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...     

基于改进DaNN的综合能源系统多能负荷预测

随着能源革命的推进及双碳目标的提出,综合能源系统越发受到广大研究者的重视,对综合能源系统进行高效的规划和控制离不开精准的多能负荷预测。基于上述需求,引入迁移学习理论,提出一种改进领域自适应神经网络（DaNN）负荷预测模型对综合能源系统中的冷、热、电负荷进行统一建模与预测。首先,通过历史数据分别构筑冷、热、电负荷特征图,随后输入改进DaNN的参数共享卷积层和全连接层;其次,基于冷、热、电负荷联合预测的特点改进传统神经网络的损失函数,加入最大均值差异指标,并优化训练模型;最后,通过3个各自独立的全连接层分别输出冷、热、电负荷的预测值。通过采用实际算例验证并与基准模型对比可知,所提改进DaNN模型能够有效提高综合能源多能负荷预测精度。     

基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测

针对用户级综合能源系统(integrated energy system,IES)多元负荷波动性和随机性较强、精确预测难度较大的问题,提出了一种基于变分模态分解(variationalmode decomposition,VMD)和多模型融合的超短期负荷预测方法。首先采用VMD将IES各类负荷序列分解成不同的本征模态函数(intrinsicmodefunction,IMF);然后将各IMF结合气象信息构造不同的特征集,分别输入支持向量回归机(support vector regression,SVR)、长短期记忆(long short-term memory,LSTM)网络和一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)进行预测;最后,将3个模型的预测结果输入SVR进行融合得到最终的预测值,并采用和声搜索(harmony search,HS)算法优化SVR的参数。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提出的多模型融合方法优于单模型预测方法,对电、冷、热负荷均具有最好的预测精度。     

基于IPSO-WNN的综合能源系统短期负荷预测

针对传统小波神经网络(WNN)综合能源系统负荷预测模型存在收敛速度、易陷入局部最优等缺点而导致预测精度不高的问题,文中提出了一种基于改进粒子群(IPSO)的WNN综合能源系统短期负荷预测方法。利用Pearson系数对各影响因素进行分析,选择合适的因素作为综合能源负荷预测的输入量;对传统粒子群算法进行改进,在PSO中引入混沌算法并根据粒子适应度采用不同的粒子惯性权重选择策略;基于IPSO建立了WNN综合能源系统短期负荷预测模型。通过案例验证,基于IPSO的WNN预测模型相比于传统WNN预测模型,预测精度明显提升。     

基于MMoE-TCN的综合能源系统短期多元负荷预测

准确的短期多元负荷预测是确保综合能源系统可靠经济运行的必要前提。针对现有模型预测精确度不高的问题,本文提出一种基于改进最大信息系数相关性分析和MMoE-TCN多任务学习的负荷预测方法。首先,采用改进的最大信息系数相关性分析方法筛选目标预测负荷的特征序列集。然后,建立基于参数软共享机制的MMoE多任务学习模型,通过专家子网和门控单元合理分配子任务的共享特征信息,挖掘多元负荷间的耦合特性,进而使用时间卷积神经网络构建子任务模型,用于负荷预测。最后,使用IES公开数据集进行算例分析,其误差均低于MTL-TCN、MTL-LSTM和LSTM模型,验证了本文所提方法有较高的预测准确度。     

面向统一能源系统的中长期氢负荷预测

未来能源社会中氢气将在电力、工业、供热、交通等领域发挥巨大作用,氢能将作为统一能源系统的关键要素,实现各能源相互转化.针对未来社会中氢能在工业、供热、交通等领域的需求,提出一种氢负荷预测的方法.获取工业领域的氢负荷样本数据,算出负荷数据的特征,采用支持向量机回归(SVR)算法,得到工业领域氢负荷预测模型;然后,以供热、...     

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。     

基于耦合特征与多任务学习的综合能源系统短期负荷预测

在区域型综合能源系统（IES）内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下,提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法。首先,从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量,提取不同能源负荷需求间的耦合特征,进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入,利用多任务学习的共享机制建立IES的负荷预测模型,使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴,以实现对负荷间耦合特征的充分挖掘和利用。以美国亚利桑那州立大学坦佩校区IES为例,通过预测结果精度对比和深度学习模型可解释性研究,证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度。     

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。     

基于CNN和SVR相结合的电力负荷预测分析

针对电力负荷预测提出了卷积神经网络和支持向量回归相结合的方法。首先将数据预处理成灰度图,作为算法输入数据;然后通过卷积神经网络进行特征提取,将电力负荷的影响因素重新混合,提取更高维的新特征;最后将新特征输入支持向量回归模型进行预测。通过试验对比,该方法实际效果良好。     

基于深度Q学习的电热综合能源系统能量管理

能量管理是电热综合能源系统运行优化的重要组成部分.然而,系统中可再生能源出力的波动性以及用户负荷的随机性使得能量优化管理问题充满挑战.针对此问题,文章提出了一种计及可再生能源和负荷需求不确定性的综合能源系统能量管理方法.将电热综合能源系统的能量管理问题表述为转移概率未知的马尔科夫决策过程,定义了系统的状态空间、动作空间...     

基于深度强化学习的综合能源系统动态经济调度

综合能源系统的优化调度对于实现系统的多能互补和经济运行具有重要意义.然而,系统中可再生能源的间歇性以及用户用能需求的不确定性造成了系统中供需双方的随机波动,传统的调度方法难以准确地适应实际环境的动态变化.针对这一问题,提出了一种考虑可再生能源和负荷时变特性的综合能源系统动态经济调度方法.首先对综合能源系统动态经济调度问...     

基于深度强化学习的风电场储能系统预测决策一体化调度

风电场储能系统的优化控制可以提高风电场作为发电商在电力市场中的竞争力.文中提出基于深度强化学习的储能系统预测决策一体化调度方法,令高维度的风电场原始测量数据直接驱动储能系统.与预测、决策相分离的传统调度模式相比,预测决策一体化调度模式将风电功率预测与储能系统动作决策相融合,避免了预测阶段中有效决策信息的损失,使风电的随...     

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。     

基于改进深度Q网络算法的多园区综合能源系统能量管理方法

多园区综合能源系统可通过多能互补互济显著提升运行经济性,然而园区之间的复杂互动、多能耦合决策会给多园区综合能源系统的能量管理带来决策空间庞大、算法难以收敛等挑战性问题。为解决上述问题,提出了一种基于改进深度Q网络(modified deep Q network,MDQN)算法的多园区综合能源系统能量管理方法。首先,采用独立于园区的外部气象数据、历史互动功率数据,构建了基于长短期记忆(long short-term memory,LSTM)深度网络的各园区综合能源系统外部互动环境等值模型,降低了强化学习奖励函数的计算复杂度;其次,提出一种基于k优先采样策略的MDQN算法,用k-优先采样策略来代替ε贪心策略,克服了大规模动作空间中探索效率低下的问题;最后,在含3个园区综合能源系统的算例中进行验证,结果表明MDQN算法相比原DQN算法具有更好的收敛性与稳定性,同时可以提升园区经济效益达29.16%。     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

利用多源信息和深度置信神经网络的配电系统空间负荷预测

准确的空间负荷预测是配电系统精益化规划的基础。在此背景下,提出利用多源信息融合和深度置信神经网络的配电系统空间负荷预测方法。首先,在分析空间负荷元胞多源信息特征的基础上,采用基于程度副词语义标定的结构化方法对负荷元胞的非结构化属性进行结构化处理,以充分挖掘利用负荷元胞数据信息。然后,采用受限玻尔兹曼机方法和反向传播（back propagation, BP）算法相结合学习元胞特征,以提升元胞高维特征提取的性能,并采用训练后的深度置信神经网络预测待规划区域的空间饱和负荷密度。最后,以某城市的区域配电系统为例,对所提出的空间负荷预测方法进行验证;仿真结果表明：在空间负荷预测模型中考虑非结构化信息的影响可以提高空间负荷预测精度,且与现有的一些方法相比,所提方法的预测精度更高。