一种基于多元负荷预测的综合能源系统调控方法和装置

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系统调控方法和装置。

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。

传统的能源系统主要由电力系统，热力系统和燃气系统构成，三大系统单独规划，独立运行，这就使得能源之间的灵活性很差。综合能源系统是以电力系统为核心，打破电、气、冷、热等能源供应系统单独规划、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系统。能够准确地对综合能源系统的负荷进行预测，是综合能源系统规划、运行以及调控的关键。由于综合能源系统中，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，给系统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系统中多元负荷的方法。

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系统中多元负荷及根据预测结果进行综合能源系统调控的方法，采用如下技术方案：

一种基于多元负荷预测的综合能源系统调控方法，包括如下步骤：

S1.基于Copula方法对综合能源系统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系统进行调控。

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ρ

进一步的，当所述Spearman秩相关系数ρ

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系统调控装置，包括：

相关性分析模块，用于基于Copula方法对综合能源系统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系统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为某地综合能源系统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系统调控方法，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系统多元负荷，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系统调控方法，包括如下步骤：

S1.选取待分析的多元负荷：基于Copula理论对综合能源系统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ρ

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，P

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为某地的综合能源系统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，针对综合能源系统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系统多元负荷预测的精度。

由此，本发明通过分析综合能源系统内的冷、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Trf

其中：P＝[P

式中：P

负荷的变化趋势Trf

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Vrf

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，综合能源系统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L

L

式中:α

其中，输出权重ω

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ω

当L

当L

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

L

式中：ω

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L

式中:ω

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：

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系统中多种能源的优化调度、实现综合能源系统的安全评估、制定能源系统的交易计划以及对综合能源系统内设备的灵活性进行评估。例如根据多元负荷预测结果，对综合能源系统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，进而得到综合能源系统内设备的可调容量，对综合能源系统的安全性进行评估。

本发明还公开了一种基于多元负荷预测的综合能源系统调控装置，包括：

相关性分析模块，用于基于Copula方法对综合能源系统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系统进行调控。

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系统作为对象，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

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。