一种区域多能源系统多元负荷预测方法

技术领域

本发明涉及综合能源系统负荷预测技术领域。

背景技术

在区域多能源系统中，将风、光等部分新能源转储为冷、热、气等形式的能源是促进新能源消纳问题的有效方法之一。而多元负荷预测技术作为区域多能源系统多能协同优化调度的前提，目前相关研究并不多，仍有很多问题急需解决。

发明内容

针对现有技术存在的不足，本发明提出一种区域多能源系统多元负荷预测方法，可以实现高预测精度、高可靠性的多能源系统多元负荷预测。

本发明为实现上述目的所采用的技术方案是：一种区域多能源系统多元负荷预测方法，包括以下步骤：

步骤1：建立训练集；

步骤2：构建基于门控循环单元的多元负荷预测模型；

步骤3：初始化表征步骤2中所建立的多元负荷预测模型各连接权重的麻雀种群，设置改进麻雀搜索算法的基本参数；

步骤4：应用改进麻雀搜索算法训练多元负荷的预测模型；

步骤5：应用所训练好的预测模型模型进行冷、热、电、气的多元负荷预测。

所述步骤1中，获取冷、热、电、气多元负荷历史数据，获取相同时空尺度的气温数据与表征负荷采集时刻的时间数据，收集到的冷、热、电、气多元负荷历史数据及气温数据、时间数据构建模型数据集，其中将气温数据、时间数据与部分冷、热、电、气历史数据划分为训练集的模型输入数据；将部分冷、热、电、气多元负荷历史数据划分为训练集的模型输出对比数据。

所述步骤2中，时间数据与气温数据取某一小时的整点时刻数据；冷、热、电、气负荷预测数据分别为某一整点时刻前一小时内测得的冷负荷量数据、热负荷量数据、电量数据、气负荷量数据，其中t时刻预测模型输出记为Y

Y

式中，C

t时刻预测模型输入记为X

X

式中，Q

构建基于门控循环单元的区域多能源系统多元负荷预测模型：

Y

Y

其中，Y

预测模型的输入输出映射关系为：

Y

其中，f(·)为预测模型的输入输出映射函数。

所述步骤3中，麻雀种群初始化分为三步：

第一步：随机初始化生成n个麻雀个体且分别具有d维位置信息的一个麻雀种群，麻雀个体位置信息由0到1之间的数表示；

第二步：通过精英反向学习改进麻雀搜索算法，引入动态反向点：

其中，W

W

W

式中，k,p为(0,0.5)之间的随机数，符合均匀分布；a

通过动态反向点获取具有n个麻雀个体且分别具有d维位置信息的反向麻雀种群；

第三步：比较初始种群与其动态反向麻雀种群各麻雀个体位置信息的适应度，选择n个适应度较好的麻雀个体组成最终的初始化种群，麻雀种群W表示为：

式中，表征预测模型中的连接权重W

所述适应度的计算公式为：

式中，

所述步骤3与4中，改进麻雀搜索算法为：

第一步：初始化麻雀种群W，设置最大迭代次数iter

第二步：若小于最大迭代次数，通过计算适应度值并排序，分别选取当前适应度最好的麻雀个体位置和最差的麻雀个体位置，然后通过公式来更新麻雀种群的位置；

第三步：利用下式来更新探索者位置；

其中，o代表当前迭代数；W

第四步：利用下式更新贪婪者位置，贪婪者跟随探索者寻找食物，并向适应度高的探索者靠拢，若没满足该贪婪者所需的食物要求，将离开探索者飞往其他地方；

其中，

第五步：利用下式更新警惕者位置，先设置警惕者占麻雀种群总数量的5％到15％随机生成的个体位置。警惕者是察觉到天敌的麻雀个体；

其中，

第六步：计算适应度值并更新当前麻雀位置；

第七步：是否满足预设精度条件，满足则退出，输出结果，否则，重复执行第二步到第六步直到满足预设精度或达到设置的最大迭代次数。

应用于权利要求1-6任意一种区域多能源系统多元负荷预测方法的区域多能源系统多元负荷预测装置，包括存储器和处理器，存储器用于存储计算机程序，所述计算机程序用于被处理器加载时执行上述方法。

应用于权利要求1-6任意一种区域多能源系统多元负荷预测方法的计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序适用于被处理器加载时执行上述方法。

本发明的区域多能源系统多元负荷预测方法，考虑更多冷、热、电、气负荷和气温、时间的影响因素，并构建具有改善梯度消失能力的门控循环单元，应用精英反向学习改进的麻雀搜索算法来调整门控循环单元的权重，使区域多能源系统多元负荷预测模型具有更优异的表现，同时模型充分考虑区域综合能源系统中多元负荷存在的能量耦合特性且模型采用多输出，可以同时获得多元负荷的预测值；此外应用改进麻雀搜索算法训练模型具有更快的训练速度，模型具有高预测精度、高预测可靠性、高效率等优点。

附图说明

图1为本发明方法流程图；

图2为本发明实施例预测效果图。

具体实施方式

本发明的一种区域多能源系统多元负荷预测方法，包括以下步骤：

步骤1：建立训练集。获

取多元负荷历史数据，获取相应的气温、时间数据。其中，获取历史多元负荷数据，包括以小时为单位的冷、热、电、气多元负荷历史数据；获取相同时空尺度的气温数据，包括以前一个小时的整点时刻为单位的温度数据；获取表征负荷采集时刻的时间数据，包括24个小时的整点时刻的数据。收集到的冷、热、电、气多元负荷历史数据及气温数据、时间数据构建模型数据集，其中将气温数据、时间数据与部分冷、热、电、气历史数据划分为训练集的模型输入数据；将部分冷、热、电、气多元负荷历史数据划分为训练集的模型输出对比数据。

构建基于门控循环单元的预测模型时，时间数据与气温数据取某一小时的整点时刻数据；冷、热、电、气负荷预测数据分别为某一整点时刻前一小时内测得的冷负荷量数据、热负荷量数据、电量数据、气负荷量数据，其中t时刻预测模型输出记为Y

Y

式中，C

t时刻预测模型输入记为X

X

式中，Q

步骤2：构建基于门控循环单元的多元负荷预测模型。

将冷、热、电、气多元负荷历史数据、气温数据和时间数据输入进多元负荷预测模型，输出冷、热、电、气多元负荷预测数据。

构建基于门控循环单元的区域多能源系统多元负荷预测模型：

Y

Y

其中，Y

tanh是双曲函数中的一个，tanh为双曲正切。对于变量m其数学公式为

δ为sigmoid激活函数，它是深度神经网络最先使用的激活函数，主要用于逻辑回归，对于变量m其数学公式为

sigmoid激活函数取值范围是(0,1)。

预测模型的输入输出映射关系为

Y

其中，f(·)为预测模型的输入输出映射函数。

步骤3：初始化表征步骤2中所建立的多元负荷预测模型各连接权重的麻雀种群，设置改进麻雀搜索算法的基本参数。

应用改进麻雀搜索算法训练多元负荷预测模型，由改进的麻雀搜索算法中的麻雀个体位置来体现区域多能源系统多元负荷预测模型中的各个权重参数，区域多能源系统多元负荷预测模型改进权重数值变化的过程既是中麻雀个体位置数值的变化过程，通过寻找使麻雀种群适应度最高情况下麻雀个体的最优位置使预测模型完成训练。

应用精英反向学习来改进麻雀搜索算法并对麻雀种群进行初始化，在初始化的过程中，同时比较麻雀初始化种群与动态反向麻雀种群的解，选择最优的n个解作为初始解，提高了模型预测精度，在解空间范围内同时搜索；使种群的多样性得到了增加并改进了麻雀搜索算法的搜索效率。

麻雀种群初始化分为三步：

第一步：随机初始化生成i个麻雀个体且分别具有d维位置信息的一个麻雀种群，麻雀个体位置信息由0到1之间的数表示。

第二步：通过精英反向学习改进麻雀搜索算法，引入动态反向点:

其中，W

W

W

式中，k,p为(0,0.5)之间的随机数，符合均匀分布；a

通过动态反向点获取具有n个麻雀个体且分别具有d维位置信息的反向麻雀种群。

第三步：比较初始种群与其动态反向麻雀种群各麻雀个体位置信息的适应度，选择n个适应度较好的麻雀个体组成最终的初始化种群，麻雀种群W表示为

式中，表征预测模型中的连接权重W

适应度的计算公式为

式中，

步骤4：应用改进麻雀搜索算法训练多元负荷的预测模型。

设置最大迭代次数与迭代停止条件，应用改进麻雀种群的迭代寻优，若满足达到模型的预测精度要求，则模型训练完成，此外，若不满足模型预设精度要求将一直重复该过程直到满足要求或者麻雀搜索算法迭代次数超过设置的最大迭代次数，也将停止模型训练。

第一步：初始化麻雀种群W，设置最大迭代次数iter

第二步：若小于最大迭代次数，通过计算适应度值并排序。分别选取当前适应度最好的麻雀个体位置和最差的麻雀个体位置，然后通过公式来更新麻雀种群的位置。

第三步：利用下式来更新探索者位置。

其中，o代表当前迭代数；W

第四步：利用下式更新贪婪者位置。贪婪者跟随探索者寻找食物，并向适应度高的探索者靠拢，若没满足该贪婪者所需的食物要求，将离开探索者飞往其他地方。

其中，

第五步：利用下式更新警惕者位置。先设置警惕者占麻雀种群总数量的5％到15％随机生成的个体位置。警惕者是察觉到天敌的麻雀个体。

其中，

第六步：计算适应度值并更新当前麻雀位置。

第七步：是否满足预设精度条件，满足则退出，输出结果，否则，重复执行第二步到第六步直到满足预设精度或达到设置的最大迭代次数。

步骤5：应用所训练好的预测模型模型进行冷、热、电、气的多元负荷预测。

将待预测日的气温、时间数据和冷、热、电、气历史负荷数据输入至训练好的预测模型当中，即可获取该预测日整点时刻的冷、热、电、气负荷预测数值。

实施例1

如图1所示，本实施例一种区域多能源系统多元负荷预测方法，包括以下步骤：

步骤1：获取多元负荷历史数据，获取相应的气温、时间数据。

其中，获取历史多元负荷数据，包括以小时为单位的冷、热、电、气多元负荷历史数据，其中冷、热负荷量转化为与电量相同单位表示，单位为kW，天然气负荷单位为m

构建基于门控循环单元的预测模型时，时间数据与气温数据取某一小时的整点时刻数据；冷、热、电、气负荷预测数据分别为某一整点时刻前一小时内测得的冷负荷量数据、热负荷量数据、电量数据、气负荷量数据，其中t时刻预测模型输出记为Y

Y

式中，C

t时刻预测模型输入记为X

X

式中，Q

步骤2：构建基于门控循环单元的多元负荷预测模型。

将冷、热、电、气多元负荷历史数据、气温数据和时间数据输入进多元负荷预测模型，输出冷、热、电、气多元负荷预测数据。

构建基于门控循环单元的区域多能源系统多元负荷预测模型：

Y

Y

其中，Y

tanh是双曲函数中的一个，tanh为双曲正切。在数学中，双曲正切“tanh”是由双曲正弦和双曲余弦这两种基本双曲函数推导而来。对于变量m其数学公式为

δ为sigmoid激活函数，它是深度神经网络最先使用的激活函数，主要用于逻辑回归，对于变量m其数学公式为

sigmoid激活函数取值范围是(0,1)。

预测模型的输入输出映射关系为

Y

其中，f(·)为预测模型的输入输出映射函数。

步骤3：初始化表征步骤2中所建立的多元负荷预测模型各连接权重的麻雀种群，设置改进麻雀搜索算法的基本参数。

应用改进麻雀搜索算法训练多元负荷预测模型，由改进的麻雀搜索算法中的麻雀个体位置来体现区域多能源系统多元负荷预测模型中的各个权重参数，区域多能源系统多元负荷预测模型改进权重数值变化的过程既是中麻雀个体位置数值的变化过程，通过寻找使麻雀种群适应度最高情况下麻雀个体的最优位置使预测模型完成训练。

应用精英反向学习来改进麻雀搜索算法并对麻雀种群进行初始化，在初始化的过程中，同时比较麻雀初始化种群与动态反向麻雀种群的解，选择最优的n个解作为初始解，提高了模型预测精度，在解空间范围内同时搜索；使种群的多样性得到了增加并改进了麻雀搜索算法的搜索效率。

麻雀种群初始化分为三步：

第一步：随机初始化生成i个麻雀个体且分别具有d维位置信息的一个麻雀种群，麻雀个体位置信息由0到1之间的数表示。

第二步：通过精英反向学习改进麻雀搜索算法，引入动态反向点:

其中，W

W

W

式中，k,p为(0,0.5)之间的随机数，符合均匀分布；a

通过动态反向点获取具有n个麻雀个体且分别具有d维位置信息的反向麻雀种群。

第三步：比较初始种群与其动态反向麻雀种群各麻雀个体位置信息的适应度，选择n个适应度较好的麻雀个体组成最终的初始化种群，麻雀种群W表示为

式中，表征预测模型中的连接权重W

适应度的计算公式为

式中，

步骤4：应用改进麻雀搜索算法训练多元负荷的预测模型。

设置最大迭代次数与迭代停止条件，应用改进麻雀种群的迭代寻优，若满足达到模型的预测精度要求，则模型训练完成，此外，若不满足模型预设精度要求将一直重复该过程直到满足要求或者麻雀搜索算法迭代次数超过设置的最大迭代次数，也将停止模型训练。

第一步：初始化麻雀种群W，设置最大迭代次数iter

在本实施例中，设置最大迭代次数iter

第二步：若小于最大迭代次数，通过计算适应度值并排序。分别选取当前适应度最好的麻雀个体位置和最差的麻雀个体位置，然后通过公式来更新麻雀种群的位置。

第三步：利用下式来更新探索者位置。

其中，o代表当前迭代数；W

第四步：利用下式更新贪婪者位置。贪婪者跟随探索者寻找食物，并向适应度高的探索者靠拢，若没满足该贪婪者所需的食物要求，将离开探索者飞往其他地方。

其中，

第五步：利用下式更新警惕者位置。先设置警惕者占麻雀种群总数量的5％到15％随机生成的个体位置。警惕者是察觉到天敌的麻雀个体。

其中，

第六步：计算出麻雀的适应度值并更新当前麻雀的位置。

第七步：对比所输出的结果是否满足预设精度条件，若达到预设精度则退出，输出结果并完成训练，否则，重复执行第二步到第六步直到满足预设精度或达到设置的最大迭代次数。

设定模型预设精度

当

当

在本实施例中，设定模型收敛精度

步骤5：应用所训练好的预测模型模型进行冷、热、电、气的多元负荷预测。

将待预测日的气温、时间数据和冷、热、电、气历史负荷数据输入至训练好的预测模型当中，即可获取该预测日整点时刻的冷、热、电、气负荷预测数值。

经过预测模型输出的区域多能源系统多元冷、热、电、气负荷预测结果如图2所示，其中图2为整点时刻的冷、热、电、气负荷预测值和真实值曲线图。

整点时刻的冷、热、电、气负荷预测结果和实际运行的冷、热电气负荷数值如表1所示：

表1：部分冷、热、电、气负荷预测结果

分别计算冷、热、电、气负荷整点时刻预测结果的平均预测精度，其计算公式为

/>

式中，

经过计算，整点时刻的冷负荷预测结果的平均预测精度为96.56％；整点时刻的热负荷预测结果的平均预测精度为96.75％；整点时刻的电负荷预测结果的平均预测精度为95.58％；整点时刻气负荷预测结果的平均预测精度为95.91％。结果显示，本发明提出一种区域多能源系统多元负荷预测方法具有高预测精度、高预测可靠性、高效率等优点，满足实际应用需求。

本发明应用于上述区域多能源系统多元负荷预测方法的区域多能源系统多元负荷预测装置，其特征在于：包括存储器和处理器，存储器用于存储计算机程序，所述计算机程序用于被处理器加载时执行权利要求1所述的方法。

本发明应用于上述区域多能源系统多元负荷预测方法的计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序适用于被处理器加载时执行权利要求1所述的方法

本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。