考虑多重特征与不确定性度量的综合能源系统负荷预测研究

精准可靠的冷、热、电负荷预测对综合能源系统的优化运行具有重要意义,为有效提取负荷序列间存在的线性、非线性、耦合性以及不确定性等特征,该文提出一种由多元线性回归(MLR)、改进型自适应白噪声完备集成经验模态分解(ICEEMDAN)、长短时记忆(LSTM)神经网络、蒙特卡罗(MC)法相结合的多元负荷预测方法。首先,针对冷、热、电负荷分别构建MLR模型以挖掘线性特征。然后,将残差部分利用ICEEMDAN方法分解,再对重构后同一频段的各负荷残差分量建立LSTM模型,实现对非线性及耦合性的学习。最后,将MLR与LSTM结果叠加得到点预测值。与参照模型中的最优结果相比,该方法下冷、热、电负荷的R2分别提升了0.09%、0.21%、0.40%。此外,为实现对负荷不确定性的有效量化,进一步采用非参数核密度估计与MC抽样结合的方法得到预测区间结果。经算例分析,各负荷的预测区间覆盖率均大于相应的置信水平(95%、90%、85%),所提方法具有较高的预测精度及可靠性。

基于动态FOA优化RBF神经网络的综合能源系统负荷预测

综合能源系统多元负荷预测是有效提升能源利用效率、降低用能成本的主要途径之一。针对综合能源系统数据繁杂、不易预测的问题,首先引入动态FOA算法优化RBF神经网络,帮助RBF神经网络寻优;其次运用Lasso原理对气象因素进行选择,将负荷数据及气象因素输入到动态FOA优化后的RBF神经网络;最后对北方某园区进行综合能源系统负荷预测,并与BP神经网络进行对比验证。预测结果表明,采用该方法进行负荷预测能有效改善预测效果,保障了区域综合能源系统的优化运行。

基于CNN-LSTM的综合能源系统负荷预测模型

负荷的准确预测是综合能源系统设计、运行、调度和管理的前提。现有的负荷预测模型中大都考虑了气象、日期因素,却没有考虑系统中电、冷、热负荷间的相关性,这会对模型的预测精度造成影响。使用了科普拉理论对系统中3种负荷之间的相关性进行分析。从分析结果看,它们之间具有强相关的关系。基于上述分析结果,提出了一种基于深度学习的智慧综合能源系统负荷预测模型,该模型使用卷积神经网络(convolutional neural network,CNN)来提取系统中电、冷、热负荷间的耦合特性相关的特征量。将得到的特征量转换为时间序列后,输入到长短期记忆(long short-term memory,LSTM)网络中进行负荷预测。实验显示,所提出的CNN-LSTM组合模型的预测精度更为精准,可为综合能源系统的负荷预测提供参考。

基于LASSO和PSO-LSTM的综合能源系统负荷预测

为有效统筹与调度综合能源系统资源,合理规划综合能源系统多元负荷,构建了一种基于LASSO(Least Absolute Shrinkage and Selection Operator,压缩估计)算法和PSO(Particle Swarm Optimizer,粒子群算法)优化LSTM(Long and Short Term Memory,长短时记忆神经网络)的综合能源系统负荷预测新模型。针对综合能源系统气象因素导致数据复杂程度增大,首先研究了基于LASSO的大数据分析及选择的算法,对气象因素进行选择和分析,获得有效数据集;然后引入PSO算法优化LSTM神经网络,帮助LSTM神经网络参数寻优;最后利用PSO-LSTM神经网络进行负荷预测。通过对北方某园区区域综合能源系统进行负荷预测,验证了该模型的可行性,保障了区域综合能源系统优化运行。

数据驱动的综合能源系统负荷预测综述

为了进一步提高能源的利用效率,综合能源系统(integrated energy system,IES)使各种能源系统间联系更加紧密,已经成为能源转型过程中一种重要的能源利用方式。IES负荷预测作为IES需求侧能量预测的重要方面,已经成为IES规划与运行调度的首要前提,要求有效地学习多类能源耦合信息,并准确地对多元化用能需求进行预测。首先,对IES用能特性进行分析;然后,对IES负荷预测研究现状进行综述,着重介绍了数据驱动技术在IES负荷预测问题中的应用状况;最后,对IES需求侧能量预测体系发展方向进行展望,并设想构建涵盖多能源耦合、多时间尺度、多空间层级和多管理环节的IES多维度协同预测体系。

基于MMoE多任务学习和长短时记忆网络的综合能源系统负荷预测

精确的多元负荷预测是实现综合能源系统优化调度与经济运行的关键技术。在考虑多元负荷相关性的基础上,提出一种基于MMoE多任务学习和长短时记忆网络(LSTM)的多元负荷预测方法。利用皮尔逊相关系数分析冷热电负荷及气象因素存在的强相关性和弱相关性;构建MMoE多任务学习模型,利用专家子网和门控单元学习多元负荷间耦合特性的差异;使用LSTM构建子任务模型,对多元负荷进行预测。利用公开数据集进行性能验证,结果表明所提基于MMoE多任务学习和LSTM的模型能够有效提升多元负荷预测精度。

计及季节与趋势因素的综合能源系统负荷预测

针对复杂影响因素下综合能源系统月度负荷预测精度低的问题,提出基于时间序列特征分解的月度负荷预测模型.利用时间序列分解方法将负荷数据分解为季节分量、趋势分量与随机分量,根据各分量随时间变化的特性,分别采用向量自回归模型、最小二乘支持向量回归与平均值法进行预测.各分量预测结果的投影重构值作为月度负荷的预测值,并考虑了季节拐点与区域经济因素对月度负荷的影响.实例分析证明该方法能够有效提高综合能源系统的月度负荷预测精度.

基于模糊C均值聚类算法的电-热互联综合能源系统负荷预测

电-热互联综合能源系统负荷预测参数相似度较高,预测收敛性较差。提出基于模糊C均值聚类算法的电-热互联综合能源系统负荷预测方法。联合能源转换器、负荷预测芯片两个初级应用设备,完成电-热互联综合能源系统的特性负荷元件研究。按照能源系统电-热数据密度估计条件,设定实际均值聚类参数,通过预测系数归一化处理实现基于模糊C均值聚类算法电-热互联综合能源系统负荷预测。实验结果表明,与传统基于RBF电量调试的能源系统负荷预测方法相比,所提方法应用过程中,UDC指标(单位时间内电压输出水平)、IDC指标(单位时间内电流输出水平)均出现上升趋势,有效降低了能源系统特性元件负载电量过高情况发生概率。

基于Spearman相关性阈值寻优和VMD-LSTM的用户级综合能源系统超短期负荷预测

由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimization,TO)和变分模态分解结合长短期记忆网络(variational mode decomposition based long short-term memory network,VMD-LSTM)的多元负荷预测方法。首先,使用斯皮尔曼等级(Spearman rank,SR)相关系数定量计算多元负荷间以及负荷与其他气候因素间的相关关系并通过循环寻优确定最优相关阈值,然后采用VMD算法将以最优阈值筛选出的负荷特征序列分解成更简单、平稳、有规律性的本征模态函数(intrinsic mode function,IMF)后与最优气象特征一起输入LSTM模型进行负荷预测。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提方法能有效提高IES的多元负荷预测精度。

基于多变量相空间重构和径向基函数神经网络的综合能源系统电冷热超短期负荷预测

为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。

基于重构误差和极端模式识别的综合能源系统短期负荷预测

综合能源系统的运行场景存在极端模式,且含有异常数据,亟剧增加了综合能源负荷预测的难度。该文提出基于极端模式识别和误差重构的综合能源系统极端模式短期负荷预测方法,通过极端模式的识别,异常数据的检测,提高综合能源负荷预测的精度。首先,基于最小累积距离的综合能源负荷数据聚类,识别系统的极端模式;然后,利用深度学习模型的残差和聚类误差进行误差重构,检测异常数据;最后,采用改进的Stacking集成学习方法,进行极端模式的综合能源负荷预测。将所提方法应用于典型的综合能源系统,并与已有方法比较,实验结果表明,所提方法能够很好地解决极端模式的综合能源系统短期负荷预测问题。

基于STL-Crossformer的综合能源系统多元负荷预测

综合能源系统的多元负荷预测对于系统的运行和调度至关重要。传统的预测模型没有充分捕捉时间序列的长期依赖性或没有考虑多元负荷间的耦合关系,限制了预测准确性的提高。为解决综合能源系统中多元负荷预测的挑战,文中提出了一种融合季节性趋势分解和Crossformer的预测模型。首先利用季节性趋势分解把原始负荷数据分解为三个子序列;然后通过维度分段嵌入(Dimension Segment Wise embedding, DSW)和两阶段注意力机制(Two Stage Attention, TSA),提取多元负荷数据的跨时间相关性和跨维度相关性;最终利用分层编解码器结构生成预测结果。文中在实测负荷数据集上进行了对比实验,结果表明文中提出的模型相比其他对比模型具有更高的准确性。

基于多任务学习和单任务学习组合模型的综合能源系统多元负荷预测

针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。

基于特征筛选的综合能源系统多元负荷日前-日内预测

负荷预测是指导综合能源系统调度与运行的前提。为更加经济高效地实施系统日前计划、日内优化,提出一种基于特征筛选的多元负荷日前-日内预测方法。首先,结合特征工程中3类特征筛选方法筛选预测模型输入特征,简化模型的同时能够保存下最重要的特征,针对日前-日内预测策略分别确立输入特征集;然后通过多任务学习硬共享机制,采用长短期记忆神经网络建立预测模型,实现不同子任务信息共享,并通过随机搜索方法优化网络参数以提高预测精度;最后以北京某产业园区供暖季电、热负荷为案例进行分析,日前、日内预测综合精度分别达到91.3%和95.2%。分析结果表明,该预测方法能够为系统日前调度和日内运行优化提供良好支撑,且预测结果优于未经特征筛选预测和单独负荷预测,证明了该预测方法具有更高的预测精度。

基于改进LSTM算法的综合能源系统多元负荷预测

准确预测短期多种能源负荷,是确保综合能源系统可靠、高效运行的必要前提。为此,提出了一种基于遗传粒子群混合优化(genetic algorithm particle swarm optimization,GAPSO)算法的卷积长短期记忆神经网络(convolutional neural network-long short-term memory,CNN-LSTM)综合能源系统多元负荷预测模型。首先,利用皮尔逊系数来描述各影响因素与负荷之间的相关性强弱。其次,采用GAPSO算法对长短期记忆(long short-term memory,LSTM)网络模型进行改进,然后构建卷积神经网络(convolutional neural networks,CNN)以提取小时级高阶特征,并通过改进后的LSTM网络模型对提取的隐含高阶特征进行分位数回归建模,构建了基于GAPSO-CNN-LSTM综合能源系统多元负荷预测模型。最后,以美国亚利桑那州立大学坦佩校区综合能源系统负荷数据为算例进行验证,结果表明:改进后的算法具有更好的收敛能力,模型具有更高的预测精度。

基于BP神经网络的综合能源系统短期负荷预测方法

分析处理了综合能源电力负荷特性数据,利用BP神经网络设计了综合能源系统短期负荷预测算法,实现了综合能源短期负荷预测。实验结果表明,设计的综合能源系统短期负荷预测方法预测的负荷与实际负荷相差较小,预测效果较好,可靠性高,有一定的应用价值,为降低综合能源系统运行损耗做出了一定的贡献。

考虑综合需求响应的Transformer-图神经网络综合能源系统多元负荷短期预测

为提高在需求响应情境下,综合能源系统的多元负荷短期预测精度,基于消费者心理学、响应不确定性原理、耦合响应原理,构建了考虑综合需求响应的Transformer-图神经网络(Trans-GNN)预测模型。通过响应不确定性随电价差产生的变化规律和消费者心理学原理,量化在不同概率条件下的电力需求响应结果。通过耦合响应原理,求解包含冷、热耦合响应的综合需求响应信号,最终利用注意力机制将综合需求响应信号引入Trans-GNN预测模型,提高网络模型在需求响应情境下的多元负荷预测能力。算例分析结果表明,该模型能有效地提高预测精度,为计及综合需求响应的多元负荷预测研究提供了一定的理论基础。

基于ATT-TCGNN的综合能源系统多元负荷短期预测

综合能源系统多元负荷之间存在较强的复杂耦合关系,且多元负荷数据具有较强的波动性与随机性。针对上述特点,提出一种基于图神经网络、注意力机制、变分模态分解的多元负荷短期预测模型。首先,对多元负荷数据进行变分模态分解,削弱其波动性与随机性;然后,通过经注意力机制改进的图学习网络建立充分反映多元负荷耦合联系性、负荷与气象间关联性的图结构,并用图预测网络对图结构与多元负荷历史数据进行分析,实现多元负荷预测;最终,结合亚利桑那州立大学的实际数据对所提出模型与其他模型进行对比分析,结果表明,所提出模型具有更高的预测精度。

零碳排放下电-气综合能源系统多能负荷预测

电-气综合能源系统中多能负荷之间的耦合程度不断增加,提升了能源系统调度和运行的难度。为此,对零碳排放下电-气综合能源系统多能负荷预测方法进行了研究。分析零碳排放下电-气综合能源系统的运行架构。以气象因素为影响因子,运用灰色关联度分析法获得多能负荷与各因子的相关性。将相关性分析结果与系统历史多能负荷数据共同作为输入数据,构建基础长短期记忆(LSTM)预测模型。结合樽海鞘群算法(SSA)优化模型关键参数,获得优化LSTM预测模型,实现系统多能负荷预测。试验结果表明:冷负荷与电负荷的关联度为0.88;热负荷与电负荷的关联度为0.681;实际预测平均绝对百分误差低于0.45。该方法预测效果理想,为系统最优调度与运行规划奠定了基础。

计及气象因素与分时电价影响的综合能源系统负荷调控策略研究

用能高峰时段,综合能源系统多元负荷受气象因素影响,使其用能需求量短时持续上升,导致供需矛盾加剧;同时,综合能源系统多能耦合转换与蓄放单元的电驱动特点(如冰蓄冷空调、电制冷制冰)致使其用能成本受分时电价影响进一步增加。以供冷季用能高峰时段综合能源系统冷-电供需调控为研究对象,提出一种包含冷负荷需求自身调节与供冷功率主动控制的两阶段递进式调控策略,旨在实现多能供需平衡空间的拓展与用能成本的降低。基于模糊C均值聚类并考虑综合气象因素与分时电价的影响,选取调控时段;在第1阶段构建了温-湿舒适度最佳与冷能需求量最低的多目标负荷调节模型,在第2阶段提出了用能成本最低和运行能耗最小的多目标供冷输出功率主动控制策略;选取某校园综合能源系统实际运行数据进行算例仿真,采用ε-约束法以及多维偏好线性规划方法进行多目标求解,并基于用能舒适度变化的运行能耗、用能成本等指标,对比分析负荷需求在用能高峰时段调控优化前后的效果。结果表明,所提方法在满足用能舒适度的同时,能削减约13%的负荷需求,并降低约1.9%系统用能成本,有效缓解多能供需矛盾,增强系统运行的灵活性。