综合能源系统整体架构设计及负荷预测

综合能源系统可有效减轻化石能源依赖、提升可再生能源利用水准,然而该类能源系统供能环节繁杂,耦合能源类型众多,合理规划并精准预测负荷势在必行。借助能源节点构建系统整体架构并对负荷做出预测。预测模型采用四类算法训练对应基学习器,借助已有结果训练元学习器从而得到最终结果,并选取欧洲ENTSO提供的瑞士多年份电力负荷数据佐证该模型的有效性。算例结果显示本文模型预测精度高于现有模型,可有效预测波动负荷,契合该类能源系统负荷预测场景。     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。