[发明专利]一种综合能源系统中电负荷和热负荷的联合预测方法

权利要求书

1.一种综合能源系统中电负荷和热负荷的联合预测方法，其特征在于，包括如下步骤：

步骤100、收集综合能源系统电负荷、热负荷历史数据，以及对应的太阳辐射、风力、温度、湿度、气压历史数据；

步骤200、对收集的历史数据进行检验与归一化，得到样本数据；

步骤300、采用主成分分析法选取影响电负荷和热负荷的重要气象因素；

步骤400、将归一化后的样本数据划分为训练数据和测试数据，向LSTM深度神经网络模型中输入训练样本并训练网络模型；

步骤500、在TensorFlow深度学习框架中对LSTM深度神经网络模型进行训练，当LSTM神经网络模型的损失函数的误差小于设定值ε₂或者迭代次数达到训练最大次数时，训练停止，保存神经网络模型权值；

步骤600、加载保存的LSTM深度神经网络模型，对测试数据进行预测模拟，得到预测的电负荷功率和热负荷功率；

步骤700、采用平均绝对误差百分比和均方根误差的平均值对电负荷和热负荷的预测结果进行评价。

2.根据权利要求1所述的一种综合能源系统中电负荷和热负荷的联合预测方法，其特征在于，所述步骤100中收集的电负荷、热负荷历史数据为综合能源系统中至少一年以上的时间分辨率为15分钟的数据。

3.根据权利要求2所述的一种综合能源系统中电负荷和热负荷的联合预测方法，其特征在于，所述步骤步骤400中，还包括：将步骤100中的综合能源系统电负荷、热负荷历史数据，以及对应的太阳辐射、风力、温度、湿度、气压历史数据作为样本数据输入，包括电负荷数据PX(t),热负荷数据HX(t)，气象数据X(t)＝(x₁(t),x₂(t),...,x_n(t))(t＝1，2，3，…，T，n＝5)，T代表数据点的宽度，x₁(t)到x₅(t)依次代表t时刻的太阳辐射、风力、温度、湿度和气压。

4.根据权利要求3所述的一种综合能源系统中电负荷和热负荷的联合预测方法，其特征在于，所述步骤200具体为：去掉电负荷、热负荷数据为负数以及连续为0的数值点、去掉连续8个以上不变的数据点，同时去掉气象数据对应于电负荷、热负荷缺失的数据点；采用最小最大值标准化方法对电负荷、热负荷、太阳辐射、风力、温度、湿度和气压数据进行归一化处理：

其中，x_i为数据的实际值，x_imin为数据的最小值，x_imax为数据的最大值，x^*_i为归一化后的标准值。

5.根据权利要求4所述的一种并网运行冷热电综合能源系统潮流计算方法，其特征在于，所述步骤300具体为：

对取得的样本数据输入样本n维数据进行降维，选取其中的m个主成分(m＜n)，每个主成分所包含的数据信息主要反映在协方差上，协方差如式(2)所示；用累计协方差贡献率来判断m的值，如式(3)和式(4)所示；前m个特征值μ₁,μ₂…μ_m对应的特征向量Z₁,Z₂,...,Z_m作为降维后的主成分向量，以此向量作为下一步LSTM神经网络m个气象主成分的输入；

cov(X_i，PX)＝μ_iZ_i (2)

式中，μ_i为气象数据样本X_i与电负荷数据样本PX的协方差的特征值，μ₁≥μ₂≥...≥μ_n，λ_i为方差贡献率，λ_∑(m)为前m个主成分的累计方差贡献率，ε₁＝90％，即选取累计方差贡献率超过90％的m值作为选取的主成分值。