CN116432991A - 考虑时空特性的园区多能供需匹配度量化评估方法 - Google Patents
考虑时空特性的园区多能供需匹配度量化评估方法 Download PDFInfo
- Publication number
- CN116432991A CN116432991A CN202310702766.3A CN202310702766A CN116432991A CN 116432991 A CN116432991 A CN 116432991A CN 202310702766 A CN202310702766 A CN 202310702766A CN 116432991 A CN116432991 A CN 116432991A
- Authority
- CN
- China
- Prior art keywords
- model
- factors
- demand
- park
- matching degree
- 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
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000008878 coupling Effects 0.000 claims abstract description 19
- 238000010168 coupling process Methods 0.000 claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 claims abstract description 19
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000013139 quantization Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了考虑时空特性的园区多能供需匹配度量化评估方法,包括以下步骤:对园区供需匹配度的影响因素进行权重分析;基于影响因素的权重分析结果获取园区的历史数据;采用DBN模型识别历史数据中影响因素的相关特性;利用RELM模型对数据进行拟合并输出园区多能供需匹配度量化评估结果;本发明在对园区多能系统的供需匹配度进行预测量化前,首先对冷热电负荷需求之间的多能耦合关系进行动态相关性分析,提取影响因素的权重,获取相应的影响因素作为数据参数进行模型量化,有利于提高DBN‑RELM供需匹配度量化模型的预测准确性。
Description
技术领域
本发明涉及能源综合利用技术领域,尤其涉及一种考虑时空特性的园区多能供需匹配度量化评估方法。
背景技术
由于可再生能源出力具有波动性且不可控制,传统可控电源的出力需要配合可再生能源出力变化进行实时调节,以满足电力电量平衡的需求。传统可控电源需要满足的调节需求也可以通过供需匹配度体现,即为系统中总用电负荷扣除可再生能源出力后的负荷。如受大规模光伏接入的影响,电网的短期(日内)电力电量平衡调节难度日益增大。具体而言,电网的日内供需匹配度曲线呈现“鸭子曲线”特征。
园区多能系统之中需要足够的调节能力以同时应对供给端和消费端的随机变化。而供需匹配度的波动特性决定了园区系统对灵活性调节能力的需求。供需匹配度的波动性与用电负荷、可再生能源出力特性密切相关,且随着可再生能源渗透率提高而增大。对于供需匹配度的量化有助于实现园区多能系统中的动态能量平衡,并实现对园区多能系统的优化管理。因此,有必要对园区多能系统的供需匹配度进行量化。
然而,园区多能系统中分布式可再生能源受到风速、太阳辐射以及太阳高度角等多种因素的强烈影响。此外,冷热电等多能需求还受温度、湿度等因素影响。因此,对园区多能系统的供需匹配度进行预测量化具有一定的挑战性。
传统的多能系统只是侧重于能源的个体形式,但是却忽略了冷热电等多种能源之间的耦合特性,因此,传统的供需匹配度进行预测量化存在一定的缺陷,导致准确度下降。
例如,中国专利CN109245093A公开了一种冷热电联供分布式能源站协同优化调度方法,包括以下步骤:步骤1:根据冷热电联供分布式能源站各部分设备运行特性建立考虑经济效益规划运行模型;步骤2:综合考虑环境成本和经济运行成本,将排放污染物和环境承载力用经济学方法来表示,针对冷热电联供分布式能源站各部分设备的运行模型结合约束条件构建整体优化调度模型;步骤3:利用改进优化的基于蜂群优化算子的自适应粒子群优化算法对整体优化调度模型进行求解进而得出冷热电联供分布式能源站各部分设备最优调度策略;该方案基于蜂群优化算子的自适应粒子群优化算法进行园区多能系统的量化评估,实现最优调度策略,但是该方案的优化调度模型没有对影响因素的相关特性进行分析,导致量化准确度低,其调度策略难以实现多能系统的动态能量平衡。
发明内容
本发明主要解决现有的技术中园区供需匹配进行量化过程中没有考虑影响因素的相关特性导致量化准确度低的问题;提供一种考虑时空特性的园区多能供需匹配度量化评估方法,充分考虑影响因素的相关特性,结合DBN模型进行相关特性的良好识别,使得园区多能供需匹配度量化评估结果更加准确,实现多能系统的动态能量平衡。
本发明的上述技术问题主要是通过下述技术方案得以解决的:考虑时空特性的园区多能供需匹配度量化评估方法,包括以下步骤:
对园区供需匹配度的影响因素进行权重分析;
基于影响因素的权重分析结果获取园区的历史数据;
采用DBN模型识别历史数据中影响因素的相关特性;
利用RELM模型对数据进行拟合并输出园区多能供需匹配度量化评估结果。
作为优选,对园区供需匹配度的影响因素进行权重分析的具体方法为:
S11:根据因素的重要性进行初步排序;
S12:根据因素对比并定义其相互关系;
S13:根据因素的相互关系进行权重系数计算。
作为优选,步骤S13之后还包括以下步骤:
S14:计算修正值,若修正值小于等于修正阈值,则保留因素的权重;若修正值大于修正阈值,则重新定义因素之间的相互关系后进行权重计算。
作为优选,采用DBN模型识别历史数据中影响因素的相关特性具体包括以下步骤:
S31:对历史数据进行预处理;
S32:将预处理后的数据进行耦合性分析;
S33:根据分析结果将历史数据作为训练集进行模型训练。
作为优选,步骤S33的模型训练包括:
S331:确定模型初始参数;
S332:进行初始训练并在逐层训练中进行参数调整;
S333:采用训练好的DBN模型识别影响因素的相关特性。
作为优选,利用RELM模型对数据进行拟合包括以下步骤:
S341:采用优化算法对RELM模型进行优化,获得最佳正则化系数和隐藏层节点;
S342:采用DBN模型的输出作为输入参数;
S343:利用优化后的RELM模型进行预测获得预测结果。
作为优选,还包括量化评估结果指标计算,根据RELM模型输出的量化评估结果,计算平均绝对误差、均方根误差、均方根相对误差、平均绝对百分比误差和相对均方根误差进行模型准确度验证。
作为优选,对因素进行权重分析之前还包括对因素进行相关性分析,从园区多能系统的数据空间中对重要因素进行提取,计算Pearson相关系数,基于Pearson相关系数,获取同一因素对冷热电不同需求的影响。
本发明的有益效果是:在对园区多能系统的供需匹配度进行预测量化前,首先对冷热电负荷需求之间的多能耦合关系进行动态相关性分析,提取影响因素的权重,获取相应的影响因素作为数据参数进行模型量化,有利于提高DBN-RELM供需匹配度量化模型的预测准确性;将DBN模型和RELM模型结合,利用DBN模型识别出数据之间的关系和相关影响特征,并利用这些特征数据,作为RELM的输入,从而减少全部数据输入RELM模型给模型带来训练误差,实现预测量化的双层优化效果,从而提高了预测的精准度。
附图说明
图1是本发明实施例的量化评估方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本发明实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定发明。
实施例:一种考虑时空特性的园区多能供需匹配度量化评估方法,如图1所示,包括以下步骤:
S1:对园区供需匹配度的影响因素进行权重分析;
对因素进行权重分析之前还包括对因素进行相关性分析,从园区多能系统的数据空间中对重要因素进行提取,计算Pearson相关系数,基于Pearson相关系数,获取同一因素对冷热电不同需求的的影响。
在对园区多能系统的供需匹配度进行预测量化时,受冷热电等多种能源需求之间的耦合性以及气象等外部因素的影响。然而,在供需匹配度的预测量化时考虑的影响因素越多并不意味着量化精度越高。与供需匹配度呈现弱相关的因素的输入并不会对模型的训练产生积极影响。因此,需要对相关因素进行权重分析后选取相关因素作为模型的输入,而不是全部的因素都采用,减少算法的工作量。
园区系统的供需匹配度的影响因素众多,且每个影响因素与冷热电等多能需求之间具有不同的相关性。从园区多能系统的数据空间中对重要因素进行提取,并从数据驱动的角度计算园区系统中多能需求和影响因素之间的相关系数,基于Pearson相关系数,可以得到同一因素对冷热电不同需求的影响。为了充分提取有效信息,对不相关因素进行去除处理,并将剩余的影响因素作为供需匹配度预测量化模型的输入。具体而言:
温度与冷能需求具有极强的正相关性(0.92)、与电能需求具有较强的负相关性(-0.78)、与热能需求也具有较强的负相关性(-0.87)。温度与电能需求和冷能需求具有较强的正相关性,而与热能需求则只有中度相关性。
太阳辐射与电能需求之间的相关性为0.54。尽管热能需求和冷能需求与光伏出力的之间的直接相关性相对较低,但是太阳辐射会对园区多能需求(冷负荷需求和热负荷需求)产生间接影响。因此,太阳辐射也被考虑为园区供需匹配度的影响因素。此外,风速与电能需求之间的相关性为0.31,且也会间接对园区多能需求产生间接影响,因此,风速也是影响因素之一。
温度和蒸汽压与冷负荷和电负荷需求呈正相关,与热负荷需求呈正相关。风向与冷负荷需求、热负荷需求和电负荷之间的相关性很弱,因此在输入因素中不考虑风向。
在某些情况下,尽管变量是相关的,但是通过Pearson相关系数法无法测算其相关性,这主要是受时间特性的影响。考虑到园区多能系统中冷热电需求具有较强的时间依赖性,因此有必要进一步将月、日、小时以及假期等信息作为园区供需匹配度量化模型的输入。
通过对冷热电需求和影响因素的相关性分析确定了最终的影响因素,然而各影响因素对园区系统供需匹配度的重要程度也有所不同。为了更好的提高预测精度,进一步引入定义排序准则相关性法(Defining Interrelationships Between Ranked criteria,DIBR)对各个影响因素的重要性进行排序。
DIBR方法以相邻指标重要性判断为核心出发点,突破了传统专家判断方法适用固定的重要性刻度的局限性,确保了权重结果的一致性和准确性,但指标数量增加时,模型的计算复杂度显著增加,且所有指标重要性排序存在较大的主观性。具体方法为:
S11:根据因素的重要性进行初步排序;定义一组n个因素,并选择因素/>作为最佳因素。然后,可以根据显著性/>对于因素进行排序,其中,k表示的是因素的排序等级。为了便于方法的介绍,特将假设因素按显著性,其中,n表示的是集合C中的因素总数。
……
公式(1)-(3)和将两个因素按照重要性进行划分,重要性的总值为100%。也就是说,当决策者认为因素/>和/>之间的重要性比值为/>时,其含义为在总共的100%重要性之中,因素/>占有65%的比例,而因素/>占有35%的比例。
根据公式(7),可以进一步定义最重要因素的权重系数计算公式为:
如果和/>的数值大致相同(/>和/>的偏差最好不超过10%),那么就可以认为其满足因素之间的相互关系。如果两个数值不同,则需要首先检查/>的关系。当/>的关系正确时,则有必要重新定义因素之间的关系并重新计算权重系数。如果/>的关系不正确时,则需要对该关系进行调整。如果存在重大偏差,即超过10%,则需要在因素之间重新定义关系,以满足上述条件。
S2:基于影响因素的权重分析结果获取园区的历史数据;从园区能源管理系统中收集各种能源供给和需求的历史样本,并分析多能源需求的典型特征,根据权重分析结果获取园区的历史数据包括冷、热、电需求的历史数据;另外,外部影响因素包括温度、平均风速、蒸气压、太阳辐射等;时间特征信息包括月、日、时和节假日信息(用0表示工作日,用1表示普通休息日,用2表示重大节假日)。然后,建立基于DBN-RELM的组合预测模型。
S3:采用DBN模型识别历史数据中影响因素的相关特性;采用DBN模型识别历史数据中影响因素的相关特性具体包括以下步骤:
S31:对历史数据进行预处理;
S32:将预处理后的数据进行耦合性分析;
S33:根据分析结果将历史数据作为训练集进行模型训练。
步骤S33的模型训练包括:
S331:确定模型初始参数;
S332:进行初始训练并在逐层训练中进行参数调整;
S333:采用训练好的DBN模型识别影响因素的相关特性。
S4:利用RELM模型对数据进行拟合并输出园区多能供需匹配度量化评估结果;利用RELM模型对数据进行拟合包括以下步骤:
S341:采用优化算法对RELM模型进行优化,获得最佳正则化系数和隐藏层节点;
S342:采用DBN模型的输出作为输入参数;
S343:利用优化后的RELM模型进行预测获得预测结果。
进行量化评估结果指标计算,根据RELM模型输出的量化评估结果,计算平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R)、平均绝对百分比误差(MAPE)、均方根相对误差(RMSRE)和相对均方根误差(RRMSE)等指标进行模型准确度验证。
以某生态智慧园区为例进行算例分析。该智慧园区以湿地为依托,总规划面积约128.16km2,占地包括多个小镇以及街道的部分区域,其中城乡建设规划用地面积约38km2,湿地及其他农林用地约90km2。
为满足当地的多能负荷需求,依托该地生态智慧园区总体规划,将能源供应侧和需求侧各种形式的资源综合成为一个整体进行统筹利用,实现基于广域、多种形式能源供给的优化配置,满足用户冷、热、电等综合性能源需求。通过能源供应层、能源输送层、能源终端层、能源信息平台四大模块的建设,构建该地生态智慧能源系统总体框架,并在园区中实现多能流协同能量管理、供需灵活接入、信息协调互动、创新能源消费模式等。
为了验证本发明提出的方法的准确性,可再生能源发电和多元负荷需求数据的采样间隔为1小时。并与采用不考虑多能耦合特性的基于DBN-RELM的供需匹配度需求预测方法进行性能比较。本发明中所有模型算法都在MATLAB R2018b中实现,并在带有AMD A8-7100 Radeon R5、8核CPU和8.00 GB RAM的计算机上执行。
一般情况下,园区多能系统具有多种能量相互耦合的特性,这些特性可被用于提高预测模型的预测性能。然而,到目前为止,现有的研究往往会忽略园区多能系统中冷热电等多种能量之间的耦合特性。在这种情况下,将基于DBN-RELM但不考虑多种能量耦合预测模型的预测结果与所提出的预测模型进行对比。其中,不考虑多能耦合特性时主要是指对园区多能系统负荷与可再生能源出力单独进行预测量化,并通过式(11)计算冷热电的供需匹配度;
式中,、/>和/>分别表示的是园区多能系统中电能、热能和冷能的供需匹配度。/>、/>和/>分别表示的是园区多能系统中电能、热能和冷能的负荷需求。/>和/>分别表示的是园区多能系统中风电和光伏的实际出力,/>表示的是园区多能系统中光热机组的产热量。
对所提出的预测量化效果评估指标主要有:平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R)、平均绝对百分比误差(MAPE)、均方根相对误差(RMSRE)、相对均方根误差(RRMSE)。以上述指标为评估基础,单独对冷热电供需匹配度进行预测时,其预测误差结果如表1所示:
表1 单独预测下多能负荷供需匹配度预测误差
从表1的预测结果中可以看出,在不考虑多能耦合特性下对多能负荷需求的预测效果不能令人满意,如指标R大多在0.8~0.9之间、RRMSE指标在20%左右。此外,从统计结果可以看出,热负荷和冷负荷存在较为明显的季节性差异。这主要是因为夏季和秋季不需要向建筑物供热,只需要部分热水负荷,而冷负荷大致与其相反。
不考虑多能耦合代表单独的预测量化方法;考虑多能耦合代表考虑多能耦合后的多能源供需匹配度预测量化方法;本发明所提出的多能源供需匹配度预测量化方法的平均MAPE、RMSE、和RRMSE分别为1.1%、76.2和9.2%(以电能供需匹配度为例),这明显优于基于单独预测方法所得出的统计结果。这一结果进一步表明,本发明所提出的方法在避免累积预测误差以及考虑不同多能量时间序列之间的非线性特征和耦合方面具有很高的预测量化应用潜力。
为了进一步验证本发明所提出方法的准确性,将预测结果与其它供需匹配度预测法进行了比较,如BPNN、ARIMA和常规DBN。
在测试样本上对这些方法的预测性能进行综合评估,表征指标包括MAE、RMSE、R、MAPE、RMSRE、RRMSE等。具体结果如表2所示:
表2 不同预测量化方法下年平均预测误差
从表2中可以明显看出,本发明所提出的DBN-RELM模型电能供需匹配度量化值的MAE、RMSE、MAPE、RMSE、RRMSE和R结果分别为50.368、104.12、1.0741%、0.0865、13.002%和0.9818;DBN-RELM模型的热能供需匹配度MAE、RMSE、MAPE、RMSE、RRMSE和R结果分别为50.295、103.56、1.9613%、1.8619、10.133%和0.993;DBN-RELM模型的冷能供需匹配度MAE、RMSE、MAPE、RMSE、RRMSE和R结果分别为50.128、102.07、2.4584%、0.5684、10.826%和0.9833。显然,本发明所提出的预测方法在所有比较方法中表现出最佳性能。此外,DBN的电能供需匹配度量化值的MAE、RMSE、MAPE、RMSE、RRMSE和R结果分别为70.862、111.81、1.379%、0.284、15.117%、0.5800;DBN的热能供需匹配度量化值的MAE、RMSE、MAPE、RMSE、RRMSE和R结果分别为60.737、109.63、3.4388%、2.7938、16.199%和0.8534;DBN的冷能供需匹配度量化值的MAE、RMSE、MAPE、RMSE、RRMSE和R结果分别为60.747、108.26、5.797%、1.7537、13.919%和0.9574。在指标对比中可以看出,DBN的预测性能不如本发明所提出的方法(DBN-RELM)的结果。主要原因在于虽然DBN能够有效的提取出数据之间的关联特征,一定程度上减少不同因素在预测模型训练的误差,但是DBN模型属于深度学习算法模型,相对机器学习的拟合效果具有一定劣势。而本文提出DBN-RELM模型,一方面使用了DBN模型提取数据的特征,减少了RELM训练数据的相关影响程度,提高了数据本身的准确性,另一方面,使用RELM模型能够解决DBN模型在拟合问题上的不足,实现预测量化的双层优化效果。
对园区多能系统中的供需匹配情况进行准确的预测量化能够为园区中多元储能的规划以及优化调度等策略制定提供参考和依据。本发明在对园区多能系统的供需匹配度时空特性分析的基础上,集成深度信念网络(DBN)和正则化极限学习机(RELM),提出了基于多层级深度学习算法的供需匹配度量化模型。其中,DBN能够有效的提取出数据之间的关联特征,一定程度上减少不同因素在预测模型训练的误差,但是DBN模型属于深度学习算法模型,相对机器学习的拟合效果具有一定劣势,而RELM模型无法有效的识别数据之间的关联程度和影响特征。将两者相结合,利用DBN模型识别出数据之间的关系和相关影响特征,并利用这些特征数据,作为RELM的输入,从而减少全部数据输入RELM模型给模型带来训练误差。通过将DBN与RELM进行有机结合,实现预测量化的双层优化效果,从而提高了预测的精准度。
在对园区多能系统的供需匹配度进行预测量化前,首先对冷热电负荷需求之间的多能耦合关系进行动态相关性分析,可以看出相关性具有一定的季节性。从总体上来看,电需求-冷需求、电需求-热需求和冷需求-热需求之间的相关性分别为0.89、-0.78和-0.74。并进一步针对温度、风速、风向以及太阳辐射等影响因素进行相关性分析,从而确定基于多层级深度学习算法的模型中的输入变量,进行预测量化分析。为观测其预测量化性能,特引入六个统计评估指标,包括平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R)、平均绝对百分比误差(MAPE)、均方根相对误差(RMSRE)和相对均方根误差(RRMSE)。
从预测结果中可以看出,在充分考虑园区多能系统中热、电和冷能供需匹配度之间的动态耦合和相关特性后,有利于提高DBN-RELM供需匹配度量化模型的预测准确性。具体而言,在不考虑多能耦合特性时,预测效果较差,如指标R大多在0.7左右、RRMSE指标多大于20;考虑多能耦合特性后,预测量化结果的MAPE、RMSE、和RRMSE分别为1.1%、76.2和9.2%(以电能供需匹配度为例),这明显优于基于单独预测方法所得出的统计结果。此外,在与BPNN、ARIMA和常规DBN等预测量化方法的对比中,可以看出,在增加了预测层级后预测效果有明显的提高。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,包括以下步骤:
对园区供需匹配度的影响因素进行权重分析;
基于影响因素的权重分析结果获取园区的历史数据;
采用DBN模型识别历史数据中影响因素的相关特性;
利用RELM模型对数据进行拟合并输出园区多能供需匹配度量化评估结果。
2.根据权利要求1所述的考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,
对园区供需匹配度的影响因素进行权重分析的具体方法为:
S11:根据因素的重要性进行初步排序;
S12:根据因素对比并定义其相互关系;
S13:根据因素的相互关系进行权重系数计算。
3.根据权利要求2所述的考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,
步骤S13之后还包括以下步骤:
S14:计算修正值,若修正值小于等于修正阈值,则保留因素的权重;若修正值大于修正阈值,则重新定义因素之间的相互关系后进行权重计算。
4.根据权利要求1或2或3所述的考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,
采用DBN模型识别历史数据中影响因素的相关特性具体包括以下步骤:
S31:对历史数据进行预处理;
S32:将预处理后的数据进行耦合性分析;
S33:根据分析结果将历史数据作为训练集进行模型训练。
5.根据权利要求4所述的考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,
步骤S33的模型训练包括:
S331:确定模型初始参数;
S332:进行初始训练并在逐层训练中进行参数调整;
S333:采用训练好的DBN模型识别影响因素的相关特性。
6.根据权利要求1所述的考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,
利用RELM模型对数据进行拟合包括以下步骤:
S341:采用优化算法对RELM模型进行优化,获得最佳正则化系数和隐藏层节点;
S342:采用DBN模型的输出作为输入参数;
S343:利用优化后的RELM模型进行预测获得预测结果。
7.根据权利要求1所述的考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,
还包括量化评估结果指标计算,根据RELM模型输出的量化评估结果,计算平均绝对误差、均方根误差、均方根相对误差、平均绝对百分比误差和相对均方根误差进行模型准确度验证。
8.根据权利要求1所述的考虑时空特性的园区多能供需匹配度量化评估方法,其特征在于,
对因素进行权重分析之前还包括对因素进行相关性分析,从园区多能系统的数据空间中对重要因素进行提取,计算Pearson相关系数,基于Pearson相关系数,获取同一因素对冷热电不同需求的影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702766.3A CN116432991A (zh) | 2023-06-14 | 2023-06-14 | 考虑时空特性的园区多能供需匹配度量化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702766.3A CN116432991A (zh) | 2023-06-14 | 2023-06-14 | 考虑时空特性的园区多能供需匹配度量化评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432991A true CN116432991A (zh) | 2023-07-14 |
Family
ID=87094719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310702766.3A Pending CN116432991A (zh) | 2023-06-14 | 2023-06-14 | 考虑时空特性的园区多能供需匹配度量化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432991A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
US20190172159A1 (en) * | 2017-12-06 | 2019-06-06 | NAD Grid Corp | Method and system for facilitating electricity services |
CN110808581A (zh) * | 2019-10-25 | 2020-02-18 | 浙江工业大学 | 一种基于dbn-svm的主动配电网电能质量预测方法 |
CN110837915A (zh) * | 2019-09-29 | 2020-02-25 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN111275240A (zh) * | 2019-12-27 | 2020-06-12 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
CN112365056A (zh) * | 2020-11-12 | 2021-02-12 | 云南电网有限责任公司 | 一种电气负荷联合预测方法、装置、终端及存储介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
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 |
CN113887833A (zh) * | 2021-10-28 | 2022-01-04 | 西安热工研究院有限公司 | 一种分布式能源用户侧逐时负荷预测方法及系统 |
CN114266374A (zh) * | 2021-07-26 | 2022-04-01 | 国网山西省电力公司经济技术研究院 | 一种基于深度学习的综合能源系统多元负荷预测方法 |
CN114298377A (zh) * | 2021-12-02 | 2022-04-08 | 华东电力试验研究院有限公司 | 一种基于改进极限学习机的光伏发电预测方法 |
-
2023
- 2023-06-14 CN CN202310702766.3A patent/CN116432991A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
US20190172159A1 (en) * | 2017-12-06 | 2019-06-06 | NAD Grid Corp | Method and system for facilitating electricity services |
CN110837915A (zh) * | 2019-09-29 | 2020-02-25 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN110808581A (zh) * | 2019-10-25 | 2020-02-18 | 浙江工业大学 | 一种基于dbn-svm的主动配电网电能质量预测方法 |
CN111275240A (zh) * | 2019-12-27 | 2020-06-12 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
CN112365056A (zh) * | 2020-11-12 | 2021-02-12 | 云南电网有限责任公司 | 一种电气负荷联合预测方法、装置、终端及存储介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
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 |
CN114266374A (zh) * | 2021-07-26 | 2022-04-01 | 国网山西省电力公司经济技术研究院 | 一种基于深度学习的综合能源系统多元负荷预测方法 |
CN113887833A (zh) * | 2021-10-28 | 2022-01-04 | 西安热工研究院有限公司 | 一种分布式能源用户侧逐时负荷预测方法及系统 |
CN114298377A (zh) * | 2021-12-02 | 2022-04-08 | 华东电力试验研究院有限公司 | 一种基于改进极限学习机的光伏发电预测方法 |
Non-Patent Citations (1)
Title |
---|
MUHAMMET DEVECI ET AL.: "An analytics approach to decision alternative prioritization for zero-emission zone logistics", 《JOURNAL OF BUSINESS RESEARCH》, vol. 46, pages 554 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | A hybrid model based on data preprocessing strategy and error correction system for wind speed forecasting | |
CN106408223A (zh) | 基于气象相似日及误差校正的短期负荷预测方法 | |
CN109829604A (zh) | 一种电网侧储能电站运行效果综合评估方法 | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
CN112446534B (zh) | 一种输变电工程的建设工期预测方法和装置 | |
CN112396220B (zh) | 一种基于场景缩减的含风电与需求侧资源的优化调度方法 | |
CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN109191025A (zh) | 一种电源结构优化配置方案综合能效的评价方法 | |
CN106779478A (zh) | 一种负荷调度价值评估方法 | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN112465286A (zh) | 一种电动汽车充电网络服务能力评价方法 | |
CN115759604B (zh) | 一种综合能源系统优化调度方法 | |
CN110634033A (zh) | 一种配售电园区价值评估方法和装置 | |
Wu et al. | A critical barrier analysis framework to the development of rural distributed PV in China | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN112085259A (zh) | 一种新能源接入与综合能源服务潜力关联预测方法 | |
CN115456406A (zh) | 一种综合能源系统的评估方法、装置、设备以及存储介质 | |
CN111144604B (zh) | 海上风电场的运维交通方案的推荐方法和设备 | |
CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
CN113919661A (zh) | 一种基于碳生态的多微网能量协调控制方法 | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
CN107767018A (zh) | 基于改进vikor法的特高压电网综合效益评估方法 | |
CN116432991A (zh) | 考虑时空特性的园区多能供需匹配度量化评估方法 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
Goraj et al. | Validity of decision criteria for selecting power-to-gas projects in Poland |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230714 |