CN115936218A - 基于深度学习的综合能源***多元负荷预测方法及*** - Google Patents
基于深度学习的综合能源***多元负荷预测方法及*** Download PDFInfo
- Publication number
- CN115936218A CN115936218A CN202211557173.4A CN202211557173A CN115936218A CN 115936218 A CN115936218 A CN 115936218A CN 202211557173 A CN202211557173 A CN 202211557173A CN 115936218 A CN115936218 A CN 115936218A
- Authority
- CN
- China
- Prior art keywords
- load
- energy
- data
- time sequence
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 230000008878 coupling Effects 0.000 claims abstract description 23
- 238000010168 coupling process Methods 0.000 claims abstract description 23
- 238000005859 coupling reaction Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000007787 long-term memory Effects 0.000 claims abstract description 8
- 230000006403 short-term memory Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 230000005611 electricity Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000001816 cooling Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于深度学***和竖直两个方向上分别具有时间相关性和空间相关性；利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；融合提取结果和外部影响因素，得到融合后的时间序列数据；采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能***之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到各个负荷预测结果。本发明可以有效利用多能负荷之间的时空相关性与不同能源***的耦合交互关系提高多元负荷预测精度。
Description
技术领域
本发明属于综合能源***技术领域，涉及一种基于深度学习的综合能源***多元负荷预测方法及***，尤其是通过特征分离-融合和多任务学习的方法考虑不同能源***之间的耦合关系以及不同负荷序列的时空相关性对冷、热、电负荷的影响的方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着社会经济快速发展，能源利用与环境保护之间的矛盾愈发尖锐，综合能源***(integrated energy system，IES)作为满足能源需求增长的重要研究方向，受到国内外研究者的广泛关注。传统能源***能源利用形式粗放，忽略了能源的二次利用和不同类型能源间的互补转换，导致能源利用率低、***可靠性差、灵活性不足，已无法适应时代发展的要求。综合能源***内部包含多种能源供给、转换和存储设备，多种异质能流在能源供给、转换、分配等各个环节耦合交互，实现了能源的梯级利用，大幅度提高能源利用效率的同时保证了***运行的经济性、灵活性和可靠性。
在能源供给侧，新能源发电量逐年提升；在用能侧，电动汽车、需求侧响应等新因素不断增多；导致综合能源***源荷不确定性大幅度增加，严重威胁综合能源***的安全稳定运行。负荷预测是能量管理***的重要组成部分，对综合能源***的经济调度与优化运行有重要意义。传统负荷预测方法可以分为两类：时间序列法和机器学习法。其中传统的时间序列法虽然在预测过程中有效利用了负荷序列的时序相关性，但挖掘数据非线性关系的能力不足。机器学习方法改善了传统时间序列法对非线性关系挖掘不足的缺点，但随着综合能源***规模不断扩大，机器学习存在大规模数据处理困难问题。
目前针对单一类型负荷预测的研究已经取得了许多成果，但针对基于深度学习的综合能源***多元负荷预测的研究仍然较少，并且大多数直接套用电力***中的电力负荷预测方法，没有考虑多能负荷之间的复杂耦合关系，导致预测精度无法满足要求。相较于单类型能源***，综合能源***结构更加复杂，多种能源通过不同的能源转换设备交叉耦合。因此在预测过程中，除了要考虑负荷序列自身的时空相关性以外，还须充分考虑多能源***之间的耦合关系对负荷预测的影响。
在现有研究中，研究者没有考虑不同负荷影响因素之间的差异性，将不同类型的输入特征作统一处理，导致特征提取阶段获得大量无用信息，严重影响预测精度和模型效率。
发明内容
本发明为了解决上述问题，提出了一种基于深度学习的综合能源***多元负荷预测方法及***，本发明可以有效利用多能负荷之间的时空相关性与不同能源***的耦合交互关系提高多元负荷预测精度。
根据一些实施例，本发明采用如下技术方案：
一种基于深度学习的综合能源***多元负荷预测方法，包括以下步骤：
对多能历史负荷进行重构，将原始序列数据转换为二维数据图，使数据在水平和竖直两个方向上分别具有时间相关性和空间相关性；
对卷积神经网络模型进行改进，在同一卷积层内设置并行的不同尺度的卷积核，从多个尺度提取多能负荷的高维抽象特征，利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；
融合提取结果和外部影响因素，得到融合后的时间序列数据；
采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能***之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到各个负荷预测结果。
作为可选择的实施方式，所述多能历史负荷包括冷、热、电历史负荷数据，所述外部影响因素数据为日期类型、温度、天气、湿度和电价波动中的若干。
作为可选择的实施方式，所述多尺度并行卷积神经网络模型，在同一卷积层内设置并行的三个不同尺度的卷积核；
其中卷积层用于对负荷数据局部特征进行提取，采用最大池化的方式压缩卷积层输出的局部特征，保留关键信息。
作为进一步限定的实施方式，所述多尺度并行卷积神经网络模型选择RULE函数作为激活函数。
作为进一步限定的实施方式，卷积阶段的特征提取包括两个方面：横向提取短序列局部时序特性和纵向提取多能负荷空间耦合特征。
作为可选择的实施方式，融合提取结果和外部影响因素的具体过程包括，将特征融合层的动态输出按时间步长与原始负荷数据结合。
作为可选择的实施方式，以长短期记忆神经网络为共享层的多任务学习框架采用隐层参数的硬共享机制，在所有子任务之间共享隐藏层。
作为可选择的实施方式，由不同结构的全连接网络分别解释提取时序特征，得到冷、热、电负荷预测结果。
一种基于深度学习的综合能源***多元负荷预测***，包括：
数据重构模块，被配置为对多能历史负荷进行重构，将原始序列数据转换为二维数据图，使数据在水平和竖直两个方向上分别具有时间相关性和空间相关性；
提取模块，被配置为对卷积神经网络模型进行改进，在同一卷积层内设置并行的三个不同尺度的卷积核，从多个尺度提取多能负荷的高维抽象特征，利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；
融合模块，被配置为融合提取结果和外部影响因素，得到融合后的时间序列数据；
预测模块，被配置为采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能***之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到冷、热和电负荷预测结果。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。
与现有技术相比，本发明的有益效果为：
(1)本发明采用分离—融合的特征处理方法，根据输入特征之间的差异性，将输入特征分为两类，进行差异化处理。建立特征融合层，将基于多尺度并行的卷积神经网络输出的高维时空特征向量按时间断面与外部影响因素融合作为原始负荷数据的补充，得到更具表征力的高维输入矩阵。
(2)本发明将历史负荷数据重构为三通道的二维数据图，将时序信息和空间信息整合，使原始负荷数据在水平和竖直两个方向分别具有时间相关性和空间相关性。同时弥补LSTM在长时间循环过程中对周期性关注不足的缺点。
(3)本发明基于多尺度并行的改进卷积神经网络，在同一卷积层内设置三种不同尺度的卷积核，并行卷积操作，对原始数据中的隐藏特征进行多尺度提取，在高维空间内融合形成更具表现力的特征向量，从而避免在特征筛选过程中遗漏局部重要特征。
(4)本发明采用三种不同结构的FCN网络，对特征提取器输出的特征进行解释，能够适应不同负荷的波动特征。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实例基于多尺度并行的改进CNN模型结构图；
图2为本发明实例预测模型框架；
图3为本发明实例2017-2022实际电负荷曲线；
图4为本发明实例2017-2022实际冷负荷曲线；
图5为本发明实例2017-2022实际热负荷曲线；
图6为本发明实例输入数据结构；
图7为本发明实例预测流程图；
图8为本发明实例电负荷预测结果；
图9为本发明实例冷负荷预测结果；
图10为本发明实例热负荷预测结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种基于特征分离-融合的深度多任务学***和竖直两个方向上分别具有时间相关性和空间相关性。利用改进的多尺度并行CNN提取多能负荷的空间相关性和序列的局部依赖关系，弥补LSTM网络对序列数据局部依赖关系关注不足的缺点。采用以LSTM为共享层的多任务学习框架进一步挖掘多能***之间的耦合关系和负荷序列的时序特性，最终由三种不同结构的全连接网络解释提取特征，输出冷、热、电三种负荷预测结果。
具体的，包括以下步骤：
第一步，将输入特征分为两类，一类是具有深层次耦合转换关系的冷、热、电历史负荷数据，另一类是日期类型、温度、湿度等仅具有关联关系的外部影响因素。
第二步，历史负荷数据重构。本发明提出了一种负荷数据重构方法，将原始序列数据重构为三通道二维数据图形式，以便于改进的基于多尺度并行的CNN模型进行特征提。
第三步，改进传统CNN模型，在同一卷积层内设置并行的三个不同尺度的卷积核，从多个尺度提取多能负荷的高维抽象特征，在更高维空间内融合三种不同的特征图，避免在特征筛选过程中遗漏重要特征。其中卷积层用于对负荷数据局部特征进行提取，采用最大池化的方式压缩卷积层输出的局部特征，保留关键信息。此外，不同尺度的特征图使得卷积操作能够提取不同的周期特征。
第四步，将改进CNN模型的输出与日期类型、温度、湿度等外部影响因素融合，作为原始负荷序列的补充。
第五步，以LSTM为共享层建立多任务学习框架。在长时间运行过程中，综合能源***内部存储了大量能源转换信息，传统的预测方法难以对此类信息进行总结和特征提取。多任务学习是机器学习的一个重要分支，在训练过程中，多任务学习能通过不同子任务之间共享参数实现多任务协同优化，大幅度提高模型的泛化能力和运算效率。将第四步融合得到的时间序列数据输入到MTL-LSTM模型中，充分挖掘多能***的耦合交互关系，并进一步提取多能负荷序列的时序特征。
第六步，特征解释。由于冷、热、电三种能源性质各不相同，终端用户对其需求也有所差异，因此不同负荷的波动特性有很大差别。本发明采用三种不同结构的全连接神经网络对提取的特征进行解释，以适应不同的负荷波动特征。
下面就具体实现过程中的重要部分进行详细介绍。
首先是模型构建：
基于多尺度并行的卷积神经网络：
在卷积操作中，特征提取器根据标签值，通过增大卷积核上某一区域的权重值，加强对该区域所对应原始图像的关注，从而完成对序列数据局部特征的自动捕捉。此外，CNN通过池化层过滤信息，减少特征量，能够有效降低计算复杂度，提升计算效率。本发明采用最大池化方式，选择RULE函数作为激活函数。
与人类视觉特性类似，CNN也存在视野的概念，称为感受野。感受野大小由卷积核尺度决定，不同尺度的卷积核可以获取不同抽象级别的特征图，一般来说，卷积核尺寸越小，对数据细节描述越详细。此外，每个卷积核都能从水平和竖直两个方向挖掘图像特征，从本发明重构的二维数据图来看，卷积阶段的特征提取包括两个方面：横向提取短序列局部时序特性(包括周期性)和纵向提取多能负荷空间耦合特征。在IES多能负荷预测领域，多类负荷之间包含大量隐藏信息，为提高预测精度，本发明在同一卷积层内设置三种不同尺寸的卷积核，并行卷积操作，从多个尺度提取信息，在更高维的空间内利用全连接层对同一时间步的各类特征进行融合，形成更具表现力的拼接向量。该方法保证了信息的全面性，输出向量既包含全局信息，也包含局部详细信息，在全面地描述多能负荷交互关系的同时，弥补了LSTM网络对短时间序列局部特征关注不足的缺点。
长短期记忆神经网络：
长短时记忆网路：RNN是一种专门处理序列数据的神经网络模型，能够有效克服全连接网络对序列数据依赖关系关注不足的缺点。RNN通过引入循环结构，并允许隐层神经元之间相互连接、结构参数共享，使学习序列数据内部动态规律成为可能。
针对传统RNN在面对长时间序列时出现的梯度消失和梯度***问题，LSTM网络能够通过特殊的门结构实现自动判断信息价值优劣，筛选更有价值的短期记忆片段，同时保存长期记忆信息，在预测任务中有不俗的表现。GRU作为LSTM网络的变体，通过减少参数数量加快了收敛速度，但是在面对大规模数据的情况下，仍是LSTM网络表现较好。LSTM网络的基本单元如图2所示。计算过程细节见下式。
ft＝σ(Wifxt+bif+Whfh(t-1)+bhf)
it＝σ(Wiixt+bii+Whih(t-1)+bhi)
gt＝tanh(Wigxt+big+Whgh(t-1)+bhg)
ct＝ftc(t-1)+itgt
ot＝σ(Wioxt+bio+Whoh(t-1)+bho)
ht＝ot tan h(ct)
式中，xt为t时刻输入；ct是t时刻单元状态；ht是t时刻隐层状态；c(t-1)，h(t-1)分别为t-1时刻单元状态及隐层状态；it，ft，gt，ot分别为输入门输出、遗忘门输出、单元状态和输出门输出；W为各个单元的权重值；b为各个单元的偏置值。
多任务学习框架：
单任务学习中每个任务都是相互独立的，学习能力有限，难以有效挖掘多能负荷之间复杂的能量转换信息，无法保证预测精度。多任务学习(MTL)是一种经典的归约迁移机制，能够通过不同子任务相关信息共享来提升模型的泛化能力。具体来说，MTL利用共享机制并行训练多个子任务，每个子任务都能学习来自其他任务的辅助信息，学习成效反映到共享参数上，当所有子任务都收敛时，就认为所有任务完成融合。在多能负荷预测领域，MTL可以有效弥补单任务学习的不足，充分挖掘多能负荷之间的耦合关系，提高预测效率。考虑到冷热电三种负荷之间存在强相关性，本发明采用隐层参数的硬共享机制，在所有子任务之间共享隐藏层。
模型概述：
在多元负荷预测任务中，多能历史负荷数据是最重要的输入特征，其内部包含描述负荷序列潜在规律的丰富信息。本发明将原始负荷数据重构为三通道二维数据图的形式，使之在水平和竖直两个方向具有一定的相关性，利用改进CNN模型从三个维度动态挖掘多能负荷之间的高维空间耦合特征。此外，通过重构原始数据集，使改进CNN模型在提取空间耦合特征的同时，学习短时间序列的局部时序特性，从而弥补LSTM网络对局部特征关注不足的缺点。除历史负荷数据之外，预测影响因素还包括天气信息、日期类型以及电价波动等外部特征，与历史负荷数据相比，此类特征蕴含的潜在规律不明显，不具备深层次耦合关系。鉴于两类特征性质不一，提取难度不同，因此本发明采用特征分离—融合的处理方法，不再将外部特征作为改进CNN模型的输入，而是将改进CNN模型输出的高维耦合特征在特征融合层按时间断面与其它外部特征融合。考虑到模型在进行特征提取时会破坏序列数据的内部联系(时序特性)，因此将特征融合层的动态输出按时间步长与原始负荷数据结合作为LSTM共享层的输入，利用LSTM网络处理长时间序列数据的优势，进一步挖掘多能负荷的时序相关性。在日常运行中，综合能源***内部存储了大量多能转换信息，常规预测模型难以对其有效利用，本发明引入多任务学习框架，通过冷热电三个预测子任务共享信息，实现对复杂能量转换信息的提取，同时进一步挖掘多个输入特征之间的耦合关系。在冷热电负荷中，电能以光速传输利用，而冷、热能的传输存在一定的滞后性和惯性，由此可见不同负荷的波动细节存在差异，体现到特征解释阶段，本发明采用三种不同结构的全连接网络分别对三种负荷进行特征解释，最终输出冷热电负荷预测结果。模型框架如图2所示。
实例分析
为证明本发明的有效性，本发明使用来自美国亚利桑那州立大学综合能源***2017-2022年的冷热电负荷数据，时间分辨率为1h。该地区属于典型的热带沙漠气候，夏热冬暖，降雨量小，全年对电负荷和冷负荷的需求量大，冷、热、电负荷曲线分别如图3-5所示。
美国亚利桑那州立大学综合能源系负荷特性分析
IES以电力***为核心，由热能子***、冷能子***和燃气子***构成。在能源供给侧，冷、热、电三种能源之间存在复杂的耦合转换关系，其中电能可通过电制冷装置、热泵和P2G技术分别转换为冷能、热能和天然气。热能子***能够利用CCHP机组产生的废热以及燃气锅炉满足用户热负荷需求。CCHP中的吸收式制冷机能实现冷热能转换，与电制冷装置联合满足用户冷负荷要求。在用户侧，居民的多种用能需求致使多能负荷高度耦合。综上所述，IES多能负荷之间联系紧密，某一负荷需求改变时会导致其它负荷同时发生变化。
可以看出，在一年内电、冷负荷呈现出中间高、两侧低的趋势，局部存在较强的随机性和波动性，高峰主要集中在夏季。与电、冷负荷相比，热负荷全年需求低且波动较小，高峰主要集中在冬季。显然，气候变化对用户负荷需求有直接影响，一年内各负荷变化呈现出明显的季节性。从总体趋势来看，电、冷负荷变化一致性高，具有很强的正时间相关性，电、冷负荷与热负荷之间存在明显的互补关系，高峰间隔出现，负时间相关性明显。此外，无论在一年内还是在整个数据集上，冷热电负荷均表现出明显的周期性。
数据处理：
在数据收集过程中难免会得到异常数据，因此首先要对数据进行异常值检测和均值替代处理。此外，为了便于训练将得到的数据采用下式进行归一化处理。
为了方便特征提取，将历史负荷数据重构为三通道的二维数据图，使原始负荷数据在水平和竖直两个方向分别具有时间相关性和空间相关性。具体方法是用时间步长为Seqlen的移动窗口在原始数据集上移动，取T-Seqlen日到T-1日内24小时冷热电负荷数据作为输入值，T日数据作为标签值。将得到的二维矩阵排列组合得到三维数据体，如图6所示，其中Seqlen为时间步长，Features为特征数量，这里是0-24时的冷热电负荷数据，跨度为1h，Batchsize为输入矩阵数量，第一个竖向截面为T-Seqlen日到T-1日的负荷数据，第二个竖向截面为T-Seqlen+1日到T日的负荷数据，以此类推，第Batc hsize个截面为T-Seqlen+Batchsize日到T+Batchsize-1日的负荷数据。显然只要Batchsize＝Seqlen，那么横向截面数据的时间步分布就与竖向截面数据排列规律相同。
多类负荷之间存在一定相关性，但各自又有不同的物理意义，为了体现不同负荷之间的独立性，将不同类型的负荷数据分别放入三个图像通道内。将第二步得到的三维数据作为改进CNN模型一个批次的输入，按时间步长每次取一个横截面作为输入，每个输入为三通道数据图。其中，二维图像的三个通道分为T-Seqlen日到T-1日日内1-24时的冷热电负荷数据。采用该方法构造数据集不仅有利于模型提取多能负荷空间耦合特征，而且使得模型能够提取短序列负荷数据的局部时序特征和不同日内同一时刻的周期性特征。
至此，将重构的数据输入上文所述预测框架中，采用Adam算法优化模型超参数，计算流程图如图7所示。
结果分析
模型输出冷、热、电负荷预测结果分别如图8-10所示。从结果来看三种负荷预测结果整体变化趋势与周期性变化与实际负荷基本一致。其中，电负荷预测精度98.4％，热负荷预测精度为97.9％，冷负荷预测精度98.8％，精度较高。从实际负荷曲线来看，每日峰谷时负荷曲线波动最大，预测难度最高，本发明利用基于多尺度并行的改进CNN模型从多个角度提取负荷序列局部依赖特征，并通过不同结构的全连接网络对不同波动水平的负荷差异化解释，对负荷曲线波动细节刻画精准细致。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于深度学习的综合能源***多元负荷预测方法，其特征是，包括以下步骤：
对多能历史负荷进行重构，将原始序列数据转换为二维数据图，使数据在水平和竖直两个方向上分别具有时间相关性和空间相关性；
对卷积神经网络模型进行改进，在同一卷积层内设置并行的不同尺度的卷积核，从多个尺度提取多能负荷的高维抽象特征，利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；
融合提取结果和外部影响因素，得到融合后的时间序列数据；
采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能***之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到各个负荷预测结果。
2.如权利要求1所述的一种基于深度学习的综合能源***多元负荷预测方法，其特征是，所述多能历史负荷包括冷、热、电历史负荷数据，所述外部影响因素数据为日期类型、温度、天气、湿度和电价波动中的若干。
3.如权利要求1所述的一种基于深度学习的综合能源***多元负荷预测方法，其特征是，所述多尺度并行卷积神经网络模型，在同一卷积层内设置并行的三个不同尺度的卷积核；
其中卷积层用于对负荷数据局部特征进行提取，采用最大池化的方式压缩卷积层输出的局部特征，保留关键信息。
4.如权利要求3所述的一种基于深度学习的综合能源***多元负荷预测方法，其特征是，所述多尺度并行卷积神经网络模型选择RULE函数作为激活函数。
5.如权利要求3所述的一种基于深度学习的综合能源***多元负荷预测方法，其特征是，卷积阶段的特征提取包括两个方面：横向提取短序列局部时序特性和纵向提取多能负荷空间耦合特征。
6.如权利要求1所述的一种基于深度学习的综合能源***多元负荷预测方法，其特征是，融合提取结果和外部影响因素的具体过程包括，将特征融合层的动态输出按时间步长与原始负荷数据结合。
7.如权利要求1所述的一种基于深度学习的综合能源***多元负荷预测方法，其特征是，以长短期记忆神经网络为共享层的多任务学习框架采用隐层参数的硬共享机制，在所有子任务之间共享隐藏层；
或，由不同结构的全连接网络分别解释提取时序特征，得到冷、热、电负荷预测结果。
8.一种基于深度学习的综合能源***多元负荷预测***，其特征是，包括：
数据重构模块，被配置为对多能历史负荷进行重构，将原始序列数据转换为二维数据图，使数据在水平和竖直两个方向上分别具有时间相关性和空间相关性；
提取模块，被配置为对卷积神经网络模型进行改进，在同一卷积层内设置并行的三个不同尺度的卷积核，从多个尺度提取多能负荷的高维抽象特征，利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；
融合模块，被配置为融合提取结果和外部影响因素，得到融合后的时间序列数据；
预测模块，被配置为采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能***之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到冷、热和电负荷预测结果。
9.一种计算机可读存储介质，其特征是，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述方法中的步骤。
10.一种终端设备，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211557173.4A CN115936218A (zh) | 2022-12-06 | 2022-12-06 | 基于深度学习的综合能源***多元负荷预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211557173.4A CN115936218A (zh) | 2022-12-06 | 2022-12-06 | 基于深度学习的综合能源***多元负荷预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115936218A true CN115936218A (zh) | 2023-04-07 |
Family
ID=86553362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211557173.4A Pending CN115936218A (zh) | 2022-12-06 | 2022-12-06 | 基于深度学习的综合能源***多元负荷预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936218A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源***源荷价多任务联合预测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源***短期负荷预测方法 |
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源***非侵入式负荷分解方法及*** |
| CN114595874A (zh) * | 2022-02-24 | 2022-06-07 | 武汉大学 | 一种基于动态神经网络的超短期电力负荷预测方法 |
| CN114707772A (zh) * | 2022-06-06 | 2022-07-05 | 山东大学 | 基于多特征分解与融合的电力负荷预测方法及*** |
-
2022
- 2022-12-06 CN CN202211557173.4A patent/CN115936218A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源***短期负荷预测方法 |
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源***非侵入式负荷分解方法及*** |
| CN114595874A (zh) * | 2022-02-24 | 2022-06-07 | 武汉大学 | 一种基于动态神经网络的超短期电力负荷预测方法 |
| CN114707772A (zh) * | 2022-06-06 | 2022-07-05 | 山东大学 | 基于多特征分解与融合的电力负荷预测方法及*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源***源荷价多任务联合预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Parallel LSTM‐Based Regional Integrated Energy System Multienergy Source‐Load Information Interactive Energy Prediction | |
| Shivam et al. | A multi-objective predictive energy management strategy for residential grid-connected PV-battery hybrid systems based on machine learning technique | |
| Xiao et al. | Research and application of a hybrid wavelet neural network model with the improved cuckoo search algorithm for electrical power system forecasting | |
| Xuan et al. | A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems | |
| Wang et al. | Bi-directional long short-term memory method based on attention mechanism and rolling update for short-term load forecasting | |
| Haider et al. | Deep learning and statistical methods for short-and long-term solar irradiance forecasting for Islamabad | |
| Gao et al. | Interpretable deep learning model for building energy consumption prediction based on attention mechanism | |
| Ying et al. | Deep learning for renewable energy forecasting: A taxonomy, and systematic literature review | |
| Amalou et al. | Multivariate time series prediction by RNN architectures for energy consumption forecasting | |
| Al-Janabi et al. | Development of deep learning method for predicting DC power based on renewable solar energy and multi-parameters function | |
| CN111191856A (zh) | 计及时序动态特性和耦合特性的区域综合能源***多能负荷预测方法 | |
| CN106779219A (zh) | 一种用电量预测方法及*** | |
| Ullah et al. | Deep Learning‐Assisted Short‐Term Power Load Forecasting Using Deep Convolutional LSTM and Stacked GRU | |
| Rosas et al. | Itineraries for charging and discharging a BESS using energy predictions based on a CNN-LSTM neural network model in BCS, Mexico | |
| Dong et al. | Short-term residential household reactive power forecasting considering active power demand via deep Transformer sequence-to-sequence networks | |
| Gao et al. | Multi-step solar irradiation prediction based on weather forecast and generative deep learning model | |
| CN115936218A (zh) | 基于深度学习的综合能源***多元负荷预测方法及*** | |
| Li et al. | A novel short-term multi-energy load forecasting method for integrated energy system based on feature separation-fusion technology and improved CNN | |
| Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
| Mirza et al. | A comprehensive approach for PV wind forecasting by using a hyperparameter tuned GCVCNN-MRNN deep learning model | |
| Munsif et al. | CT-NET: A Novel Convolutional Transformer-Based Network for Short-Term Solar Energy Forecasting Using Climatic Information. | |
| Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
| Dai et al. | Optimized Seq2Seq model based on multiple methods for short-term power load forecasting | |
| Tong et al. | Attention-based temporal–spatial convolutional network for ultra-short-term load forecasting | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
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 |