计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法技术方案

本发明专利技术公开计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，包括步骤：S1.分别对电、冷、热负荷提取对应的静态特征；S2.通过基于长短期记忆网络的编码解码框架LSTMED模型分别对电、冷、热负荷提取对应的动态特征；S3.将得到的静态特征和动态特征与当前时刻气象特征相结合，形成扩展的特征矩阵；S4.基于扩展特征矩阵对梯度提升树GBDT模型进行训练；S5.将获得的多能负荷预测模型在实际数据集上进行测试。本发明专利技术能提供高精度的超短期多能负荷预测结果，及多时间尺度的短期多能负荷预测结果。

Multi energy load forecasting method of regional comprehensive energy system considering time series dynamic characteristics and coupling characteristics

【技术实现步骤摘要】
计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法
本专利技术涉及区域综合能源的冷、热、电负荷预测，具体涉及一种计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法。
技术介绍
区域综合能源系统可以使能源供应多样化，促进能源产业升级。面对化石能源危机、气候变化和环境污染的挑战，RIES已成为国际能源领域的一个重要战略方向。负荷预测是保证能源系统可靠经济运行的前提和基础。在综合能源服务与泛在电力物联网融合发展的背景下，精确的能源预测在提升能源调度和管理技术、促进综合能源服务平台建设中的地位更加凸显。传统负荷预测方法主要集中在电力负荷、冷负荷、热负荷等某一类型负荷上，将动态不确定性建模问题转化为静态确定性建模问题。在综合能源系统多种能源互联的情况下，多能负荷预测不仅具有负荷本身的周期性和时间序列特性，而且增加了不同类型负荷之间的耦合特性。因此，基于以上负荷特性，研究多能负荷预测模型，为区域综合能源系统的规划和运行提供有效的数据支持，具有重要现实意义和经济价值。
技术实现思路
本专利技术的目的在于解决负荷预测中遇到的时序特征动态建模和区域综合能源多能互联耦合问题，提供一种考虑时序动态特性、耦合特性的区域综合能源系统多能负荷预测方法(MELF_TDCC)，该方法可实现对多种能源互联情况下的多能负荷预测建模和预测精度的提高。为解决所述的技术问题，本专利技术所采用的技术方案如下:一种计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，包括如下步骤：S1.分别对电、冷、热负荷提取对应的静态特征；S2.通过基于长短期记忆网络的编码解码框架LSTMED模型分别对电、冷、热负荷提取对应的动态特征；S3.将得到的静态特征和动态特征与当前时刻气象特征相结合，形成扩展的特征矩阵；S4.基于扩展特征矩阵对梯度提升树GBDT模型进行训练，获得多能负荷预测模型；S5.将多能负荷预测模型在实际数据集上进行测试。步骤中1中对电、冷、热负荷提取对应的静态特征，按如下步骤进行：S11，提取电负荷、冷负荷和热负荷的周期特征、近因效应特征；周期特征的提取是通过对电负荷、冷负荷和热负荷分别取当前时刻的前1天、前2天、前3天同一时刻的负荷值，即周期特征矩阵FP＝{Ld-3,t,Ld-2,t,Ld-1,t}；近因效应特征的提取是通过提取当前时刻的前6个时刻的温度、湿度和负荷值，即近因效应特征矩阵FR＝{Td,t-6,Td,t-5,Td,t-4,Td,t-3,Tt-2,d,Td,t-1；Hd,t-6,Hd,t-5,Hd,t-4,Hd,t-3,Ht-2,d,Hd,t-1；Ld,t-6,Ld,t-5,Ld,t-4,Ld,t-3,Lt-2,d,Ld,t-1}；其中，d、t分别表示第d天、第t个时刻，T、H、E、C、H分别表示温度、湿度、电负荷、冷负荷和热负荷，L则表示电负荷、冷负荷或者热负荷中的一种；S12，提取电负荷、冷负荷和热负荷的耦合特征；耦合特征的提取是通过提取当前时刻的前1时刻电负荷、冷负荷和热负荷的3次多项式，即耦合特征值是通过公式FC＝{Ed,t-1*Cd,t-1*Hd,t-1}计算得到的。步骤中2中动态特征提取采用如下步骤：S21，构建基于长短期记忆网络的编码解码框架LSTMED模型；LSTM模型的细胞单元包含遗忘门、输入门和输出门，通过门控机制实现长时依赖，细胞单元各状态变化实现通过如下公式；ft＝σ(Wf·[ht-1,xt]+bf)(1)it＝σ(Wi·[ht-1,xt]+bi)(2)Ot＝σ(Wo·[ht-1,xt]+bo)(5)ht＝Ot*tanh(Ct)(6)其中，Wf、Wi、Wo、WC、bf、bi、bo、bC分别表示网络激活函数输入的权重矩阵和偏执矩阵，σ(·)表示sigmoid函数，[·]表示两个向量拼接组合，符号*表示元素相乘；S22，提取时序动态特征；分别针对电负荷、冷负荷和热负荷，将当前时刻的前3个时刻负荷值作为时间序列样本输入到基于长短期记忆网络的编码解码框架LSTMED模型中，并通过最小化均方误差损失函数，得到Encoder-Decoder的6维向量表示，即为负荷的潜在时序动态特征，即时序动态特征矩阵FT＝{Lt-3,Lt-2,Lt-1}。其中，步骤中3中扩展特征矩阵是通过将矩阵FP、FR、FC、FT与当前时刻的气象特征FM＝{Td,t,Hd,t}合并组成，即扩展特征矩阵Ext＝{FP,FR,FC,FT,FM}。其中，步骤中4中将步骤3中得到的扩展特征矩阵Ext作为GBDT模型的输入，并设置损失函数为最小二乘回归损失函数，学习率设为0.01，GBDT模型通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器损失函数的负梯度方向上进行训练，当达到预设迭代次数结束模型训练；本专利技术是通过1500个弱学习器来完成学习任务。其中，步骤中4中，选取如下三个指标对多能负荷预测模型的精度进行评估：其中，n表示样本点数，yt表示t时刻的实际负荷值，表示t时刻的预测负荷值。其中，步骤中5中，将多能负荷预测模型在实际数据集上进行测试，包括：将多能负荷预测模型在实际数据集上进行提前1小时的超短期多能负荷预测，以及将多能负荷预测模型在实际数据集上进行短期多时间尺度滚动多能负荷预测。本专利技术在多能负荷预测方面，达到以下有益效果：(1)高精度的超短期多能负荷预测结果，能够为综合能源系统提前1小时的调度任务提供有效的数据支撑；(2)多时间尺度的短期多能负荷预测结果，能够为综合能源系统24h内的逐时调度任务(含日前调度)提供有效的数据支撑。附图说明图1为LSTMED模型示意图；图2为多能负荷预测模型功能实现流程图；图3a，图3b分别为基准模型M1与模型M2-M5的结构对比示意图；图4a，图4b分别为M1-M5五个模型在两个时间(8月3日，8月16日)跨度为24小时的样本集上预测曲线与实际曲线的比较图；图5a，图5b，图5c分别为M1-M5五个模型的电、冷、热负荷预测误差比较图；图6为电、冷、热负荷多时间尺度滚动预测的MAPE(平均绝对百分比误差)误差趋势图。具体实施方式以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术提出的计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，包含如下步骤：步骤1，数据集划分本专利技术实施例所用数据集时间跨度是从2011年9月1日到2012年8月31日，包括的数据属性项为干球温度、湿球温度、相对湿度、历史电负荷、冷负荷和热负荷。将原始数据集分为训练集和测试集，其中，训练集时间跨度为2011年9月1日至201本文档来自技高网...

【技术保护点】
1.计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，包括如下步骤：/nS1.分别对电、冷、热负荷提取对应的静态特征；/nS2.通过基于长短期记忆网络的编码解码框架LSTMED模型分别对电、冷、热负荷提取对应的动态特征；/nS3.将得到的静态特征和动态特征与当前时刻气象特征相结合，形成扩展的特征矩阵；/nS4.基于扩展特征矩阵对梯度提升树GBDT模型进行训练，获得多能负荷预测模型；/nS5.将多能负荷预测模型在实际数据集上进行测试。/n

【技术特征摘要】
1.计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，包括如下步骤：
S1.分别对电、冷、热负荷提取对应的静态特征；
S2.通过基于长短期记忆网络的编码解码框架LSTMED模型分别对电、冷、热负荷提取对应的动态特征；
S3.将得到的静态特征和动态特征与当前时刻气象特征相结合，形成扩展的特征矩阵；
S4.基于扩展特征矩阵对梯度提升树GBDT模型进行训练，获得多能负荷预测模型；
S5.将多能负荷预测模型在实际数据集上进行测试。


2.根据权利要求1所述计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，步骤中1中对电、冷、热负荷提取对应的静态特征，按如下步骤进行：
S11，提取电负荷、冷负荷和热负荷的周期特征、近因效应特征；
周期特征的提取是通过对电负荷、冷负荷和热负荷分别取当前时刻的前1天、前2天、前3天同一时刻的负荷值，即周期特征矩阵FP＝{Ld-3,t,Ld-2,t,Ld-1,t}；
近因效应特征的提取是通过提取当前时刻的前6个时刻的温度、湿度和负荷值，即近因效应特征矩阵FR＝{Td,t-6,Td,t-5,Td,t-4,Td,t-3,Tt-2,d,Td,t-1；Hd,t-6,Hd,t-5,Hd,t-4,Hd,t-3,Ht-2,d,Hd,t-1；Ld,t-6,Ld,t-5,Ld,t-4,Ld,t-3,Lt-2,d,Ld,t-1}；
其中，d、t分别表示第d天、第t个时刻，T、H、E、C、H分别表示温度、湿度、电负荷、冷负荷和热负荷，L则表示电负荷、冷负荷或者热负荷中的一种；
S12，提取电负荷、冷负荷和热负荷的耦合特征；
耦合特征的提取是通过提取当前时刻的前1时刻电负荷、冷负荷和热负荷的3次多项式，即耦合特征值是通过公式FC＝{Ed,t-1*Cd,t-1*Hd,t-1}计算得到的。


3.根据权利要求1所述计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法，其特征在于，步骤中2中动态特征提取采用如下步骤：
S21，构建基于长短期记忆网络的编码解码框架LSTMED模型；
LSTM模型的细胞单元包含遗忘门、输入门和输出门，通过门控机制实现长时依赖，细胞单元各状态变化实现通过如下公式：<...

【专利技术属性】
技术研发人员：王守相，王绍敏，王丹，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12