基于RBF-ARX的综合能源系统时序概率多元负荷预测方法及系统技术方案

本发明专利技术属于综合能源系统多元负荷预测领域，提供了基于RBF

【技术实现步骤摘要】
基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法及系统


[0001]本专利技术属于综合能源系统多元负荷预测领域，尤其涉及基于RBF
‑
ARX的综合能源系统时序概率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专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]综合能源系统(Integrated energy system，IES)作为一种新型能源供应模式，通过其内部种类众多的能量转换和存储设备，实现了不同能源之间的灵活转换、高效分配和有机协调。与传统的单一能源系统相比，综合能源系统可以提高能源利用效率、有效减少碳排放，具有灵活、清洁、高效的特点。而对于多元负荷(主要包括冷却、热、电负荷)的准确短期预测是保证IES可靠、经济运行的前提。一方面，依据多元负荷预测结果可以合理配置多种形式的能源，提高能源利用效率及系统运行的经济性；另一方面，还可以依据负荷预测结果制定需求响应计划，实现能源供需平衡，提高系统运行的可靠性。因此，开展针对综合能源系统的多元负荷预测研究有着重要的意义。
[0004]目前，负荷预测方法主要分为统计方法和机器学习方法两类。经典的统计算法有指数平滑、自回归移动平均(ARMA)和自回归积分移动平均(ARIMA)等，此类方法能够预测的时间范围较短，当需要较长的预测时间范围时，其预测精度会下降。机器学习方法有支持向量回归(SVR)、大数据分析技术和人工神经网络等，其中，人工神经网络凭借着良好的非线性逼近特性和在时空序列预测中的出色表现，在负荷预测领域得到了广泛的应用。
[0005]近年来，为了进一步提高像IES负荷这样的非线性时间序列的预测性能，又有学者提出将另外的模型或技术和人工神经网络相结合，构造出一种性能更优的混合模型用于时间序列的预测，其中RBF
‑
ARX就是一种比较典型的混合模型。同传统的单一神经网络相比，RBF
‑
ARX等组合模型有更高的预测精度，将RBF
‑
ARX应用于多元负荷的预测中能够极大地提高多元负荷预测的精度。但是，与单一电力系统的传统电负荷相比，IES多元负荷具有更大的波动性和随机性，所以势必会影响RBF
‑
ARX的预测效果。

技术实现思路

[0006]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，其采用了RBF
‑
ARX混合模型，预测精度更高，计算速度更快，且具有一定的泛化性。同时，该方法结合了神经网络时序预测和统计学的概率预测，同时考虑了IES负荷的时序性与概率性，从而达到了更好的预测效果。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术的第一个方面提供一种基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，包括如下步骤：
[0009]获取综合能源系统多元负荷数据，并进行相关性分析，筛选得到外部因素和耦合关系符合条件的多元负荷数据；
[0010]将符合条件的多元负荷数据分解为确定性分量和随机性分量；
[0011]采用变量投影算法对RBF
‑
ARX混合模型模型参数进行优化后，对确定性分量进行时序预测；
[0012]对随机性分量进行拟合，在得到拟合随机性分量的概率密度函数之后，通过采样来获取随机性分量的预测值，对随机性分量进行概率预测；将确定性分量的时序预测结果和随机性分量的概率预测相加，作为最终的预测结果。
[0013]本专利技术的第二个方面提供一种基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测系统，包括：
[0014]相关分析模块，其用于获取综合能源系统多元负荷数据，并进行相关性分析，筛选得到外部因素和耦合关系符合条件的多元负荷数据；
[0015]数据分解模块，其用于将符合条件的多元负荷数据分解为确定性分量和随机性分量；
[0016]时序预测模块，其用于采用变量投影算法对RBF
‑
ARX混合模型模型参数进行优化后，对确定性分量进行时序预测；
[0017]概率预测模块，其用于对随机性分量进行拟合，在得到拟合随机性分量的概率密度函数之后，通过采样来获取随机性分量的预测值，对随机性分量进行概率预测；
[0018]预测结果输出模块，其用于将确定性分量的时序预测结果和随机性分量的概率预测相加，作为最终的预测结果。
[0019]本专利技术的第三个方面提供一种计算机可读存储介质。
[0020]一种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如上述所述的基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法中的步骤。
[0021]本专利技术的第四个方面提供一种计算机设备。
[0022]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法中的步骤。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]1、本专利技术所提出的多元负荷预测方法在基于采用了RBF
‑
ARX混合模型的基础上，结合了神经网络时序预测和统计学的概率预测，同时考虑了IES负荷的时序性与概率性，分别预测IES负荷的确定性分量和随机性分量，表面上增加了预测步骤，实际上降低了直接预测的困难程度，提高了IES负荷预测的效率。预测精度更高，计算速度更快，且具有一定的泛化性。
[0025]2、本专利技术的预测方法能推广并适用于耦合关系复杂，且含有大量波动性、概率性成分的IES负荷。
[0026]本专利技术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，或通过本专利技术的实践了解到。
附图说明
[0027]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0028]图1为本专利技术提供的一种基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法流程图；
[0029]图2(a)
‑
图2(b)为本专利技术提供的利用最大信息系数方法分析多元负荷之间以及多元负荷与外部因素之间相关性的结果图；
[0030]图3为本专利技术提供的利用快速傅里叶变换方法分解原始IES负荷数据的结果图。
具体实施方式
[0031]下面结合附图与实施例对本专利技术作进一步说明。
[0032]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，其特征在于，包括如下步骤：获取综合能源系统多元负荷数据，并进行相关性分析，筛选得到外部因素和耦合关系符合条件的多元负荷数据；将符合条件的多元负荷数据分解为确定性分量和随机性分量；采用变量投影算法对RBF
‑
ARX混合模型模型参数进行优化后，对确定性分量进行时序预测；对随机性分量进行拟合，在得到拟合随机性分量的概率密度函数之后，通过采样来获取随机性分量的预测值，对随机性分量进行概率预测；将确定性分量的时序预测结果和随机性分量的概率预测相加，作为最终的预测结果。2.如权利要求1所述的基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，其特征在于，采用最大信息系数法对多元负荷之间以及多元负荷与外部因素之间相关性进行分析。3.如权利要求1所述的基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，其特征在于，所述将符合条件的多元负荷数据分解为确定性分量和随机性分量，具体包括：经符合条件的多元负荷数据X(n)将过FFT过程得到时间序列在频域的表示结果X
DFT
(k)；通过设置一个阈值水平，筛除X
DFT
(k)中与X(n)随机性分量相关的频率分量；对筛选的X
DFT
(k)进行IFFT操作，得到从原始时间序列中分离出的确定性分量X
cert
；将原始数据与确定性分量作差可得到随机性分量X
rand
(n)。4.如权利要求1所述的基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，其特征在于，基于RBF
‑
ARX混合模型，采用变量投影算法对模型参数进行优化，具体包括：将RBF
‑
ARX混合模型写为由模型线性参数和非线性参数的优化问题；对于非线性参数，通过解线性最小二乘问题得到模型线性参数和非线性参数的关系；基于模型线性参数和非线性参数的关系对优化问题进行简化，得到仅含非线性参数的表达式作为简化后的优化问题；通过LM方法解非线性最小二乘问题，将得到的结果作为确定性分量的时序预测结果。5.如权利要求1所述的基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，其特征在于，采用高斯混合模型对随机性分量进行拟合，得到对应的拟合随机性分量的概率密度函数。6.如权利要求5所述的基于RBF
‑
ARX的综合能源系统时序概率多元负荷预测方法，其特征在于，具体包括：所述采用高斯混合模型对随机性分量进行拟合，得到对应的拟合随机性分量的概率密度函数，具体包括：输入随机性分量样本数据，最大迭代次数和高斯分布成员的个数；对随机性分量的概率密度分布进行估计，得到条件分布p(z|x,θ)；估计高斯混合模型的权重系数α
n
，μ
n
，σ
2n
，记θ
n
＝{α
n
...

【专利技术属性】
技术研发人员：谢香敏，丁玉昊，张景辉，魏仲樱，
申请(专利权)人：青岛大学，
类型：发明
国别省市：