[发明专利]一种多能源系统多类型负荷联合预测方法及系统

说明书

本发明提供了一种多能源系统多类型负荷联合预测方法及系统。该方案包括获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对数据单独归一化处理，生成时间序列样本集；获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测结果。该方案通过考虑不同季节的负荷耦合关联，充分挖掘负荷变化规律，提高多能源系统负荷预测性能。

技术领域

本发明涉及综合能源系统技术领域，更具体地，涉及一种多能源系统多类型负荷联合预测方法及系统。

背景技术

近年来，多能源系统由于其能源灵活高效利用的优点成为研究热点。与传统的独立能源系统相比，多能源系统通过能量转换和存储实现能源供需平衡，能源联系更加紧密。因此需要提前准确预测负荷，才能确保多能源系统的高效运行和经济调度。然而，多能源系统的冷热电负荷预测不同于传统的独立能源系统中的负荷预测，由于多能源系统的能量转换，负荷间存在复杂的耦合关系，此外冷热电负荷在不同季节下存在波动，给多能源系统的负荷预测带来挑战。

在本发明技术之前，传统的多种能源系统中，负荷影响因素主要包括历史负荷、天气和日期类型。因此，传统的多能源系统的预测技术存在诸多缺陷，具体如下：1)由于多种能源之间的相互转换，导致多能源系统中不同负荷间存在耦合关系，多能源系统负荷受季节变化的影响较大，但现有研究尚无法计及不同季节负荷的耦合关系变化；2)对多能源系统负荷耦合特点的负荷预测较少，现有预测模型的预测精度不足的问题；3)现有预测方法结合历史数据和长短期记忆神经网络算法，利用模型的非线性映射和自学习能力，传递有效的时间信息，取得较好的短期负荷预测效果，但在训练过程中会忽略全局的历史数据信息，存在部分局限性，导致预测模型泛化能力较差。这些原因，导致传统的负荷预测性能较差，预测准确性不足。

发明内容

鉴于上述问题，本发明提出了一种多能源系统多类型负荷联合预测方法及系统，该方案通过考虑不同季节的负荷耦合关联，充分挖掘基于多类信息的负荷预测，提高多能源系统负荷预测性能。

根据本发明实施例第一方面，提供一种多能源系统多类型负荷联合预测方法。

在一个或多个实施例中，优选地，所述一种多能源系统多类型负荷联合预测方法包括：

获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和填补缺失数据后，进行对每个数据单独归一化处理，生成时间序列样本集；

获取季节的时间划分节点，将所述时间序列样本集按照四季划分，计算每个季节的耦合相关性，生成多能预测模型的输入数据；

搭建每个季节的双向长短期记忆神经网络负荷预测模型，输入训练样本进行预测模型学习训练并调整优化模型参数；

将测试样本输入所述双向长短期记忆神经网络负荷预测模型，生成冷、热、电负荷预测值。

在一个或多个实施例中，优选地，所述获得历史气象数据和负荷测量数据，在剔除异常时间序列数据和补全缺失数据后，对每个数据单独归一化处理，生成时间序列样本集，具体包括：

获取历史气象数据和负荷测量数据，其中，所述历史气象数据包括温度、湿度、气压、风速、露点、降水量；所述负荷测量数据包括冷负荷、热负荷、电负荷数据，所述历史气象数据和所述负荷测量数据均为时间序列数据；

对所述历史气象数据和所述负荷测量数据采用四分位法剔除异常的时间序列数据，采用最小二乘回归法填充缺失时间序列数据，生成高质量气象数据和负荷数据；

对所述高质量气象数据与负荷测量数据进行归一化处理，生成时间序列样本集，其中，所述时间序列样本集的时间跨度为3年。