[发明专利]一种基于LSTM-RNN的冷热电联供系统负荷预测方法及系统

说明书

本发明公开了一种基于LSTM‑RNN的冷热电联供系统负荷预测方法及系统，所述方法包括以下步骤：接收热负荷、冷负荷以及电负荷历史数据，确定输入输出数据；以其中部分输入输出数据作为训练数据，基于长短期记忆循环神经网络，训练负荷预测网络模型；基于所述负荷预测网络模型进行负荷预测。本发明采用长短期记忆循环神经网络模型挖掘冷热电负荷三者之间的耦合关系，提高了基于LSTM‑RNN的冷热电联供系统负荷预测精度。

技术领域

本发明属于可再生能源系统负荷预测技术领域，尤其涉及一种基于长短期记忆循环神经网络(LSTM-RNN)的冷热电联供(Combined Cooling Heating and Power，CCHP)系统负荷预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

冷热电联供系统是一种基于能量梯级利用的综合能源生产利用系统。在传统的能源供应系统中，发电效率仅为40％左右，剩余的60％左右的能源被浪费掉。而冷热电联供系统通过回收发电余热，可有效降低污染物的排放，使能源利用率显著提高到80％以上。因此，冷热电联供系统已成为分布式能源发展的最重要方向和形式。

冷热电负荷的准确预测是冷热电联供系统优化设计和运行调度的关键因素和基本前提，其预测精度直接影响着供电系统的有效性以及能源的利用率。因此，冷热电联供系统负荷的有效预测对冷热电联供系统的有效运行以及提高能源利用率具有重要意义。

在过去的几年里，已经有许多相关工作者研究了丰富的负荷预测方法。但发明人发现，大多数文献中对冷热电负荷的预测大多为单变量预测，极少考虑他们之间的耦合关系。并且负荷序列具有周期性，部分预测方法并不适用于长时间周期性负荷序列预测。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于LSTM-RNN的冷热电联供系统负荷预测方法及系统，基于相关性分析确定输入输出变量，采用长短期记忆循环神经网络模型挖掘冷热电负荷三者之间的耦合关系，提高了负荷预测精度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于LSTM-RNN的冷热电联供系统负荷预测方法，包括以下步骤：

接收热负荷、冷负荷以及电负荷历史数据；

根据历史数据某一时刻与其之前多个时刻之间的相关性确定输入数据所采用的时间段；

根据热负荷、冷负荷以及电负荷历史数据两两之间的相关系数确定输入输出数据；

将训练集输入长短期记忆循环神经网络，训练负荷预测网络模型；

基于所述负荷预测网络模型进行负荷预测。

进一步地，确定输入数据所采用的时间段包括：

计算历史数据某一时刻与其之前多个时刻之间的自相关系数和偏相关系数，确定自相关系数绝对值均大于设定阈值的连续时间段，以及偏相关系数绝对值均大于设定阈值的连续时间段；

选取两个时间段中重叠的时间段作为输入数据所采用的时间段。

进一步地，确定输入输出数据后，还对输入输出数据执行预处理：采用零均值归一化将数据进行标准化。

进一步地，所述训练集选取方法为：定义输入数据所采用的时间段为预测周期，多个连续预测周期构成一组训练数据，选取的所述训练集由多组连续的训练数据组成。

进一步地，训练负荷预测网络模型包括：

将训练集中的各组训练数据按时间顺序依次输入到长短期记忆循环神经网络的输入层进行迭代训练，直至网络收敛；