一种基于多元负荷预测的综合能源系统调控方法和装置制造方法及图纸

本发明专利技术涉及一种基于多元负荷预测的综合能源系统调控方法，包括如下步骤：S1.基于Copula方法对综合能源系统的多元负荷进行相关性分析，选取相关性较强的多元负荷为待分析多元负荷；S2.构建历史数据特征索引集，所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标；S3.基于所述历史数据特征索引集中的数据训练SAE‑ELM模型，输出预测结果；S4.根据所述预测结果对综合能源系统的各种能源进行调控。本发明专利技术还公开了一种基于多元负荷预测的综合能源系统调控装置，通过SAE‑ELM多元负荷预测模型，有效的提高了多元负荷预测的精度，有利于综合能源系统的综合调控。

【技术实现步骤摘要】
一种基于多元负荷预测的综合能源系统调控方法和装置
本专利技术属于机器学习领域，特别涉及一种基于多元负荷预测的综合能源系统调控方法和装置。
技术介绍
能源是人类社会发展进步的基本条件，在发展的过程中，如何保证能源能够可持续的供应，又能减少环境污染，这是世界各国共同关注的话题。传统的能源系统主要由电力系统，热力系统和燃气系统构成，三大系统单独规划，独立运行，这就使得能源之间的灵活性很差。综合能源系统是以电力系统为核心，打破电、气、冷、热等能源供应系统单独规划、设计和运行的模式，在规划、设计、建设和运行过程中，对各类能源分配、转化、存储、消费等环节进行有机协调与优化，充分利用可再生能源的新型区域能源供应系统。能够准确地对综合能源系统的负荷进行预测，是综合能源系统规划、运行以及调控的关键。由于综合能源系统中，各种能源之间的耦合度较高，受天气影响较大等因素，负荷波动的不确定性较大，给系统内的能源负荷预测带来了极大的挑战，所以亟需一种能够精准且快速预测综合能源系统中多元负荷的方法。
技术实现思路
为解决上述问题，本专利技术从相关性分析的角度出发，提出一种可以精准且快速预测综合能源系统中多元负荷及根据预测结果进行综合能源系统调控的方法，采用如下技术方案：一种基于多元负荷预测的综合能源系统调控方法，包括如下步骤：S1.基于Copula方法对综合能源系统多元负荷进行相关性分析，选取相关性较强的多元负荷为待分析多元负荷；S2.构建历史数据特征索引集，所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标；S3.基于所述历史数据特征索引集中的数据训练SAE-ELM模型，输出预测结果,其中，所述SAE-ELM模型由深度特征提取模块和预测模块构成；S4.根据所述预测结果对综合能源系统进行调控。进一步的，所述步骤S3包括以下步骤：将S2构建的历史数据特征索引集中的数据进行归一化处理，将数据特征值映射到[0,1]中，选取n组数据作为训练集，剩余m组数据作为测试集；S32.将训练集作为SAE-ELM的输入，对深度特征模块进行训练，通过深度特征模块提取训练集中历史负荷的隐藏特征信息；S33.将S32中深度特征提取模块提取到最后一个隐藏层的输出，作为预测模块的输入，预测模块是有监督训练的模型，以误差最小为目标，对输出权重进行训练，得到训练好的SAE-ELM模型；S34.将测试集代入训练好的SAE-ELM模型中，得到预测结果。进一步的，在步骤S1之前，还包括步骤S0，对数据进行预处理:S0.遍历各个时刻的数据，计算负荷的各个时刻的突变特征，若某时刻负荷突变幅度超过了设定的阈值，用该时刻的相邻的历史数据的平均值代替。进一步的，步骤S1中，采用Copula函数导出的Spearman秩相关系数ρs表示多种负荷之间的非线性相关关系。进一步的，当所述Spearman秩相关系数ρs越接近于1时，多元负荷之间的正相关性越强；当所述Spearman秩相关系数ρs越接近于-1时，多元负荷之间的负相关性越强。进一步的，步骤S3所述的深度特征提取模块由输入层以及前k-1个隐藏层构成，所述预测模块由第k-1层隐藏层，第k层隐藏层以及输出层构成。进一步的，步骤S32所述的历史负荷的隐藏特征信息包括：某一类负荷与历史负荷之间的关联性、多元负荷之间的关联性、多元负荷变化趋势之间的关联性、多元负荷变化率之间的关联性中的一种或多种。本专利技术还公开了一种基于多元负荷预测的综合能源系统调控装置，包括：相关性分析模块，用于基于Copula方法对综合能源系统的多元负荷进行相关性分析，选取相关性较强的多元负荷为待分析多元负荷；特征集构建模块，用于构建历史数据特征索引集，所述历史数据特征索引集包括相关性分析模块选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标；模型训练单元，用于基于所述历史数据特征索引集中的数据训练SAE-ELM模型，输出预测结果,其中，所述SAE-ELM模型由深度特征提取模块和预测模块构成；调控单元，用于根据所述预测结果对综合能源系统的多种能源进行调控。进一步的，所述模型训练单元执行以下操作：将特征集构建模块构建的历史数据特征索引集中的数据进行归一化处理，将数据特征值映射到[0,1]中，选取n组数据作为训练集，剩余m组数据作为测试集；将训练集作为SAE-ELM的输入，对深度特征模块进行训练，通过深度特征模块提取训练集中历史负荷的隐藏特征信息；将深度特征提取模块提取到的最后一个隐藏层的输出，作为预测模块的输入，预测模块是有监督训练的模型，以误差最小为目标，对输出权重进行训练，得到训练好的SAE-ELM模型；将测试集代入训练好的SAE-ELM模型中，得到预测结果。进一步的，还包括预处理单元，用于遍历各个时刻的数据，计算负荷的各个时刻的突变特征，若某时刻负荷突变幅度超过了设定的阈值，用该时刻的相邻的历史数据的平均值代替。本专利技术的有益效果为：通过SAE-ELM多元负荷预测模型，可以很好的提取负荷之间的耦合特性，有效挖掘历史负荷信息，提高多元负荷预测模型的精度。附图说明图1为本专利技术的短期多元负荷预测的流程图图2为本专利技术一个实施例的SAE-ELM模型图3为某地综合能源系统的典型日负荷特征提取图，其中图3(a)为典型日电负荷数据、图3(b)为典型日冷负荷数据、图3(c)为典型日热负荷数据、图3(d)为典型日气负荷数据图4为负荷特征索引指标图图5为本专利技术一个实施例的多元负荷基于Copula理论的概率密度分布图，其中图5(a)为电-冷负荷Copula密度函数图、图5(b)为电-热负荷Copula密度函数图、图5(c)为冷-热负荷Copula密度函数图、图5(d)为电-气负荷Copula密度函数图图6为本专利技术一个实施例的多元负荷之间的Spearman秩相关系数结果示意图图7为本专利技术一个实施例的短期负荷预测结果示意，其中图7(a)为电负荷预测结果、图7(b)为冷负荷预测结果、图7(c)为热负荷预测结果、图7(d)为气负荷预测结果具体实施方式为了使本
的人员能够更好地理解本专利技术中的技术方案，下面将结合附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。本专利技术公开了一种基于多元负荷预测的综合能源系统调控方法，该方法主要是对相关性较强的多元负荷，采用堆叠式自编码器极限学习机模型即SAE-ELM模型进行预测，进而得到较为精准的预测结果，本专利技术涉及的综合能源系统多元负荷，主要指的是冷、气、电、热负荷。堆叠式自动编码器(SAE)是本文档来自技高网...

【技术保护点】
1.一种基于多元负荷预测的综合能源系统调控方法，包括如下步骤：/nS1.基于Copula方法对综合能源系统的多元负荷进行相关性分析，选取相关性较强的多元负荷为待分析多元负荷；/nS2.构建历史数据特征索引集，所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标；/nS3.基于所述历史数据特征索引集中的数据训练SAE-ELM模型，输出预测结果,其中，所述SAE-ELM模型由深度特征提取模块和预测模块构成；/nS4.根据所述预测结果对综合能源系统的各种能源进行调控。/n

【技术特征摘要】
1.一种基于多元负荷预测的综合能源系统调控方法，包括如下步骤：
S1.基于Copula方法对综合能源系统的多元负荷进行相关性分析，选取相关性较强的多元负荷为待分析多元负荷；
S2.构建历史数据特征索引集，所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标；
S3.基于所述历史数据特征索引集中的数据训练SAE-ELM模型，输出预测结果,其中，所述SAE-ELM模型由深度特征提取模块和预测模块构成；
S4.根据所述预测结果对综合能源系统的各种能源进行调控。


2.根据权利要求1所述的调控方法，其特征在于，所述步骤S3包括以下步骤：
S31.将S2构建的历史数据特征索引集中的数据进行归一化处理，将数据特征值映射到[0,1]中，选取n组数据作为训练集，剩余m组数据作为测试集；
S32.将训练集作为SAE-ELM的输入，对深度特征模块进行训练，通过深度特征模块提取训练集中历史负荷的隐藏特征信息；
S33.将S32中深度特征提取模块提取到的最后一个隐藏层的输出，作为预测模块的输入，预测模块是有监督训练的模型，以误差最小为目标，对输出权重进行训练，得到训练好的SAE-ELM模型；
S34.将测试集代入训练好的SAE-ELM模型中，得到预测结果。


3.根据权利要求1所述的调控方法，其特征在于：在步骤S1之前，还包括步骤S0，对数据进行预处理:
S0.遍历各个时刻的数据，计算负荷的各个时刻的突变特征，若某时刻负荷突变幅度超过了设定的阈值，用该时刻的相邻的历史数据的平均值代替。


4.根据权利要求1所述的调控方法，其特征在于：步骤S1中，采用Copula函数导出的Spearman秩相关系数ρs表示多种负荷之间的非线性相关关系。


5.根据权利要求4所述的调控方法，其特征在于：当所述Spearman秩相关系数ρs越接近于1时，多元负荷之间的正相关性越强；当所述Spearman秩相关系数ρs越接近于-1时，多元负荷之间的负相关性越强。

【专利技术属性】
技术研发人员：梁燕，王佳伟，李旭霞，王尧，刘文霞，李守强，
申请(专利权)人：国网山西省电力公司经济技术研究院，华北电力大学，
类型：发明
国别省市：山西;14