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。     

考虑多重不确定性的综合能源系统日前优化调度

可再生能源出力和负荷的不确定性对综合能源系统优化调度提出了挑战。由可再生能源、大电网、热电联产机组、储电系统、储热系统和燃气锅炉等设备以及热、电负荷组合构成的综合能源系统经济调度模型,考虑到系统中可再生能源发电和负荷预测误差等多重不确定性特征,提出一种基于区间线性随机机会约束规划的优化调度策略。用概率分布函数描述系统中可再生能源发电预测的不确定性,用区间数描述负荷预测不确定性,由此构建了一个区间线性随机机会约束规划模型,利用Gurobi求解器对模型进行求解。通过一个热电综合系统将所提方法与单一的区间线性规划和随机机会约束规划模型进行了对比研究。结果表明,所提方法平均运行成本更低,对预测精度的依赖性更低,在保证系统安全运行的同时能提高综合能源系统运行的经济性。     

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。     

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。     

考虑源-荷不确定性的电热联合系统分布鲁棒优化调度

可再生能源出力及负荷需求的不确定性严重影响电热联合系统的鲁棒优化运行。基于此,提出了一种改进Wasserstein度量的考虑源-荷不确定性电热联合系统分布鲁棒优化调度模型。建立基于极端场景下改进Wasserstein度量的风电预测功率模糊集,缩减风电预测功率模糊集的规模,进而提出基于梯度归一化改进Wasserstein生成对抗网络方法对负荷需求的不确定性进行建模,提高负荷不确定性建模的精度;构建综合考虑发电成本、调节成本等的分布鲁棒优化调度模型,并基于对偶理论和拉格朗日乘子法将该模型转换成可求解的数学模型;以修改的9节点系统及IEEE 118节点系统为例验证了所提出的模型具有更高的求解效率以及更好的经济性和鲁棒性。     

基于LSTNet-Skip的综合能源系统多元负荷超短期预测EI北大核心CSCD

随着用户侧用能需求多元化的发展,多元负荷的超短期预测对于动态的大型综合能源系统的规划和优化至关重要。为此,该文提出一种基于长期和短期时间序列网络的多元负荷超短期预测模型。首先采用卷积神经网络来提取多元负荷之间的局部依赖关系,然后使用长短期记忆网络捕获负荷序列的长期依赖关系,使用具有循环跳过结构的长短期记忆网络充分学习负荷序列的超长期重复模式,最后采用自回归层和全连接层进行组合预测。使用平均绝对百分比误差和均方根误差作为评价指标,利用美国亚利桑那州立大学坦佩校区综合能源系统数据集进行验证,并与3种负荷预测方法比较。实验结果表明,提出的预测模型均优于其他方法且有较高的预测精度。     

基于贝叶斯网络的短期负荷预测方法

作为电力系统经济调度中的重要内容之一,短期负荷预测的准确性对改善电网运行性能起着重要作用。由于传统预测方法具有一定的缺陷,提出了一种基于贝叶斯网络的短期负荷预测方法,在综合考虑影响负荷要素的基础上构建贝叶斯网络模型,并在已知负荷数据的基础上提出基于贝叶斯法则的学习算法,对某已知电网的大量负荷数据进行学习和预测。预测结果表明,贝叶斯网络模型较传统多元线性回归方法相比具有更高的预测准确度。     

考虑DG及负荷时序性的多目标配电网重构与DG调控综合优化规划

为解决分布式电源（distributed generation,DG）出力及负荷的时变性给实际配电网调度所造成的不利影响,使配电网的优化规划方案更加切实可行,提出了一种基于配电网重构和DG选址定容结合的多目标粒子群动态优化模型,该模型以配电网有功损耗、电压偏差及经济成本为优化目标,考虑负荷及DG出力的时变性,对配电网络重构和DG调度进行综合优化求解。通过基于随机森林模型（random forest,RF）及长短期记忆神经网络(long short-term memory,LSTM)模型的混合预测模型对配电网负荷及DG出力进行预测。采用经帕累托最优理论改进的粒子群算法得到配电网重构及DG调控的帕累托最优解集并利用模糊隶属度函数法来确定帕累托最优解集中的最佳配电网调度方案。基于IEEE 33标准测试系统设计多个算例进行仿真分析,结果表明,所提考虑负荷及DG出力时序性的配电网重构和DG调度联合优化模型可显著改善配电网络运行的经济性和稳定性。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练.预测日24 h负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率控制在2％以内.BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,为研究电力系统经济调度提供了一种新的非线性仿真建模模型.     

基于网络重构和电热联合需求响应的配电网安全经济调度

随着电网中电热等多类型负荷的持续增长，仅通过电负荷需求响应或网络重构等传统的单一调度手段无法满足配电网安全经济运行的需要。为此，文章提出了一种综合考虑网络重构与终端用户电热联合需求响应的配电网安全经济调度方法。首先，构建了考虑用户响应能力及满意度的电负荷需求响应模型；其次，构建了电热耦合系统中不同元件的出力模型，并提出了基于峰谷电价的热负荷需求响应策略；再次，建立了以一天内配电网运行成本最小为目标，统筹多时段网络重构与电热综合需求响应的配电网安全经济调度模型；最后，通过算例验证了所提模型和方法的有效性与实用性。     

基于改进型Elman神经网络龋短期电力负荷预测

精确的短期电力负荷预测对电力系统的生产调度和安全稳定运行起到十分重要的作用。为提高短期电力负荷预测模型的精度。提出了一种基于Elman神经网络的改进模型。通过在输出层和隐含层之间扩展一个新的承接层。增强了Elman神经网络的动态信息处理能力。仿真结果表明,改进型Elman神经网络预测模型的预测精度要高于反向传播、支持向量机和常规Elman,同时也说明了建立改进型Elman模型用于短期电力负荷预测是可行的。     

考虑风–光–光热联合直流外送的源–网–荷多时段优化调度方法

为解决西北地区大规模风光并网下电力系统的新能源弃电问题,提出一种考虑风–光–光热联合直流外送的源网荷多时段协调优化方法。首先,对源网荷三侧具备的调峰能力及其互补特性进行分析,充分利用源侧光热电站、网侧特高压直流联络线以及柔性负荷的灵活调节能力,提高风光资源利用率。其次,针对新能源、负荷预测精度日前–日内逐步提高的特点,结合源网荷三侧各类调峰资源具有不同响应速度的特性,并以系统综合运行成本最低为目标,构建源网荷日前–日内两阶段多时段优化调度方法;最后,以西北某省电网2025规划构造的算例仿真验证了该调度方法能够有效促进高比例新能源电网的风光消纳,降低系统运行成本。     

计及运行特性的配电网分布式电源与广义储能规划

在配电网分布式电源与广义储能的联合规划中,为了充分挖掘柔性负荷的调控能力,实现源-荷-储的协同互动,提出了分布式电源和广义储能的双层规划方法。结合广义储能的运行特性模型,提出了柔性负荷的需求响应潜力量化方法及配电网的运行策略。构建了运行-规划模型,上层考虑系统规划成本、响应激励成本以确定资源的选址定容方案;下层以配电网的可持续性、可靠性为目标,采用自适应参数网格粒子群优化算法求解广义储能的运行结果。算例仿真结果验证了所提模型和方法的有效性及优越性。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练。预测一日24小时负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率可以有效地控制在2％以内。BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,是研究电力系统经济调度的一种新的非线性建模仿真模型。     

基于路径描述的配电网电力廊道规划方法

配电网工程的落地依托于充足的电力廊道资源,而电力廊道规划方案的合理性也将影响到后期配电网建设的经济性。为科学指导廊道的选择,提出一种基于路径描述的配电网电力廊道规划方法。首先根据电力廊道与配电网网架之间的耦合关系,搭建电力廊道连通性模型;然后采用深度优先遍历算法获得满足廊道建设情况的供电路径集合。基于此,以电力廊道综合规划费用为廊道规划方案的评估依据,搭建了配电网电力廊道双层规划模型。最后采用嵌套离散粒子群优化算法进行优化求解,外层粒子群算法以电力廊道综合规划费用最小为优化目标,内层粒子群算法以配电网运行规划成本最小为优化目标。算例分析表明,所述模型可兼顾后期配电网建设的可行性与经济性,得到满足负荷需求的电力廊道最优规划方案,有利于提前对廊道站址进行保护,为配电网建设提供参考。     

考虑风电置信区间的水风火短期优化调度方法

风电出力的不确定性影响电网的稳定运行,大规模风电并网后“弃风”问题突出。为了充分考虑风电出力的不确定性,本文提出基于风电置信区间的风-水-火短期联合调度运行方法。利用梯级水电站启停灵活、爬坡速度快等优点平抑风电出力波动,构建了发电成本最小与清洁能源消纳最大的多目标优化调度模型。基于分层求解思想,将模型分为风电运行层、水电调度层与火电调度层,并提出了集成非参数法、启发式算法与改进的粒子群算法的总体求解框架,实现了模型的快速求解。某区域电网短期调度模拟运行结果表明,所提方法求解速度快,仅需83.5 s,在满足电力系统安全稳定运行约束与清洁能源消纳最大的前提下,水电、风电多发45.56万kWh,煤耗成本减少23.33万元。     

基于集群负荷预测的主动配电网多目标优化调度

常规的配电网调度模式中,往往通过可控分布式电源、储能和柔性负荷来调节预测误差和实时波动,粗略地预测负荷值,这使得负荷预测往往不够精准,而且用可控分布式电源、柔性负荷或储能平衡配电网负荷波动,会造成较大的波动成本和备用成本。对此提出一种基于集群负荷预测的主动配电网多目标优化调度方法。采用模糊聚类的方法,对负荷进行集群划分,利用极限学习机对负荷进行集群预测。基于预测值,先以有功调度成本最低进行日前调度,再在日前调度的基础上进行修正,以可控分布式出力修正量最小、储能出力修正量最小、柔性负荷修正量最小为目标进行实时调度。