[发明专利]基于异构迁移学习的综合能源系统日前优化方法及系统

说明书

本发明公开了一种基于异构迁移学习的综合能源系统日前优化方法及系统，包括：获取未来一天的负荷预测数据、新能源出力数据以及天气预报数据；将上述获取到的数据输入到日前优化模型；采用遗传算法对所述日前优化模型进行求解，求解过程中，通过知识迁移方法实现加速求解。本发明方法以遗算法为基础，通过自编码器实现异构综合能源系统之间知识的迁移共享，提高优化求解速度。

技术领域

本发明涉及综合能源系统优化技术领域，尤其涉及一种基于异构迁移学习的综合能源系统日前优化方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

能源作为人类生存和发展的基础，对国际政治和经济格局有着重要的影响。传统的能源利用方式以使用化石能源为主，该方式存在使用过程粗放，能源利用率低，环境污染严重等问题。综合能源系统作为新一代的能源利用方式，将电气热等多种异质能流统筹规划，能充分发挥不同能流之间优势互补的特性，实现能量在源-网-荷-储不同环节之间的协同高效利用，减少温室气体的排放，实现较高的经济效益和环境效益，近年来已得到了国内外广泛的关注。

开展综合能源业务的最终目标是通过充分发掘各个异质能流之间优势互补的特性，实现对能源的高效、经济和环保利用。为实现此目标，在综合能源系统的规划运行中，必然离不开多能流的优化。以遗传算法为代表的启发式算法具有模型依赖度低，能够处理多种复杂约束等优点，近年来已成为国内外普遍采用的综合能源系统优化问题求解算法。然而，随着后续研究的深入，所研究的系统将具有规模更大，结构更复杂，优化时间尺度要求更精细等特点。直接采用启发式算法对综合能源系统日前优化问题求解将占用大量计算资源，消耗大量计算时间。

可采用迁移学习算法来加速优化求解，通过迁移不同问题中学习的知识实现对目标问题的快速求解。对于综合能源系统的迁移优化，可通过历史数据学习用于在优化中迁移的知识，该方法的优点是学习到的知识比较有针对性。但该学习方式也存在明显的局限性：一方面，对于新建设的系统，在运行初期并没有足够的历史数据可作为源域；另一方面，综合能源业务开展的宗旨之一是因地制宜，即依照不同地区的不同的能源特点规划不同的结构。

在实际生产中，综合能源系统结构多样，而不同结构的综合能源系统，其各自的优化问题的特征也不同。基于历史数据的迁移难以实现知识在不同结构的系统之间的迁移共享。

发明内容

为了解决上述问题，本发明提出了一种基于异构迁移学习的综合能源系统日前优化方法及系统，以遗传算法为基础，通过自编码器实现异构综合能源系统之间知识的迁移，提高优化求解速度。

在一些实施方式中，采用如下技术方案：

一种基于异构迁移学习的综合能源系统日前优化方法，包括：

获取未来一天的负荷预测数据、新能源出力数据以及天气预报数据；

将上述获取到的数据输入到日前优化模型；

采用遗传算法对所述日前优化模型进行求解，求解过程中，通过知识迁移方法实现加速求解。

在另一些实施方式中，采用如下技术方案：

一种基于异构迁移学习的综合能源系统日前优化系统，包括：

数据获取模块，用于获取未来一天的负荷预测数据、新能源出力数据以及天气预报数据；

日前优化模块，用于将上述获取到的数据输入到构建好的日前优化模型；

模型求解模块，用于采用遗传算法对所述日前优化模型进行求解，求解过程中，通过知识迁移方法实现加速求解。

在另一些实施方式中，采用如下技术方案：