[发明专利]基于改进深度信念网络的综合能源负荷控制方法及装置

说明书

本发明公开了一种基于改进深度信念网络的综合能源负荷控制方法及装置，方法包括：通过数据选择与预处理，使用自编码神经网络对历史数据进行聚合；利用高斯‑伯努利受限玻尔兹曼机构建改进的深度信念网络模型，同时基于最大似然估计进行网络模型的参数调整，并利用对比散度CD‑k算法加速RBM的训练过程；采用强化学习无监督训练对网络模型进行预训练；利用有限记忆微调网络对预测结果进行修正；由负荷数据训练得到输出数据，得到综合能源系统负荷的预测值，该预测值用于综合能源系统的负荷控制。装置包括：数据聚合模块、优化模块及预测模块。本发明能够充分挖掘历史负荷数据中的规律性，提高预测准确性，进而提高综合能源负荷控制的精度。

技术领域

本发明涉及综合能源负荷控制领域，具体涉及基于改进深度信念网络的综合能源负荷控制方法及装置。

背景技术

在综合能源系统设计和运行中，对综合能源系统的负荷控制是其中的关键环节，将在需求侧响应、负荷控制策略与综合能源系统选址选型及定容等方面发挥重要作用。在用能侧，综合能源系统在考虑电负荷影响的同时，也要分析不同形式负荷(如电动汽车、油、热、气)对系统的影响[1]。诸多能源系统由能量转换单元(如电锅炉、热电联产机组等) 通过能量流的方式相互连接、耦合。

例如，电锅炉将电能转化为热能以及电能转换为天然气的电转气(power to gas,P2G) 技术；燃气锅炉完成天然气中的化学能转换为热能；地源热泵将电能转换为热能；热电联产机组消耗天然气产生电能与热能等等。但综合能源控制过程中可再生能源和负荷带来的不确定性会使调度方案偏离计划，甚至使计划完全崩溃。现有的方法是将可再生能源、电与热负荷以及交易电价等多种不确定性纳入系统运行模型，并通过多能协调应对不确定性。随机优化与鲁棒优化方法经常被应用于可再生能源发电调度与备用整定中以应对不确定性带来的波动。文献[2]针对安全约束的单元承诺问题，提出了一种两阶段自适应鲁棒单元承诺控制模型。同样受两阶段自适应鲁棒优化的启发，文献[3]遵循相似的思路，建立了一种考虑多能源间交易组合离散特性的先进控制模型，并使用列约束生成算法有效地解决了该问题。研究已表明，不对可再生能源或负荷进行任何预测，相较基于鲁棒优化的方法保守性降低，但此类方法的局限在于在线数据的超短周期调度难以解决综合能源负荷控制过程中基于离线信息的经济调度问题[4]。文献[5]针对含冷热电的综合能源调度问题，提出了一种多主体并行分布式自适应鲁棒优化模型，实现了联络线全局调度的鲁棒方案。然而，通常鲁棒优化从最糟糕的情况出发制定策略，获得的解较为保守。

在各能源系统相互耦合中，产生了大量能量转换共享信息，很难通过传统方法提取有效特征，如何通过机器学习与人工智能相关技术更加准确追踪综合能源系统多元负荷的变化趋势是亟待解决的问题。

发明内容

本发明提供了一种基于改进深度信念网络的综合能源负荷控制方法及装置，本发明能够充分挖掘历史负荷数据中的规律性，提高预测准确性，进而提高综合能源负荷控制的精度，详见下文描述：

一种基于改进深度信念网络的综合能源负荷控制方法，所述方法包括：

通过数据选择与预处理，使用自编码神经网络对历史数据进行聚合；

利用高斯-伯努利受限玻尔兹曼机构建改进的深度信念网络模型，同时基于最大似然估计进行网络模型的参数调整，并利用对比散度CD-k算法加速RBM的训练过程；

采用强化学习无监督训练对网络模型进行预训练；利用有限记忆微调网络对预测结果进行修正；

由负荷数据训练得到输出数据，得到综合能源系统负荷的预测值，该预测值用于综合能源系统的负荷控制。

其中，所述采用强化学习无监督训练对网络模型进行预训练具体为：将强化学习应用到深度信念网络中。

进一步地，所述利用有限记忆微调网络对预测结果进行修正具体为：