CN116187601A - 一种基于负荷预测的综合能源系统运行优化方法 - Google Patents

一种基于负荷预测的综合能源系统运行优化方法 Download PDF

Info

Publication number
CN116187601A
CN116187601A CN202310488280.4A CN202310488280A CN116187601A CN 116187601 A CN116187601 A CN 116187601A CN 202310488280 A CN202310488280 A CN 202310488280A CN 116187601 A CN116187601 A CN 116187601A
Authority
CN
China
Prior art keywords
data
energy system
prediction
historical
comprehensive
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
CN202310488280.4A
Other languages
English (en)
Other versions
CN116187601B (zh
Inventor
易泽川
姚弈枫
刘良旭
韩伟刚
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.)
North China University of Science and Technology
Original Assignee
North China University of Science and Technology
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 North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN202310488280.4A priority Critical patent/CN116187601B/zh
Publication of CN116187601A publication Critical patent/CN116187601A/zh
Application granted granted Critical
Publication of CN116187601B publication Critical patent/CN116187601B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于能源控制技术领域，涉及一种基于负荷预测的综合能源系统运行优化方法，包括：采集目标地区的历史综合数据，获取与负荷变化规律相关的特征数据；基于特征数据训练用于预测未来冷热电负荷状态和能源系统冷热电供给输出的预测模型并输出预测数据；构建滚动优化模型，基于预测数据获取能源系统在未来多个周期的短周期运行状态，并结合约束条件、目标函数和滚动优化模型生成自适应调控方案；建立实时反馈校正模型并对预测数据补偿；以校正的预测数据和预设参数信息动态调整自适应调控方案，调整能源系统的运行状态。针对目前能源系统运行效率差的弊端，本发明实现了深度学习、负荷预测与新能源技术的融合，运行策略更优。

Description

一种基于负荷预测的综合能源系统运行优化方法
技术领域
本发明涉及能源控制技术领域，尤其涉及一种基于负荷预测的综合能源系统运行优化方法。
背景技术
综合能源系统作为新一代能源系统的重要组成，其以配电系统为核心，将多种形式的供能、能量转换和储能设备在系统中统一化集成，从而实现不同类型能源在源、网、荷等不同环节的耦合。对综合能源系统中的多元负荷建立可靠的分析、预测模型，准确地预测冷、热、电等负荷是十分必要的。
由于冷热电负荷数据具有数据量大、数据结构复杂等特点，传统的数据挖掘算法难以获得大数据中蕴含的丰富有用价值，在进行负荷特性分析时效率低下，难以取得令人满意的效果。然而深度学习理论强大的学习能力也引起了相关人员的热议。
深度学习属于机器学习的一个分支领域是一种人工神经网络，强调从连续层中学习数据的特征，其通过对学习到的低层特征进行组合的方式形成更高级的特征，以发现数据的分布式表示，从而挖掘数据中隐藏的信息、规律。而短期负荷预测的主要影响因素有多种，其中包含气候因数、经济条件、突发事件等多种因数，短期负荷预测是一个复杂的问题，传统的机器学习算法由于结构简单往往只学习到数据一两层的简单表示，难以精确预测。但由于影响短期负荷预测的因素与短期负荷的关联度较小，所以在深度学习中选用时间序列单独对于短期负荷预测。因此需要对深度学习算法进行研究，通过在负荷预测中使用深度学习网络中的长短期记忆学习网络，从而提高负荷预测的精确度，对提升能源系统运行的可靠性和经济效益意义重大，而目前的综合能源系统中还未有效的实现深度学习的结合。因此，有必要提供一种综合能源系统运行优化方法解决上述技术问题。
发明内容
本发明的目的在于提供一种基于负荷预测的综合能源系统运行优化方法。
为实现上述发明目的，本发明提供一种基于负荷预测的综合能源系统运行优化方法，包括：
S1.采集目标地区的历史综合数据，对所述历史综合数据进行数据清洗和归一化处理，确定出与负荷变化规律相关的特征数据；其中，所述历史综合数据包括：历史气象数据、历史冷热电负荷数据和历史日程安排数据；
S2.基于所述特征数据训练出用于预测未来冷热电负荷状态和综合能源系统冷热电供给输出的预测模型，以及，基于所述预测模型输出预测数据；其中，所述预测数据包括：用户的未来冷热电负荷状态数据和综合能源系统冷热电供给输出状态数据；
S3.基于粒子群算法构建关于综合能源系统的滚动优化模型，以及，基于预测数据获取所述综合能源系统在未来多个周期的短周期运行状态，并基于所述短周期运行状态、约束条件、目标函数和所述滚动优化模型生成所述综合能源系统的自适应调控方案；其中，所述自适应调控方案以所述预测数据构建所述约束条件，以最低成本目标构建所述目标函数，并按照预设时间步长对所述综合能源系统进行自适应调控；
S4.建立实时反馈校正模型，并采用所述实时反馈校正模型在每个所述预设时间步长内根据所述综合能源系统的当前实际状态对所述预测数据进行实时补偿，以校正所述预测数据；
S5.根据校正后的所述预测数据和预设参数信息动态调整所述自适应调控方案，并基于调整后的所述自适应调控方案调整所述综合能源系统的实时运行状态。
根据本发明的一个方面，步骤S1中，采集目标地区的历史综合数据，对所述历史综合数据进行数据清洗和归一化处理，确定出与负荷变化规律相关的特征数据的步骤中，包括：
S11.采集目标地区多个连续周期的所述历史综合数据，并按照预设规则将所述历史综合数据划分为训练集与测试集；
S12.对所述历史综合数据中非数量化的数据进行量化处理；
S13.采用数据整合法、缺失数据填补法、离群值替换法、数据平滑化法、样本平均化法中的至少一种对量化处理后的所述历史综合数据进行数据清洗；
S14.对数据清洗后的所述历史综合数据进行归一化处理，其中，利用sklearn模型的预处理模块对所述历史综合数据进行编码，将所述历史综合数据转化为用于有监督学习的归一化变量；
S15.利用pearson相关系数分析法对归一化处理后的所述历史综合数据进行相关性分析，选取其中相关系数大于预设阈值的数据作为所述特征数据；其中，所述特征数据包括：训练集特征数据和测试集特征数据。
根据本发明的一个方面，步骤S11中，采集目标地区多个连续周期的所述历史综合数据的步骤中，分别采集所述历史气象数据、所述历史冷热电负荷数据和所述历史日程安排数据的小时影响因子；
所述历史气象数据的小时影响因子包括：温度、风速、湿度、太阳辐射；
所述历史冷热电负荷数据的小时影响因子包括：冷/热负荷值、电负荷值；
所述历史日程安排数据的小时影响因子包括：日期类型和用户习惯；
步骤S11中，按照预设规则将所述历史综合数据划分为训练集与测试集的步骤中，取每年中每个月的最后15天的所述历史综合数据作为训练集，取每年中每个月剩余天数的所述历史综合数据作为测试集。
根据本发明的一个方面，步骤S12中，对所述历史综合数据中非数量化的数据进行量化处理的步骤中，对所述历史日程安排数据中的日期类型进行量化处理。
根据本发明的一个方面，所述预测模型采用CNN-DLSTM预测模型，其包括：用于接收特征数据的输入层，与所述输入层相连接的CNN网络层，与所述CNN网络层相连接的DLSTM网络层和与所述DLSTM网络层相连接的输出层；
步骤S2中，基于所述特征数据训练出用于预测未来冷热电负荷状态和综合能源系统冷热电供给输出的预测模型的步骤中，包括：
S21.基于所述训练集特征数据对所述预测模型进行训练；其中，采用所述CNN网络层对所述训练集特征数据进行特征提取，将所述CNN网络层提取的特征输入所述DLSTM网络层进行学习，获得训练完成的所述预测模型；
S22.基于所述测试集特征数据对所述预测模型进行测试，若所述预测模型的预测精度满足预设条件，则输出所述预测模型。
根据本发明的一个方面，所述CNN网络层采用金字塔架构；
所述DLSTM网络层通过堆叠多个LSTM层构建，其中，多个所述LSTM层以深度循环网络的方式连接并构成链式贯穿架构。
根据本发明的一个方面，步骤S3中，基于粒子群算法构建关于综合能源系统的滚动优化模型的步骤中，分别构建基于光伏电池、蓄电池、电解水制氢、质子交换膜燃料电池、太阳能槽式集热器、辅助电加热器、双效溴化锂吸收式制冷系统的能源系统数学模型；
按照优先级的先后顺序对所述能源系统数学模型进行排序，并采用粒子群数学规划方法对所述能源系统数学模型进行求解，获得所述能源系统数学模型的最优运行策略；
基于所述能源系统数学模型和所述最优运行策略构建出所述滚动优化模型。
根据本发明的一个方面，步骤S3中，以最低成本目标构建所述目标函数的步骤中，以整个住宅的综合能源系统的成本和所述综合能源系统年运行费用最小化为所述最低成本目标，假定所述综合能源系统中各设备的发电或余热回收效率为定值，则所述目标函数表示为：
Figure SMS_1
；
其中，
Figure SMS_2
为年总运行费用；/>
Figure SMS_3
为从电网购电的成本；/>
Figure SMS_4
为燃料电池热电联产系统运行成本；/>
Figure SMS_5
为系统年收益，包括光伏电池自发自用所获得的补贴和向电网售电所获得的收益。
根据本发明的一个方面，步骤S4中，建立实时反馈校正模型的步骤中，基于CNN-DLSTM神经网络构建所述实时反馈校正模型；
步骤S4中，采用所述实时反馈校正模型在每个所述预设时间步长内根据所述综合能源系统的当前实际状态对所述预测数据进行实时补偿，以校正所述预测数据的步骤中，包括：
在所述预设时间步长内，所述实时反馈校正模型获取最近的预设时间间隔内所述预测数据与所述综合能源系统实际运行状态之间的数据误差；
所述实时反馈校正模型基于所述数据误差进行误差预测并获取误差预测结果，基于所述误差预测结果对当前所述预设时间步长的所述预测数据进行实时补偿，以校正所述预测数据。
根据本发明的一个方面，所述实时反馈校正模型采用均方根误差、平均绝对百分比误差、平均绝对误差中的至少一种获取所述数据误差。
根据本发明的一种方案，本发明在冷热电分布式联供系统的基础上，依托物联网、深度学习以及负荷预测等现代信息技术与新能源技术相融合，通过对户外环境的智能感知和数据分析，计算综合能源系统的能耗需求，通过数学规划对系统各组件进行实时调控运行，使单体建筑能量自给自足从而达到近零消耗的目标。
根据本发明的一种方案，本发明提出了一种“负荷预测+滚动优化+反馈校正”的智能寻优技术构思，为综合能源系统运行策略优化提供一种发展方向。
根据本发明的一种方案，本发明采用CNN-DLSTM深度神经网络学习算法，对户用能源负荷进行预测，进而通过粒子群算法数学规划方法进行自动寻优调配，实现户用能源系统的智能可持续运行。
根据本发明的一种方案，本发明通过建立模型预测控制单元，形成智能化生态体系，通过粒子群数学规划算法进行滚动优化，利用实时数据反馈校正，以闭环的形式及时补偿由于不确定性及模型精度等导致的偏差，使全年能源平均利用率提高到了90%，优化控制系统性能。
根据本发明的一种方案，通过系统各供能设备的配合连接，使单体建筑能量自给自足从而达到零消耗的目标，且联供过程无污染、近零排放，节能减排，绿色环保，能源管理与储存的氢能协同控制，进一步提高了能量利用率、降低了使用成本，为综合能源系统运行策略优化提供了一种发展方向。
附图说明
图1是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法的步骤框图；
图2是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法的流程图；
图3是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法中预测模型的预测逻辑图；
图4是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法中预测模型的结构图；
图5是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法中LSTM层的结构图；
图6是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法中DLSTM网络的结构图；
图7是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法中滚动优化模块的运行策略逻辑图；
图8是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法中滚动优化模块的优化方法中粒子群算法的求解流程图；
图9是示意性表示根据本发明的一种实施方式的综合能源系统运行优化方法中反馈校正流程图；
图10是示意性表示根据本发明的一种实施方式的夏季典型日预测发电量与用电量对比图；
图11是示意性表示根据本发明的一种实施方式的夏季典型日供电策略图；
图12是示意性表示根据本发明的一种实施方式的夏季典型日发电调度策略图；
图13是示意性表示根据本发明的一种实施方式的冬季典型日预测发电量与用电量对比图；
图14是示意性表示根据本发明的一种实施方式的冬季典型日供电策略图；
图15是示意性表示根据本发明的一种实施方式的冬季典型日发电调度策略图；
图16是示意性表示根据本发明的一种实施方式的夏季典型日冷负荷预测图；
图17是示意性表示根据本发明的一种实施方式的夏季典型日加热调控情况图；
图18是示意性表示根据本发明的一种实施方式的冬季典型日热负荷预测图；
图19是示意性表示根据本发明的一种实施方式的冬季典型日加热调控情况图。
具体实施方式
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，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。
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
为了便于理解，在本实施方式中，对综合能源系统所包括的模块进行说明，其分别为：光伏电池、蓄电池、电解水制氢、质子交换膜燃料电池、太阳能槽式集热器、辅助电加热器、双效溴化锂吸收式制冷系统。
结合图1和图2所示，根据本发明的一种实施方式，本发明的一种基于负荷预测的综合能源系统运行优化方法，包括：
S1.采集目标地区的历史综合数据，对历史综合数据进行数据清洗和归一化处理，确定出与负荷变化规律相关的特征数据；其中，历史综合数据包括：历史气象数据、历史冷热电负荷数据和历史日程安排数据；其中，历史冷热电负荷数据包括：用户历史消耗的冷热电负荷和综合能源系统历史输出的冷热电负荷；
S2.基于特征数据训练出用于预测未来冷热电负荷状态和综合能源系统冷热电供给输出的预测模型，以及，基于预测模型输出预测数据；其中，预测数据包括：用户的未来冷热电负荷状态数据和综合能源系统冷热电供给输出状态数据；
S3.基于粒子群算法构建关于综合能源系统的滚动优化模型，以及，基于预测数据获取综合能源系统在未来多个周期的短周期运行状态，并基于短周期运行状态、约束条件、目标函数和滚动优化模型生成综合能源系统的自适应调控方案；其中，自适应调控方案以预测数据构建约束条件，以最低成本目标构建目标函数，并按照预设时间步长对综合能源系统进行自适应调控；
S4.建立实时反馈校正模型，并采用实时反馈校正模型在每个预设时间步长内根据综合能源系统的当前实际状态对预测数据进行实时补偿，以校正预测数据；
S5.根据校正后的预测数据和预设参数信息动态调整自适应调控方案，并基于调整后的自适应调控方案调整综合能源系统的实时运行状态。
结合图1和图2所示，根据本发明的一种实施方式，步骤S1中，采集目标地区的历史综合数据，对历史综合数据进行数据清洗和归一化处理，确定出与负荷变化规律相关的特征数据的步骤中，包括：
S11.采集目标地区多个连续周期的历史综合数据，并按照预设规则将历史综合数据划分为训练集与测试集；
其中，采集目标地区多个连续周期的历史综合数据的步骤中，分别采集历史气象数据、历史冷热电负荷数据和历史日程安排数据多个连续周期对应时段的小时影响因子，以作为历史综合数据的详细情况；
在本实施方式中，历史气象数据的小时影响因子包括：温度、风速、湿度、太阳辐射；
在本实施方式中，历史冷热电负荷数据的小时影响因子包括：冷/热负荷值、电负荷值；
在本实施方式中，历史日程安排数据的小时影响因子包括：日期类型和用户习惯；其中，对于日期类型，以周末(周六、周日)和法定节假日(以中国法定节假日作为基准)作为非工作日，其余日期作为工作日处理(串休的周六、周日作为工作日)。
进一步的，按照预设规则将历史综合数据划分为训练集与测试集的步骤中，取每年中每个月的最后15天的历史综合数据作为训练集，取每年中每个月剩余天数的历史综合数据作为测试集。
S12.对历史综合数据中非数量化的数据进行量化处理；在本实施方式中，对于非数量化的日期类型进行量化处理，以反映不同影响因素在映射处理上的差异。在本实施方式中，对日期类型进行如下量化处理：
将日期类型映射到[1,3]的映射区间中，以加大日期因素的作用，体现出负荷类型相似的正常工作日和非工作日的差别；
进一步的，将工作日和非工作日分别进行赋值，其中，将国家法定节假日量化为3，周末量化为2，除了这两类的日期量化为1。
需要注意的是，用户习惯是通过冷热电负荷表示的，模型可以通过冷热电负荷逐时时间序列训练出习惯特征，为此不需要进行量化处理。
S13.采用数据整合法、缺失数据填补法、离群值替换法、数据平滑化法、样本平均化法中的至少一种对量化处理后的历史综合数据进行数据清洗；在本实施方式中，通过对数据的清洗以实现对数据的预处理；其中，缺失值处理，采取删除法进行空缺值的处理；数据重复值处理，采取删除法对数据中存在的各属性一致的数据进行数据处理；数据异常值处理，使用3σ原则筛选出数据中偏离数据种群（即大多数数据聚集范围）的点进行粗大异常值检测，计算方法如下：
Figure SMS_6
；
式中：
Figure SMS_7
为样本标准差；/>
Figure SMS_8
为样本值；/>
Figure SMS_9
为样本平均值；n为样本量。
S14.对数据清洗后的历史综合数据进行归一化处理，其中，利用sklearn模型的预处理模块对历史综合数据进行编码，将历史综合数据转化为用于有监督学习的归一化变量；其中，将数据按比例进行缩放，使之落入[0,1]区间内，消除各单位的限制，将数据转化为无量纲纯数据。本方法采取最值法进行数据归一化处理，如下式所示：
Figure SMS_10
；/>
式中：
Figure SMS_11
为归一化处理后的样本值；/>
Figure SMS_12
为样本平均值；/>
Figure SMS_13
为样本最大值；/>
Figure SMS_14
为样本最小值。
S15.利用pearson相关系数分析法对归一化处理后的历史综合数据进行相关性分析，选取其中相关系数大于预设阈值的数据作为特征数据；在本实施方式中，预设阈值设置为0.3，即相关系数大于0.3的数据即为负荷变化规律相关的影响因素（即特征数据），其中，由于前述步骤中将历史综合数据划分为训练集和测试集，则相应的基于历史综合数据获取的特征数据中包括了训练集特征数据和测试集特征数据。通过上述设置，有效去除了冗余数据与极强相关或极弱相关的特征。
结合图2、图3和图4所示，根据本发明的一种实施方式，步骤S2中，预测模型采用CNN-DLSTM预测模型，其包括：用于接收特征数据的输入层，与输入层相连接的CNN网络层，与CNN网络层相连接的DLSTM网络层和与DLSTM网络层相连接的输出层。
在本实施方式中，步骤S2中，基于特征数据训练出用于预测未来冷热电负荷状态和综合能源系统冷热电供给输出的预测模型的步骤中，包括：
S21.基于训练集特征数据对预测模型进行训练；其中，采用CNN网络层对训练集特征数据进行特征提取，将CNN网络层提取的特征输入DLSTM网络层进行学习，获得训练完成的预测模型。具体的，由于训练集特征数据是一个序列数据，进而通过CNN网络层的卷积操作提取出序列数据的局部特征，进一步将这些局部特征映射到一个较小的空间中（如一个预设的矩阵）。这样做有助于降低数据的维度，提高模型的速度和精度。
进一步的，将CNN网络层提取出的局部特征输入DLSTM网络层学习序列数据中的长期依赖关系，进而可获取训练完成的预测模型。在本实施方式中，DLSTM网络层通过学习数据的时间相关性，能够有效地处理序列数据，从而在序列数据分析中表现出色，即完成训练的预测模型。
S22.基于测试集特征数据对预测模型进行测试，若预测模型的预测精度满足预设条件，则输出预测模型。在本实施方式中，将测试集特征数据输入至训练完成的预测模型，将预测模型对测试集序列数据的预测值与测试集序列数据的真实值进行误差分析，检验预测模型精确度，若满足预设的精度要求，则输出该预测模型。
如图4所示，根据本发明的一种实施方式，卷积神经网络（CNN）是一类包含卷积计算的前馈神经网络。卷积神经网络包含一个由卷积层和池化层组成的特征提取器与展平层。在卷积层中，神经元仅连接到相邻神经元的一部分，这降低了网络的复杂性和参数的数量。卷积计算完成后，使用Relu激活函数非线性处理每层的卷积结果，表示为：
Figure SMS_15
；
式中，
Figure SMS_16
是k-1层的输入值，/>
Figure SMS_17
是卷积核，/>
Figure SMS_18
是k层的阈值阀，/>
Figure SMS_19
是输入特征集，/>
Figure SMS_20
用于进行一维卷积。
池化层通过降低特征的维度来减少参数的数量，进而，加入池化层不仅可以加快计算速度，还可以防止过度拟合。利用最大池化选取邻域中特征点的最大值，从而有效地降低数据的维度，提高结果的稳健性，表示为：
Figure SMS_21
；/>
式中，
Figure SMS_22
是汇集的每个值，X是最大汇集的输出值；
Figure SMS_23
；
经过几个卷积层、激活函数和池化层，特征Y从输入信息中提取特征，并将提取的特征输入到LSTM中进行预测。
在本实施方式中，CNN网络层采用金字塔架构，以实现从粗到细的方法实现CNN网络层的构造，这种结构可涉及大量可训练的参数，进而引入更高的计算复杂性。在本实施方式中，CNN网络层中具有三个卷积层，其中较低层的内核数量很大，沿着较高层向下移动，内核数量逐渐减少。例如，第一个卷积层的内核大小为48，第二卷积层的内核大小减少到32，第三个卷积层的内核大小减少到16。这种类型的结构避免了过度拟合并减少了可训练参数的数量。
结合图5和图6所示，根据本发明的一种实施方式，DLSTM网络层通过堆叠多个LSTM层构建，其中LSTM层核心部分为单元状态，参见图5和图6中上侧串联单元的水平直线。整个单元状态就像一个传送带，将整个LSTM链式系统贯穿，只有一些线性相互作用，即多个LSTM层以深度循环网络的方式连接并构成链式贯穿架构。通过上述设置，有效保证了数据经过该结构时能够保持数据不改变。
在本实施方式中，LSTM是由多个单元结构组成的，每个单元中都有一个门结构。如果只有一个单元状态，那么传递便不能添加或删除信息，所以LSTM需要多个单元状态来实现信息的传递和处理。LSTM中的门结构可以筛选数据，让数据有选择性地通过。门结构中使用
Figure SMS_24
函数来控制数据的通过与否，/>
Figure SMS_25
函数的输出值在0到1之间，0代表数据信息不通过，1代表数据信息完全通过。通过点乘来决定数据在传输过程中的信息量大小。
在本实施方式中，LSTM层通过其基本单元模型的激活函数和神经元之间的数据传递来进行整体预测。LSTM层的基本单元模型包含三个门：遗忘门、输入门和输出门，用于控制单元状态属性。遗忘门控制之前记忆状态的遗忘程度，输入门控制输入到当前时间步的信息的流量，输出门控制当前时间步输出的记忆状态。其中，在LSTM层中，遗忘门的作用是决定需要从单元状态中遗忘哪些数据信息。遗忘门包含一个
Figure SMS_26
层，该层通过使用前一个时间步的隐藏状态和当前时间步的输入来生成一个从0到1的向量，其中1表示所有的数据信息都需要保留，0表示所有的数据信息都需要删除。
遗忘门的具体公式如下:
Figure SMS_27
；
其中，
Figure SMS_28
为/>
Figure SMS_29
时的输出的信息，/>
Figure SMS_30
为t时这一层的输入的信息，/>
Figure SMS_31
为每个变量的权重，/>
Figure SMS_32
为截距项，/>
Figure SMS_33
的值是从0到1。
Figure SMS_34
为/>
Figure SMS_35
函数，/>
Figure SMS_36
函数的公式为：
Figure SMS_37
。
进一步的，在LSTM层中，在经过遗忘门进行信息遗忘后，输入门需要确定要添加到单元状态中的新数据信息。这个过程分为两步：首先，使用上一个时间步的隐藏状态和当前时间步的输入数据来确定需要更新的信息，这个更新过程由
Figure SMS_38
层完成。然后，使用
Figure SMS_39
激活函数来产生一个新的候选单元状态。
输入门的具体公式如下:
Figure SMS_40
；
Figure SMS_41
；
其中，
Figure SMS_42
为切线激活函数，/>
Figure SMS_43
表示从时刻/>
Figure SMS_44
的输入信息中提取要记录的信息。
接着，将这个新的候选状态与
Figure SMS_45
层的输出相乘得到需要更新的信息，并将其加入到当前单元状态中，得到刷新了的单元状态值/>
Figure SMS_46
。在这个过程中，LSTM层可以选择性地添加新信息，同时遗忘一些不重要的旧信息：
Figure SMS_47
；
其中，
Figure SMS_48
表示/>
Figure SMS_49
时刻的单元状态值，/>
Figure SMS_50
是刷新了的单元状态值。
进一步的，在LSTM层中，更新完单元状态后，需要根据输入的更新单元状态
Figure SMS_51
和
Figure SMS_52
，来确定输出单元的状态特征。输入信息需要通过输出门的/>
Figure SMS_53
层来获得判断条件，从而确定到底需要输出多少信息。随后将单元状态/>
Figure SMS_54
转化为切线激活函数/>
Figure SMS_55
的输出值。把该向量乘以输出门得到的判断条件作为最终输出：
Figure SMS_56
；
Figure SMS_57
。
进一步的，在LSTM层中，通过这三种门的处理机制实现了单个神经元的内部整理，这种方式可以确保LSTM层将远离当前时刻的输入数据整合成有效的数据记忆，并在处理长序列数据时起到有效的作用。
在本实施方式中，DLSTM网络层通过LSTM层一个接一个地以深度循环网络方式连接，以结合单个LSTM层的优势。在这种分层结构中堆叠多个LSTM层的目的是在低层建立特征，以分解输入数据中的变化因素，然后在高层结合这些表示。在大型或复杂数据的情况下，这种深层架构将比浅层架构更紧凑的表示可以更好地泛化。
在前述方式所构建的DLSTM网络层中，时间
Figure SMS_58
的输入/>
Figure SMS_59
和之前的隐藏状态/>
Figure SMS_60
一起被引入第一个LSTM层，上标（1）指的是第一个LSTM层。时间t的隐藏状态/>
Figure SMS_61
被计算出来后进入下一个时间步骤，同时也上升到第二个LSTM层。第二个LSTM层使用隐藏状态
Figure SMS_62
和之前的隐藏状态/>
Figure SMS_63
来计算/>
Figure SMS_64
，然后再进入下一个时间步长，向上进入第三个LSTM层，以此类推，直到最后一个LSTM层被编译到栈中。
这种堆叠架构的优点是，每一层都可以处理所需任务的某些部分，然后将其传递给下一层，直到最后一个累积层提供输出。另一个优点是，这种架构允许每个级别的隐藏状态在不同的时间尺度上运行。这两个优点在具有长期依赖性的数据的场景中或处理多变量时间序列数据集的情况下具有很大的优势。
在本实施方式中，DLSTM网络层中LSTM层的数量和每层的神经元都会影响预测的准确性，同时LSTM层的层数增加会增加计算的复杂性和时间。层数和隐藏单元的数量是在多次实验后最终确定的。层数被逐一增加到三个隐藏层后，对准确性进行测量，发现预测精度没有明显增加。第一个隐藏层是LSTM层，第二个隐藏层也是LSTM层，第三个隐藏层是全连接层，分别有250、200和150个隐藏单元。输出层是一个回归层。网络的所有其余参数都是根据最佳精度来最终确定的。学习率被设定为0.001。Adam（自适应动量估计）优化器算法用于训练期间权重的自适应优化。初始动量被设置为0.9。最大的历时数被设定为250。如果学习误差不再明显减少或达到最大epoch（历时数），网络的训练就停止。
结合图1、图2和图3所示，步骤S2中，基于预测模型输出预测数据的步骤中，预测模型基于预先获取的目标地区的特征数据进行预测，并输出预测结果，通过对预测结果的反归一化处理，即可获得预测数据。
结合图7和图8所示，根据本发明的一种实施方式，步骤S3中，基于粒子群算法构建关于综合能源系统的滚动优化模型的步骤中，分别构建基于光伏电池、蓄电池、电解水制氢、质子交换膜燃料电池、太阳能槽式集热器、辅助电加热器、双效溴化锂吸收式制冷系统的能源系统数学模型；
按照优先级的先后顺序对能源系统数学模型进行排序，并采用粒子群数学规划方法对能源系统数学模型进行求解，获得能源系统数学模型的最优运行策略；基于能源系统数学模型和最优运行策略构建出滚动优化模型。在本实施方式中，采用粒子群数学规划方法对能源系统数学模型进行求解的步骤中，按照优先级的先后顺序，将多目标规划求解划分为一系列单目标规划，即每次只处理一个目标函数，滚动优化确定有限时间范围内的系统输出，合理的对能源进行调配。例如，通过求解得到质子交换膜燃料电池和蓄电池的供电量以及光伏电池发电量，太阳能集热量、辅助电加热量以及PEMFC电堆余热量，实时调控双效溴化锂吸收式制冷系统。
结合图2、图7和图8所示，根据本发明的一种实施方式，步骤S3中，基于预测数据获取所述综合能源系统在未来多个周期的短周期运行状态的步骤中，可获取未来1天的短周期运行状态，也可获取未来3天的短周期运行状态。当然，所设置的周期可根据需要进行设定，在此不再赘述。通过获取的短周期运行状态对综合能源系统进行能源消耗、能源生产情况的实时检测，进而结合约束条件、目标函数和滚动优化模型生成综合能源系统的自适应调控方案，以实现对综合能源系统运行的自适应控制。
在本实施方式中，以最低成本目标构建目标函数的步骤中，以整个住宅的综合能源系统的成本和综合能源系统年运行费用最小化为最低成本目标，假定综合能源系统中各设备的发电或余热回收效率为定值，则目标函数表示为：
Figure SMS_65
；
其中，
Figure SMS_66
为年总运行费用；/>
Figure SMS_67
为从电网购电的成本；/>
Figure SMS_68
为燃料电池热电联产系统运行成本；/>
Figure SMS_69
为系统年收益，包括光伏电池自发自用所获得的补贴和向电网售电所获得的收益。
进一步的，电网购电成本表示为：
Figure SMS_70
式中：
Figure SMS_71
为各月份的天数；/>
Figure SMS_72
为从电网购电直接使用的电量；/>
Figure SMS_73
为从电网购电给蓄电池充电的电量；/>
Figure SMS_74
为电网电价。
系统年收益表示为：
Figure SMS_75
；
式中：
Figure SMS_76
光伏发电自用所获的度电补贴价格；/>
Figure SMS_77
为光伏电池发电的自用量；/>
Figure SMS_78
为光伏电池的上网电价；/>
Figure SMS_79
为光伏电池的逐时上网电量。
蓄热系统耗热最小（即燃料电池热电联产系统运行成本）表示为：
Figure SMS_80
；
式中：
Figure SMS_81
为系统总蓄热量，/>
Figure SMS_82
为太阳能集热的热量，/>
Figure SMS_83
为辅助电加热的热量，/>
Figure SMS_84
为燃料电池运行的余热。
在本实施方式中，以预测数据构建约束条件的步骤中，为确保能源供给的稳定性和可靠性基于预测数据进行约束条件的构建。
（1）建立能源供需平衡约束；
住宅综合能源系统的供需平衡主要包括系统电力和热力的逐时供需平衡。其中，由光伏电池和燃料电池发电给予满足，若自家发电量大于实时电力需求，则可储存在蓄电池中或进行电解制氢储存，若遇到连续阴雨天气，可以通过电网购电。家庭热力负荷通过太阳能槽式集热器和回收燃料电池的余热来满足，若热量无法满足，可启动辅助电加热。系统电力平衡和热力平衡如下式所示：
Figure SMS_85
；
Figure SMS_86
式中：
Figure SMS_87
为从电网购电直接使用的电量，/>
Figure SMS_90
为蓄电池的逐时放电量，
Figure SMS_93
为光伏电池发电的自用量，/>
Figure SMS_88
为光伏电池的逐时上网电量，/>
Figure SMS_91
为燃料电池的逐时发电量，/>
Figure SMS_94
为逐时电力负荷，/>
Figure SMS_96
为逐时热力负荷，/>
Figure SMS_89
为燃料电池的余热回收量，/>
Figure SMS_92
为逐时太阳能供热量，/>
Figure SMS_95
为从电网购电进行辅助电加热供热量。/>
（2）建立关于质子交换膜燃料电池的燃料电池单元约束；
下式是对燃料电池单元发电和余热回收量的约束，系统产生的电量和热能不能超过其额定容量，表示为：
Figure SMS_97
；
Figure SMS_98
；
式中：
Figure SMS_99
为燃料电池的额定发电量；/>
Figure SMS_100
为燃料电池的热电比，即余热回收量与发电量之比，本文假定/>
Figure SMS_101
为定值。
（3）建立光伏电池单元约束；
光伏电池的发电量与太阳辐射强度、电池板面积和电池板效率有关。光伏电池发电量的约束条件：
Figure SMS_102
；
式中：
Figure SMS_103
为光伏电池给蓄电池充电的电量，/>
Figure SMS_104
为逐时太阳辐射强度，/>
Figure SMS_105
为光伏板的采光面积，/>
Figure SMS_106
为光伏电池板的光电转换效率。
（4）建立蓄电池单元约束；
蓄电量平衡的约束条件如下式所示：
Figure SMS_107
；
式中：
Figure SMS_108
为蓄电池在某一时间点的蓄电量，/>
Figure SMS_109
为蓄电池蓄能系数，/>
Figure SMS_110
为从电网购电给蓄电池充电的电量，/>
Figure SMS_111
为光伏电池给蓄电池充电的电量，/>
Figure SMS_112
为蓄电池的逐时放电量，/>
Figure SMS_113
为蓄电池提供电能给制氢机的供电量。
它表明在某一时间段内的总蓄电量为上一时间段末蓄电量与本时间段的充电量之和扣除本时间段为满足住宅电力需求的放电量。
（5）建立关于双效溴化锂吸收式制冷系统的吸收式热泵单元约束；
热功率平衡约束：
Figure SMS_114
；
冷功率平衡约束：
Figure SMS_115
；
式中：
Figure SMS_116
为吸收式热泵制热量，/>
Figure SMS_117
为吸收式热泵回收的热能，
Figure SMS_118
为第/>
Figure SMS_119
个时段实际冷负荷，/>
Figure SMS_120
为第/>
Figure SMS_121
个时段吸收式制冷机制冷量。
基于上述设置，在步骤S3中，利用粒子群算法解决决策问题主要分为两个步骤：首先，把实际决策问题翻译、表述成数学最优化形式；然后，利用Python软件DEAP库构建优化方法求解模型，滚动优化模型采用粒子群数学规划算法进行求解，即按照优先级的先后顺序，将多目标规划求解划分为一系列单目标规划，即每次只处理一个目标函数。其中，首先设定初始条件及初始粒子群、粒子位置；然后输入响应期望值和负荷的预测功率（即预测模型输出的预测数据），以能源供需平衡约束、燃料电池单元约束、光伏电池单元约束、蓄电池单元约束、吸收式热泵单元约束为约束条件，以整个住宅能源系统的成本及其年运行费用最小化为目标函数进行优化，通过优化结果对粒子进行速度、位置更新，假设迭代次数K=300，直到达到迭代次数即可得到目标函数的最优解，接着初始化权重，输入各目标函数的最优值到约束条件中，经过计算输出最优的调度方案，粒子群优化算法每次只处理一个目标函数，对目标函数进行计算，若此目标函数为最小值则得到最优调度方案，然后输出最优调度方案，若此目标函数不是最小值，则继续增大权重，将各目标函数的最优值代入能源供需平衡约束、燃料电池单元约束、光伏电池单元约束、蓄电池单元约束、吸收式热泵单元约束等约束条件中，输出最优调度方案，计算目标函数，直到计算出的目标函数为最小值得到的调度方案为最优方案（即自适应调控方案）。
结合图2和图9所示，根据本发明的一种实施方式，在预测控制中，预测过程输出值的理想方法是使用预测模型，由于预测误差，基于模型的预测不可能准确匹配现实，此外，基于负荷预测和自动寻优的综合能源系统运行优化方法采用区间优化方法，对于较大的预测区间，区间优化后的经济性较差，因此，有必要对系统进行反馈校正，以减少负荷预测误差对系统优化的影响。为此，步骤S4中，建立实时反馈校正模型的步骤中，基于CNN-DLSTM神经网络构建实时反馈校正模型。通过实时反馈校正模型确定预测模型的负荷预测误差、历史误差和未来预测数据之间的关系。
在本实施方式中，实时反馈校正模型包括：离线训练部分和在线修正部分。其中，在离线训练部分以用于CNN-DLSTM神经网络的训练，具体的，通过相关性分析发现，预测误差与历史误差、时间轴、预测负荷等因素有关，为此，以获取的预测误差所对应的历史误差、时间轴、预测负荷等数据作为模型训练集对该CNN-DLSTM神经网络进行模型训练，构建出可预测误差的离线训练部分。进而，通过离线训练部分即可预测前述预测模型输出结果的预测补偿误差。在线修正部分接收输入的实时数据（即综合能源系统运行状态的真实值和预测模型输出的预测数据），根据离线训练得到的预测补偿误差不断修正当前时间步长，并对突发的紧急事件进行分析，通过不断优化最终输出修正的预测误差。
通过上述设置，本发明的反馈校正模型能够自动适应系统的变化和干扰，有效提高了预测精度，显著缩短了预测区间，实现了准确的区间优化结果，减少了负荷预测误差对系统优化的影响。
在本实施方式中，步骤S4中，采用实时反馈校正模型在每个预设时间步长内根据综合能源系统的当前实际状态对预测数据进行实时补偿，以校正预测数据的步骤中，包括：
在预设时间步长内，实时反馈校正模型获取最近的预设时间间隔内预测数据与综合能源系统实际运行状态之间的数据误差；其中，预设时间间隔可以设置为15min，由此可获得一个数据误差的误差序列。
实时反馈校正模型基于数据误差进行误差预测并获取误差预测结果，基于误差预测结果对当前预设时间步长的预测数据进行实时补偿，以校正预测数据。
根据本发明的一种实施方式，为了评估预测的准确性和性能，实时反馈校正模型采用均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均绝对误差(MAE)中的至少一种获取数据误差。其中，均方根误差(RMSE)是预测值和实际值之间误差的平方与样本总数
Figure SMS_122
比值的平方根。RMSE可以很好地衡量预测值和实际值之间的误差，RMSE越小，说明预测性能越好，RMSE越大，说明预测性能越差，其表示为：
Figure SMS_123
；
平均绝对百分比误差(MAPE)是衡量预测准确性的统计指标。MAPE越接近1，说明预测性能越好，MAPE值越远离1，说明预测性能越差，其表示为：
Figure SMS_124
；
平均绝对误差(MAE)是预测值和实际值偏差绝对值和的均值。MAE值越小，说明预测性能越好，MAE值越大，说明预测性能越差，其表示为：
Figure SMS_125
。
式中，
Figure SMS_126
为样本量,/>
Figure SMS_127
代表实际检测值,/>
Figure SMS_128
代表模型预测值。
如图2所示，根据本发明的一种实施方式，步骤S5中，根据校正后的预测数据和预设参数信息动态调整自适应调控方案，并基于调整后的自适应调控方案调整综合能源系统的实时运行状态的步骤中，预设参数信息包括：价格信息，约束条件，优化目标，给定参数。其中，价格信息可根据当地实际情况进行输入；约束条件包括：能源供需平衡约束、燃料电池单元约束、光伏电池单元约束、蓄电池单元约束、吸收式热泵单元约束；优化目标以最低成本目标构建；给定参数则包括学习速率，损失函数，正则化参数等，其是原始设定模型的参数，是人为固定输入的，进而，根据反馈校正模块的输出会对这个参数进行调参，提高整个模型的预测精度。
在本实施方式中，根据校正后的预测数据，以及基于价格信息，约束条件，优化目标，给定参数进行动态调整，以调整综合能源系统中供电装置和制热制冷装置的运行情况。
为进一步说明本发明的方案，基于上述设置执行模拟分析，最终可得到夏季典型日和冬季典型日的用电模拟运行结果和冷热模拟运行结果。
结合图10、图11和图12所示，夏季典型日的用电模拟运行结果如下：以第150、151、152天的天气数据进行深度学习预测，得光伏发电与用电情况，通过对比可知：光伏发电量在中午达到极值，但用电量在晚上达到极值，可知其余时间需要由蓄电池或者质子交换膜燃料电池供电。在阳光充足的夏天，光伏发电量大于用电量，光伏发电的过余电量在前几个小时给蓄电池充电，充满电后光伏过余量都用于制氢，储存氢气为光伏无法满足用电量时做准备。
结合图13、图14和图15所示，冬季典型日的用电模拟运行结果如下：以第340、341、342天的天气数据进行深度学习预测，得到光伏发电量在中午达到极值，但用电量在晚上达到极值，其余时间需要由蓄电池或者质子交换膜燃料电池供电。可知，冬天的太阳辐射强度较小，有时白天也需要协同供电，在晚上，因蓄电池电量较少，质子交换膜燃料电池主要进行供电。有时候一个小时内的用电量大于光伏发电量，而在光照较强时一部分光伏发电直接用于供电，另一部分由于蓄电池的电量较低全部给蓄电池充电。
结合图16和图17所示，夏季典型日的冷热模拟运行结果如下：将第150、151、152天的各项气象数据带入深度学习算法中，根据室外温度、相对湿度、风速与太阳辐射强度对冷负荷进行预测；双效溴化锂吸收式制冷的效率与发生器热媒水的温度有关，双效溴化锂吸收式制冷的热媒水温度在438K以上，将蓄热水罐的温度要求保持在343K以上，可得冷负荷预测与加热情况，根据所预测的冷负荷强度，可以实现实时调控双效溴化锂吸收式制冷的运行功率，根据循环水的流量，进行实时调节制冷量。
需要注意的是，图16中关于负荷的预测值分为前后两部分，其中，前部分的负荷预测值为本方案在训练过程中所获得的数值，而后部分为本实施例中的模拟运行结果。
结合图18和图19所示，冬季典型日的冷热模拟运行结果如下：将第340、341、342天的各项气象数据带入深度学习算法与自适应控制算法中，可以得到冷热负荷预测与加热情况，根据所预测的冷负荷强度，可以实现实时调控吸收式制热的运行功率，根据循环水的流量，进行实时调节制热量；当太阳能不足以提供足够热量，启动电加热辅助加热，同时质子交换膜燃料电池运行，故质子交换膜燃料电池余热对蓄热水罐进行加热。
需要注意的是，图18中关于负荷的预测值分为前后两部分，其中，前部分的负荷预测值为本方案在训练过程中所获得的数值，而后部分为本实施例中的模拟运行结果。
上述内容仅为本发明的具体方案的例子，对于其中未详尽描述的设备和结构，应当理解为采取本领域已有的通用设备及通用方法来予以实施。
以上所述仅为本发明的一个方案而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于负荷预测的综合能源系统运行优化方法，其特征在于，包括：
S1.采集目标地区的历史综合数据，对所述历史综合数据进行数据清洗和归一化处理，确定出与负荷变化规律相关的特征数据；其中，所述历史综合数据包括：历史气象数据、历史冷热电负荷数据和历史日程安排数据；
S2.基于所述特征数据训练出用于预测未来冷热电负荷状态和综合能源系统冷热电供给输出的预测模型，以及，基于所述预测模型输出预测数据；其中，所述预测数据包括：用户的未来冷热电负荷状态数据和综合能源系统冷热电供给输出状态数据；
S3.基于粒子群算法构建关于综合能源系统的滚动优化模型，以及，基于所述预测数据获取所述综合能源系统在未来多个周期的短周期运行状态，并基于所述短周期运行状态、约束条件、目标函数和所述滚动优化模型生成所述综合能源系统的自适应调控方案；其中，所述自适应调控方案以所述预测数据构建所述约束条件，以最低成本目标构建所述目标函数，并按照预设时间步长对所述综合能源系统进行自适应调控；
S4.建立实时反馈校正模型，并采用所述实时反馈校正模型在每个所述预设时间步长内根据所述综合能源系统的当前实际状态对所述预测数据进行实时补偿，以校正所述预测数据；
S5.根据校正后的所述预测数据和预设参数信息动态调整所述自适应调控方案，并基于调整后的所述自适应调控方案调整所述综合能源系统的实时运行状态。
2.根据权利要求1所述的综合能源系统运行优化方法，其特征在于，步骤S1中，采集目标地区的历史综合数据，对所述历史综合数据进行数据清洗和归一化处理，确定出与负荷变化规律相关的特征数据的步骤中，包括：
S11.采集目标地区多个连续周期的所述历史综合数据，并按照预设规则将所述历史综合数据划分为训练集与测试集；
S12.对所述历史综合数据中非数量化的数据进行量化处理；
S13.采用数据整合法、缺失数据填补法、离群值替换法、数据平滑化法、样本平均化法中的至少一种对量化处理后的所述历史综合数据进行数据清洗；
S14.对数据清洗后的所述历史综合数据进行归一化处理，其中，利用sklearn模型的预处理模块对所述历史综合数据进行编码，将所述历史综合数据转化为用于有监督学习的归一化变量；
S15.利用pearson相关系数分析法对归一化处理后的所述历史综合数据进行相关性分析，选取其中相关系数大于预设阈值的数据作为所述特征数据；其中，所述特征数据包括：训练集特征数据和测试集特征数据。
3.根据权利要求2所述的综合能源系统运行优化方法，其特征在于，步骤S11中，采集目标地区多个连续周期的所述历史综合数据的步骤中，分别采集所述历史气象数据、所述历史冷热电负荷数据和所述历史日程安排数据的小时影响因子；
所述历史气象数据的小时影响因子包括：温度、风速、湿度、太阳辐射；
所述历史冷热电负荷数据的小时影响因子包括：冷/热负荷值、电负荷值；
所述历史日程安排数据的小时影响因子包括：日期类型和用户习惯；
步骤S11中，按照预设规则将所述历史综合数据划分为训练集与测试集的步骤中，取每年中每个月的最后15天的所述历史综合数据作为训练集，取每年中每个月剩余天数的所述历史综合数据作为测试集。
4.根据权利要求3所述的综合能源系统运行优化方法，其特征在于，步骤S12中，对所述历史综合数据中非数量化的数据进行量化处理的步骤中，对所述历史日程安排数据中的日期类型进行量化处理。
5.根据权利要求4所述的综合能源系统运行优化方法，其特征在于，所述预测模型采用CNN-DLSTM预测模型，其包括：用于接收特征数据的输入层，与所述输入层相连接的CNN网络层，与所述CNN网络层相连接的DLSTM网络层和与所述DLSTM网络层相连接的输出层；
步骤S2中，基于所述特征数据训练出用于预测未来冷热电负荷状态和综合能源系统冷热电供给输出的预测模型的步骤中，包括：
S21.基于所述训练集特征数据对所述预测模型进行训练；其中，采用所述CNN网络层对所述训练集特征数据进行特征提取，将所述CNN网络层提取的特征输入所述DLSTM网络层进行学习，获得训练完成的所述预测模型；
S22.基于所述测试集特征数据对所述预测模型进行测试，若所述预测模型的预测精度满足预设条件，则输出所述预测模型。
6.根据权利要求5所述的综合能源系统运行优化方法，其特征在于，所述CNN网络层采用金字塔架构；
所述DLSTM网络层通过堆叠多个LSTM层构建，其中，多个所述LSTM层以深度循环网络的方式连接并构成链式贯穿架构。
7.根据权利要求6所述的综合能源系统运行优化方法，其特征在于，步骤S3中，基于粒子群算法构建关于综合能源系统的滚动优化模型的步骤中，分别构建基于光伏电池、蓄电池、电解水制氢、质子交换膜燃料电池、太阳能槽式集热器、辅助电加热器、双效溴化锂吸收式制冷系统的能源系统数学模型；
按照优先级的先后顺序对所述能源系统数学模型进行排序，并采用粒子群数学规划方法对所述能源系统数学模型进行求解，获得所述能源系统数学模型的最优运行策略；
基于所述能源系统数学模型和所述最优运行策略构建出所述滚动优化模型。
8.根据权利要求7所述的综合能源系统运行优化方法，其特征在于，步骤S3中，以最低成本目标构建所述目标函数的步骤中，以整个住宅的综合能源系统的成本和所述综合能源系统年运行费用最小化为所述最低成本目标，假定所述综合能源系统中各设备的发电或余热回收效率为定值，则所述目标函数表示为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为年总运行费用；/>
Figure QLYQS_3
为从电网购电的成本；/>
Figure QLYQS_4
为燃料电池热电联产系统运行成本；/>
Figure QLYQS_5
为系统年收益，包括光伏电池自发自用所获得的补贴和向电网售电所获得的收益。
9.根据权利要求8所述的综合能源系统运行优化方法，其特征在于，步骤S4中，建立实时反馈校正模型的步骤中，基于CNN-DLSTM神经网络构建所述实时反馈校正模型；
步骤S4中，采用所述实时反馈校正模型在每个所述预设时间步长内根据所述综合能源系统的当前实际状态对所述预测数据进行实时补偿，以校正所述预测数据的步骤中，包括：
在所述预设时间步长内，所述实时反馈校正模型获取最近的预设时间间隔内所述预测数据与所述综合能源系统实际运行状态之间的数据误差；
所述实时反馈校正模型基于所述数据误差进行误差预测并获取误差预测结果，基于所述误差预测结果对当前所述预设时间步长的所述预测数据进行实时补偿，以校正所述预测数据。
10.根据权利要求9所述的综合能源系统运行优化方法，其特征在于，所述实时反馈校正模型采用均方根误差、平均绝对百分比误差、平均绝对误差中的至少一种获取所述数据误差。
CN202310488280.4A 2023-05-04 2023-05-04 一种基于负荷预测的综合能源系统运行优化方法 Active CN116187601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310488280.4A CN116187601B (zh) 2023-05-04 2023-05-04 一种基于负荷预测的综合能源系统运行优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310488280.4A CN116187601B (zh) 2023-05-04 2023-05-04 一种基于负荷预测的综合能源系统运行优化方法

Publications (2)

Publication Number Publication Date
CN116187601A true CN116187601A (zh) 2023-05-30
CN116187601B CN116187601B (zh) 2023-06-23

Family

ID=86446680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310488280.4A Active CN116187601B (zh) 2023-05-04 2023-05-04 一种基于负荷预测的综合能源系统运行优化方法

Country Status (1)

Country Link
CN (1) CN116187601B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117010576A (zh) * 2023-10-07 2023-11-07 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法
CN117175595A (zh) * 2023-10-27 2023-12-05 国网浙江省电力有限公司宁波供电公司 一种基于多级数据的电网调控方法及系统
CN117293916A (zh) * 2023-08-22 2023-12-26 国网安徽省电力有限公司天长市供电公司 一种面向用户的电网调度方法及装置、计算设备
CN117318051A (zh) * 2023-11-28 2023-12-29 江苏清智云能综合能源服务有限公司 一种基于物联网技术的智慧能源储能管控系统及方法
CN117728469A (zh) * 2023-12-18 2024-03-19 国网青海省电力公司清洁能源发展研究院 一种基于电网状态的储能动态调控方法
CN117878972A (zh) * 2024-03-12 2024-04-12 南京邮电大学 一种多光伏源参与的配电网快速频率调节方法和装置
CN117977718A (zh) * 2024-04-01 2024-05-03 浙电(宁波北仑)智慧能源有限公司 基于源网荷储的协调调度优化方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
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
CN111598289A (zh) * 2020-03-30 2020-08-28 国网河北省电力有限公司 计及lstm光伏出力预测的综合能源系统分散式优化方法
CN111950793A (zh) * 2020-08-17 2020-11-17 浙江工业大学 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法
CN113326966A (zh) * 2021-02-10 2021-08-31 华北电力大学 基于ceemd-lstm的综合能源系统多元负荷预测方法
CN113822481A (zh) * 2021-09-23 2021-12-21 国网天津市电力公司 基于多任务学习策略和深度学习的综合能源负荷预测方法
CN115409645A (zh) * 2022-08-12 2022-11-29 中国科学院电工研究所 一种基于改进深度强化学习的综合能源系统能量管理方法
CN115409396A (zh) * 2022-09-06 2022-11-29 浙江英集动力科技有限公司 基于双层滚动优化的综合能源系统多时间尺度调度方法
US20230018146A1 (en) * 2021-07-15 2023-01-19 Siemens Aktiengesellschaft Method and central computer arrangement for predicting a grid state, and computer program product

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
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
CN111598289A (zh) * 2020-03-30 2020-08-28 国网河北省电力有限公司 计及lstm光伏出力预测的综合能源系统分散式优化方法
CN111950793A (zh) * 2020-08-17 2020-11-17 浙江工业大学 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法
CN113326966A (zh) * 2021-02-10 2021-08-31 华北电力大学 基于ceemd-lstm的综合能源系统多元负荷预测方法
US20230018146A1 (en) * 2021-07-15 2023-01-19 Siemens Aktiengesellschaft Method and central computer arrangement for predicting a grid state, and computer program product
CN113822481A (zh) * 2021-09-23 2021-12-21 国网天津市电力公司 基于多任务学习策略和深度学习的综合能源负荷预测方法
CN115409645A (zh) * 2022-08-12 2022-11-29 中国科学院电工研究所 一种基于改进深度强化学习的综合能源系统能量管理方法
CN115409396A (zh) * 2022-09-06 2022-11-29 浙江英集动力科技有限公司 基于双层滚动优化的综合能源系统多时间尺度调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡筱曼 等: "基于代理模型加速的园区综合能源系统双目标滚动运行优化", 中国电力, vol. 56, no. 4, pages 130 - 136 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117293916A (zh) * 2023-08-22 2023-12-26 国网安徽省电力有限公司天长市供电公司 一种面向用户的电网调度方法及装置、计算设备
CN117293916B (zh) * 2023-08-22 2024-04-23 国网安徽省电力有限公司天长市供电公司 一种面向用户的电网调度方法及装置、计算设备
CN117010576A (zh) * 2023-10-07 2023-11-07 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法
CN117010576B (zh) * 2023-10-07 2024-02-02 聊城莱柯智能机器人有限公司 基于弹性动力学神经网络的能耗预测方法
CN117175595A (zh) * 2023-10-27 2023-12-05 国网浙江省电力有限公司宁波供电公司 一种基于多级数据的电网调控方法及系统
CN117175595B (zh) * 2023-10-27 2024-03-15 国网浙江省电力有限公司宁波供电公司 一种基于多级数据的电网调控方法及系统
CN117318051A (zh) * 2023-11-28 2023-12-29 江苏清智云能综合能源服务有限公司 一种基于物联网技术的智慧能源储能管控系统及方法
CN117318051B (zh) * 2023-11-28 2024-02-06 江苏清智云能综合能源服务有限公司 一种基于物联网技术的智慧能源储能管控系统及方法
CN117728469A (zh) * 2023-12-18 2024-03-19 国网青海省电力公司清洁能源发展研究院 一种基于电网状态的储能动态调控方法
CN117878972A (zh) * 2024-03-12 2024-04-12 南京邮电大学 一种多光伏源参与的配电网快速频率调节方法和装置
CN117878972B (zh) * 2024-03-12 2024-05-24 南京邮电大学 一种多光伏源参与的配电网快速频率调节方法和装置
CN117977718A (zh) * 2024-04-01 2024-05-03 浙电(宁波北仑)智慧能源有限公司 基于源网荷储的协调调度优化方法及系统

Also Published As

Publication number Publication date
CN116187601B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN116187601B (zh) 一种基于负荷预测的综合能源系统运行优化方法
Shivam et al. A multi-objective predictive energy management strategy for residential grid-connected PV-battery hybrid systems based on machine learning technique
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
CN109858673A (zh) 一种光伏发电系统功率预测方法
CN113112077B (zh) 基于多步预测深度强化学习算法的hvac控制系统
Qi et al. Optimal configuration of concentrating solar power in multienergy power systems with an improved variational autoencoder
Xu et al. Energy allocation strategy based on fuzzy control considering optimal decision boundaries of standalone hybrid energy systems
Liu et al. Research on short-term optimization for integrated hydro-PV power system based on genetic algorithm
Sodsong et al. Short-term solar PV forecasting using gated recurrent unit with a cascade model
CN116436008A (zh) 一种用于光储充电站的电力调度方法及终端
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
Georgiou et al. Implementing artificial neural networks in energy building applications—A review
Wakui et al. Operation management of residential energy-supplying networks based on optimization approaches
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及系统
Souabi et al. Data-driven prediction models of photovoltaic energy for smart grid applications
Cheng et al. Mitigating the impact of photovoltaic power ramps on intraday economic dispatch using reinforcement forecasting
TWI639962B (zh) 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法
CN111342471B (zh) 一种基于机器学习的家庭产消者功率优化管理方法
CN115759604B (zh) 一种综合能源系统优化调度方法
CN115983492A (zh) 含氢多能源系统运行碳排放优化决策方法、系统及介质
CN112734451B (zh) 一种基于非合作博弈的农业大棚多能源系统和优化方法
CN117726143B (zh) 基于深度强化学习的环境友好型微网优化调度方法及系统
Azemena et al. Explainable Artificial Intelligent as a solution approach to the Duck Curve problem
Wang et al. Forecasting Short-Term Solar PV Using Hierarchical Clustering and Cascade Model
CN117091188A (zh) 一种用于区域供暖的氢热电联产优化调度方法及系统

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