考虑隐私保护的综合能源负荷联合聚类方法

能源系统多元化发展的背景下,深度挖掘综合能源用户的价值,提高能源系统灵活性是构建综合能源系统的关键路径。用户负荷聚类是提炼多类型用户的共性用能特性、提取用户用能模式的基础。与传统电力用户相比,综合能源用户聚类存在多个问题:用户的用能需求不局限于单一能源,不同类型能源的数据存在耦合关系;综合能源系统结构关系复杂,能源数据分属多运营主体,各主体不会向其他运营主体披露隐私数据。本文提出一种基于参数共识的综合能源联合聚类方法。该方法考虑用户数据的隐私性,适用于数据被分散存储且不同负荷聚合商之间存在信息隔离的情况,并能得到和集中式聚类相同的结果。通过多种能源联合聚类,聚类结果能够表征多能耦合下用户的用能习惯,为综合能源需求侧管理策略和系统运行优化提供决策依据。通过美国旧金山建筑能耗数据集验证了本文所提方法的有效性。

针对气象敏感型综合能源负荷的收敛交叉映射因果关系分析

气象敏感型综合能源负荷是随气候条件变化而波动明显的电、冷、热等多元负荷,具有较强的随机性、不确定性与耦合转化关系,现有的负荷特性分析方法难以精准量化评估气象因素对其的影响。选取实际的综合能源系统为分析对象,基于负荷特性分析,建立了包含多种单一和综合气象因素的关联指标体系,通过基于滑窗法的强关联时段提取、基于收敛交叉映射方法的因果关系强度及敏感度计算构建了因果关系模型与分析流程,结合算例仿真对所提模型进行了验证。结果表明,所提方法能够准确衡量气象因素对多元负荷的影响,可为后续开展能源系统规划与负荷预测研究提供参考。

基于聚合混合模态分解和时序卷积神经网络的综合能源系统负荷修正预测

为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模态分解对电、冷和热负荷初步分解处理,随后利用变分模态分解对具有强复杂性的子序列进一步分解。然后,依据最大信息系数(maximum information coefficient,MIC)分析多元负荷的耦合特性并通过多元相空间重构(multivariate phase space reconstruction,MPSR)丰富特征信息。最后,构建基于TCN的修正预测模型。以校园综合能源系统算例对比不同预测模型,结果显示所提修正预测框架的电、冷和热负荷预测均具有较低的平均绝对百分比误差,有效解决了预测中模态分解的模态混叠以及模态高频分量问题,实现预测误差修正。