[发明专利]一种空调负荷聚合功率预测方法及系统

说明书

本发明公开一种空调负荷聚合功率预测方法及系统，其作为一种基于分支卷积长短时记忆神经网络的空调负荷聚合功率预测方法；其计算过程利用提取到的变化特征，预测出下一温度条件下的空调负荷聚合功率，再将预测的数据回送到预测模块，从而得到再下一温度条件的功率；其利用了深层卷积提取更抽象特征的思想，通过对卷积层的加深和非线性激活增加拟合能力，从而加强了网络对图像特征细节表达能力，有效克服了单层网络的细节模糊、精准度差的问题；其通过对卷积层的加深，能够提取到更准确的变化特征，大幅提高预测精度。

技术领域

本发明属于人工智能技术在电力领域的应用，涉及一种空调负荷聚合功率预测方法及系统，尤其涉及一种基于多分支卷积长短时记忆神经网络的空调负荷聚合功率预测方法及系统。

背景技术

目前，以空调为代表的温控负荷在商业、居民负荷中的比重日益增加，因其具有快速响应、能量存储、高可控性等优点业已成为主要的“源-网-荷-储”互动资源之一。然而，空调负荷单体容量较小，需要大量负荷聚合后方能提供给调度中心使用。如何快速获得数量众多、分散分布、响应随机性强的空调负荷聚合功率一直是相关研究热点。传统方法大致可以分为以下四类：(1)基于参数辨识的聚合方法：该方法对空调负荷聚合后的等效电路参数进行辨识，获取聚合等效参数。但模型定位在分析和控制层面，调度中心不易于直接使用。(2)基于蒙特卡洛模拟的聚合方法：该方法对每台空调负荷功率进行实时叠加，一方面调度中心不可能与每台空调进行通信，不会获得每台空调的实时功率数据；另一方面，蒙特卡洛方法的计算量太大，聚合速度较慢。(3)基于福克普朗克定理的聚合方法：福克普朗克方程建立了负荷聚合模型，得到了负荷聚合的功率需求，通过仿真实验完成了负荷聚合在多场景上的不同响应。但福克普朗克方程对两阶及其以上的偏微方程求解十分困难，在一定程度上就限制了模型的精度；另一方面，基于物理方程的模型调度中心难以直接使用。(4)基于马尔可夫链的聚合方法：一些研究人员在马尔可夫链模型的基础上使用卡尔曼滤波技术估计了模型的状态和参数并预测出负荷功率的需求。相对于基于福克普朗克定理的聚合方法来说，基于马尔可夫链的聚合方法的精确度更高，但依然面临调度中难以直接使用的难题。随着深度学习等人工智能技术的快速发展，其以数据驱动为核心的特征刚好符合了电力系统运行随机性日益增强，多数情况下难以建立精确数学模型或者难以单纯用数据模型来描述问题的需要。

发明内容

本发明提供一种空调负荷聚合功率预测方法及系统，其针对传统方法不易获得空调负荷聚合用电功率的问题，提出一种基于分支卷积长短时记忆神经网络的空调负荷聚合功率预测方法，其使用深度学习中的卷积长短时记忆神经网络预测不同温度下负荷聚合功率，计算过程利用提取到的变化特征，预测出下一温度条件下的空调负荷聚合功率，再将预测的数据回送到预测模块，从而得到再下一温度条件的功率；其通过对卷积层的加深，能够提取到更准确的变化特征，大幅提高预测精度。

一种空调负荷聚合功率预测方法，包括以下步骤，

第一步，获取空调负荷聚合数据；

第二步，将所述空调负荷聚合数据分为输入序列和输出序列两部分，对多分支卷积长短时记忆神经网络模型的训练，获得训练好的权值矩阵W；

第三步，使用训练好的权值矩阵W初始化多分支卷积长短时记忆神经网络模块；输入前A个温度值下的负荷聚合数据，经过训练的权重提取特征后，在最后使用第A个数据的隐层输出并映射出第A+1个数据的特征矩阵；特征矩阵的通道维度通过卷积操作降维到1通道，长和宽不变，此时输出的就是第A+1个数据；再将第A+1个数据输入回所述多分支卷积长短时记忆神经网络模块；重复上述操作输出全部的预测数据。