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。     

基于深度结构多任务学习的园区型综合能源系统多元负荷预测

为进一步减轻环境压力,提高能源利用效率,综合能源系统已经成为了能源转型过程中一种重要的能源利用方式,电、热、气系统之间的联系更加的紧密。精确的能源需求预测将成为综合能源系统经济调度和优化运行中重要的一环。提出了基于深度结构多任务学习的短期电、热、气负荷联合预测方法。首先介绍了底层深度置信网络和顶层多任务回归的深度模型结构,其中深度置信网络作为无监督学习方法提取了抽象高级特征,多任务回归层作为有监督学习方法输出预测结果;其次建立含离线训练和在线预测的多元负荷预测系统,分析天气信息、历史信息、日历信息及经济数据的输入属性,提出验证模型预测精度的指标;最后,采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,结果显示深度学习和多任务学习在能源需求预测方面有较好的应用效果。     

基于MTL-GRU-Attention的综合能源系统多元负荷预测

针对综合能源系统多元负荷预测问题，提出一种基于多任务学习、门控循环单元和注意力机制的多元负荷预测方法。首先，运用门控循环单元建立多任务学习的共享层，充分挖掘冷、热、电负荷之间的耦合特征；然后，利用贝叶斯优化算法实现门控循环单元最优超参数的自适应选择；最后，使用注意力机制实现子任务对共享层中重要特征的差异化提取，以增强关键信息的影响。以亚利桑那州立大学坦佩校区的实测负荷数据作为算例，结果表明所提模型具有更高的预测精度。     

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。     

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。     

考虑多能互动的农村区域电网负荷预测方法

为应对煤改电及分布式电源规模化接入导致农村区域电网负荷预测复杂性提升的问题,本文提出一种考虑多能互动的农村区域电网负荷预测方法。首先,分析多能源信息耦合关系,提出农村区域多能信息横向和纵向交互的特征;其次,建立并行长短期记忆网络的多任务学习模型,支持多能源系统之间的横向交互分析;最后,以河北雄安农村区域电网进行验证,结果表明本文所提方法能够有效提高农村区域复杂场景下的预测精度。     

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。     

基于重构误差和极端模式识别的综合能源系统短期负荷预测

综合能源系统的运行场景存在极端模式,且含有异常数据,亟剧增加了综合能源负荷预测的难度。该文提出基于极端模式识别和误差重构的综合能源系统极端模式短期负荷预测方法,通过极端模式的识别,异常数据的检测,提高综合能源负荷预测的精度。首先,基于最小累积距离的综合能源负荷数据聚类,识别系统的极端模式;然后,利用深度学习模型的残差和聚类误差进行误差重构,检测异常数据;最后,采用改进的Stacking集成学习方法,进行极端模式的综合能源负荷预测。将所提方法应用于典型的综合能源系统,并与已有方法比较,实验结果表明,所提方法能够很好地解决极端模式的综合能源系统短期负荷预测问题。     

基于CSO优化深度信念网络的园区能源需求预测方法

针对目前能源需求预测影响因素繁多、构建模型复杂、预测精度不足的问题,提出了一种改进关联分析和纵横交叉优化深度信念网络的多能互补系统能源需求预测方法。首先,分析了园区多能互补系统冷热电能源需求的影响因素,并采用互信息和误差最小的方法对其进行确定。其次,基于传统灰色关联分析的不足,建立了距离相似度和趋势相似度的综合相似度的相似日选取方法。囿于深度信念网络初始权重的随机化,采用纵横交叉优化深度信念网络对园区冷热电负荷进行预测。以园区为仿真计算实例,分析冷热电负荷变化对能源需求预测的影响,验证了所提预测方法有效地提高了预测精度,具有较高的准确性和实用性。     

电-热综合能源系统能流的区间计算算法

为描述电、热负荷不确定性对综合能源系统的影响,建立了电-热综合能源系统区间能流模型。首先,计及电-热综合能源系统负荷的不确定性,分别建立了电力网络区间模型和热力网络区间模型。然后,考虑热电联产机组、水泵和热泵建立了一种更符合实际情况的电热耦合元件区间模型。最终,通过电热耦合元件实现了电力网络和热力网络的耦合,建立了电-热综合能源系统区间能流模型。针对传统的区间迭代法存在的计算结果区间易于扩张的问题,采用基于区间扩展的迭代算法对电-热综合能源系统区间能流模型进行求解。对IEEE33节点系统和32节点热力系统构成的电-热综合系统进行算例分析,结果验证了所建区间模型和所提算法的正确性。     

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。     

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

针对海量用户负荷预测场景下，应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题，提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先，基于聚类技术实现多任务学习中相关任务的选择;其次，为每一类用户群构建多维融合输入，合理有序容纳多个任务的特征，避免维度爆炸和信息混乱;最后，分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型，学习共享特征，并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析，结果表明，该方法在提高整体运行效率和平均预测精度方面均取得良好成效。     

基于阶梯碳交易的低碳园区综合能源系统优化

为建立低碳环保的可持续发展综合能源系统,推动未来能源体系的转型,以低碳清洁和经济最优为目标,构建综合考虑碳排放和经济成本的包含氢储能的电-气-热-氢低碳园区综合能源系统模型,意在消纳新能源发电,做到低碳甚至零碳排放。首先将电转氢设备和氢储能设备引入综合能源系统,然后以系统运行成本和基于阶梯碳交易机制的碳排放成本之和最小为目标,建立低碳园区综合能源系统经济优化模型,最后通过对比不同场景优劣验证所提方法的有效性。     

基于GMM及多点线性半不变量法的电-热互联综合能源系统概率潮流分析

提出了一种计及相关性的基于高斯混合模型(GMM)的多点线性半不变量法电-热互联综合能源系统概率潮流(PPF)计算方法。构建了电-热互联综合能源系统潮流模型,采用GMM建立电-热互联综合能源系统源荷不确定模型,针对其输出变量的不确定性提出了基于半不变量法的电-热互联综合能源系统PPF计算方法,定量计算出相关输出状态变量的概率密度函数。由于电-热互联综合能源系统中存在非线性问题导致线性化误差增大,采用多点线性的方法来克服这一难题。并且所提PPF方法进一步考虑了电-热负荷之间的相关性。最后,采用Cornish-Fisher级数展开拟合状态变量概率分布,在改进的巴厘岛电-热互联综合能源系统算例中验证了所提方法的快速性、准确性和实用性。     

电能替代下考虑需求响应的综合园区风光储配置方法

推进园区电能替代是改善环境问题的重要措施,针对综合园区能源系统进行电能替代受配电网络改造限制的情况,提出采用风光储系统作为供电系统的方案。首先构建综合园区能源系统中电替热、电替冷和电替油负荷模型。然后提出考虑配电网运行状态和需求响应的风光储最优容量双层配置模型,该模型包括配电网层和风光储系统层。最后采用Cplex进行求解,得到综合园区电能替代下考虑配电网运行状态和需求响应的风光储系统最优配置方案。通过IEEE 33节点系统以及某实际园区的电能替代负荷数据进行仿真计算,结果表明采用风光储系统供电并计及负荷的需求响应能解决园区电能替代负荷增长的需求并兼顾其最优经济配置。     

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。