基于知识-数据混合驱动的综合能源系统多元负荷预测方法

当前的综合能源系统(IES)负荷预测方法几乎都是单一的数据驱动方法,忽略了IES中的能量耦合关系。此外,在现有的研究中,数据驱动方法的训练数据主要集中于历史负荷、气象等影响因素,较少考虑可再生能源出力以及不同能源供应给IES负荷预测结果带来的影响。针对上述问题,本文提出一种知识-数据混合驱动的IES多元负荷预测方法。该方法首先通过解析模型对IES中的能量耦合特性知识进行描述,并利用该知识模型对原始样本数据进行重构。然后将重构后的新样本数据作为数据驱动模型的训练样本,并使用基于随机森林算法的特征选择方法和Dropout技术提高模型的泛化能力。最后采用某IES工业园区的实际数据对本文所提方法的有效性进行了验证。仿真结果表明,该方法相较于传统单一数据驱动模型具有更好的预测效果和较高的可靠性。