The embodiment of the invention discloses a joint prediction method of electric load and heat load in the comprehensive energy system, which first collects the historical data of electric load and heat load of the comprehensive energy system, and the corresponding historical data of solar radiation, wind force, temperature, humidity and air pressure; tests and normalizes the historical data to obtain sample data; selects the affected electric load by the principal component analysis method And the important meteorological factors of heat load; the normalized sample data is divided into training data and test data, and the training samples are input into the LSTM deep neural network model and the network model is trained; the LSTM deep neural network model is trained in the tensorflow deep learning framework, and the weight of the neural network model is saved; the LSTM deep neural network model is loaded, and the test is performed The predicted power of electric load and thermal load can be obtained by data prediction and simulation, and the predicted results of electric load and thermal load can be evaluated by the mean absolute error percentage and mean square root error.
【技术实现步骤摘要】
一种综合能源系统中电负荷和热负荷的联合预测方法
本专利技术实施例涉及综合能源系统
,具体涉及一种综合能源系统中电负荷和热负荷的联合预测方法。
技术介绍
在目前节能减排和可再生能源快速增长的大背景下,构建清洁、低碳、环保的综合能源系统被提上了我国能源发展的历程,也已经成为了能源转型过程中一种重要的能源利用方式。综合能源系统是一种存在多种能源交互耦合的能源综合网络,是目前能源领域发展的重要形态。因此,准确的用能需求预测将成为综合能源系统经济调度和优化运行中重要的一环。目前技术水平可以对电力负荷进行较为精准的预测,但对于热负荷的预测较为粗矿,很难满足综合能源系统整体用电和用热的预测需求。一方面在综合能源系统中电负荷和热负荷往往存在着一定的耦合关系,彼此可以相互转化相互影响,例如家庭取暖可以采用供热的形式,也可以通过电采暖的形式转化为用电负荷;另一方面可以根据电负荷和热负荷预测结果,配合进行可再生能源发电的消纳和热电联供机组运行方式的调整,提升综合能源系统的调峰能力和运行经济性。目前常用的电负荷预测方法包括ARMA时间序列预测方法、灰色预测法、BP神经网络方法等,而对热负荷的预测方法较少。供热系统本身是一个带有时滞性、非线性、不确定性的复杂系统,在综合能源系统中又与电负荷具有较大耦合性,很难准确预测。同时,电负荷和热负荷对于太阳辐射、风力、温度等天气状况较为敏感,具有强关联性,利用传统方法很难对综合能源系统中电负荷和热负荷进行准确预测。其中,时间序列法只适用于短期预测且要求电负荷、热负荷 ...
【技术保护点】
1.一种综合能源系统中电负荷和热负荷的联合预测方法,其特征在于,包括如下步骤:/n步骤100、收集综合能源系统电负荷、热负荷历史数据,以及对应的太阳辐射、风力、温度、湿度、气压历史数据;/n步骤200、对收集的历史数据进行检验与归一化,得到样本数据;/n步骤300、采用主成分分析法选取影响电负荷和热负荷的重要气象因素;/n步骤400、将归一化后的样本数据划分为训练数据和测试数据,向LSTM深度神经网络模型中输入训练样本并训练网络模型;/n步骤500、在TensorFlow深度学习框架中对LSTM深度神经网络模型进行训练,当LSTM神经网络模型的损失函数的误差小于设定值ε
【技术特征摘要】
1.一种综合能源系统中电负荷和热负荷的联合预测方法,其特征在于,包括如下步骤:
步骤100、收集综合能源系统电负荷、热负荷历史数据,以及对应的太阳辐射、风力、温度、湿度、气压历史数据;
步骤200、对收集的历史数据进行检验与归一化,得到样本数据;
步骤300、采用主成分分析法选取影响电负荷和热负荷的重要气象因素;
步骤400、将归一化后的样本数据划分为训练数据和测试数据,向LSTM深度神经网络模型中输入训练样本并训练网络模型;
步骤500、在TensorFlow深度学习框架中对LSTM深度神经网络模型进行训练,当LSTM神经网络模型的损失函数的误差小于设定值ε2或者迭代次数达到训练最大次数时,训练停止,保存神经网络模型权值;
步骤600、加载保存的LSTM深度神经网络模型,对测试数据进行预测模拟,得到预测的电负荷功率和热负荷功率;
步骤700、采用平均绝对误差百分比和均方根误差的平均值对电负荷和热负荷的预测结果进行评价。
2.根据权利要求1所述的一种综合能源系统中电负荷和热负荷的联合预测方法,其特征在于,所述步骤100中收集的电负荷、热负荷历史数据为综合能源系统中至少一年以上的时间分辨率为15分钟的数据。
3.根据权利要求2所述的一种综合能源系统中电负荷和热负荷的联合预测方法,其特征在于,所述步骤步骤400中,还包括:将步骤100中的综合能源系统电负荷、热负荷历史数据,以及对应的太阳辐射、风力、温度、湿度、气压历史数据作为样本数据输入,包括电负荷数据PX(t),热负荷数据HX(t),气象数据X(t)=(x1(t),x2(t),...,xn(t))(t=1,2,3,…,T,n=5),T代表数据点的宽度,x1(t)到x5(t)依次代表t时刻的太阳辐射、风力、温度、湿度和气压。
4.根据权利要求3所述的一种综合能源系统中电负荷和热负荷的联合预测方法,其特征在于,所述步骤200具体为:去掉电负荷、热负荷数据为负数以及连续为0的数值点、去掉连续8个以上不变的数据点,同时去掉气象数据对应于电负荷、热负荷缺失的数据点;采用最小最大值标准化方法对电负荷、热负荷、太阳辐射、风力、温度、湿度和气压数据进行归一化处理:
其中,xi为数据的实际值,ximin为数据的最小值,ximax为数据的最大值,x*i为归一化后的标准值。
5.根据权利要求4所述的一种并网运行冷热电综合能源系统潮流计算方法,其特征在于,所述步骤30...
【专利技术属性】
技术研发人员:韩汉贤,罗金满,封祐钧,高承芳,谭雄华,易椿杰,
申请(专利权)人:广东电网有限责任公司,广东电网有限责任公司东莞供电局,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。