[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

说明书

本发明实施例公开了一种综合能源系统中电负荷和热负荷的联合预测方法，先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；对历史数据进行检验与归一化，得到样本数据；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；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；在TensorFlow深度学习框架中对LSTM深度神经网络模型进行训练，保存神经网络模型权值；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；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。

技术领域

本发明实施例涉及综合能源系统技术领域，具体涉及一种综合能源系统中电负荷和热负荷的联合预测方法。

背景技术

在目前节能减排和可再生能源快速增长的大背景下,构建清洁、低碳、环保的综合能源系统被提上了我国能源发展的历程，也已经成为了能源转型过程中一种重要的能源利用方式。综合能源系统是一种存在多种能源交互耦合的能源综合网络，是目前能源领域发展的重要形态。

因此，准确的用能需求预测将成为综合能源系统经济调度和优化运行中重要的一环。目前技术水平可以对电力负荷进行较为精准的预测，但对于热负荷的预测较为粗矿，很难满足综合能源系统整体用电和用热的预测需求。

一方面在综合能源系统中电负荷和热负荷往往存在着一定的耦合关系，彼此可以相互转化相互影响，例如家庭取暖可以采用供热的形式，也可以通过电采暖的形式转化为用电负荷；另一方面可以根据电负荷和热负荷预测结果，配合进行可再生能源发电的消纳和热电联供机组运行方式的调整,提升综合能源系统的调峰能力和运行经济性。

目前常用的电负荷预测方法包括ARMA时间序列预测方法、灰色预测法、BP神经网络方法等，而对热负荷的预测方法较少。供热系统本身是一个带有时滞性、非线性、不确定性的复杂系统,在综合能源系统中又与电负荷具有较大耦合性，很难准确预测。同时，电负荷和热负荷对于太阳辐射、风力、温度等天气状况较为敏感，具有强关联性，利用传统方法很难对综合能源系统中电负荷和热负荷进行准确预测。

其中，时间序列法只适用于短期预测且要求电负荷、热负荷变化均匀，无法对突发及异常情况及时反应，例如骤然变化的天气等；灰色预测法虽然具有较强的自适应性，但对于中短期热负荷预测的误差则比较大，适合于长期热负荷预测；单一的BP神经网络容易陷入局部极小的缺点，预测效果精度不高。

发明内容

为此，本发明实施例提供一种综合能源系统中电负荷和热负荷的联合预测方法，以解决现有技术中的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

在本发明实施例的第一个方面，提供了一种综合能源系统中电负荷和热负荷的联合预测方法，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。