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GRU-TGTransformer的综合能源系统多元负荷短期预测

综合能源系统的多元负荷短期预测,对系统的优化调度和经济运行至关重要。多元负荷之间耦合关系紧密,Transformer作为一种完全建立在自注意力机制上的模型,能很好地分析多元负荷之间的内在联系。传统Transformer模型针对自然语言类问题而设计,难以直接应用于多元负荷预测。为此,提出一种GRU-TGTransformer(GRU-Talkinghead-Gated residuals-Transformer)模型。该模型采用门控循环单元代替原有的词嵌入及位置编码环节,对输入数据进行特征融合,取得具备相对位置信息的高维特征数据。通过在多头自注意力环节引入交流机制,提高多头自注意力的表达效果。为进一步强化网络结构,在残差连接中引入门控单元,提高模型在时序预测问题上的稳定性。以美国亚利桑那州立大学坦佩校区的综合能源系统为算例,通过对所提出模型与传统模型之间进行对比分析,证明所提出的模型具有更高的预测精度。     

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Prophet算法和Blending集成学习的实时负荷中期预测

目前的中期负荷预测一般未考虑负荷实时状态,而负荷数据的非线性、季节性、随机性、时序性特征将影响实时负荷的中期预测。构建一个实时负荷中期预测的框架,采用Prophet算法提取负荷数据的季节性部分,采用Blending集成学习对负荷数据的非季节部分进行滚动预测,将季节性部分和非季节性部分合成中期负荷实时数据。爱尔兰电力系统的算例结果验证了模型的有效性和稳定性。     

基于联邦学习的综合能源系统集成需求响应机制

随着能源集成技术的发展,需求响应已经逐渐进化到集成需求响应(IDR),同时用户对于隐私保护的关注也日益增长。针对拥有冷热电设备和负荷的配电网侧综合能源系统,建立了多能源耦合交互模型,以反映不同能源消费行为之间的相互影响,并以运行成本最低为目标,以设备出力特性和多能源负荷特性为约束,设计了IDR优化模型。为了保护用户隐私,提出了联邦学习(FL)架构,重写IDR模型并将其置于该FL架构中进行迭代计算。仿真结果表明所提计算方法与不考虑耦合的传统需求响应方案相比,具有较好的成本优势;与其他分布式需求响应算法相比,计算效率也有所提升。     

基于量子加权多层级GRU神经网络的综合能源 系统多元负荷短期预测

针对综合能源系统多元负荷短期预测问题,提出一种基于量子加权多层级GRU(quantum weighted multi hierarchy gated recurrent unit, QWMHGRU)神经网络的多元负荷短期预测模型。采用最大信息系数对多元负荷间和负荷与天气因素间的相关性进行分析,选取模型输入量。然后改进GRU的门控结构,形成多层级门控循环单元(multi hierarchy gated recurrent unit, MHGRU),并将量子加权神经元引入MHGRU,构成QWMHGRU多变量负荷预测模型。仿真算例结果表明,QWMHGRU多元负荷预测模型在夏季和冬季的权重平均精度均可达97%以上,相比MHGRU、QWGRU和GRU模型具有更高的预测精度。     

不确定性环境下基于深度强化学习的综合能源系统动态调度

随着综合能源系统中间歇性能源和负荷不确定性的逐步增强,传统的调度方法局限于固定物理模型及参数设定,难以较好地动态响应源荷的随机波动。针对这一问题,提出了一种基于深度强化学习的综合能源系统动态调度方法。首先,以数据驱动方式构建面向综合能源系统的深度强化学习模型,通过智能体与综合能源系统的持续交互,自适应学习调度策略,降低对物理模型的依赖程度。其次,通过添加随机扰动的方式表征源荷不确定性变化特征,针对不确定性变化特征改进深度强化学习模型的状态空间、动作空间、奖励机制以及训练流程等关键环节,并经由近端策略优化算法优化求解,实现了综合能源系统的动态调度决策。最后,通过算例仿真验证了所提方法在不同时间尺度以及不确定性环境下的可行性和有效性。     

基于能源集线器的区域综合能源系统分层优化调度

针对时变电价且运行方法灵活的中小型区域综合能源系统,提出一种基于能源集线器的分层优化模型。研究区域综合能源系统耦合关系和热电比可调机理,建立能源集线器扩展模型。计及包括用能替代的综合需求侧响应,以综合用能成本较低和用能能效较高为目标建立双层优化模型,采用Lagrange乘子法将下层目标KKT条件作为上层优化的可行性度量进行求解。对于具体ICES网络拓扑,考虑能量连接器的动态过程并计算混合潮流,选取电/热/气网运行状态评价指标,对多目标问题进行Pareto决策面搜索,应用模糊综合决策方法在机组分配方案中择优。算例验证了所提方法的有效性。     

考虑负荷裕度的区域综合能源系统储能双层优化配置

综合能源系统通过多能互补与相关市场机制提升了能源利用效率的同时也引入了更多的风险因素,合理的负荷裕度是综合能源系统安全经济运行的重要保障。基于储能对综合能源系统负荷裕度的有利作用,建立了考虑负荷裕度的综合能源系统储能双层优化配置模型。其中下层模型利用储能对综合能源系统负荷裕度均衡度进行优化,而上层模型则结合负荷裕度进行储能容量优化配置,实现了社会综合成本最小化。最后,结合实际算例验证了所提优化方案的有效性。结果表明双层优化模型在实现储能容量优化配置的同时,也优化了其充、放能计划,最终实现了综合能源系统中负荷裕度的有效均衡,提高了综合能源系统应对负荷波动的能力和运行的经济性。     

基于机器学习与疫情关联特征的短期负荷预测

准确的电力负荷预测是电力系统正常运转的重要保障。针对新冠疫情期间负荷需求波动大、历史参考负荷难以建模等问题,提出了一种基于机器学习与静默指数、滚动焦虑指数的短期负荷预测方法。首先,利用谷歌流动性数据和疫情数据构建出静默指数、滚动焦虑指数来量化经济、疫情的发展对电力负荷造成的影响。然后,采用最大信息系数分析疫情期间电力负荷的强相关因素并引入疫情负荷关联特征。最后,将气象数据、历史负荷以及构建的疫情关联特征合并作为预测模型的输入变量,通过多种机器学习模型进行预测算例分析。结果表明,引入疫情关联特征的负荷预测模型能够有效地提高疫情期间负荷预测的准确性。     

基于纳什谈判考虑能源共享的区域综合能源系统优化配置

为了解决“双碳”背景下考虑能源共享的多区域综合能源系统协同规划和分属于不同投资主体的综合能源系统利益竞争问题,提出了基于纳什谈判合作博弈理论的多综合能源系统联合规划方法。首先,建立考虑碳交易和各主体间电能共享的配置与运行优化模型。在此基础上,建立基于纳什谈判的多主体合作规划模型,将其转化为社会成本最小化和支付效益最大化两个子问题,并构造两个子问题的增广拉格朗日函数。其次,为了保护规划阶段各主体的数据隐私以及提高算法计算的容错性,采用交替方向乘子分布式算法求解两个子问题的纳什均衡解。最后,通过算例结果表明各主体经过合作规划后,可以明显地降低各主体的规划成本,且保证各系统的可靠运行,验证了所提合作规划模型和方法的有效性。     

基于气象特征挖掘和改进深度学习模型的风电功率短期预测

为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。     

面向区域综合能源服务的电-水联合潮流

现有关于综合能源系统潮流的研究大多以电力、热力、燃气系统耦合形成的多能系统为研究主体,而少量关于电-水联合系统潮流的研究又存在耦合方式单一、模型适应性差等问题。为此面向区域供电、供水综合服务商,提出配电网、配水网耦合形成的区域电-水联合系统的潮流模型和计算方法。提出2种用户级电-水能源集线器模型以描述终端用户综合用能行为产生的电-水关联关系;在此基础上,考虑电-水之间的泵站耦合和用户级能源集线器2种耦合方式,以及水负荷的水压特性,提出区域电-水联合潮流模型及计算方法;用2个不同规模的区域电-水联合系统验证了所提潮流计算方法的有效性,并对比分析了用户级电-水能源集线器及水负荷水压特性对联合潮流的影响。     

基于多主体主从博弈的区域综合能源系统低碳经济优化调度

为解决环境污染以及区域综合能源系统中多市场主体利益冲突的问题,提出一种考虑奖惩阶梯型碳交易机制和双重激励综合需求响应策略的区域综合能源系统多主体博弈协同优化方法。首先,为充分考虑系统的低碳性,在博弈模型中引入奖惩阶梯型碳交易机制限制各主体碳排放量,并在用户侧提出了基于价格和碳补偿双重激励的综合需求响应策略。其次,考虑源-荷-储三方主动性和决策能力,以能源管理商为领导者,供能运营商、储能运营商和用户为跟随者,建立了基于碳交易和博弈协同优化的多主体低碳交互机制,并构建了各主体的交易决策模型。最后,采用结合Gurobi工具箱的自适应差分进化算法对所提模型进行求解。仿真结果验证了所提模型和方法的有效性,即各主体在低碳框架下可以合理调整自身策略,并兼顾系统经济、环境效益。     

面向区域综合能源系统的安全域模型

区域综合能源系统(RIES)中自动化水平的提高为故障后的负荷转带奠定了基础,基于N-1安全准则的系统安全边界有待研究。针对以能量枢纽(EH)为多能供应源的RIES,提出了RIES安全域概念与模型;分析了RIES的N-1安全性校验方法,包括EH关键设备N-1安全性校验与EH关键管线出口N-1安全性校验;基于系统最大供能能力工作点,提出了安全边界仿真拟合计算方法,实现了安全域的降维观测;结合算例验证了所提模型的有效性,并讨论了系统的供能能力、安全状态与安全边界距离。     

考虑运行状态信息的综合能源系统图强化学习优化调度

“双碳”背景下,异质能源的耦合加剧迫使综合能源系统(integrated energy system, IES)拓扑朝着更复杂、更灵活的方向不断演变。然而,现有优化调度方法对非欧网络拓扑知识及其异质潮流约束考虑不足。针对这一问题,提出一种基于图强化学习的综合能源系统优化调度方法。首先,基于图理论在保证节点多样状态的情况下,将异质能源网络拓扑转换为网络图模型。其次,通过建立基于真实图映射的状态-动作-奖励的框架,利用图强化学习的方法学习图模型的非欧拓扑信息,将异质潮流知识加入系统节点运行状态,从而实现IES的安全优化调度。最后,利用某工业园区的真实数据进行仿真验证,所提方法相对于传统方法有效缓解了节点电压越限的问题。结果表明,所提方法能够在考虑IES真实拓扑运行状态信息和异质潮流安全的情况下实现IES的优化调度。     

融合图神经网络模型与强化学习的综合能源系统优化调度

随着人工智能技术特别是强化学习在能源优化调度领域的深入研究,将系统状态表示为向量用于学习的模式,其训练效率与信息利用率较低。针对这一问题,提出了一种融合图神经网络模型与强化学习的综合能源系统优化调度方法。首先,将电-热-气综合能源系统建模为图结构数据,充分利用系统的拓扑信息。其次,提出了基于图神经网络架构的强化学习模型,使其可以充分利用图结构信息实现更快的训练速度,获得更大的探索空间。最后,将表示系统状态的图结构信息送入该模型进行训练,算例仿真验证了该方法的训练效率与探索能力。     

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。