欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020108247050
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种考虑多元负荷耦合特性的综合能源系统负荷预测方法,其特征在于:具体包括以下步骤:

1)综合能源系统历史数据预处理

首先对综合能源系统历史负荷数据及对应的历史气象数据、日期信息进行缺失值检验与填补,并对历史负荷与气象数据进行最大-最小规范化处理;其次使用皮尔逊相关系数选取对历史负荷影响大的气象特征;最后在此基础上将历史冷、热、电负荷数据排成时间序列,并令n为一个负荷时间序列所包含的数据个数;

2)多元负荷模态分解

2.1)对步骤1)中的历史冷、热、电负荷时间序列采用自适应局部迭代滤波分解(ALIF)方法进行分解,分别得到冷、热、电负荷具有不同频段的模态函数与剩余分量;其中自适应局部迭代滤波分解又可以分为内循环过程与外循环过程,同时为了实现自适应局部迭代滤波,选取根据不同滤波区间上Fokker-Planck方程的基础解系构造具有自适应功能的滤波函数;

2.2)对步骤2.1)中的多元负荷各个模态函数计算样本熵值,将各种负荷样本熵值相近的模态函数进行重构得到新的序列,形成各种负荷的周期序列、波动序列与趋势序列,其中冷负荷的周期序列

3)建立多元负荷多任务学习预测模型

3.1)将步骤1)与步骤2)中得到的多元负荷周期序列、波动序列以及趋势序列与对应历史气象数据以及日期信息组合得到多元负荷数据集,划分为训练集与测试集,分别用于模型的训练与测试;

3.2)将步骤3.1)得到的训练集输入模型进行训练,使用LSTM模型对多元负荷的周期序列、波动序列以及趋势序列分别进行多任务学习的训练,得到各个序列对应的预测模型,具体方法为借助LSTM算法进行多任务学习以实现综合能源系统的多元负荷预测,使冷热电负荷预测任务实现参数共享,以此实现能源系统多元负荷之间耦合信息的共享;

3.3)所述步骤3.2)中使用LSTM模型对冷、热、电负荷各序列式中t=m+1,m+2,...,n,结合日期信息date,使用date=1,2,...,7代表星期一至星期日;t-1时刻实时气象数据作为预测t时刻负荷时输入模型的气象特征weather(t)=[T,h,ws,ir],其中T为温度值,h为湿度值,ws为风速,ir为辐照度;最终输入模型特征为:模型输出为:

使用经过训练的LSTM模型进行多任务预测:y(t)=LSTMi(X(t)),LSTMi代表不同序列经过多任务学习训练得到的模型,最终多元负荷不同序列经过模型的预测结果为

3.4)对步骤3.3)中的冷、热、电各个序列的预测结果分别求和重构,则重构之后的冷、热、电负荷预测结果可以表示为:模型的初始冷负荷预测结果为:

模型的初始热负荷预测结果为:

模型的初始电负荷预测结果为:

3.5)结合步骤3.4)预测结果并且考虑实际的冷、热、电负荷值为P同理得热负荷预测误差序列:E

同理可得电负荷预测误差序列:E

4)多元负荷预测误差补偿

4.1)对步骤3)中各种负荷的预测误差序列使用GRU算法多任务学习的方式进行训练与预测,冷、热、电负荷预测误差序列的特征维度k,具体原理为利用t时刻前k个点的冷、热、电负荷预测误差数据预测下一个时刻点即t时刻的冷、热、电负荷预测误差,使用GRU算法进行误差预测模型训练,输入数据和输出数据分别表示为:输入数据:

X(t)=[x

其中:

输出数据:

y

4.2)利用所述步骤4.1)训练所得的GRU模型进行多元负荷预测误差的预测,预测结果y

4.3)结合步骤4.2)误差预测结果与步骤3)初始负荷预测结果,冷负荷最终的预测结果:

热负荷最终的预测结果:

电负荷最终的预测结果:

将多元负荷最终的预测结果反归一化,得到实际的多元负荷预测结果。

2.根据权利要求1所述的一种考虑多元负荷耦合特性的综合能源系统负荷预测方法,其特征在于:所述步骤1)中综合能源系统历史数据预处理步骤为:

1.1)首先获取综合能源系统的历史冷、热、电负荷数据、历史气象数据与日期信息,其中气象数据包括温度值、湿度值、风速、辐照度、降水情况,日期信息使用1,2,3…7代表星期一至星期日以区分工作日与非工作日,对以上历史负荷数据及对应的历史气象数据进行缺失值检验与填补,并利用最大-最小规范化处理对历史负荷数据与历史气象数据进行处理,具体如下式所示:式中,x'为特征规范化后的值;x为特征原始值;x

1.2)对步骤1.1)中经过规范化处理之后的数据进行气象特征筛选,为充分考虑气象因素对历史冷、热、电负荷的影响,采用皮尔逊相关系数分析历史气象数据与多元负荷之间的相关性,筛选出对综合能源系统负荷影响大的气象特征,分别计算冷、热、电负荷与各个气象特征之间的相关性,分别将每个气象特征与三种负荷的相关性求和得到该气象特征的总相关性值,根据气象特征总相关性值完成气象特征的筛选;

1.3)将步骤1.1)中经过数据预处理的历史冷、热、电负荷数据按采样时间排成时间序列,得到历史冷、热、电负荷时间序列,其中:历史冷负荷时间序列为P

历史热负荷时间序列P

历史电负荷时间序列为P