CN112232575B - 一种基于多元负荷预测的综合能源***调控方法和装置 - Google Patents
一种基于多元负荷预测的综合能源***调控方法和装置 Download PDFInfo
- Publication number
- CN112232575B CN112232575B CN202011134010.6A CN202011134010A CN112232575B CN 112232575 B CN112232575 B CN 112232575B CN 202011134010 A CN202011134010 A CN 202011134010A CN 112232575 B CN112232575 B CN 112232575B
- Authority
- CN
- China
- Prior art keywords
- load
- training
- data
- module
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 40
- 241000039077 Copula Species 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 230000001105 regulatory effect Effects 0.000 claims abstract description 9
- 230000001276 controlling effect Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 20
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 238000001816 cooling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005485 electric heating Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多元负荷预测的综合能源***调控方法,包括如下步骤:S1.基于Copula方法对综合能源***的多元负荷进行相关性分析,选取相关性较强的多元负荷为待分析多元负荷;S2.构建历史数据特征索引集,所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标;S3.基于所述历史数据特征索引集中的数据训练SAE‑ELM模型,输出预测结果;S4.根据所述预测结果对综合能源***的各种能源进行调控。本发明还公开了一种基于多元负荷预测的综合能源***调控装置,通过SAE‑ELM多元负荷预测模型,有效的提高了多元负荷预测的精度,有利于综合能源***的综合调控。
Description
技术领域
本发明属于机器学习领域,特别涉及一种基于多元负荷预测的综合能源***调控方法和装置。
背景技术
能源是人类社会发展进步的基本条件,在发展的过程中,如何保证能源能够可持续的供应,又能减少环境污染,这是世界各国共同关注的话题。
传统的能源***主要由电力***,热力***和燃气***构成,三大***单独规划,独立运行,这就使得能源之间的灵活性很差。综合能源***是以电力***为核心,打破电、气、冷、热等能源供应***单独规划、设计和运行的模式,在规划、设计、建设和运行过程中,对各类能源分配、转化、存储、消费等环节进行有机协调与优化,充分利用可再生能源的新型区域能源供应***。能够准确地对综合能源***的负荷进行预测,是综合能源***规划、运行以及调控的关键。由于综合能源***中,各种能源之间的耦合度较高,受天气影响较大等因素,负荷波动的不确定性较大,给***内的能源负荷预测带来了极大的挑战,所以亟需一种能够精准且快速预测综合能源***中多元负荷的方法。
发明内容
为解决上述问题,本发明从相关性分析的角度出发,提出一种可以精准且快速预测综合能源***中多元负荷及根据预测结果进行综合能源***调控的方法,采用如下技术方案:
一种基于多元负荷预测的综合能源***调控方法,包括如下步骤:
S1.基于Copula方法对综合能源***多元负荷进行相关性分析,选取相关性较强的多元负荷为待分析多元负荷;
S2.构建历史数据特征索引集,所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标;
S3.基于所述历史数据特征索引集中的数据训练SAE-ELM模型,输出预测结果,其中,所述SAE-ELM模型由深度特征提取模块和预测模块构成;
S4.根据所述预测结果对综合能源***进行调控。
进一步的,所述步骤S3包括以下步骤:
将S2构建的历史数据特征索引集中的数据进行归一化处理,将数据特征值映射到[0,1]中,选取n组数据作为训练集,剩余m组数据作为测试集;
S32.将训练集作为SAE-ELM的输入,对深度特征模块进行训练,通过深度特征模块提取训练集中历史负荷的隐藏特征信息;
S33.将S32中深度特征提取模块提取到最后一个隐藏层的输出,作为预测模块的输入,预测模块是有监督训练的模型,以误差最小为目标,对输出权重进行训练,得到训练好的SAE-ELM模型;
S34.将测试集代入训练好的SAE-ELM模型中,得到预测结果。
进一步的,在步骤S1之前,还包括步骤S0,对数据进行预处理:
S0.遍历各个时刻的数据,计算负荷的各个时刻的突变特征,若某时刻负荷突变幅度超过了设定的阈值,用该时刻的相邻的历史数据的平均值代替。
进一步的,步骤S1中,采用Copula函数导出的Spearman秩相关系数ρs表示多种负荷之间的非线性相关关系。
进一步的,当所述Spearman秩相关系数ρs越接近于1时,多元负荷之间的正相关性越强;当所述Spearman秩相关系数ρs越接近于-1时,多元负荷之间的负相关性越强。
进一步的,步骤S3所述的深度特征提取模块由输入层以及前k-1个隐藏层构成,所述预测模块由第k-1层隐藏层,第k层隐藏层以及输出层构成。
进一步的,步骤S32所述的历史负荷的隐藏特征信息包括:某一类负荷与历史负荷之间的关联性、多元负荷之间的关联性、多元负荷变化趋势之间的关联性、多元负荷变化率之间的关联性中的一种或多种。
本发明还公开了一种基于多元负荷预测的综合能源***调控装置,包括:
相关性分析模块,用于基于Copula方法对综合能源***的多元负荷进行相关性分析,选取相关性较强的多元负荷为待分析多元负荷;
特征集构建模块,用于构建历史数据特征索引集,所述历史数据特征索引集包括相关性分析模块选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标;
模型训练单元,用于基于所述历史数据特征索引集中的数据训练SAE-ELM模型,输出预测结果,其中,所述SAE-ELM模型由深度特征提取模块和预测模块构成;
调控单元,用于根据所述预测结果对综合能源***的多种能源进行调控。
进一步的,所述模型训练单元执行以下操作:
将特征集构建模块构建的历史数据特征索引集中的数据进行归一化处理,将数据特征值映射到[0,1]中,选取n组数据作为训练集,剩余m组数据作为测试集;
将训练集作为SAE-ELM的输入,对深度特征模块进行训练,通过深度特征模块提取训练集中历史负荷的隐藏特征信息;
将深度特征提取模块提取到的最后一个隐藏层的输出,作为预测模块的输入,预测模块是有监督训练的模型,以误差最小为目标,对输出权重进行训练,得到训练好的SAE-ELM模型;
将测试集代入训练好的SAE-ELM模型中,得到预测结果。
进一步的,还包括预处理单元,用于遍历各个时刻的数据,计算负荷的各个时刻的突变特征,若某时刻负荷突变幅度超过了设定的阈值,用该时刻的相邻的历史数据的平均值代替。
本发明的有益效果为:通过SAE-ELM多元负荷预测模型,可以很好的提取负荷之间的耦合特性,有效挖掘历史负荷信息,提高多元负荷预测模型的精度。
附图说明
图1为本发明的短期多元负荷预测的流程图
图2为本发明一个实施例的SAE-ELM模型
图3为某地综合能源***的典型日负荷特征提取图,其中图3(a)为典型日电负荷数据、图3(b)为典型日冷负荷数据、图3(c)为典型日热负荷数据、图3(d)为典型日气负荷数据
图4为负荷特征索引指标图
图5为本发明一个实施例的多元负荷基于Copula理论的概率密度分布图,其中图5(a)为电-冷负荷Copula密度函数图、图5(b)为电-热负荷Copula密度函数图、图5(c) 为冷-热负荷Copula密度函数图、图5(d)为电-气负荷Copula密度函数图图6为本发明一个实施例的多元负荷之间的Spearman秩相关系数结果示意图
图7为本发明一个实施例的短期负荷预测结果示意,其中图7(a)为电负荷预测结果、图7(b)为冷负荷预测结果、图7(c)为热负荷预测结果、图7(d)为气负荷预测结果
具体实施方式
为了使本技术领域的人员能够更好地理解本发明中的技术方案,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明公开了一种基于多元负荷预测的综合能源***调控方法,该方法主要是对相关性较强的多元负荷,采用堆叠式自编码器极限学习机模型即SAE-ELM模型进行预测,进而得到较为精准的预测结果,本发明涉及的综合能源***多元负荷,主要指的是冷、气、电、热负荷。
堆叠式自动编码器(SAE)是一种前馈神经网络,由编码器和解码器组成。训练它以无监督的方式在输出层中重建其自己的输入,是一种能够保留隐藏的抽象信息并且在输入中具有不变结构的高级特征提取器。
极限学习机(ELM)是一个单隐藏层的前向神经网络。ELM神经网络的结构有三层,第一层是输入层,中间层是隐藏层,最后一层是输出层,ELM的训练速度快的优势在于模型的输入权重(输入层到隐藏层的连接权重)及隐藏层的偏置是随机生成的,ELM模型只需计算输出权重(隐含层到输出层的连接权重)即可。
图1为本发明整个过程的预测流程图,下面将根据图1对整个方案进行详细的描述:
本发明的预测方法包括如下步骤:
一种基于多元负荷预测的综合能源***调控方法,包括如下步骤:
S1.选取待分析的多元负荷:基于Copula理论对综合能源***多元负荷进行相关性分析,可以由Copula函数导出的Spearman秩相关系数ρs直观的反映多种负荷之间的非线性相关关系,ρs的取值范围为1到-1之间,ρs越接近于1时,多元负荷之间正相关性越强,越接近于-1时,负相关性越强。选取相关性较强的多元负荷为待分析的多元负荷;
其中:
图5为本发明的一个实施例的多元负荷基于Copula理论的概率密度分布图,从电负荷和冷负荷的概率密度函数图5(a)的结果来看,电负荷和冷负荷具有基本对称的尾部,两种负荷Copula概率密度函数呈现明显的尖峰厚尾形状,说明两种负荷的相关性较高,在负荷的高峰和低谷时,他们的相关性最明显;从电、热负荷以及冷、热负荷的概率密度函数图5(b)、图5(c)的结果来看,电负荷和热负荷以及冷负荷和热负荷呈负相关,Copula 概率密度函数也呈现尖峰厚尾形状,说明两种负荷之间也有较强的非线性关系。
为更直观的反应多种负荷之间的相关关系,图6为本发明一个实施例的多元负荷之间的Spearman秩相关系数结果,从图6中可以看出,电冷负荷,电气负荷的Spearman秩相关系数均在0.85以上且为正数,说明负荷之间呈正相关,且相关性较强;冷热负荷之间的Spearman秩相关系数在0.85以上且为负数,冷热负荷之间呈现较强的负相关性;电热负荷、气热负荷之间呈负相关,且相关性较弱;而冷、气负荷以及热、气负荷之间的 Spearman秩相关系数值小于0.75,但是三类负荷之间的Spearman秩相关系数比较接近,虽然他们之间的非线性关系强度较弱,但是三种负荷之间的影响程度很相近,由于相关性相对较弱,因此考虑不作为负荷预测模型的输入;综上分析,该实施例可以考虑电-冷负荷、冷-热负荷以及电-气负荷的耦合特性作为预测模型的输入,会提高多元负荷预测的准确度。
当某时刻负荷的突变幅度超过了预定的阈值时,该时刻的数据会对预测结构的精确度产生影响,所以在相关性分析之前,还可以包括数据预处理步骤:
S0.在步骤S1之前,还包括步骤S0数据预处理:即先遍历各个时刻的数据,计算负荷的各个时刻的突变特征:
式中:Mut(t)表示t时刻的负荷突变特征量,Pl(t)表示t时刻的负荷功率,Pl(t-1)表示t-1时刻的负荷功率
若某时刻负荷突变幅度超过了设定的阈值,用该时刻的相邻的历史数据的平均值代替:
式中:n为选取的相邻时刻的数量,例如n=2
图3为某地的综合能源***的典型日负荷特征提取图,从图3中可以看出该地区由于气候炎热,光照充足,因此,电、冷负荷需求较大,从典型日负荷曲线可以看到,冷负荷的波动最为剧烈,在一天中出现多次的波动,热负荷次之,电负荷波动过程最小,冷、热负荷之间呈现负相关的关系,电热负荷之间的变化趋势在绝大部分时间内是相同的,因此,针对综合能源***内多元负荷的不确定性以及波动特性,需要进一步构建特征索引来充分挖掘多元负荷之间的隐含的关联关系,以此来提高综合能源***多元负荷预测的精度。
由此,本发明通过分析综合能源***内的冷、热、电、气负荷的时序特点,提出一种包含多元负荷的时间序列、负荷各个时刻变化趋势、负荷各个时刻波动特征的3个特征指标的历史数据特征索引集,通过选择合适的滑动窗口实现历史信息的遍历,利用窗口的滑动提现历史负荷变化的趋势,通过负荷在相同时刻的波动率表现多元负荷在当前时刻的变化率的相关性,具体步骤如下:
S2.构建历史数据特征索引集:所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列P、各个时刻的变化趋势Trfp(t)和各个时刻的波动特征Vrfp(t)3个特征指标;
其中:P=[Pl(1),...,Pl(t),...,Pl(r)]
式中:Pl(t)表示t时刻的负荷功率
负荷的变化趋势Trfp(t)可以表示负荷在某个时间段内的变化情况,既需要体现对历史趋势特征的保持能力,又需要体现对趋势变化的感知能力
式中:r表示历史负荷序列长度,m表示滑动窗口长度
负荷的波动特征Vrfp(t)决定各个时刻负荷功率的变化方向和变化率大小
图4是本发明的负荷特征索引指标图,多元负荷的数据特征集包括多元负荷时间序列、各类负荷各个时刻变化趋势、各类负荷的波动特征3个特征指标。其中,综合能源***的负荷时间序列为按照小时来记录;各类负荷各时刻的变化趋势利用滑动周期来计算,能够衡量负荷的变化趋势;负荷各时刻波动特征用于表征各个时刻负荷的幅度变化情况,如当电价波动时,电负荷需求下降,负荷的幅度发生大幅突变,当每个用户的用电需求不一样是,会导致负荷的幅度在小幅波动。
S3.训练SAE-ELM模型,输出预测结果:如图2所示,SAE-ELM模型由深度特征提取模块和预测模块构成,深度特征提取模块由输入层以及前k-1个隐藏层构成,每一个隐藏层由一个自编码器末端连接极限学习机构成,该模块可以深度的提取历史负荷中的隐藏的特征信息,比如说某一类负荷与历史负荷之间的关联性,负荷与负荷之间的隐藏信息,多元负荷之间的关联性,多元负荷变化趋势之间的关联性,多元负荷变化率之间的关联性等;
预测模块由第k-1层隐藏层,第k层隐藏层以及输出层构成,是有监督的预测模型,由于其经过训练数据的训练之后,参数确定不用再进行调整,能学习到深层非线性特征,训练速度大大加快。
S31.将S2构建的历史数据特征索引集中的数据进行归一化处理,将数据特征值映射到[0,1]中,选取n组数据作为训练集,剩余m组数据作为测试集;
S32.将训练集作为SAE-ELM的输入,对深度特征模块进行训练,通过深度特征模块提取训练集中历史负荷的隐藏特征信息,将深度特征提取模块提取到最后一个隐藏层的输出,作为预测模块的输入,预测模块是有监督训练的模型,以误差最小为目标,对输出权重进行训练,得到训练好的SAE-ELM模型,
为了与前面历史负荷P区分,选取第q层隐藏层为例说明模型训练过程:
将深度特征模块中第q-1层的输出Lq-1作为第q层隐藏层的输入,映射到第q层的隐藏空间,得到第q层隐藏层的输出Lq,对Lq加权,得到第q层隐藏层的输出
Lq=f(αqLq-1+βq)
式中:αq为随机矩阵、βq为偏置向量、f(·)为激活函数、ωq为输出权重;
其中,输出权重ωq通过以下最优化问题求解
式中:C为惩罚系数,目标函数的第二部分为带着过度拟合的正则化项
令输出权重ωq的梯度为0,即
当Lq为列满秩时,求解的输出权重ωq为:
当Lq为行满秩时,求解的输出权重ωq为:
式中:I为单位矩阵
按上述过程进行训练,在训练完成后,得到第q个隐藏层的输出为
Lq=f(L(q-1)(ωq)T)
式中:ωq T为第q-1个隐藏层映射到第q个隐藏层的映射权重
ELM预测模块是一个典型的监督回归模型,输入变量为特征提取模块的最后一个隐藏层Lk-1的输出变量,输出权重ωo
式中:ωo为第k层隐藏层的输出权重,y(t+1)为训练目标的输出向量
S33.将测试集带入训练好的SAE-ELM模型中,得到预测结果,模型最后的输出变量为:
式中:为模型最后的输出变量、Lk-1为特征提取模块的最后一个隐藏层 k-1的输出变量、ωk T为第k-1个隐藏层和k隐藏层之间的映射权重。
图7为本发明的一个实施例短期负荷预测结果示意图,从图7中可以看出,在负荷突变的时刻负荷的误差较大,其余时刻负荷预测的误差较小,在负荷的平滑时段,预测结果和测试结果几乎重合,误差很小,由此可见,我们提出的SAE-ELM多元负荷预测模型具有良好的预测精度。
S4.根据预测结果可以实现综合能源***中多种能源的优化调度、实现综合能源***的安全评估、制定能源***的交易计划以及对综合能源***内设备的灵活性进行评估。例如根据多元负荷预测结果,对综合能源***内的各种能源进行合理分配,优化下一时刻各机组的出力状态,进而得到综合能源***内设备的可调容量,对综合能源***的安全性进行评估。
本发明还公开了一种基于多元负荷预测的综合能源***调控装置,包括:
相关性分析模块,用于基于Copula方法对综合能源***的多元负荷进行相关性分析,选取相关性较强的多元负荷为待分析多元负荷;
特征集构建模块,用于构建历史数据特征索引集,所述历史数据特征索引集包括相关性分析模块选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标;
模型训练单元,用于基于所述历史数据特征索引集中的数据训练SAE-ELM模型,输出预测结果,其中,所述SAE-ELM模型由深度特征提取模块和预测模块构成;
调控单元,用于根据所述预测结果对综合能源***进行调控。
其中,模型训练单元执行以下操作:
将特征集构建模块构建的历史数据特征索引集中的数据进行归一化处理,将数据特征值映射到[0,1]中,选取n组数据作为训练集,剩余m组数据作为测试集;
将训练集作为SAE-ELM的输入,对深度特征模块进行训练,通过深度特征模块提取训练集中历史负荷的隐藏特征信息;
将深度特征提取模块提取到的最后一个隐藏层的输出,作为预测模块的输入,预测模块是有监督训练的模型,以误差最小为目标,对输出权重进行训练,得到训练好的SAE-ELM 模型;
将测试集代入训练好的SAE-ELM模型中,得到预测结果。
上述调控装置还包括预处理单元,用于遍历各个时刻的数据,计算负荷的各个时刻的突变特征,若某时刻负荷突变幅度超过了设定的阈值,用该时刻的相邻的历史数据的平均值代替。
实施例1
本实施例选取某地的综合能源***作为对象,通过对多元负荷相关性分析,得出电冷负荷之间具有较强的非线性相关性,考虑电冷耦合性可以提高电冷负荷的预测精度,选取电冷负荷构建历史数据特征索引集,历史数据特征索引集包括电、冷负荷的时间序列、电、冷负荷各个时刻变化趋势、电、冷负荷的波动特征3个特征指标。历史负荷的采样周期为1小时,选取历史负荷的前40天的数据作为训练集,以后5天的数据作为测试集,进行 SAE-ELM模型的训练及预测。
将构建好的电冷负荷的历史特征索引集作为SAE-ELM的输入,如表1所示,对SAE-ELM 模型进行训练,该SAE-ELM模型包括一层输入层,两层隐藏层,一层输出层,每层的激活函数采用sigmod函数,AE-ELM采用带有核函数的极限学习机对每一层AE进行训练。在特征提取模块中,利用SAE可以提取出电、冷负荷之间的隐藏的关联性,如电冷负荷之间变化趋势的关系,电冷负荷之间波动特征的关系等,这些都是可以提高负荷预测的准确度。 SAE特征提取模块采用无监督训练模式可以学习到这些非线性特征并保留着提取的信息,将这些信息作为预测模块的输入。预测阶段是采用的典型有监督预测模型,以误差最小为目标,对极限学习机的输出权重进行优化,得到了最优的权重,最后模型得出预测结果,如表2所示,该预测结果与真实值结果误差较小,该SAE-ELM多元负荷预测模型具有良好的预测精度。
表1模型的输入变量
变量输出 | 预测结果 |
y1 | 预测日t时刻电负荷历史数据 |
y2 | 预测日t时刻电负荷历史数据 |
表2模型的输出变量
综上所述,采用如上技术方案,本发明的有益效果为:
通过SAE-ELM多元负荷预测模型,可以很好的提取负荷之间的耦合特性,有效挖掘历史负荷信息,提高多元负荷预测模型的精度。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种基于多元负荷预测的综合能源***调控方法,包括如下步骤:
S0.遍历各个时刻的数据,计算负荷的各个时刻的突变特征,若某时刻负荷突变幅度超过了设定的阈值,用该时刻的相邻的历史数据的平均值代替;
S1.基于Copula方法对综合能源***的多元负荷进行相关性分析,选取相关性较强的多元负荷为待分析多元负荷;
S2.构建历史数据特征索引集,所述历史数据特征索引集包括步骤S1选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标;
S3.基于所述历史数据特征索引集中的数据训练SAE-ELM模型,输出预测结果,其中,所述SAE-ELM模型由深度特征提取模块和预测模块构成;
S31.将S2构建的历史数据特征索引集中的数据进行归一化处理,将数据特征值映射到[0,1]中,选取n组数据作为训练集,剩余m组数据作为测试集;
S32.将训练集作为SAE-ELM的输入,对深度特征模块进行训练,通过深度特征模块提取训练集中历史负荷的隐藏特征信息;
S33.将S32中深度特征提取模块提取到的最后一个隐藏层的输出,作为预测模块的输入,预测模块是有监督训练的模型,以误差最小为目标,对输出权重进行训练,得到训练好的SAE-ELM模型;
S34.将测试集代入训练好的SAE-ELM模型中,得到预测结果;
S4.根据所述预测结果对综合能源***的各种能源进行调控。
2.根据权利要求1所述的调控方法,其特征在于:步骤S1中,采用Copula函数导出的Spearman秩相关系数ρs表示多种负荷之间的非线性相关关系。
3.根据权利要求2所述的调控方法,其特征在于:当所述Spearman秩相关系数ρs越接近于1时,多元负荷之间的正相关性越强;当所述Spearman秩相关系数ρs越接近于-1时,多元负荷之间的负相关性越强。
4.根据权利要求1所述的调控方法,其特征在于:步骤S3所述的深度特征提取模块由输入层以及前k-1个隐藏层构成,所述预测模块由第k-1层隐藏层,第k层隐藏层以及输出层构成。
5.根据权利要求1所述的调控方法,其特征在于:步骤S32所述的历史负荷的隐藏特征信息包括:某一类负荷与历史负荷之间的关联性、多元负荷之间的关联性、多元负荷变化趋势之间的关联性、多元负荷变化率之间的关联性中的一种或多种。
6.一种基于多元负荷预测的综合能源***调控装置,包括:
预处理单元,用于遍历各个时刻的数据,计算负荷的各个时刻的突变特征,若某时刻负荷突变幅度超过了设定的阈值,用该时刻的相邻的历史数据的平均值代替;
相关性分析模块,用于基于Copula方法对综合能源***的多元负荷进行相关性分析,选取相关性较强的多元负荷为待分析多元负荷;
特征集构建模块,用于构建历史数据特征索引集,所述历史数据特征索引集包括相关性分析模块选取的待分析多元负荷的时间序列、各个时刻的变化趋势和各个时刻的波动特征3个特征指标;
模型训练单元,用于基于所述历史数据特征索引集中的数据训练SAE-ELM模型,输出预测结果,其中,所述SAE-ELM模型由深度特征提取模块和预测模块构成;
将特征集构建模块构建的历史数据特征索引集中的数据进行归一化处理,将数据特征值映射到[0,1]中,选取n组数据作为训练集,剩余m组数据作为测试集;
将训练集作为SAE-ELM的输入,对深度特征模块进行训练,通过深度特征模块提取训练集中历史负荷的隐藏特征信息;
将深度特征提取模块提取到的最后一个隐藏层的输出,作为预测模块的输入,预测模块是有监督训练的模型,以误差最小为目标,对输出权重进行训练,得到训练好的SAE-ELM模型;
将测试集代入训练好的SAE-ELM模型中,得到预测结果;
调控单元,用于根据所述预测结果对综合能源***的各种能源进行调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134010.6A CN112232575B (zh) | 2020-10-21 | 2020-10-21 | 一种基于多元负荷预测的综合能源***调控方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011134010.6A CN112232575B (zh) | 2020-10-21 | 2020-10-21 | 一种基于多元负荷预测的综合能源***调控方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232575A CN112232575A (zh) | 2021-01-15 |
CN112232575B true CN112232575B (zh) | 2023-12-19 |
Family
ID=74109041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011134010.6A Active CN112232575B (zh) | 2020-10-21 | 2020-10-21 | 一种基于多元负荷预测的综合能源***调控方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232575B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095566B (zh) * | 2021-04-08 | 2023-02-07 | 国网山东省电力公司电力科学研究院 | 一种基于用能行为层次化分析的多源协调供能方法及*** |
CN113065715A (zh) * | 2021-04-21 | 2021-07-02 | 东南大学 | 一种综合能源***多元负荷超短期预测方法 |
CN113516291A (zh) * | 2021-05-24 | 2021-10-19 | 国网河北省电力有限公司经济技术研究院 | 电力负荷预测方法、装置及设备 |
CN113177366B (zh) * | 2021-05-28 | 2024-02-02 | 华北电力大学 | 一种综合能源***规划方法、装置和终端设备 |
CN113268929B (zh) * | 2021-06-08 | 2024-05-14 | 广西电网有限责任公司南宁供电局 | 短期负荷区间预测方法及装置 |
CN117664244B (zh) * | 2024-01-31 | 2024-05-17 | 合肥锦上汇赢数字科技有限公司 | 多传感器融合的结构物在线监测数据处理*** |
CN117892212B (zh) * | 2024-03-14 | 2024-06-21 | 国网上海市电力公司 | 一种分布式异构能源站点态势感知监测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156560A (zh) * | 2014-07-12 | 2014-11-19 | 中国矿业大学 | 一种基于SaE-ELM的煤矿多等级突水预测方法 |
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
CN110264001A (zh) * | 2019-06-20 | 2019-09-20 | 国网上海市电力公司 | 基于多时序的用电负荷预测方法 |
CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
CN111626622A (zh) * | 2020-05-28 | 2020-09-04 | 哈尔滨工业大学 | 一种考虑不确定性的电路***测试性指标预计方法 |
CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
WO2021218251A1 (zh) * | 2020-04-29 | 2021-11-04 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
-
2020
- 2020-10-21 CN CN202011134010.6A patent/CN112232575B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156560A (zh) * | 2014-07-12 | 2014-11-19 | 中国矿业大学 | 一种基于SaE-ELM的煤矿多等级突水预测方法 |
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
CN110264001A (zh) * | 2019-06-20 | 2019-09-20 | 国网上海市电力公司 | 基于多时序的用电负荷预测方法 |
CN110781947A (zh) * | 2019-10-22 | 2020-02-11 | 北京交通大学 | 用电负荷预测模型训练、用电负荷预测方法及装置 |
WO2021218251A1 (zh) * | 2020-04-29 | 2021-11-04 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN111626622A (zh) * | 2020-05-28 | 2020-09-04 | 哈尔滨工业大学 | 一种考虑不确定性的电路***测试性指标预计方法 |
CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
Non-Patent Citations (2)
Title |
---|
基于SAE-ELM 的电动汽车充电站负荷预测模型;龚钢军,安晓楠,陈志敏,张帅,文亚凤,吴秋新,苏畅;现代电力;第第36卷卷(第第6期期);第1-7页 * |
基于径向基函数神经网络的综合能源***多元负荷短期预测;翟晶晶,吴晓蓓,王力立;电力需求侧管理;第第21 卷卷(第第4 期期);第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112232575A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232575B (zh) | 一种基于多元负荷预测的综合能源***调控方法和装置 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Lu et al. | US natural gas consumption prediction using an improved kernel-based nonlinear extension of the Arps decline model | |
Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
CN114022311B (zh) | 基于时序条件生成对抗网络的综合能源***数据补偿方法 | |
CN113591368A (zh) | 一种综合能源***多能负荷预测方法及*** | |
CN113822481A (zh) | 基于多任务学习策略和深度学习的综合能源负荷预测方法 | |
CN115481788B (zh) | 相变储能***负荷预测方法及*** | |
Zhang et al. | A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction | |
CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
CN117477561A (zh) | 居民家用负荷概率预测方法及*** | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN117252367A (zh) | 基于领域对抗的迁移学习模型的需求响应潜力评估方法与*** | |
CN117200204A (zh) | 一种多元负荷预测方法、装置及存储介质 | |
CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及*** | |
Duong et al. | Application of Seasonal Trend Decomposition using Loess and Long Short-Term Memory in Peak Load Forecasting Model in Tien Giang | |
Kavoosi Davoodi et al. | An accurate analysis of the parameters affecting consumption and price fluctuations of electricity in the Iranian market in summer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |