基于ICEEMDAN-CNN-K-shape的智慧园区短期负荷预测研究

在“双碳”背景下,针对海量用户负荷预测场景,目前智慧园区用能存在受多重外界因素影响,人工调整参数和使用单一模型无法实现精确的负荷预测。因此,提出了一种基于改进的带有自适应噪声完备集合经验模态分解(ICEEMDAN)结合卷积神经网络(CNN)结合K-shape的智慧园区短期负荷预测方法。首先,基于改进的带有自适应噪声完备集合经验模态分解法将初始用能数据分解为若干分量,将负荷序列的特征在多尺度上剥离开,以减少负荷序列的复杂性。而后,使用卷积神经网络算法将分解后的数据进行特征提取,提取相似日不同时间段下智慧园区负荷特征曲线。最后,基于K-shape聚类筛选相似日历史负荷作为卷积神经网络的输入向量进行智慧园区短期负荷预测。以浙江省某智慧园区用能数据为例,将所提方法应用于典型的智慧园区,并与已有聚类评价指标比较,实验结果表明,所提方法能够很好地解决智慧园区短期负荷预测问题。

风光储微电网储能系统容量优化配置

太阳能、风能等分布式能源具有间歇性与波动性的特点,储能技术可有效地减少输出功率的波动性,提高能源的可控性。在分析风光储微电网系统出力特性的基础上,以系统总投资成本、年负荷缺电率、弃风弃光率最小为优化目标,建立风光储微电网储能系统容量优化配置模型。在不同约束条件和运行策略下,采用非支配排序遗传算法(NSGA)对模型进行求解,得到最优容量配置方案。算例结果表明,采用储能能量调度策略和NSGA对风光储微电网系统进行容量配置,显著降低了系统投资成本,提高了系统的供电可靠性和能源利用率。