[发明专利]基于长短期记忆神经网络的综合能源系统多元负荷预测方法

说明书

本发明公开一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，包括以下步骤：(1)获取源荷时空序列数据的特征因子集；(2)采用互信息理论选取输入变量；(3)对上述输入变量建立预测模型，比较预测误差大小，确定最优的输入变量；(4)在选取最优输入变量集合的基础上，建立基于长短期记忆神经网络(LSTM)的综合能源系统多元负荷预测模型。本发明基于源荷时空序列数据的特征因子集，结合多特征因子有效性分析结果，研究利用长短期记忆神经网络模型，实现区域综合能源系统源荷数据日前预测；该方法有利于综合能源系统中的经济调度和优化运行，进一步减轻环境压力，提高能源利用效率。

技术领域

本发明属于电力系统技术领域，具体涉及一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法。

背景技术

21世纪以来，我国经济飞速发展，同时能源行业也发生了日新月异的变化。传统化石能源过度开采以至于面临着日益枯竭的风险，可再生能源的兴起发展，环境污染问题的日渐尖锐，因此提高对多种类型能源的综合利用效率、降低污染物的排放已成为我国构建清洁、低碳、安全、高效的现代能源体系所需要解决的关键问题。传统的能源系统中，电力系统、热力系统以及天然气系统单独规划，单独设计，独立运行，这割裂了不同类型能源之间的耦合，也在很大程度上限制了能源系统运行的灵活性。

综合能源系统(energy systems integration，ESI)作为新一代能源系统的重要组成，涵盖了供电、供热、供气及电气化交通等能源系统，集成了多种形式的供能、能量转换和储能设备，在源、网、荷等不同环节实现了不同类型能源的耦合。综合能源系统实现了多种能源子系统的统筹管理和协调规划，明晰各种能源之间的互补性以及它的可替代性提高了能源开发和利用效率，使得能源的转换和互补能够体现出经济和社会价值，不断挖掘新的潜在市场。而随着多个能源系统的耦合性增强，大规模可再生能源的接入，能源生产和消费日益市场化，这些转变对用能预测的准确性、实时性、可靠性和智能性提出了更高的要求。

传统的电力负荷预测是电力系统能量管理系统的重要组成部分。针对于电力负荷的预测方法主要包括神经网络、支持向量机、极限学习机、小波分析理论等。除此之外，还提出了时间序列预测方法以及卡尔曼滤波等方法。多元负荷预测方法充分考虑了冷、热、电负荷中多个变量的相互耦合关系，能有效提高负荷的预测精度。由此可见，多类能源的负荷预测将成为现代化综合能源系统运行和管理中的一个重要研究领域。为实现综合能源系统中多种能源的优化调度、制定能源交易计划、实现能源系统安全评估、需求侧管理等功能，需要对综合能源系统中多种类型能源的用能需求进行预测。

发明内容

发明目的：本发明提供一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，能减轻环境压力，提高能源利用效率，实现区域综合能源系统源荷数据日前预测。

技术方案：本发明所述的一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，具体包括以下步骤：

(1)获取源荷时空序列数据的特征因子集；

(2)采用互信息理论选取输入变量；

(3)设置初始特征集合为空集，对排序的输入变量集合通过前向搜索策略逐个添加变量至已选特征集合并建立预测模型，通过比较预测误差大小，确定最优的输入变量；

(4)在选取最优输入变量集合的基础上，建立基于长短期记忆神经网络的综合能源系统多元负荷预测模型。

进一步地，所述步骤(1)包括以下步骤：

(11)获取负荷数据；

(12)对步骤(11)的负荷数据进行预处理，补充缺漏的数据，剔除异常数据，得到特征因子集。

进一步地，所述步骤(2)包括以下步骤：

(21)计算待预测时刻前1时刻至前168个时刻负荷与待预测时刻的互信息值：