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方案

本发明专利技术实施例公开了一种综合能源系统中电负荷和热负荷的联合预测方法，先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；对历史数据进行检验与归一化，得到样本数据；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；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；在TensorFlow深度学习框架中对LSTM深度神经网络模型进行训练，保存神经网络模型权值；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；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。

A combined forecasting method of electric load and heat load in comprehensive energy system

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、热负荷变化均匀，无法对突发及异常情况及时反应，例如骤然变化的天气等；灰色预测法虽然具有较强的自适应性，但对于中短期热负荷预测的误差则比较大，适合于长期热负荷预测；单一的BP神经网络容易陷入局部极小的缺点，预测效果精度不高。
技术实现思路
为此，本专利技术实施例提供一种综合能源系统中电负荷和热负荷的联合预测方法，以解决现有技术中的问题。为了实现上述目的，本专利技术的实施方式提供如下技术方案：在本专利技术实施例的第一个方面，提供了一种综合能源系统中电负荷和热负荷的联合预测方法，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。优选地，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。优选地，所述步骤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。优选地，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。优选地，所述步骤300具体为：对取得的样本数据输入样本n维数据进行降维，选取其中的m个主成分(m＜n)，每个主成分所包含的数据信息主要反映在协方差上，协方差如式(2)所示；用累计协方差贡献率来判断m的值，如式(3)和式(4)所示；前m个特征值μ1,μ2…μm对应的特征向量Z1,Z2,...,Zm作为降维后的主成分向量，以此向量作为下一步LSTM神经网络m个气象主成分的输入；cov(Xi，PX)＝μiZi(2)式中，μi为气象数据样本Xi与电负荷数据样本PX的协方差的特征值，μ1≥μ2≥...≥μn，λi为方差贡献率，λ∑(m)为前m个主成分的累计方差贡献率，ε1＝90％，即选取累计方差贡献率超过90％的m值作为选取的主成分值。优选地，所述步骤400具体为：设计的LSTM深度神经网络包括输入层、隐含层和输出层，激活函数采用sigmoid激活函数，如式(5)所示，损失函数采用均方误差，如式(6)所示；式中：yk为一个一批数据batch中第k个数据的实际值，y′k为预测值，l为一个batch中数据的数量。优选地，所述隐含层具有两层隐层结构，输入向量包括m个气象主成分，t-2，t-1和t时刻的电负荷和热负荷，即输入层的节点数为m+3+3，时间步数为16，第一隐层中包括32个神经元，第二隐层中包括64个神经元，输出层节点数为2，即网络的输出为预测的t+1时刻的电负荷和热负荷。优选地，在训练网络模型中，参数设置如下：训练最大次数设定为10000次，学习率为0.02，批大小为60，设定dropout为0.5；预测的时间段为未来24小时，时间分辨率为15min。优选地，根据所述步骤600得到预测的电负荷功率和热负荷功率进行步骤700，如式(7)和式(8)：其中，PEL(t)，PHL(t)，(t＝1，2，3，…，T)分别为第t时刻的实际电负荷、实际热负荷，预测电负荷，预测热负荷，N表示测试数据的长度。本专利技术的实施方式具有如下优点：本专利技术在预测模型中考虑了太阳辐射、风力、温度等气象因素对电负荷和热负荷的影响，并采用LSTM深度学习理论，建立了气象数据、电负荷、热负荷的动态关联关系，可准确预测综合能源系统中的电负荷和热负荷。附图说明为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。图1为本专利技术实施方式的方法流程图。具体实施方式以下由特定的具体实施本文档来自技高网...

【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