[发明专利]一种基于负荷预测的综合能源系统运行优化方法

说明书

本发明属于能源控制技术领域，涉及一种基于负荷预测的综合能源系统运行优化方法，包括：采集目标地区的历史综合数据，获取与负荷变化规律相关的特征数据；基于特征数据训练用于预测未来冷热电负荷状态和能源系统冷热电供给输出的预测模型并输出预测数据；构建滚动优化模型，基于预测数据获取能源系统在未来多个周期的短周期运行状态，并结合约束条件、目标函数和滚动优化模型生成自适应调控方案；建立实时反馈校正模型并对预测数据补偿；以校正的预测数据和预设参数信息动态调整自适应调控方案，调整能源系统的运行状态。针对目前能源系统运行效率差的弊端，本发明实现了深度学习、负荷预测与新能源技术的融合，运行策略更优。

技术领域

本发明涉及能源控制技术领域，尤其涉及一种基于负荷预测的综合能源系统运行优化方法。

背景技术

综合能源系统作为新一代能源系统的重要组成，其以配电系统为核心，将多种形式的供能、能量转换和储能设备在系统中统一化集成，从而实现不同类型能源在源、网、荷等不同环节的耦合。对综合能源系统中的多元负荷建立可靠的分析、预测模型，准确地预测冷、热、电等负荷是十分必要的。

由于冷热电负荷数据具有数据量大、数据结构复杂等特点，传统的数据挖掘算法难以获得大数据中蕴含的丰富有用价值，在进行负荷特性分析时效率低下，难以取得令人满意的效果。然而深度学习理论强大的学习能力也引起了相关人员的热议。

深度学习属于机器学习的一个分支领域是一种人工神经网络，强调从连续层中学习数据的特征，其通过对学习到的低层特征进行组合的方式形成更高级的特征，以发现数据的分布式表示，从而挖掘数据中隐藏的信息、规律。而短期负荷预测的主要影响因素有多种，其中包含气候因数、经济条件、突发事件等多种因数，短期负荷预测是一个复杂的问题，传统的机器学习算法由于结构简单往往只学习到数据一两层的简单表示，难以精确预测。但由于影响短期负荷预测的因素与短期负荷的关联度较小，所以在深度学习中选用时间序列单独对于短期负荷预测。因此需要对深度学习算法进行研究，通过在负荷预测中使用深度学习网络中的长短期记忆学习网络，从而提高负荷预测的精确度，对提升能源系统运行的可靠性和经济效益意义重大，而目前的综合能源系统中还未有效的实现深度学习的结合。因此，有必要提供一种综合能源系统运行优化方法解决上述技术问题。

发明内容

本发明的目的在于提供一种基于负荷预测的综合能源系统运行优化方法。

为实现上述发明目的，本发明提供一种基于负荷预测的综合能源系统运行优化方法，包括：

S1.采集目标地区的历史综合数据，对所述历史综合数据进行数据清洗和归一化处理，确定出与负荷变化规律相关的特征数据；其中，所述历史综合数据包括：历史气象数据、历史冷热电负荷数据和历史日程安排数据；

S2.基于所述特征数据训练出用于预测未来冷热电负荷状态和综合能源系统冷热电供给输出的预测模型，以及，基于所述预测模型输出预测数据；其中，所述预测数据包括：用户的未来冷热电负荷状态数据和综合能源系统冷热电供给输出状态数据；

S3.基于粒子群算法构建关于综合能源系统的滚动优化模型，以及，基于预测数据获取所述综合能源系统在未来多个周期的短周期运行状态，并基于所述短周期运行状态、约束条件、目标函数和所述滚动优化模型生成所述综合能源系统的自适应调控方案；其中，所述自适应调控方案以所述预测数据构建所述约束条件，以最低成本目标构建所述目标函数，并按照预设时间步长对所述综合能源系统进行自适应调控；

S4.建立实时反馈校正模型，并采用所述实时反馈校正模型在每个所述预设时间步长内根据所述综合能源系统的当前实际状态对所述预测数据进行实时补偿，以校正所述预测数据；

S5.根据校正后的所述预测数据和预设参数信息动态调整所述自适应调控方案，并基于调整后的所述自适应调控方案调整所述综合能源系统的实时运行状态。