基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测方法

负荷预测是综合能源系统（integrated energy system, IES）能量管理和优化调度的基础,其预测精度直接关系到系统的整体运行性能。提出了一种基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测模型。首先对Transformer网络和多任务学习结构的基本原理进行了介绍;然后通过基于随机森林的特征选择步骤提取反映负荷特性和变化规律的典型指标,构建多任务学习输入特征,基于Transformer网络构建多任务学习权值共享层,并通过全连接层输出多能负荷的预测值;最后通过实际园区微能源系统的数据验证所提方法和算法的有效性,结果表明本文所提模型可以充分学习电-热耦合特征,提高负荷预测的精度。     

基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型

冷、热、电负荷预测是发挥区域综合能源系统优势的关键技术。由此构建了基于灰色关联度分析(grey relation analysis,GRA)和长短期记忆(long short term memory,LSTM)神经网络的区域综合能源系统多元负荷短期预测模型,该模型利用LSTM神经网络在处理时间序列中间隔或延迟较长的样本和非线性数据方面的优势,采用GRA法定量分析多元负荷之间以及和各气象影响因素之间的耦合性。针对北方地区气候特点,利用DeST软件建立某写字楼建筑模型,运用动态模拟和统计方法模拟出写字楼全年逐时冷、热、电负荷。算例分析结果表明,基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型具有较好的预测精度和应用价值。     

基于VMD-MTL-TCN的综合能源系统多元负荷预测

<正>考虑到综合能源系统多元负荷序列的高度不确定和强波动性,提出了一种变分模态分解（VMD）组合多任务学习时序卷积神经网络的预测方法。利用VMD削弱多元负荷序列的波动性,通过多任务学习机制构建特征共享层,并行预测电、冷、热负荷。与TCN和MTLTCN相比,所提模型在电、冷、热负荷预测上更准确可靠,验证了所提模型的有效性。     

综合能源系统综合需求响应行为研究

面向耦合电、气、冷、热等多种形式能源的综合能源系统,研究柔性负荷、储能和电动汽车等需求侧资源的综合需求响应,有利于挖掘多能负荷的响应潜力,激发综合能源系统的灵活性,提升能源利用效率。首先以区域电-气互联综合能源系统为基础,构建了园区级冷-热-电-气综合能源系统,其次建立了综合能源系统调度模型,通过节点能量平衡方程分析节点能源价格,明确了系统调度-能源价格-综合需求响应的传递关系,然后基于节点能源价格建立了考虑柔性负荷、储能、电动汽车为参与主体的综合需求响应模型;最后通过算例分析了柔性负荷、储能、电动汽车的响应情况,基于节点能源价格对不同位置多能用户综合需求响应前后的负荷曲线进行了分析。     

基于改进LSTM的区域综合能源系统多元负荷短期预测研究

冷热电负荷短期预测是区域综合能源系统优化调度的基础.针对区域综合能源系统多元负荷关联性和非线性的特点,本文构建了基于改进的长短期记忆神经网络的区域综合能源系统多元负荷短期预测模型,该模型采用灰色关联度法分析多元负荷之间和气象因素之间的耦合性,以此为依据,在改进长短期记忆神经网络预测模型中加入注意力层和dropout层,注意力机制可赋予模型隐含层不同的权重,dropout层可对模型正则化,并采用粒子群优化算法对预测模型参数进行优化.算例仿真结果表明,本文提出的预测模型具有较好的预测精度.     

基于径向基函数神经网络的综合能源系统多元负荷短期预测

准确的能源负荷预测对综合能源系统的经济调度和优化运行有着重要的影响。提出一种基于径向基函数神经网络（radial basis function neural network,RBF-NN）模型的综合能源系统电、气、热多元负荷短期预测方法。首先利用Copula理论对电、气、热负荷进行相关性分析,建立了电、气、热负荷和温度的时间序列;接着设计RBF-NN网络模型结构,采用K-means聚类算法对隐含层节点进行优化;最后通过国内某园区综合能源系统的实际数据对模型进行验证。通过3个案例结果的比较,验证了文中提出的方法可以有效地考虑电、气、热负荷之间的耦合关系,具有较高的预测精度。     

基于深度学习的综合能源配电系统负荷分析预测

为支撑综合能源配电系统的经济调度和优化运行,提出了一种基于深度学习的冷热电多元负荷综合预测方法。首先,使用皮尔逊系数定量计算多元负荷间的相关关系,分析负荷与影响因素间相关性;然后,构建基于卷积神经网络和支持向量回归的深度学习模型,其中卷积神经网络作为特征提取器从输入数据中提取隐含的更具代表性的特征信息,支持向量回归作为预测模型输出预测结果,同时开展缺失数据与离群数据的预处理;最后,应用某综合能源系统的实际数据对算法的有效性进行了验证,比较分析了考虑多元负荷相关性对预测结果的影响。结果表明:所提出的RCNN-SVR模型对冷、热、电负荷均有较好的预测精度。研究成果可为综合能源配电系统的综合负荷预测提供参考。     

基于小波包分解与循环神经网络的综合能源系统短期负荷预测

文章提出了基于小波包分解(wavelet packet decomposition,WPD)与循环神经网络的电冷热综合能源短期负荷预测方法。利用能够突出负荷细节特征的小波包对电冷热负荷进行频段分解,分析每一频段中电冷热负荷的互相关性。为体现每一频段中电冷热负荷的互相关性对预测结果的影响,将频段中互相关性较强的负荷类型放入同一处理负荷自相关性的循环神经网络模型中进行预测;频段中互相关性较弱的负荷类型则单独进行预测。与直接将电冷热负荷放入同一个循环神经网络进行预测相比,以及与将电冷热负荷通过同一个反向传播神经网络进行预测相比,所提方法考虑了综合能源在不同频段内电冷热负荷的互相关性和电冷热负荷本身的自相关性,能够有效降低负荷预测的平均绝对百分比误差。     

考虑多能负荷不确定性的区域综合能源系统鲁棒规划

提出了一种考虑冷电热多能负荷不确定性的区域综合能源系统鲁棒规划方法。基于能源集线器(energy hub,EH)模型,建立了含冷电热三联供、燃气锅炉、集中式制冷站在内的区域综合能源系统模型;根据历史/预测年8 760 h多能负荷数据,通过k-means聚类分群方法得到多个典型日负荷场景,以上下界区间描述负荷不确定性,形成鲁棒规划模型;将相应鲁棒规划模型等价转化、形成子问题为凸的混合整数规划模型求解。算例结果证明了该规划方法的有效性,同时体现了综合能源系统多能互补集成优化效益。     

含多能微网群的区域电热综合能源系统分层自治优化调度

分布式能源与负荷聚合形成多能微网群连接至区域供热系统和上级配电网,构成区域电热综合能源系统.为保护多利益主体隐私并满足其利益诉求,提出了基于分布自治、集中协调设计架构的区域电热综合能源系统分层优化调度方法.在上层,计及多能流异质动态特性,提出了区域电热综合能源系统的动态经济调度模型;在下层,考虑用户柔性热需求和分布式光伏不确定性,建立了多能微网自治能量管理的机会约束模型.基于目标级联分析法将上下层解耦,层间仅需交换边界电功率和热功率,通过微网并行计算与层间迭代求解获得全局最优策略.算例结果证明,该方法能够在保证收敛性的前提下,为含多能微网群的区域电热综合能源系统提供高精度的多能互补优化调度结果.此外,对缩放因子进行灵敏度分析,讨论了算法误差来源并说明了算法最优性.     

Improved Method for Approximation of Heating and Cooling Load in Urban Buildings for Energy Performance Enhancement

Abstract

Estimation of a building’s heating and cooling loads is an important factor taken into account implementation of energy saving measures in order to enhance energy performance of the building. In this work, the heating and cooling loads are predicted to enhance the building energy performance using different types of artificial neural networks namely, Elman network, recurrent network and back propagation network. The effect of eight input variables (relative compactness, surface area, wall area, roof area, overall height, orientation, glazing area, glazing area distribution) on two output variables (heating load and cooling load of residential buildings) is studied. The collected features are given as input to various neural networks for predicting the heating and cooling loads. The performance of the method is calculated in terms of mean absolute error, mean square error and mean relative error. Among all the networks back-propagation neural network has highest accuracy. The mean absolute error in predicting the loads is found to be 0.1 for heating load and 0.1254 for cooling load which is much better than already existing methods. The results of the work further reinforce the fact that ANN is an important tool for prediction and analysis of energy performance of a building.     

基于MMoE多任务学习和长短时记忆网络的综合能源系统负荷预测

精确的多元负荷预测是实现综合能源系统优化调度与经济运行的关键技术。在考虑多元负荷相关性的基础上,提出一种基于MMoE多任务学习和长短时记忆网络(LSTM)的多元负荷预测方法。利用皮尔逊相关系数分析冷热电负荷及气象因素存在的强相关性和弱相关性;构建MMoE多任务学习模型,利用专家子网和门控单元学习多元负荷间耦合特性的差异;使用LSTM构建子任务模型,对多元负荷进行预测。利用公开数据集进行性能验证,结果表明所提基于MMoE多任务学习和LSTM的模型能够有效提升多元负荷预测精度。     

混合WPD和ACPSO的负荷预测模型

为了解决传统BP神经网络对负荷高频分量预测精度不高、泛化能力弱的缺点以及粒子群算法(PSO)在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种混合小波包变换和自适应交叉粒子群算法(ACPSO)优化神经网络的短期负荷预测新方法。通过小波包变换对负荷样本进行多层序列分解,对单支重构所得的负荷子序列采用自适应交叉粒子群算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能充分掌握负荷波动的变化规律,有效提高负荷波动大的地区的预测精度,且预测模型具有较强泛化能力。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于XGBoost-MTL的综合能源系统多元负荷预测

精确的多元负荷预测是综合能源系统(integrated energy system,IES)优化调度和稳定运行的前提。针对IES中多元负荷之间耦合关系复杂以及影响负荷预测的因素众多等问题,文中提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)与多任务学习(multi task learning,MTL)的多元负荷预测方法。首先通过XGBoost重要度排序得到各影响因素对于多元负荷的贡献度,依据贡献度来选取影响负荷预测的关键性因素作为预测模型的输入,保证了输入特征对于多元负荷预测有效的修正作用;其次以门控循环单元(gated recurrent unit,GRU)作为共享层来搭建MTL预测模型,各子任务通过共享信息来有效利用各负荷之间复杂的耦合关系;最后以上海某综合能源站的负荷数据为例对文中所提模型的有效性进行验证。结果表明:该模型能够适应实际综合能源系统中各类负荷的变化,有效提高预测精度并减少训练时间。     

基于最大信息系数和多目标Stacking集成学习的综合能源系统多元负荷预测

精确的多元负荷预测对于综合能源系统的能源调度与运行规划起到重要的作用.对电、热、冷负荷单独进行预测的传统方法会忽略多元负荷间的耦合关系.针对这一问题,提出一种基于多目标Stacking集成学习的多元负荷协同预测模型.引入最大信息系数对多元负荷及天气因素进行相关性分析,并提出负荷耦合形态指标来深度挖掘多元负荷间的耦合关系...     

基于LSTM和多任务学习的综合能源系统多元负荷预测

随着综合能源利用技术的不断发展与用户用能需求的多元化,现有单一负荷预测方法难以反映多元负荷间的耦合特性,精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提。基于此,提出一种以长短时记忆神经网络作为共享层的多任务学习负荷预测方法,经由共享层模拟多元负荷间的耦合特性,进而达到提升预测精度的目的。首先,以"硬共享机制+长短时记忆共享层"方式构建多任务学习负荷预测模型,利用共享机制学习不同子任务提供的耦合信息。其次,通过神经网络可解释性技术对离线训练结果进行可视化解释,证实了所构建模型能够利用子任务提供的耦合信息来提高预测精度。最后,与传统模型进行对比分析,结果表明所构建模型在预测精度和时间上具有更好的应用效果。     

考虑综合需求响应的楼宇综合能源系统能量管理优化

针对楼宇综合能源系统（RIES）能量管理时未充分考虑影响室温因素及其对负荷建模的影响和刚性捆绑RIES、用户从而未全面考虑用户舒适度和用能支出的问题,文中提出了冷、热负荷参与阶梯型补贴和电负荷参与电价型综合需求响应的RIES能量管理优化模型及其求解方法。首先,综合考虑影响室温因素,得到离散化的楼宇热平衡方程,建立楼宇的柔性而非固定的冷、热、电负荷数学模型。其次,建立冷、热负荷参与的阶梯型补贴和电负荷参与的电价型综合需求响应机制。然后,考虑RIES向用户售能的收益、从外部购能的成本和支付用户的补贴费用,构建了以最大化RIES运行利润为目标、计及设备和系统运行约束的能量管理优化数学模型,并采用CPLEX对线性化后的模型进行求解。最后,通过算例仿真表明：计及综合需求响应的楼宇综合能源系统能量管理优化能统筹协调供需两侧资源,提升系统与用户的经济效益。