相变储能系统负荷预测方法及系统技术方案

本发明专利技术提供一种相变储能系统负荷预测方法及系统，属于相变储能系统运行控制技术领域，获取待预测时期的天气环境参数；利用预先训练好的负荷预测模型，对获取的待预测时期的天气环境参数进行处理，得到待预测时期的用电功率；其中，所述预先训练好的负荷预测模型的基础网络模型为卷积神经网络和长短时记忆神经网络的结合，且在所述长短时记忆神经网络中加入了遗传算法和自注意力机制。本发明专利技术提出了混合神经网络预测模型SA

【技术实现步骤摘要】
相变储能系统负荷预测方法及系统


[0001]本专利技术涉及相变储能系统运行控制
，具体涉及一种提高了负荷波动时的预测准确率的相变储能系统负荷预测方法及系统。

技术介绍

[0002]现有的电网系统仍存在两方面的普遍问题：一是发电侧受到光伏发电和风力发电等清洁能源的影响，发电总量出现实时波动的现象，当用电量接近发电上限时会出现供电不稳定的问题；二是用电侧出现了用电高峰期供电压力过大，低谷期用电量和供电上限差距过大的问题。储能技术是解决电网系统存在的上述问题的关键手段。
[0003]对于供冷供热系统而言，相变储能(phase change material,PCM)的发展是降低供电压力的重要手段之一，PCM是利用相变材料的相变热进行能量吞吐的一项新型环保节能技术。现有的一种新型低温差相变储能材料，相变温度在25℃左右，与自然温度相差较小，相变热为243J/g。
[0004]如图1所示，新型相变储能材料供热系统的制热原理为：日间通过太阳能给相变储能材料蓄热，在电价谷段时利用制热机组补充蓄热。另设低温相变材料收集低温空气中的低品质空气能，转化为零度以上能源提供给制热机组二次转化，确保制热机组在极低温时能保证3.5倍以上的能效比。制冷原理为：制冷机组在夜间工作，利用夜间温差小制冷机组效率高的特点，且夜间属于谷电时间，其他时段由相变储能材料释能制冷，能效比可达3～5倍。由于相变储能系统在谷电时期储能，峰平段释能，因此理论上配备了储能板块的冷热系统在用电方面能够实现削峰填谷，降低市政供电压力，减少花费的效果。为了在相变储能系统实际规划设计中提供准确的参考，需要对负荷进行精准预测，降低误差，才能有效避免过度储能造成资源浪费或储能不足的情况发生。
[0005]目前现有的数据驱动的预测方法中，在输入数据集方面，目前大多数研究是将实验数据整体进行输入，而相变储能系统的实测负荷数据，负荷曲线在工作日、休息日、节假日等日期出现明显差异，若将特征差异过大的数据共同训练，对于模型的预测精度会有一定的影响，另外，在预测方法中，有研究者提出利用BP神经网络、RBF神经网络、长短时记忆神经网络(LSTM)以及混合神经网络模型训练时依然存在梯度消失或爆炸的情况，且模型对于长距离特征关系的学习能力不足、很难学习到对于预测结果影响较大的输入特征。

技术实现思路

[0006]本专利技术的目的在于提供一种提高了预测精度的相变储能系统负荷预测方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0007]为了实现上述目的，本专利技术采取了如下技术方案：
[0008]一方面，本专利技术提供一种相变储能系统负荷预测方法，包括：
[0009]获取待预测时期的天气环境参数；
[0010]利用预先训练好的负荷预测模型，对获取的待预测时期的天气环境参数进行处
理，得到待预测时期的用电功率；其中，所述预先训练好的负荷预测模型的基础网络模型为卷积神经网络和长短时记忆神经网络的结合，且在所述长短时记忆神经网络中加入了遗传算法和自注意力机制。
[0011]优选的，所述预先训练好的负荷预测模型由训练集训练得到，所述训练集包括多组历史数据，所述每一组历史数据均包括某一历史时期的天气环境参数以及标注该历史时期的用电功率数据的标签。
[0012]优选的，在长短时记忆神经网络中加入的遗传算法来优化长短时记忆神经网络的层数和隐藏层的神经元个数；加入自注意力机制在编码或解码中单独使用，更好的关注数据或特征的内在相关性。
[0013]优选的，训练所述负荷预测模型包括：将预处理过的历史数据传入卷积神经网络中，提取数据的空间特征，再通过长短时记忆神经网络提取数据的时间特征；按照设定的更新优化参数，直到迭代次数完成或者损失函数趋向收敛时，模型停止训练，得到最终训练好的负荷预测模型。
[0014]优选的，历史数据的预处理包括：首先进行归一化处理，将多种变量的数据统一缩放到一个范围；然后对归一化后的数据进行模糊C均值聚类，通过优化目标函数得到所有样本对所有类中心的隶属度，从而决定样本点的类别，以达到自动对样本数据进行分类的目的。
[0015]优选的，将模糊C均值聚类后每类中的第n
‑
1个日期的用电功率和天气环境参数以及带预测的第n个日期的天气环境参数作为输入变量特征，输出为第n个日期的数据的用电功率。
[0016]第二方面，本专利技术提供一种相变储能系统负荷预测系统，包括：
[0017]获取模块，用于获取待预测时期的天气环境参数；
[0018]预测模块，用于利用预先训练好的负荷预测模型，对获取的待预测时期的天气环境参数进行处理，得到待预测时期的用电功率；其中，所述预先训练好的负荷预测模型的基础网络模型为卷积神经网络和长短时记忆神经网络的结合，且在所述长短时记忆神经网络中加入了遗传算法和自注意力机制。
[0019]第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述相变储能系统负荷预测方法。
[0020]第四方面，本专利技术提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的相变储能系统负荷预测方法。
[0021]第五方面，本专利技术提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的相变储能系统负荷预测方法的指令。
[0022]本专利技术有益效果：提出了混合神经网络预测模型SA
‑
GA
‑
CNN
‑
LSTM，缩小了预测结果在极值点上的误差，提高了在负荷波动时的预测准确率；基于预测的负荷结果，可计算每日储能需量大小，服务于相变储能系统的规划设计，为相变储能系统的部署提供可靠的数据参考，有利于缓解供电压力。
[0023]本专利技术附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本专利技术的实践了解到。
附图说明
[0024]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例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本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0025]图1为现有的新型相变储能材料供热系统结构图。
[0026]图2为本专利技术实施例所述的FCM算法流程图。
[0027]图3为本专利技术实施例所述的FCM聚类指标得分示意图。
[0028]图4为本专利技术实施例所述的CNN
‑
LSTM算法模型结构示意图。
[0029]图5为本专利技术实施例所述的一维卷积神经网络结构示意图。
[0030]图6为本专利技术实施例所述的LSTM神经网络结构示意图。
[0031]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种相变储能系统负荷预测方法，其特征在于，包括：获取待预测时期的天气环境参数；利用预先训练好的负荷预测模型，对获取的待预测时期的天气环境参数进行处理，得到待预测时期的用电功率；其中，所述预先训练好的负荷预测模型的基础网络模型为卷积神经网络和长短时记忆神经网络的结合，且在所述长短时记忆神经网络中加入了遗传算法和自注意力机制。2.根据权利要求1所述的相变储能系统负荷预测方法，其特征在于，所述预先训练好的负荷预测模型由训练集训练得到，所述训练集包括多组历史数据，所述每一组历史数据均包括某一历史时期的天气环境参数以及标注该历史时期的用电功率数据的标签。3.根据权利要求1所述的相变储能系统负荷预测方法，其特征在于，在长短时记忆神经网络中加入的遗传算法来优化长短时记忆神经网络的层数和隐藏层的神经元个数；加入自注意力机制在编码或解码中单独使用，更好的关注数据或特征的内在相关性。4.根据权利要求2所述的相变储能系统负荷预测方法，其特征在于，训练所述负荷预测模型包括：将预处理过的历史数据传入卷积神经网络中，提取数据的空间特征，再通过长短时记忆神经网络提取数据的时间特征；按照设定的更新优化参数，直到迭代次数完成或者损失函数趋向收敛时，停止训练，得到最终训练好的负荷预测模型。5.根据权利要求4所述的相变储能系统负荷预测方法，其特征在于，历史数据的预处理包括：首先进行归一化处理，将多种变量的数据统一缩放到一个范围；然后对归一化后的数据进行模糊C均值聚类，通过优化目标函数得到所有样本对所有类中心的隶属度，从而决定样本点的类别，以达...

【专利技术属性】
技术研发人员：李壮举，魏贞祥，李壮辉，史子棋，陈石毓，
申请(专利权)人：北京建筑大学，
类型：发明
国别省市：