综合能源系统综合需求响应特性的学习辨识方法及系统技术方案

综合能源系统综合需求响应特性的学习辨识方法及系统，方法包括：采集综合能源系统的外部历史运行数据，采用长短时记忆神经网络建立等值封装模型；对等值封装模型进行测试验证，以外部历史运行数据对等值封装模型预测结果的综合边际效益最优且等值封装模型预测结果误差最小为目标，更新长短时记忆神经网络；利用等值封装模型对综合能源系统综合需求响应特性进行学习辨识。本发明专利技术解决传统固定参数的综合需求响应模型在动态变化场景下的适应性不足问题，更有效计及多能之间的耦合交互关系以及各类负荷需求的时序关系，实现对综合能源系统动态时变、相互耦合交织的需求响应特性及调控潜力的深度挖掘，为综合能源系统的规划设计、优化运行等奠定基础。优化运行等奠定基础。优化运行等奠定基础。

【技术实现步骤摘要】
综合能源系统综合需求响应特性的学习辨识方法及系统


[0001]本专利技术属于配电
，更具体地，涉及综合能源系统综合需求响应特性的学习辨识方法及系统。

技术介绍

[0002]近年来，可再生能源相关技术发展迅速，能源系统的源端与受端的多样化发展以及能源传输与设备的革新促使能源系统之间的耦合进一步加深，综合能源系统是能源互联网的重要物理载体，是多能互济、能源梯级利用等理念实现应用的关键。而对于综合能源系统中电、热、气等多元负荷构成的综合需求响应特性建模则是充分挖掘综合能源系统负荷侧资源的可调可控潜力，辨识多元负荷的时空互补替代转化能力，实现源网荷互动的重要技术。因此如何研究辨识综合能源系统中的综合需求响应特性，实现多种能源之间的需求互补替代转换，进而引导用户改变用能负荷的方式，削峰减谷，对于实现综合能源系统的优化运行将起关键的导向作用，迅速成为了国内外研究热点。
[0003]现有技术中，针对能源系统的需求响应特性的辨识研究，传统的方法大多是某种单一负荷类型的独立辨识。在电力负荷需求响应特性辨识方面，主要包括矢量自回归模型、多元线性回归法、整合移动平均自回归模型等传统时间序列数据分析方法；而在冷、热负荷需求响应特性辨识方面，传统的方法大多是回归分析与随机森林；在天然气负荷需求响应特性辨识方面，主要方法则包括果蝇优化算法，模拟退火算法和支持向量机多种模型相结合的集成算法。但是以上这些单一能源负荷的需求响应特性辨识方法往往只能用于特定能源的需求响应特性辨识或者综合能源系统中能源种类较少、耦合度较低的场合，而在高耦合度、高不确定性的新型综合能源系统中，由于各能源的响应时间尺度不一，特性差异大，这些方法将不再适用。尽管相关专利开始关注综合能源系统的综合需求响应技术，如专利CN112583021A建立了计及转移型负荷响应、替代型负荷响应以及可调节冷热负荷响应的综合需求响应模型，并将其用于综合能源系统优化调度。专利CN110378729B提出了分布式梯度投影迭代算法，实现了基于动态能源定价的综合能源系统综合需求响应建模。但这些专利中的综合需求响应模型大都是基于灵敏度分析构造的固定参数的响应模型，而实际上冷、热、电、气各类负荷的需求响应能力会随用户行为，外部环境不确定性等多重影响下而动态变化，因此这些基于固定参数的需求响应模型在动态变化场景下的误差会较大，且难以实现对综合能源系统动态时变的需求响应潜力的深度挖掘。因此，目前迫切需要一种考虑多能源耦合、时空互补替代转换的综合能源系统需求响应特性的自学习和动态辨识方法。

技术实现思路

[0004]为解决现有技术中存在的不足，本专利技术的目的在于，提供综合能源系统综合需求响应特性的学习辨识方法及系统，实现对多能源高度耦合下的综合能源系统的综合需求响应特性的辨识分析，解决传统固定参数的综合需求响应模型在动态变化场景下的适应性不
足问题，更有效计及多能之间的耦合交互关系以及各类负荷需求的时序关系，实现对综合能源系统动态时变、相互耦合交织的需求响应特性及调控潜力的深度挖掘，为综合能源系统的规划设计、优化运行等奠定基础，对探究不同能源内部运行机理、推广能源先进技术具有重要的理论和现实意义。
[0005]本专利技术采用如下的技术方案。
[0006]本专利技术一方面提出了一种综合能源系统综合需求响应特性的学习辨识方法，包括：
[0007]步骤1，获取综合能源系统的外部历史运行数据，利用外部历史运行数据构造训练集与测试集；其中，外部历史运行数据与综合能源系统的结构无关；
[0008]步骤2，采用长短时记忆神经网络对训练集进行学习训练，建立综合能源系统的等值封装模型；
[0009]步骤3，代入测试集对等值封装模型进行测试验证，以外部历史运行数据对等值封装模型预测结果的综合边际效益最优且等值封装模型预测结果误差最小为目标，更新长短时记忆神经网络的各层神经元的权值系数和偏置系数；
[0010]步骤4，利用步骤3获得的等值封装模型对综合能源系统综合需求响应特性进行学习辨识。
[0011]优选地，步骤1中，外部历史运行数据包括：综合能源系统注入到外部相连电网的互动功率数据，独立于综合能源系统的当地气象数据。
[0012]优选地，步骤2中，获取当前学习训练的等值封装模型在测试集上的预测均方根误差，设定需要进行数据更新的均方根误差阈值；当预测均方根误差大于等于均方根误差阈值时，根据综合能源系统历史运行情况，以如下关系式对外部历史运行数据进行更新：
[0013][0014]式中，
[0015]为更新后的综合能源系统的外部历史运行数据集合，
[0016]D
s
‑
γ
代表原有综合能源系统外部历史运行数据集合中的倒数M
‑
γ天的数据集，
[0017]Z
γ
为最新累积的综合能源系统外部历史运行数据集合中的γ天的数据集，
[0018]L
ζ
、W
ζ
、T
ζ
、M
ζ
、E
ζ
、P
ζ
分别代表最新累积的第ζ天的综合能源系统外部历史运行数据中的光照、风速、温度、湿度、能源价格以及能源消耗量，其中，1≤ζ≤γ，
[0019]L
k
、W
k
、T
k
、M
k
、E
k
、P
k
分别代表第k天的综合能源系统外部历史运行数据中的光照、风速、温度、湿度、能源价格以及能源消耗量，其中，γ≤k≤M，
[0020]M为外部历史运行数据的总天数，
[0021]γ为最新累积的外部历史运行数据的天数，
[0022]ROUND(
·
)代表四舍五入取整函数，
[0023]RMSE为当前学习训练的封装等值模型的预测均方根误差，
[0024]φ为设定的需要进行数据更新的均方根误差阈值。
[0025]优选地，对外部历史运行数据进行预处理，包括：数据标幺化，训练集与测试集划分。
[0026]优选地，预处理后的外部历史运行数据集合满足如下关系式：
[0027]式中，
[0028]D
s
为外部历史运行数据集合，集合内元素分别第k天的光照L
k
、风速W
k
、温度T
k
、湿度M
k
、能源价格E
k
以及能源消耗量P
k
，
[0029]M为外部历史运行数据的总天数，
[0030]分别为第k天第d时段的光照、风速、温度、湿度、电价、能源价格、能源消耗量，
[0031]N为一天内的时段总数，
[0032]为外部历史运行数据集合标幺化之后的数据集合，
[0033]min(
·
)代表取极小值，
[0034]max(
·
)代表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.综合能源系统综合需求响应特性的学习辨识方法，其特征在于，所述方法包括：步骤1，获取综合能源系统的外部历史运行数据，利用外部历史运行数据构造训练集与测试集；其中，外部历史运行数据与综合能源系统的结构无关；步骤2，采用长短时记忆神经网络对训练集进行学习训练，建立综合能源系统的等值封装模型；步骤3，代入测试集对等值封装模型进行测试验证，以外部历史运行数据对等值封装模型预测结果的综合边际效益最优且等值封装模型预测结果误差最小为目标，更新长短时记忆神经网络的各层神经元的权值系数和偏置系数；步骤4，利用步骤3获得的等值封装模型对综合能源系统综合需求响应特性进行学习辨识。2.根据权利要求1所述的综合能源系统综合需求响应特性的学习辨识方法，其特征在于，步骤1中，外部历史运行数据包括：综合能源系统注入到外部相连电网的互动功率数据，独立于综合能源系统的当地气象数据。3.根据权利要求1所述的综合能源系统综合需求响应特性的学习辨识方法，其特征在于，步骤2中，获取当前学习训练的等值封装模型在测试集上的预测均方根误差，设定需要进行数据更新的均方根误差阈值；当预测均方根误差大于等于均方根误差阈值时，根据综合能源系统历史运行情况，以如下关系式对外部历史运行数据进行更新：式中，为更新后的综合能源系统的外部历史运行数据集合，D
s
‑
γ
代表原有综合能源系统外部历史运行数据集合中的倒数M
‑
γ天的数据集，Z
γ
为最新累积的综合能源系统外部历史运行数据集合中的γ天的数据集，L
ζ
、W
ζ
、T
ζ
、M
ζ
、E
ζ
、P
ζ
分别代表最新累积的第ζ天的综合能源系统外部历史运行数据中的光照、风速、温度、湿度、能源价格以及能源消耗量，其中，1≤ζ≤γ，L
k
、W
k
、T
k
、M
k
、E
k
、P
k
分别代表第k天的综合能源系统外部历史运行数据中的光照、风速、温度、湿度、能源价格以及能源消耗量，其中，γ≤k≤M，M为外部历史运行数据的总天数，
γ为最新累积的外部历史运行数据的天数，ROUND(
·
)代表四舍五入取整函数，RMSE为当前学习训练的封装等值模型的预测均方根误差，φ为设定的需要进行数据更新的均方根误差阈值。4.根据权利要求3所述的综合能源系统综合需求响应特性的学习辨识方法，其特征在于，对外部历史运行数据进行预处理，包括：数据标幺化，训练集与测试集划分。5.根据权利要求4所述的综合能源系统综合需求响应特性的学习辨识方法，其特征在于，预处理后的外部历史运行数据集合满足如下关系式：式中，D
s
为外部历史运行数据集合，集合内元素分别第k天的光照L
k
、风速W
k
、温度T
k
、湿度M
k
、能源价格E
k
以及能源消耗量P
k
，M为外部历史运行数据的总天数，分别为第k天第d时段的光照、风速、温度、湿度、电价、能源价格、能源消耗量，N为一天内的时段总数，为外部历史运行数据集合标幺化之后的数据集合，min(
·
)代表取极小值，max(
·
)代表取极大值，为从标幺化之后的数据集合中取出的训练集，为从标幺化之后的数据集合中取出的测试集，ε代表训练集所占的比例。6.根据权利要求1所述的综合能源系统综合需求响应特性的学习辨识方法，其特征在
于，步骤2中，等值封装模型如以下关系式所示：式中，x
t
为当前迭代第t步从训练集中取出的光照、风速、温度、湿度、能源价格的数据集合，h
t
‑1为当前迭代第t步之前从训练集中累积取出的能源消耗量的数据集合，f
t
为当前迭代第t步对应的遗忘层输出，w
f
和b
f
分别为遗忘层中各神经元的权值系数和偏置系数，σ(
·
)代表s型曲线函数，i
t
为当前迭代第t步输入层的输出，w
i
和b
i
分别为输入层中各神经元的权值系数和偏置系数，为...

【专利技术属性】
技术研发人员：毛晓波，薛溟枫，肖浩，裴玮，刘航，孙小燕，马腾飞，马丽，
申请(专利权)人：国网江苏省电力有限公司无锡供电分公司，
类型：发明
国别省市：