考虑多能耦合的综合能源系统多元负荷预测方法及系统技术方案

本公开提供了一种考虑多能耦合的综合能源系统多元负荷预测方法及系统，其属于园区综合能源系统负荷预测技术领域，所述方案包括：获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；将不同负荷的负荷历史数据及其强相关影响因素对应的特征同时输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用MTL框架，利用BiLSTM作为MTL的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。务之间通过所述共享层进行信息共享。务之间通过所述共享层进行信息共享。

【技术实现步骤摘要】
考虑多能耦合的综合能源系统多元负荷预测方法及系统


[0001]本公开属于园区综合能源系统负荷预测
，尤其涉及一种考虑多能耦合的综合能源系统多元负荷预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]近年来，能源与环境问题引起世界各国以及社会各界的广泛关注，综合能源系统(Integrated Energy System，IES)作为新一代能源的物理载体，可以实现能源间梯级利用，有效提升能源综合利用效率、降低园区碳排放。园区级的综合能源系统(Regional Integrated Energy System，RIES)用户规模较小，系统鲁棒性欠佳，负荷波动性大。在系统配、用能环节中，对负荷的准确预测是冷热电联供系统运行调度和能量管理的关键因素。因此，如何有效解决多元负荷存在的波动性及耦合性，精准实现多能负荷预测已成为当下的研究热点。
[0004]专利技术人发现，当前电力系统的短期负荷预测技术已相对成熟，然而，RIES中各类能源深度耦合、相互影响，且各类能源动态特性大相径庭，针对单一种类能源的负荷预测方法，无法推广至多能预测领域；且单能源的负荷预测方法无法准确描述多能源间强耦合关系，使得预测结果大打折扣。另外，在负荷预测时，过多的输入因子会降低模型的计算效率，现已有的方法多用相关系数法来筛选模型的输入因子，但此类方法与数据量存在一定关系，无法深度挖掘各变量间非线性的特点，因此，会使得模型遗漏重要特征，甚至选中非关联的特征，从而产生过多噪声，影响预测精度。

技术实现思路

[0005]本公开为了解决上述问题，提供了一种考虑多能耦合的综合能源系统多元负荷预测方法及系统，所述方案通过采用WGCNA分析特征间相关性，筛选出合适的输入特征；采用MTL框架，将BiLSTM作为MTL的共享层，各子任务共享信息，进行冷热电联合预测，得出预测结果，所述方案不仅能够有效挖掘多元负荷间非线性的关联性，还能对多元负荷联合预测，提高了预测精度及效率，有助于园区提升能源利用率。
[0006]根据本公开实施例的第一个方面，提供了一种考虑多能耦合的综合能源系统多元负荷预测方法，包括：
[0007]获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；
[0008]基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；
[0009]将不同负荷的负荷历史数据及其强相关影响因素对应的特征同时输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用MTL
框架，利用BiLSTM作为MTL的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。
[0010]进一步的，所述采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，具体为：基于获得的历史负荷预测相关数据，通过加权基因共表达网络分析方法从中获取与不同负荷强相关的影响因素，所述影响因素包括但不限于与负荷强相关的气象因素以及日历因素。
[0011]进一步的，所述负荷预测模型包括顺序连接的输入层、共享层及输出层，其中，所述共享层采用BiLSTM神经网络。
[0012]进一步的，所述相应预处理，具体包括异常值的去除、缺失值的填充以及对数据进行归一化处理。
[0013]进一步的，所述历史负荷预测相关数据包括不同负荷下对应的负荷历史数据，及其对应的气象因素以及日历因素。
[0014]进一步的，所述不同负荷包括冷能负荷、热能负荷以及电能负荷。
[0015]进一步的，对于预先训练的负荷预测模型，采用均方根误差、平均绝对误差或R2对其进行性能评估。
[0016]根据本公开实施例的第二个方面，提供了一种考虑多能耦合的综合能源系统多元负荷预测系统，包括：
[0017]数据获取单元，其用于获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；
[0018]影响因素确定单元，其用于基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；
[0019]负荷预测单元，其用于将不同负荷的负荷历史数据及其强相关影响因素对应的特征输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用MTL框架，利用BiLSTM作为MTL的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。
[0020]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现一种考虑多能耦合的综合能源系统多元负荷预测方法。
[0021]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种考虑多能耦合的综合能源系统多元负荷预测方法。
[0022]与现有技术相比，本公开的有益效果是：
[0023](1)本公开提供了一种考虑多能耦合的综合能源系统多元负荷预测方法及系统，所述方案通过采用WGCNA分析特征间相关性，筛选出合适的输入特征；采用MTL框架，将BiLSTM作为MTL的共享层，各子任务共享信息，进行冷热电联合预测，得出预测结果，所述方案不仅能够有效挖掘多元负荷间非线性的关联性，还能对多元负荷联合预测，提高了预测精度及效率，有助于园区提升能源利用率。
[0024](2)本公开所述方案考虑到负荷为时间序列，具有自相关性，通过采用的BiLSTM算
法能够对前后向历史数据的内在规律进行有效学习，提高预测精度；同时基于构建的MTL框架进行多元负荷联合预测，能够实现冷、热、电负荷同时预测，提高了预测效率。
[0025]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0026]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0027]图1为本公开实施例中所述的WGCNA基本分析流程图；
[0028]图2为本公开实施例中所述的BiLSTM
‑
MTL模型执行流程图；
[0029]图3为本公开实施例中所述的一种考虑多能耦合的综合能源系统多元负荷预测方法流程图。
具体实施方式
[0030]下面结合附图与实施例对本公开做进一步说明。
[0031]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0032]需要注意的是，这里所使用的术语仅本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑多能耦合的综合能源系统多元负荷预测方法，其特征在于，包括：获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；将不同负荷的负荷历史数据及其强相关影响因素对应的特征同时输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用MTL框架，利用BiLSTM作为MTL的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。2.如权利要求1所述的一种考虑多能耦合的综合能源系统多元负荷预测方法，其特征在于，所述采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，具体为：基于获得的历史负荷预测相关数据，通过加权基因共表达网络分析方法从中获取与不同负荷强相关的影响因素，所述影响因素包括但不限于与负荷强相关的气象因素以及日历因素。3.如权利要求1所述的一种考虑多能耦合的综合能源系统多元负荷预测方法，其特征在于，所述负荷预测模型包括顺序连接的输入层、共享层及输出层，其中，所述共享层采用BiLSTM神经网络。4.如权利要求1所述的一种考虑多能耦合的综合能源系统多元负荷预测方法，其特征在于，所述相应预处理，具体包括异常值的去除、缺失值的填充以及对数据进行归一化处理。5.如权利要求1所述的一种考虑多能耦合的综合能源系统多元负荷预测方法，其特征在于，所述历史负荷预测相关数据包括不同负荷下对应的负荷历史数据，及...

【专利技术属性】
技术研发人员：马昕，黄鑫，李成栋，李艳萍，田长彬，马翔雪，彭勃，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：