一种基于负荷参与因子的综合能源系统多元负荷预测方法技术方案

本发明专利技术公开了一种基于负荷参与因子的综合能源系统多元负荷预测方法，该方法包括以下步骤：数据采集与预处理；计算负荷参与因子；替换负荷数据；构造样本序列；构建多元负荷预测模型；多元负荷预测。本发明专利技术通过负荷参与因子提取多元负荷与总体负荷之间的隐匿信息，建立神经网络模型挖掘多元负荷之间的耦合特性，提高了多元负荷预测的精确度。此外提出了负荷参与因子应用准则，提高了预测方法在不同应用场景的泛化能力。景的泛化能力。景的泛化能力。

【技术实现步骤摘要】
一种基于负荷参与因子的综合能源系统多元负荷预测方法


[0001]本专利技术涉及综合能源系统负荷预测领域，特别涉及一种基于负荷参与因子的综合能源负荷预测方法。

技术介绍

[0002]综合能源系统以电力系统为核心，在水平上实现电、冷、热等多种物理特性能源的“多源互补”，在垂直上实现“源网
‑
负荷
‑
储”高度协调,有利于可再生能源的充分利用和不可再生能源的梯级利用。负荷预测作为综合能源系统用能管理和优化调度的首要前提,可以经济合理地安排各类能源的转化,保持电网运行的安全稳定，提高经济效益和社会效益。
[0003]目前传统的负荷预测方法主要以传统方法、传统机器学习方法、前沿机器学习方法为主。传统方法主要以时间序列法、回归分析法等为代表,虽然在短期单一负荷预测上具有一定成效,但随着综合能源系统的不断发展,系统内部结构逐渐复杂,用能需求同时受到多种因素的共同影响,导致传统方法难以建立精准的数学模型,难以实现对非线性关系数据的准确预测。而以决策树、随机森林、支持向量回归等为代表的传统的机器学习方法无需建立复杂的数学模型,便可取得不错的预测效果。但随着可再生能源接入、需求侧响应等因素加入,综合能源系统需要对多种不同物理特性的负荷同时进行预测,传统机器学习方法遭遇到了瓶颈。以深度学习为核心的前沿机器学习方法通过多层非线性映射逐层学习隐藏特征,不仅对于非线性复杂结构具有强大的解释能力且无需建立复杂的数学模型便可取得较好的预测结果。
[0004]然而，目前的负荷预测模型没有提取多元负荷与总体负荷需求之间的隐匿信息，且大多数预测是只针对各类能源负荷的单独预测，忽略了综合能源系统中各能源之间的耦合特性，割裂了能源系统之间的耦合关系。

技术实现思路

[0005]为了解决上述背景涉及的问题，本专利技术所使用的技术方案是：一种基于负荷参与因子的综合能源系统多元负荷预测方法，包括以下步骤:
[0006]步骤一，数据采集与预处理：获取多元负荷历史数据，将多元负荷数据统一量纲后累加作为总负荷数据，并进行数据预处理，得到预处理后的历史负荷数据；
[0007]步骤二，计算负荷参与因子：根据预处理后的历史负荷数据，计算负荷参与因子；
[0008]步骤三，替换负荷数据：根据负荷参与因子数值以及多元负荷与总负荷之间的相关性大小制定负荷参与因子应用准则，对满足该准则的负荷数据使用负荷参与因子进行替换，得到处理后负荷数据；
[0009]步骤四，构造样本序列：将步骤三处理后负荷数据归一化，并采用自相关分析选取时间步长，得到样本序列。
[0010]步骤五，构建多元负荷预测模型：构建多任务学习神经网络，将样本序列输入所述神经网络进行训练，得到多元负荷预测模型；
[0011]步骤六，多元负荷预测：对在线采集的多元负荷数据采用步骤一至四中同样的数据处理方法构造样本序列，输入至多元负荷预测模型，并将预测模型输出数据还原，得到多元负荷预测结果。
[0012]上述步骤一中进行数据预处理包括：缺失值填充，异常值去除。
[0013]上述步骤二中计算负荷参与因子的具体方法为：对任意时刻的任意负荷类型，该类负荷在总负荷中的占比即为负荷参与因子。
[0014]上述步骤三中的负荷参与因子应用准则为：
[0015](1)该类负荷与总负荷之间相关性系数的绝对值大于
[0016](2)该类负荷的负荷参与因子取值大于δ。
[0017]其中为设定的相关性阈值，取值范围为[0.5,0.95]；δ为设定的负荷参与因子阈值，取值范围为n为多元负荷种类数量。
[0018]如果同时满足上述两条准则，则认为该类负荷满足负荷参与因子应用准则。
[0019]上述步骤六将数据还原的具体步骤为：
[0020](1)对模型输出的多元负荷数据、总负荷数据进行反归一化处理；
[0021](2)对应用负荷参与因子的负荷类型，将反归一化后的负荷数据乘以总负荷数据，得到负荷预测结果；对未应用负荷参与因子的负荷类型，直接使用反归一化后的负荷数据作为预测结果；
附图说明
[0022]下面结合附图和实施例对本专利技术进一步说明。
[0023]图1为本专利技术的流程示意图。
具体实施方式
[0024]为了更进一步说明本专利技术的特征，请参阅以下有关本专利技术的详细说明与附图。所附图仅供参考与说明之用，并非用来对本专利技术的保护范围加以限制。
[0025]如图1所示，本专利技术采用一种基于负荷参与因子的综合能源系统多元负荷预测方法，包括如下步骤：
[0026]S1数据采集与预处理：获取多元负荷历史数据，将多元负荷数据统一量纲后累加作为总负荷数据，并进行数据预处理，得到预处理后的历史负荷数据；
[0027]S2计算负荷参与因子：根据预处理后的历史负荷数据，计算负荷参与因子；
[0028]S3替换负荷数据：根据负荷参与因子数值以及多元负荷与总负荷之间的相关性大小制定负荷参与因子应用准则，对满足该准则的负荷数据使用负荷参与因子进行替换，得到处理后负荷数据；
[0029]S4构造样本序列：将步骤三处理后负荷数据归一化，并采用自相关分析选取时间步长，得到样本序列。
[0030]S5构建多元负荷预测模型：构建多任务学习神经网络，将样本序列输入所述神经网络进行训练，得到多元负荷预测模型；
[0031]S6多元负荷预测：对在线采集的多元负荷数据采用步骤一至四中同样的数据处理
方法构造样本序列，输入至多元负荷预测模型，并将预测模型输出数据还原，得到多元负荷预测结果。
[0032]进一步地，S1数据采集与预处理包括如下细分步骤：
[0033]S11：获取多元负荷历史数据；
[0034]S12：将多元负荷历史数据统一至相同计量单位；
[0035]S13：对任意给定时刻，将各类负荷值相加得到该时刻的总负荷值数据；
[0036]S14：对所述多元负荷历史数据进行缺失值填充；
[0037]S15：对缺失值填充后的多元负荷历史数据进行异常值处理，得到预处理后的历史负荷数据。
[0038]本实施例采集了某大学综合能源系统2018年1月1日至2019年12月31日的电、热、冷负荷数据作为S11中的多元负荷历史数据，采样的频率为1小时，每种负荷有17520条数据。其中t时刻电、冷、热负荷数据分别为：E(t)、C(t)、H(t)。
[0039]电、冷、热负荷具有不同的计量单位。在该数据集中，电负荷计量单位为kW，冷负荷计量单位为Ton/hrs，热负荷计量单位为mmBtu/hr。为了直观地对各类负荷数据进行分析以及计算总负荷和负荷参与因子数据，需要将各类负荷统一至相同计量单位，在此统一至kW。
[0040]S12将多元负荷历史数据统一至相同计量单位的公式为：
[0041]1kW＝0.284Ton/hrs＝0.0034mmBtu/hr
[0042]统一计量单位后的电冷热本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：步骤一，数据采集与预处理：获取多元负荷历史数据，将多元负荷数据统一量纲后累加作为总负荷数据，并进行数据预处理，得到预处理后的历史负荷数据；步骤二，计算负荷参与因子：根据预处理后的历史负荷数据，计算负荷参与因子；步骤三，替换负荷数据：根据负荷参与因子数值以及多元负荷与总负荷之间的相关性大小制定负荷参与因子应用准则，对满足该准则的负荷数据使用负荷参与因子进行替换，得到处理后负荷数据；步骤四，构造样本序列：将步骤三处理后负荷数据归一化，并采用自相关分析选取时间步长，得到样本序列。步骤五，构建多元负荷预测模型：构建多任务学习神经网络，将样本序列输入所述神经网络进行训练，得到多元负荷预测模型；步骤六，多元负荷预测：对在线采集的多元负荷数据采用步骤一至四中同样的数据处理方法构造样本序列，输入至多元负荷预测模型，并将预测模型输出数据还原，得到多元负荷预测结果。2.根据权利要求1所述的综合能源系统多元负荷预测方法，...

【专利技术属性】
技术研发人员：谭貌，廖骋臣，王陆陆，苏永新，陈颉，陈才学，任宇玲，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：