基于深度学习的智能楼宇微网负荷预测方法研究

楼宇微网是智能电网的重要组成部分,提高智能楼宇微网负荷预测精度,有助于对楼宇能效系统进行优化控制和调度规划。针对智能楼宇微网用电负荷数据的特点,提出了基于深度学习的智能楼宇微网短期负荷预测模型。首先用无监督的贪心算法对原始数据进行负荷数据的特征学习,完成对智能楼宇微网负荷数据的特征提取;然后挖掘智能楼宇微网负荷数据间的相互关系;最后用反向传播算法微调整个模型的参数。实验结果表明,提出的预测模型与传统预测模型相比具有更高的预测精度,且具有很好的可行性和有效性。

考虑温控负荷聚合功率不确定性的楼宇微网鲁棒优化

随着集成楼宇微网系统的快速发展,温控负荷(thermostatically controlled loads, TCLs)逐渐成为重要的需求响应资源,然而其分布的分散性和响应的不确定性也对集成楼宇微网的调控提出更高的要求。针对TCLs的分布分散特性,文章提出了一种基于楼宇热阻热容(resistance-capacitance, RC)模型的TCLs聚合方案。该方案在对楼宇RC传热模型进行线性化处理后,依据大数定律实现TCLs聚合,可充分计及楼宇建筑的物理结构参数,不但能适应楼宇建筑的差异化建模需求,且方案的计算效率较高。基于此TCLs聚合方案,文章建立了一种适用于集成楼宇微网系统的两阶段鲁棒优化模型,分别对TCLs聚合功率和分布式可再生能源出力的不确定性进行建模,并采用列和约束生成算法进行求解。算例结果表明,所提TCLs聚合方案在各种室外温度和光照强度下都能满足微网调度决策的精度要求;同时,所建立的两阶段鲁棒优化模型能有效减少实际运行下的联络线功率调整量,增强微网系统运行的稳定性和鲁棒性。