短时记忆网络的综合能源系统多元负荷预测装置,其特征在于,包括:
数据存储模块,用于存储综合能源系统的历史数据;
特征提取模块,用于对训练数据集进行特征提取并发送至负荷预测模块;所述特征提取模块采用多层RBM网络模型,采用对比散度算法,使用训练数据集对多层RBM网络模型进行逐层训练;
负荷预测模块,用于初步计算负荷预测值;计算负荷预测误差并发送至负荷预测误差补偿模块;以及将负荷预测值与误差补偿值重构为负荷预测结果;所述负荷预测模块采用LSTM网络模型,使用经特征提取后的训练数据集训练LSTM网络模型;
负荷预测误差补偿模块,用于计算误差补偿值并发送至负荷预测模块;所述负荷预测误差补偿模块采用LSTM网络模型,用处理后的负荷预测误差数据训练误差补偿模型;
模型评价模块,所述模型评价模块是通过建立模糊综合评价的因素集和评价集,采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。
8.根据权利要求7所述的基于长短时记忆网络的综合能源系统多元负荷预测装置,其特征在于,所述处理后的负荷预测误差数据,处理过程包括:将预测时刻与其前k个时刻的多元负荷预测误差构成k+1维误差数据,结合天气信息和日类型信息共同构成误差补偿模型的训练数据;
所述模型评价模块执行以下步骤:建立模糊综合评价的因素集和评价集;确定因素权向量和评价矩阵;对系统进行评价并确定系统总得分;
所述建立模糊综合评价的因素集和评价集,所述因素集为电负荷预测误差、热负荷预测误差和冷负荷预测误差组成的集合,所述评价集为评价结果组成的集合;
所述确定因素权向量和评价矩阵,包括:通过熵值法来确定因素权向量,通过将每个影响因素与每个评价建立隶属度关系,得到评价矩阵;所述隶属度通过隶属度函数确定,隶属度函数使用梯形型的模糊分布;
所述对系统进行评价并确定系统总得分,包括:计算模糊向量对系统进行评价,模糊向量中数值最大的项即为系统总得分:
B=A×R
其中,B表示模糊向量;A表示权向量;R表示评价矩阵。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的基于长短时记忆网络的综合能源系统多元负荷预测方法的步骤。
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权利要求1至6中任一项所述的基于长短时记忆网络的综合能源系统多元负荷预测的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154773.6A CN115456287A (zh) | 2022-09-21 | 2022-09-21 | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154773.6A CN115456287A (zh) | 2022-09-21 | 2022-09-21 | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456287A true CN115456287A (zh) | 2022-12-09 |
Family
ID=84306728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211154773.6A Pending CN115456287A (zh) | 2022-09-21 | 2022-09-21 | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456287A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117335439A (zh) * | 2023-11-30 | 2024-01-02 | 国网浙江省电力有限公司 | 一种多元负荷资源联合调度方法及系统 |
CN117852762A (zh) * | 2024-01-08 | 2024-04-09 | 山东大学 | 一种综合能源系统多能流计算分析方法及系统 |
CN118014118A (zh) * | 2023-12-29 | 2024-05-10 | 南京东博智慧能源研究院有限公司 | 综合能源系统的负荷预测模型训练方法及负荷预测方法 |
-
2022
- 2022-09-21 CN CN202211154773.6A patent/CN115456287A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117335439A (zh) * | 2023-11-30 | 2024-01-02 | 国网浙江省电力有限公司 | 一种多元负荷资源联合调度方法及系统 |
CN117335439B (zh) * | 2023-11-30 | 2024-02-27 | 国网浙江省电力有限公司 | 一种多元负荷资源联合调度方法及系统 |
CN118014118A (zh) * | 2023-12-29 | 2024-05-10 | 南京东博智慧能源研究院有限公司 | 综合能源系统的负荷预测模型训练方法及负荷预测方法 |
CN117852762A (zh) * | 2024-01-08 | 2024-04-09 | 山东大学 | 一种综合能源系统多能流计算分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN115456287A (zh) | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN112115648B (zh) | 一种基于改进深度学习方法的变压器顶层油温预测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN113095598A (zh) | 一种多能负荷预测方法、系统、设备和介质 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN112232575A (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
CN113177666A (zh) | 一种基于非侵入式注意力预处理过程与BiLSTM模型的预测方法 | |
CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
CN115374908A (zh) | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 | |
CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及系统 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN114580262A (zh) | 一种锂离子电池健康状态估计方法 |
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 |