【技术实现步骤摘要】
本专利技术涉及一种融合深度学习组合模型的综合能源系统短期多元负荷预测方法。
技术介绍
1、在能源互联网和低碳生活的背景下，综合能源系统摆脱了传统能源系统在设计运行时各能源相互独立，实现了能源自产生到消费环节的产供销一体化，达到了多种能源网通过能量转换设备相互转化、统一管理的目的，其中精准、高效的负荷预测是整个综合能源系统运行规划和优化调度的重要前提。综合能源系统涉及冷、热、电等多种能源形式的生产、传输、储存、转换和利用，在充分消纳可再生能源提高能源利用率的同时，实现多能源互补协调运行，最终实现环境友好和可持续发展的目标。负荷预测是综合能源系统能量管理和优化调度的基础，其预测精度直接关系到系统的整体运行性能。然而，大量的无序用能必然会对能源网络的经济运行和调度产生冲击。因此，提高多元负荷预测的精度对指导综合能源系统有序用能具有重要意义。
2、目前常用的负荷预测方法包括传统预测方法和机器学习方法。
3、传统预测方法主要有指数平滑法、趋势外推法、时间序列法和回归分析法等，这类型的预测方法只适用于在过去、现在和未来都很平稳的系统，无法应对随机出现的问题。机器学习的预测方法主要有支持向量机、神经网络法、随机森林等方法，其中长短时记忆网络是近些年应用非常广泛的一种机器学习预测方法，基于其拓展的双向长短时记忆神经网络也得到非常广泛的应用。长短时记忆神经网络可以有效地解决陷入局部最优解和梯度爆炸等问题，而且其在时间序列的数据训练中表现更好。但是上述模型都是单一模型，在其复杂的综合能源系统多元负荷预测中呈现效果欠佳，近年来
技术实现思路
1、本专利技术是为了解决上述现有技术存在的问题而提供一种融合深度学习组合模型的综合能源系统短期多元负荷预测方法。
2、本专利技术所采用的技术方案有：
3、一种融合深度学习组合模型的综合能源系统短期多元负荷预测方法，包括以下步骤：
4、s1：获取综合能源系统的多元负荷历史数据和气象数据，对多元负荷历史数据以及气象数据进行关联因子优选，得到多元负荷影响较大的关联因子；
5、s2：将多元负荷历史数据划分为训练集和测试集两部分，并对训练集和测试集进行最大最小归一化处理；
6、s3：利用串并行叠加的多尺度卷积神经网络提取多元负荷历史数据的多级空间特征；
7、利用双向门控循环单元神经网络提取负荷历史数据时序特征，并引入多头注意力机制提取负荷预测任务的重要信息，从而设计融合注意力机制的多尺度卷积双向门控循环单元神经网络；
8、s4：利用自适应多策略灰狼优化算法实现双向门控循环单元神经网络进行优化参数搜索，并采用平均绝对误差，均方根误差和平均相对误差评价指标对预测结果进行误差分析，得到最优参数，实现负荷精准预测。
9、进一步地，s1中：
10、设x表示气象数据，y表示多元负荷历史数据，采用皮尔逊相关系数对多元负荷历史数据以及气象数据进行关联因子优选，得到多元负荷影响较大的气象因素，采用的皮尔逊相关系数表达式如下：
11、
12、式中：xi表示第i个时刻的气象数据，yi表示第i个时刻的多元负荷历史数据，n表示样本数量，cov(x,y)表示x和y的协方差，σx和σy分别表示x和y的标准差。
13、进一步地，s2中，最大最小归一化处理的计算公式为：
14、
15、式中：x表示原始样本数据，xmin表示最小的样本值；xmax表示最大的样本值；表示归一化处理后的样本值。
16、进一步地，所述串并行叠加的多尺度卷积神经网络包括两个卷积神经网络，每个卷积神经网络中第1卷积层和第2卷积层的卷积核大小和数量根据任务需求和数据维度来确定，卷积神经网络的卷积计算公式为：
17、ci＝t([xi:xi+f-1]*ki+bi)
18、c＝[c1,c2,…,ci+f-1]
19、其中，k表示卷积核，i表示卷积核的宽度，f表示卷积尺度，t为激活函数，bi为偏置，xi:xi+f-1表示x中第i至第i+f-1个矩阵向量。
20、5.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：利用双向门控循环单元神经网络学习负荷数据时序特征，并迭代提取全局信息；所述双向门控循环单元神经网络设置两层双向门控循环单元，每一层双向门控循环单元的隐含层神经元个数利用自适应多策略灰狼优化算法确定，另外将dropout层引入所述隐藏层。
21、进一步地，门控循环单元的计算表达式如下：
22、zt＝σ(wizxt+biz+whzht-1+bht)
23、rt＝σ(wirxt+bir+whrht-1+bhr)
24、ht＝tanh[winxt+bin+rt⊙(whnht-1+bhn)]
25、ht＝(1-zt)⊙ht-1+zt⊙ht
26、式中：ht-1为t-1时刻的隐藏状态；xt为t时刻的输入；σ为sigmoid激活函数；rt为重置门；zt为更新门；ht为最终隐藏状态；w为系数矩阵；⊙为哈达玛积；b为偏执系数；
27、双向门控循环单元由两个方向的门控循环单元构成，时间序列数据在两门控循环单元中沿相反方向计算，分别负责处理历史信息和未来信息，对于一个输入序列x＝x1,x2,…,xt，双向门控循环单元的前向计算表示为：
28、
29、式中：和分别为从左到右和从右到左的隐藏状态，xt为输入序列第t个元素；在此基础上，将两个方向的隐藏状态融合，得到最终的隐藏状态：
30、
31、将隐藏状态传递给一个全连接层，得到输出yt：
32、yt＝softmax(wht+b)。
33、进一步地，所述注意力机制为多头注意力机制，表达式为：
34、
35、multihead(q,k,v)＝concat(head1，…,headh)
36、headi＝attention(qwiq,kwik,vwiv)
37、式中：q为查询向量；k为键向量，v为值向量；softmax为权值归一化函数；headi表示第i头注意力；h为多头自注意力机制中头的个数；wiq，wik，wiv分别为第i个注意力中q,k,v所对应的可学习权重矩阵；dk为k矩阵的维度；qkt为查询矩阵与键矩阵转置的乘积；qwiq为第i头注意力中查询矩阵与对应的权重矩阵的乘积；kwik为第i头注意力中键矩阵与对应的权重矩阵的乘积；vwiv为第i头注意力中值矩阵与对应的权重矩阵的乘积；attention(q,k,v)为输出的注意力值；multihead(q,k,v)本文档来自技高网...
【技术保护点】
1.一种融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：包括以下步骤：
2.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：S1中：
3.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：S2中，最大最小归一化处理的计算公式为：
4.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：所述串并行叠加的多尺度卷积神经网络包括两个卷积神经网络。
5.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：利用双向门控循环单元神经网络学习负荷数据时序特征，并迭代提取全局信息；所述双向门控循环单元神经网络设置两层双向门控循环单元，每一层双向门控循环单元的隐含层神经元个数利用自适应多策略灰狼优化算法确定，另外将Dropout层引入所述隐藏层。
6.如权利要求5所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：门控循环单元的计算表达式如下：
8.如权利要求5所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：所述自适应多策略灰狼优化算法是对传统传统灰狼优化算法进行改进，改进点为：
9.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：所述评价指标为：均方根误差ERMSE，平均绝对误差EMAE和平均相对误差EMAPE，具体计算如下：
...【技术特征摘要】
1.一种融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：包括以下步骤：
2.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：s1中：
3.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：s2中，最大最小归一化处理的计算公式为：
4.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：所述串并行叠加的多尺度卷积神经网络包括两个卷积神经网络。
5.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：利用双向门控循环单元神经网络学习负荷数据时序特征，并迭代提取全局信息；所述双向门控循环单元神经网络设置两层双向门控循环单元，每一层双向门控...
【专利技术属性】
技术研发人员：李峰，周亚鑫，刘世横，姚克明，贾立，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。