CN116167524A - 一种考虑电-氢-热耦合的多元负荷协同预测方法及系统 - Google Patents
一种考虑电-氢-热耦合的多元负荷协同预测方法及系统 Download PDFInfo
- Publication number
- CN116167524A CN116167524A CN202310227026.9A CN202310227026A CN116167524A CN 116167524 A CN116167524 A CN 116167524A CN 202310227026 A CN202310227026 A CN 202310227026A CN 116167524 A CN116167524 A CN 116167524A
- Authority
- CN
- China
- Prior art keywords
- load
- hydrogen
- coupling
- electric
- thermal
- 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
- 238000010168 coupling process Methods 0.000 title claims abstract description 155
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 155
- 230000008878 coupling Effects 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 45
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 101
- 239000001257 hydrogen Substances 0.000 claims abstract description 101
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 72
- 238000010276 construction Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000003993 interaction Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 239000000446 fuel Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000005251 gamma ray Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000002918 waste heat Substances 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 2
- 230000005611 electricity Effects 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 5
- 230000001808 coupling effect Effects 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑电‑氢‑热耦合的多元负荷协同预测方法及系统。现有技术仅考虑单一类型的电、热负荷需求的预测,未考虑多元负荷需求之间的耦合关系;同时预测对象多为电、热,缺少对氢负荷需求预测的研究。本发明的多元负荷协同预测方法,包括电‑热‑氢耦合系统的框架构建、多元负荷耦合度计算模型构建和基于LSSVM的多元负荷短期预测模型构建;本发明的多元负荷协同预测系统,包括电‑热‑氢耦合系统的框架构建单元、多元负荷耦合度计算模型构建单元和基于LSSVM的多元负荷短期预测模型构建单元。本发明考虑电‑热‑氢多元负荷的耦合性,实现了电‑热‑氢耦合系统的负荷预测。
Description
技术领域
本发明属于负荷预测技术领域,具体地说是一种考虑电-氢-热耦合的多元负荷协同预测方法及系统。
背景技术
电-热-氢耦合系统可实现一定区域内不同能源的耦合互补,能够满足多元负荷需求并提高能源的利用效率。利用能源间的互补性及可替代性,电-热-氢耦合系统实现了供给侧设备的耦合。能源替代政策及多元负荷之间的相互影响,又使得负荷之间存在一定的耦合关系。
近年来,针对单一类型的电、热负荷需求预测的研究工作众多,但是,一方面,单一类型的负荷预测模型难以反映多元负荷之间的耦合关系,建立多元负荷预测模型的重要性及必要性逐渐凸显。另一方面,目前工作多围绕电、热负荷需求的预测,但是氢负荷需求预测鲜有涉及。
发明内容
针对现有技术仅考虑单一类型的电、热负荷需求的预测,未考虑多元负荷需求之间的耦合关系;同时预测对象多为电、热,缺少对氢负荷需求预测的研究,本发明提供一种考虑电-氢-热耦合的多元负荷协同预测方法及系统,其考虑电-热-氢多元负荷的耦合性,以实现电-热-氢耦合系统的负荷预测。
为此,本发明采用的一种技术方案如下:一种考虑电-氢-热耦合的多元负荷协同预测方法,其包括电-热-氢耦合系统的框架构建、多元负荷耦合度计算模型构建和基于LSSVM的多元负荷短期预测模型构建。
现有技术在对负荷需求进行预测时,仅考虑了温度、湿度等传统因素,未考虑多元负荷需求之间的耦合关系,但是由于电转热、电转氢、氢转电等方式的存在,各类负荷之间可以互相转化,所以负荷之间的耦合度会影响负荷需求预测结果。本发明在原有技术的基础上,提出考虑电、热、氢耦合度进行预测。
在双碳背景下,随着电氢耦合系统的发展,系统中除了传统的电负荷、热负荷耦合外,逐步发展成了电负荷-热负荷-氢负荷的耦合。现有技术缺少对电氢负荷需求预测研究,本发明则拓展技术对象从电、热到电、热、氢。
进一步地,所述的电-氢-热耦合系统从能源生产到消费包括源端、转化存储端与荷端;其中源端包含风力发电与光伏发电;转化存储端包含蓄电池、电转热设备、电解槽、储氢罐和氢燃料电池;荷端包含电负荷、热负荷与氢负荷三种负荷类型;在耦合系统内部又包括电能系统、热能系统和氢能系统;在电能系统中,电能可通过电解槽转化为氢能满足氢负荷需求,电能还可通过电转热设备满足热负荷需求;在氢能系统中氢燃料电池可将氢能转化为电能,在热能系统中氢燃料电池与电解槽的余热可满足热负荷。
进一步地,所述多元负荷耦合度计算模型构建的过程如下:
1)计算负荷变化综合指数
2)构建多元负荷耦合度计算模型,根据负荷变化综合指数得到负荷耦合度。
更进一步地,负荷变化综合指数的计算步骤如下:
首先,对电负荷、热负荷和氢负荷需求进行标准化处理,具体如式(1)所示:
式中:s∈{E,Hy,He},E、Hy、He分别指电负荷、氢负荷与热负荷;Ls(t)为第s类负荷第t天的实际负荷需求,为第s类负荷第t天的标准化负荷需求;μs为第s类负荷均值;σs为第s类负荷标准差;T为采集数据天数;
然后,计算各类负荷在电-热-氢耦合系统中的负荷比重,具体如式(2)所示:
式中:θs(t)为第s类负荷占系统比重;
最后,计算负荷变化综合指数,具体如式(3)所示:
式中:γs为第s类负荷的变化综合指数;w(t)为第t天负荷权重;e(t)为第t天负荷熵值。
更进一步地,根据负荷变化综合指数得到负荷耦合度,具体如式(4)所示:
式中:分别为电-氢、电-热、热-氢负荷在分析范围内耦合度值,取值范围为[0,1];当耦合度ρ趋于1时,耦合度最高,表面负荷间存在较强的耦合关系;当耦合度ρ趋于0时,耦合度非常低,说明三种负荷之间并无相互作用;当0≤ρ<0.5,负荷耦合状态较低,各负荷之间没有强烈的相互作用,耦合关系可不计;当0.5<ρ≤1时,负荷之间耦合程度较大,相互作用联系较强。
进一步地,基于LSSVM的多元负荷短期预测模型的构建过程如下:
首先,构造决策函数:根据采集到的温度、湿度、计算得到的负荷耦合度以及历史典型日的电负荷需求、热负荷需求与氢负荷需求形成样本集D=(xi,yi),其中i为时刻;xi为i时刻的影响因素样本;yi为i时刻的历史负荷需求样本;xi∈Rn为输入矢量,包括历史典型日的温度、湿度、计算得到的负荷耦合度、历史典型日的电负荷需求、热负荷需求与氢负荷需求、预测日的温度、湿度;yi∈R为输出矢量,为预测日的电负荷需求、热负荷需求与氢负荷需求;据此,构造决策函数具体如式(5)所示:
f(x)=ωψ(x)+d (5)
式中:ψ(x)为xi∈X∈Rn的非线性高维映射;ω为权值;d为偏置值;
然后,构建风险函数:风险函数具体如式(6)所示:
对负荷预测优化问题进行分解与表征,具体如式(7)所示:
式中:ωT为权值的转置;ωi为时刻i的权值;
最后,求解决策函数:采用RBF函数为核函数,具体如式(8)所示:
式中:K(xi,yj)为核函数;δ为核函数的参数;
基于核函数求解决策函数如式(9)所示:
本发明采用的另一种技术方案为:一种考虑电-氢-热耦合的多元负荷协同预测系统,其包括电-热-氢耦合系统的框架构建单元、多元负荷耦合度计算模型构建单元和基于LSSVM的多元负荷短期预测模型构建单元。
本发明具有的有益效果如下:除了考虑温度、湿度等传统影响负荷需求的因素外,本发明提出电-热、热-氢、电-氢的耦合度来表征多元负荷之间的耦合关系,通过充分考虑电、热、氢耦合关系来提高电-热-氢负荷需求预测精度;同时,拓展技术对象从电、热到电、热、氢,用以解决缺少对氢负荷需求预测研究的问题。
附图说明
图1为本发明电-氢-热耦合系统的框架图;
图2为本发明多元负荷协同预测方法的流程图;
图3为本发明多元负荷耦合度图;
图4为本发明电负荷预测值与实际值的对比图;
图5为本发明热负荷预测值与实际值的对比图;
图6为本发明氢负荷预测值与实际值的对比图。
具体实施方式
以下将结合说明书附图给出本发明实施例,并通过实施例对本发明的技术方案进行进一步的阐述与详细的说明。下述的实施例仅仅是本发明的一部分实施例。
实施例1
本实施例为一种考虑电-氢-热耦合的多元负荷协同预测方法,其包括电-热-氢耦合系统的框架构建、多元负荷耦合度计算模型构建和基于LSSVM的多元负荷短期预测模型构建;该方法的流程如图2所示,内容如下:输入历史负荷信息、气象信息;标准化处理输入信息;计算多元负荷之间的耦合度;设定核函数参数与正则化参数;利用进行负荷预测,如预测结果符合目标误差,结束预测;如预测结果不符合目标误差,则返回至“设定核函数参数与正则化参数”,继续预测。
如图1所示,所述的电-氢-热耦合系统从能源生产到消费包括源端、转化存储端与荷端;其中源端包含风力发电与光伏发电;转化存储端包含蓄电池、电转热设备、电解槽、储氢罐和氢燃料电池;荷端包含电负荷、热负荷与氢负荷三种负荷类型;在耦合系统内部又包括电能系统、热能系统和氢能系统;在电能系统中,电能可通过电解槽转化为氢能满足氢负荷需求,电能还可通过电转热设备满足热负荷需求;在氢能系统中氢燃料电池可将氢能转化为电能,在热能系统中氢燃料电池与电解槽的余热可满足热负荷。所以其中一类负荷需求变化会对其他负荷需求产生影响。
所述多元负荷耦合度计算模型构建的过程如下:
1)计算负荷变化综合指数
2)构建多元负荷耦合度计算模型,根据负荷变化综合指数得到负荷耦合度。
负荷变化综合指数的计算步骤如下:c
首先,对电负荷、热负荷和氢负荷需求进行标准化处理,具体如式(1)所示:
式中:s∈{E,Hy,He},E、Hy、He分别指电负荷、氢负荷与热负荷;Ls(t)为第s类负荷第t天的实际负荷需求,为第s类负荷第t天的标准化负荷需求;μs为第s类负荷均值;σs为第s类负荷标准差;T为采集数据天数;
然后,计算各类负荷在电-热-氢耦合系统中的负荷比重,具体如式(2)所示:
式中:θs(t)为第s类负荷占系统比重;
最后,计算负荷变化综合指数,具体如式(3)所示:
式中:γs为第s类负荷的变化综合指数;w(t)为第t天负荷权重;e(t)为第t天负荷熵值。
根据负荷变化综合指数得到负荷耦合度,具体如式(4)所示:
式中:分别为电-氢、电-热、热-氢负荷在分析范围内耦合度值,取值范围为[0,1];当耦合度ρ趋于1时,耦合度最高,表面负荷间存在较强的耦合关系;当耦合度ρ趋于0时,耦合度非常低,说明三种负荷之间并无相互作用;当0≤ρ<0.5,负荷耦合状态较低,各负荷之间没有强烈的相互作用,耦合关系可不计;当0.5<ρ≤1时,负荷之间耦合程度较大,相互作用联系较强。在建立多元负荷预测模型时,应充分考虑到负荷的相互作用,以提高预测精度。
基于LSSVM的多元负荷短期预测模型的构建过程如下:
最小二乘支持向量机(Least Squares SupportVector Machine,LSSVM)是一种支持向量机在二次概率损失函数下的一种计算模型,可以通过求解线性模型来帮助求解优化的问题。
首先,构造决策函数:根据采集到的温度、湿度、计算得到的负荷耦合度以及历史典型日的电负荷需求、热负荷需求与氢负荷需求形成样本集D=(xi,yi),其中i为时刻;xi为i时刻的影响因素样本;yi为i时刻的历史负荷需求样本;xi∈Rn为输入矢量,包括历史典型日的温度、湿度、计算得到的负荷耦合度、历史典型日的电负荷需求、热负荷需求与氢负荷需求、预测日的温度、湿度;yi∈R为输出矢量,为预测日的电负荷需求、热负荷需求与氢负荷需求;据此,构造决策函数具体如式(5)所示:
f(x)=ωψ(x)+d (5)
式中:ψ(x)为xi∈X∈Rn的非线性高维映射;ω为权值;d为偏置值;
然后,构建风险函数:风险函数具体如式(6)所示:
对负荷预测优化问题进行分解与表征,具体如式(7)所示:
式中:ωT为权值的转置;ωi为时刻i的权值;
最后,求解决策函数。核函数本身即为映射关系的内机,在LSSVM模型中,RBF核函数的适应性表现为设置参数的数量少。因此,本发明采用RBF函数为核函数,具体如式(8)所示:
式中:K(xi,yj)为核函数;δ为核函数的参数;
基于核函数求解决策函数如式(9)所示:
采用上述方法进行如下应用:首先,选取北方某一电氢耦合系统为实施对象,选取该系统6月1日至9月30日的电负荷、热负荷、氢负荷作为原始预测样本。然后,得到电负荷、热负荷、氢负荷之间的耦合度如附图3所示,可看出电负荷与热负荷、热负荷与氢负荷、电负荷与氢负荷之间的耦合度均大于0.5,说明相关性较强。最后,将耦合度以及其他温度等因素作为输入数据进行输入,得到各类负荷预测结果与实际结果如附图4-附图6所示,计算出电负荷、热负荷与氢负荷的预测偏差率分别为2.3147%、2.5269%、2.2202%;偏差率均不超过5%,说明预测结果有效。
实施例2
本实施例为一种考虑电-氢-热耦合的多元负荷协同预测系统,其包括电-热-氢耦合系统的框架构建单元、多元负荷耦合度计算模型构建单元和基于LSSVM的多元负荷短期预测模型构建单元。
所述多元负荷耦合度计算模型构建单元包括负荷变化综合指数计算子单元和负荷耦合度计算子单元,通过负荷变化综合指数计算子单元得到负荷变化综合指数,根据负荷变化综合指数通过负荷耦合度计算子单元得到负荷耦合度。
通过负荷变化综合指数计算子单元得到负荷变化综合指数的步骤如下:
首先,对电负荷、热负荷和氢负荷需求进行标准化处理,具体如式(1)所示:
式中:s∈{E,Hy,He},E、Hy、He分别指电负荷、氢负荷与热负荷;Ls(t)为第s类负荷第t天的实际负荷需求,为第s类负荷第t天的标准化负荷需求;μs为第s类负荷均值;σs为第s类负荷标准差;T为采集数据天数;
然后,计算各类负荷在电-热-氢耦合系统中的负荷比重,具体如式(2)所示:
式中:θs(t)为第s类负荷占系统比重;
最后,计算负荷变化综合指数,具体如式(3)所示:
式中:γs为第s类负荷的变化综合指数;w(t)为第t天负荷权重;e(t)为第t天负荷熵值;
根据负荷变化综合指数通过负荷耦合度计算子单元得到负荷耦合度,具体如式(4)所示:
式中:分别为电-氢、电-热、热-氢负荷在分析范围内耦合度值,取值范围为[0,1];当耦合度ρ趋于1时,耦合度最高,表面负荷间存在较强的耦合关系;当耦合度ρ趋于0时,耦合度非常低,说明三种负荷之间并无相互作用;当0≤ρ<0.5,负荷耦合状态较低,各负荷之间没有强烈的相互作用,耦合关系可不计;当0.5<ρ≤1时,负荷之间耦合程度较大,相互作用联系较强。
基于LSSVM的多元负荷短期预测模型构建单元的构建步骤如下:
首先,构造决策函数:根据采集到的温度、湿度、计算得到的负荷耦合度以及历史典型日的电负荷需求、热负荷需求与氢负荷需求形成样本集D=(xi,yi),其中i为时刻;xi为i时刻的影响因素样本;yi为i时刻的历史负荷需求样本;xi∈Rn为输入矢量,包括历史典型日的温度、湿度、计算得到的负荷耦合度、历史典型日的电负荷需求、热负荷需求与氢负荷需求、预测日的温度、湿度;yi∈R为输出矢量,为预测日的电负荷需求、热负荷需求与氢负荷需求;据此,构造决策函数具体如式(5)所示:
f(x)=ωψ(x)+d (5)
式中:ψ(x)为xi∈X∈Rn的非线性高维映射;ω为权值;d为偏置值;
然后,构建风险函数:风险函数具体如式(6)所示:
对负荷预测优化问题进行分解与表征,具体如式(7)所示:
式中:ωT为权值的转置;ωi为时刻i的权值;
最后,求解决策函数:采用RBF函数为核函数,具体如式(8)所示:
式中:K(xi,yj)为核函数;δ为核函数的参数;
基于核函数求解决策函数如式(9)所示:
基于本发明内容,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
Claims (10)
1.一种考虑电-氢-热耦合的多元负荷协同预测方法,其特征在于,包括电-热-氢耦合系统的框架构建、多元负荷耦合度计算模型构建和基于LSSVM的多元负荷短期预测模型构建。
2.根据权利要求1所述的一种考虑电-氢-热耦合的多元负荷协同预测方法,其特征在于,
所述的电-氢-热耦合系统从能源生产到消费包括源端、转化存储端与荷端;其中源端包含风力发电与光伏发电;转化存储端包含蓄电池、电转热设备、电解槽、储氢罐和氢燃料电池;荷端包含电负荷、热负荷与氢负荷三种负荷类型;在耦合系统内部又包括电能系统、热能系统和氢能系统;在电能系统中,电能可通过电解槽转化为氢能满足氢负荷需求,电能还可通过电转热设备满足热负荷需求;在氢能系统中氢燃料电池可将氢能转化为电能,在热能系统中氢燃料电池与电解槽的余热可满足热负荷。
3.根据权利要求1所述的一种考虑电-氢-热耦合的多元负荷协同预测方法,其特征在于,所述多元负荷耦合度计算模型构建的过程如下:
1)计算负荷变化综合指数
2)构建多元负荷耦合度计算模型,根据负荷变化综合指数得到负荷耦合度。
4.根据权利要求3所述的一种考虑电-氢-热耦合的多元负荷协同预测方法,其特征在于,负荷变化综合指数的计算步骤如下:
首先,对电负荷、热负荷和氢负荷需求进行标准化处理,具体如式(1)所示:
式中:s∈{E,Hy,He},E、Hy、He分别指电负荷、氢负荷与热负荷;Ls(t)为第s类负荷第t天的实际负荷需求,为第s类负荷第t天的标准化负荷需求;μs为第s类负荷均值;σs为第s类负荷标准差;T为采集数据天数;
然后,计算各类负荷在电-热-氢耦合系统中的负荷比重,具体如式(2)所示:
式中:θs(t)为第s类负荷占系统比重;
最后,计算负荷变化综合指数,具体如式(3)所示:
式中:γs为第s类负荷的变化综合指数;w(t)为第t天负荷权重;e(t)为第t天负荷熵值。
6.根据权利要求3所述的一种考虑电-氢-热耦合的多元负荷协同预测方法,其特征在于,基于LSSVM的多元负荷短期预测模型的构建过程如下:
首先,构造决策函数:根据采集到的温度、湿度、计算得到的负荷耦合度以及历史典型日的电负荷需求、热负荷需求与氢负荷需求形成样本集D=(xi,yi),其中i为时刻;xi为i时刻的影响因素样本;yi为i时刻的历史负荷需求样本;xi∈Rn为输入矢量,包括历史典型日的温度、湿度、计算得到的负荷耦合度、历史典型日的电负荷需求、热负荷需求与氢负荷需求、预测日的温度、湿度;yi∈R为输出矢量,为预测日的电负荷需求、热负荷需求与氢负荷需求;据此,构造决策函数具体如式(5)所示:
f(x)=ωψ(x)+d (5)
式中:ψ(x)为xi∈X∈Rn的非线性高维映射;ω为权值;d为偏置值;
然后,构建风险函数:风险函数具体如式(6)所示:
对负荷预测优化问题进行分解与表征,具体如式(7)所示:
式中:ωT为权值的转置;ωi为时刻i的权值;
最后,求解决策函数:采用RBF函数为核函数,具体如式(8)所示:
式中:K(xi,yj)为核函数;δ为核函数的参数;
基于核函数求解决策函数如式(9)所示:
7.一种考虑电-氢-热耦合的多元负荷协同预测系统,其特征在于,包括电-热-氢耦合系统的框架构建单元、多元负荷耦合度计算模型构建单元和基于LSSVM的多元负荷短期预测模型构建单元。
8.根据权利要求7所述的一种考虑电-氢-热耦合的多元负荷协同预测系统,其特征在于,所述多元负荷耦合度计算模型构建单元包括负荷变化综合指数计算子单元和负荷耦合度计算子单元,通过负荷变化综合指数计算子单元得到负荷变化综合指数,根据负荷变化综合指数通过负荷耦合度计算子单元得到负荷耦合度。
9.根据权利要求8所述的一种考虑电-氢-热耦合的多元负荷协同预测系统,其特征在于,通过负荷变化综合指数计算子单元得到负荷变化综合指数的步骤如下:
首先,对电负荷、热负荷和氢负荷需求进行标准化处理,具体如式(1)所示:
式中:s∈{E,Hy,He},E、Hy、He分别指电负荷、氢负荷与热负荷;Ls(t)为第s类负荷第t天的实际负荷需求,为第s类负荷第t天的标准化负荷需求;μs为第s类负荷均值;σs为第s类负荷标准差;T为采集数据天数;
然后,计算各类负荷在电-热-氢耦合系统中的负荷比重,具体如式(2)所示:
式中:θs(t)为第s类负荷占系统比重;
最后,计算负荷变化综合指数,具体如式(3)所示:
式中:γs为第s类负荷的变化综合指数;w(t)为第t天负荷权重;e(t)为第t天负荷熵值;
根据负荷变化综合指数通过负荷耦合度计算子单元得到负荷耦合度,具体如式(4)所示:
10.根据权利要求7所述的一种考虑电-氢-热耦合的多元负荷协同预测系统,其特征在于,基于LSSVM的多元负荷短期预测模型构建单元的构建步骤如下:
首先,构造决策函数:根据采集到的温度、湿度、计算得到的负荷耦合度以及历史典型日的电负荷需求、热负荷需求与氢负荷需求形成样本集D=(xi,yi),其中i为时刻;xi为i时刻的影响因素样本;yi为i时刻的历史负荷需求样本;xi∈Rn为输入矢量,包括历史典型日的温度、湿度、计算得到的负荷耦合度、历史典型日的电负荷需求、热负荷需求与氢负荷需求、预测日的温度、湿度;yi∈R为输出矢量,为预测日的电负荷需求、热负荷需求与氢负荷需求;据此,构造决策函数具体如式(5)所示:
f(x)=ωψ(x)+d (5)
式中:ψ(x)为xi∈X∈Rn的非线性高维映射;ω为权值;d为偏置值;
然后,构建风险函数:风险函数具体如式(6)所示:
对负荷预测优化问题进行分解与表征,具体如式(7)所示:
式中:ωT为权值的转置;ωi为时刻i的权值;
最后,求解决策函数:采用RBF函数为核函数,具体如式(8)所示:
式中:K(xi,yj)为核函数;δ为核函数的参数;
基于核函数求解决策函数如式(9)所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310227026.9A CN116167524A (zh) | 2023-03-06 | 2023-03-06 | 一种考虑电-氢-热耦合的多元负荷协同预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310227026.9A CN116167524A (zh) | 2023-03-06 | 2023-03-06 | 一种考虑电-氢-热耦合的多元负荷协同预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167524A true CN116167524A (zh) | 2023-05-26 |
Family
ID=86418335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310227026.9A Pending CN116167524A (zh) | 2023-03-06 | 2023-03-06 | 一种考虑电-氢-热耦合的多元负荷协同预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167524A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116646993A (zh) * | 2023-07-27 | 2023-08-25 | 国网能源研究院有限公司 | 电氢耦合系统协同程度测算方法、系统、装置及存储介质 |
-
2023
- 2023-03-06 CN CN202310227026.9A patent/CN116167524A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116646993A (zh) * | 2023-07-27 | 2023-08-25 | 国网能源研究院有限公司 | 电氢耦合系统协同程度测算方法、系统、装置及存储介质 |
CN116646993B (zh) * | 2023-07-27 | 2023-10-03 | 国网能源研究院有限公司 | 电氢耦合系统协同程度测算方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khalilnejad et al. | Multi-level optimization approach for directly coupled photovoltaic-electrolyser system | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
Yongsheng et al. | A short‐term power output forecasting model based on correlation analysis and ELM‐LSTM for distributed PV system | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN116167524A (zh) | 一种考虑电-氢-热耦合的多元负荷协同预测方法及系统 | |
CN116090359B (zh) | 一种基于组合预测模型的综合能源系统多元负荷预测方法 | |
CN116418001A (zh) | 应对新能源不确定性的水库群多能互补调度方法与系统 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Li et al. | A Comprehensive Review on Energy Storage System Optimal Planning and Benefit Evaluation Methods in Smart Grids | |
Chen et al. | Intelligent energy management of low carbon hybrid energy system with solid oxide fuel cell and accurate battery model | |
CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
Kader et al. | Active power control strategy for wind farms based on power prediction errors distribution considering regional data | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
CN112686443A (zh) | 一种基于人工智能的光伏发电预测方法 | |
Huu et al. | Deep Learning-Based Real-Time Solar Irradiation Monitoring and Forecasting Application for PV System | |
Trong et al. | Deterministic and probabilistic wind speed forecasting employing a hybrid deep learning model and quantile regression | |
Hamberg | Photovoltaic System Performance Forecasting Using LSTM Neural Networks | |
CN117060491B (zh) | 风光混合储能系统的运行优化方法、系统、介质及设备 | |
NHLEKO et al. | Modelling and factoring critical system components of PV-MFC systems for improved and efficient energy generation and treatment of municipal effluent at the east coastal region (s) of South Africa: case study uMhlathuze municipality | |
Bhattacharjee et al. | Use of'Intelligent Control'and'Optimization'in Micro-grid System | |
Xingyou et al. | The Utility Analysis of LHSS Combined SMES System Considering Capacity Configuration | |
Liang et al. | Short-term Day-to-day Maximum Load Forecasting based on Data Mining and Deep Learning | |
Mutombo | Development of neuro-fuzzy strategies for prediction and management of hybrid PV-PEMFC-battery systems. | |
Xu et al. | Layered power scheduling optimization of PV hydrogen production system considering performance attenuation of PEMEL |
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 |