综合能源系统冷热电负荷协同预测方法

本发明属于综合能源系统冷热电负荷预测领域，具体涉及一种基于特征提取与深度学习的综合能源系统冷热电负荷协同预测方法。

背景技术：

1、负荷预测是综合能源系统安全、经济运行、调度控制中的重要环节，对综合能源系统规划具有重要意义，其本质是基于一系列历史或样本数据，解析负荷随时间的变化规律，再通过时间序列、趋势外推或数据驱动类学习算法，推断未来的负荷变化。在综合能源系统中，冷、热、电等多元负荷具有数据量大，负荷间强耦合特性明显的特点。庞大的数据量为提高预测精度提供了数据基础，多元负荷间的强耦合特性则要求在对综合能源系统进行负荷预测时，除分析单一种类负荷与影响因素之间的相关关系外，还应充分考虑系统中冷、热、电等负荷之间的相互影响。

2、传统负荷预测方法由于无法考虑多元负荷间的耦合关系，不能直接应用于综合能源系统。近年来，在计算工具不断升级、训练数据量大规模提升的背景下，以深度学习为代表的人工智能算法大量应用于综合能源系统负荷预测，使预测精度和鲁棒性显著提高。一方面，由于综合能源系统规划、运行和维护产生的数据量呈指数增长，这些数据存在一定的挖掘难度，而深度学习模型的数据挖掘能力十分显著，为其在综合能源系统负荷预测中的应用奠定了良好的基础；另一方面，随着计算机、通信、控制技术的快速发展，深度学习模型的发展潜力巨大、应用前景广阔，其计算求解能力对多维、多元化发展的综合能源系统具有良好的应用适应性。

技术实现思路

1、本发明是为了克服现有技术中存在的缺点而提出的，其目的是提供一种基于特征提取与深度学习的综合能源系统冷热电负荷协同预测方法。

2、本发明是通过以下技术方案实现的：

3、一种基于特征提取与深度学习的综合能源系统冷热电负荷协同预测方法，包括以下步骤：

4、s1、输入待预测综合能源系统的冷、热、电负荷历史数据、气象因素历史数据和社会因素历史数据；

5、s2、对步骤s1获取的冷、热、电负荷历史数据和气象因素历史数据进行数据预处理；

6、s3、基于步骤s2数据预处理后的冷、热、电负荷历史数据，进行负荷数据特征提取，获得多元负荷重构子序列；

7、s4、确定预测模型输入；

8、s5、负荷预测；

9、s6、输出待预测日负荷曲线。

10、在上述技术方案中，所述冷、热、电负荷历史数据为待预测综合能源系统的某一个时间段内的冷、热、电负荷的数据集合；所述社会因素历史数据和气象因素历史数据为与冷、热、电负荷历史数据相对应的同时期、同地域的社会因素、气象因素的数据集合；所述社会因素历史数据包括负荷日类型和或负荷日的星期类型；所述负荷日类型包括节假日、工作日和休息日；所述气象因素历史数据包括平均温度、风速和太阳辐射中的任意一种或多种。

11、在上述技术方案中，所述步骤s2的数据预处理包括缺失数据填补、离群值替换、数据平滑化和数据归一化处理中的任意一种或多种。

12、在上述技术方案中，所述步骤s3多元负荷重构子序列获得的具体方法为：

13、s31、采用完全集合经验模态分解算法，对经过步骤s2数据预处理的冷、热、电负荷历史数据分别进行数据分解，获得与冷、热、电负荷分别对应的本征模态函数分量；

14、s32、采用基于动态时间规整的k-medoids聚类算法，对冷、热、电负荷的本征模态函数分量进行聚类，获得与冷、热、电负荷分别对应的负荷重构子序列。

15、在上述技术方案中，所述完全集合经验模态分解算法获得与冷、热、电负荷分别对应的本征模态函数分量的具体步骤为：

16、(ⅰ)在原始序列x(t)中加入白噪声εm(t)，加入白噪声后的序列如式(8)：

17、xm(t)＝x(t)+εm(t),m＝1,2,…,n (8)

18、其中，n为添加白噪声的次数；

19、所述原始序列x(t)是指经过步骤s2数据预处理之后的冷、热、电负荷历史数据组成的序列；

20、所述白噪声为高斯白噪声序列；

21、所述白噪声的加入次数n等于负荷数据的最大可分解次数；

22、正如步骤(iv)所示，当余量为单调函数，不能提取出更多的imf时，余量不能再分解，此时已进行的分解次数即为数据的最大可分解次数；

23、(ⅱ)对新得到的序列xm(t)进行经验模态分解，得到若干分量后，取平均得到第一个本征模态函数分量imf1(t)：

24、

25、用原始序列x(t)减去imf1(t)，得到第一个余项：

26、r1(t)＝x(t)-imf1(t) (10)

27、(ⅲ)将信号r1(t)与白噪声序列的分解结果进行求和，再对求和结果进行经验模态分解并取平均，得到第二个本征模态函数分量imf2(t)：

28、

29、用第一个余项减去第二个本征模态函数分量，得到第二个余项：

30、r2(t)＝r1(t)-imf2(t)  (12)

31、(ⅳ)重复步骤(ⅱ)、(ⅲ)直到余量不能再分解，最后得到余项和各分量：

32、ri(t)＝ri-1(t)-imfi(t)  (13)

33、

34、得到的余项与分量能完整地重构得到原始数据，如式(15)所示：

35、

36、在上述技术方案中，所述基于动态时间规整的k-medoids聚类算法获得负荷重构子序列具体包括以下步骤：

37、(ⅰ)初始化k个负荷序列中的样本点作为聚类中心u1,u2,…uk；

38、所述负荷序列为步骤s3获得的多元负荷重构子序列；

39、(ⅱ)根据动态时间规整思想，将负荷数据序列中的各样本点按照时间序列信息对应分配到最近的聚类中心ci；

40、(ⅲ)形成新的聚类集合，并计算对应的新聚类中心ci′；

41、(ⅳ)迭代前述步骤，直到聚类中心不再改变。

42、在上述技术方案中，所述聚类数目k采用轮廓系数作为评估指标进行最优选择，轮廓系数的计算公式如式(16)所示：

43、

44、其中，sc为轮廓系数；a(i)是数据i到类内其他数据的平均距离；b(i)是数据i到其他类所有数据的平均距离；

45、当sc值最大时，对应的k值即为最优聚类数目。

46、在上述技术方案中，所述聚类数目k还可以通过戴维森堡丁指数(davies-bouldinindex,dbi)进行确定，戴维森堡丁指数越小，聚类效果越好。

47、在上述技术方案中，所述步骤s4确定预测模型输入具体包括以下步骤：

48、s41、使用皮尔逊相关系数法计算步骤s32中得到的某一类型负荷的重构子序列与其他类型负荷之间的相关性，并对皮尔逊相关系数进行显著性检验；

49、s42、使用灰色关联度分析计算步骤s32中得到的某一类型负荷的重构子序列与气象因素、社会因素之间的相关性；

50、灰色关联度分析的计算公式如下：

51、

52、

53、其中，ξi为关联因素，γi为关联度，xo(k)为影响因素序列；xi(k)为负荷序列；ρ为分辨系数，取ρ＝0.5；

54、s43、选取步骤s41中，皮尔逊相关系数r大于0.4的其他类型负荷序列作为预测模型输入；选取步骤s42中，灰色关联度γi大于0.4的气象因素序列或社会因素序列作为预测模型输入。

55、在上述技术方案中，对于变量x＝[x1,x2,···,xn]τ和y＝[y1,y2,···,yn]τ，所述步骤s41中皮尔逊相关系数的计算公式如下：

56、

57、其中：和分别为各自样本数据的平均值，相关系数r的取值范围为[-1,1]，即|r|≤1；

58、得到皮尔逊相关系数r后，对皮尔逊相关系数r进行显著性检验，首先，设定原假设h0，将其设为两个变量间不具备相关关系；然后，采用t分布检验，统计量t的构造方式如下：

59、

60、其中，n为样本的数量，r为皮尔逊相关系数。

61、最后，根据给定的显著性水平α和自由度df＝n-2，利用t分布表查出tα/2(n-2)的临界值。

62、在上述技术方案中，所述步骤s5负荷预测具体包括以下步骤：

63、s51、设置回归卷积神经网络相关参数，使用回归卷积神经网络模型提取输入数据的隐含特征；

64、回归卷积神经网络模型的输入为步骤s43中得到的预测模型输入；

65、s52、设置长短期记忆网络相关参数，使用长短期记忆网络模型，基于多任务学习，对各类型负荷的重构子序列进行预测，得到各类型负荷的重构子序列的预测结果；

66、长短期记忆网络模型的输入为步骤s32中得到的某一类型负荷的重构子序列以及步骤s51中回归卷积神经网络模型的输出；

67、s53、将步骤s52中得到的同一类型的负荷重构子序列的预测结果进行叠加，并反归一化，进而得到该类型负荷的预测结果。

68、本发明的有益效果是：

69、本发明提供了一种预测精度更高，且能够考虑多元负荷间耦合性的基于特征提取与深度学习的综合能源系统冷热电负荷协同预测方法，围绕综合能源系统冷、热、电负荷预测，分别采取相应的特征提取方法和基于深度学习的预测方法，实现了对负荷数据潜在规律的提取，大大减少了负荷预测的运算量，提升了负荷曲线的预测精度；通过实际算例对所提方法进行了分析与验证，本发明方法对于工作日和休息日夏冬两个季节的典型日均取得了不错的预测效果，能够为综合能源系统规划运行提供一定支撑。

技术特征：

1.一种综合能源系统冷热电负荷协同预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述冷、热、电负荷历史数据为待预测综合能源系统的某一个时间段内的冷、热、电负荷的数据集合；所述社会因素历史数据和气象因素历史数据为与冷、热、电负荷历史数据相对应的同时期、同地域的社会因素、气象因素的数据集合；所述社会因素历史数据包括负荷日类型和或负荷日的星期类型；所述负荷日类型包括节假日、工作日和休息日；所述气象因素历史数据包括平均温度、风速和太阳辐射中的任意一种或多种。

3.根据权利要求1所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述步骤s2的数据预处理包括缺失数据填补、离群值替换、数据平滑化和数据归一化处理中的任意一种或多种。

4.根据权利要求1所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述步骤s3多元负荷重构子序列获得的具体方法为：

5.根据权利要求4所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述完全集合经验模态分解算法获得与冷、热、电负荷分别对应的本征模态函数分量的具体步骤为：

6.根据权利要求4所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述基于动态时间规整的k-medoids聚类算法获得负荷重构子序列具体包括以下步骤：

7.根据权利要求6所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述聚类数目k采用轮廓系数作为评估指标进行最优选择，或者通过戴维森堡丁指数进行确定；

8.根据权利要求1所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述步骤s4确定预测模型输入具体包括以下步骤：

9.根据权利要求8所述的综合能源系统冷热电负荷协同预测方法，其特征在于：对于变量x＝[x1,x2,···,xn]τ和y＝[y1,y2,···,yn]τ，所述步骤s41中皮尔逊相关系数的计算公式如下：

10.根据权利要求1所述的综合能源系统冷热电负荷协同预测方法，其特征在于：所述步骤s5负荷预测具体包括以下步骤：

技术总结
本发明公开了一种基于特征提取与深度学习的综合能源系统冷热电负荷协同预测方法，包括输入待预测综合能源系统的冷、热、电负荷历史数据、气象因素历史数据和社会因素历史数据；对步骤S1获取的冷、热、电负荷历史数据和气象因素历史数据进行数据预处理；基于步骤S2数据预处理后的冷、热、电负荷历史数据，进行负荷数据特征提取，获得多元负荷重构子序列；确定预测模型输入；负荷预测；输出待预测日负荷曲线等步骤。本发明实现了对负荷数据潜在规律的提取，减少负荷预测的运算量，提升负荷曲线的预测精度，能够为综合能源系统规划运行提供一定支撑。

技术研发人员：罗凤章,丘校宇,王圣元,吴璇,张旭,佛嘉诚,孔矿玉,穆冉峰
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/9/23