考虑多能耦合的综合能源系统多元负荷预测方法及系统

1.本公开属于园区综合能源系统负荷预测技术领域，尤其涉及一种考虑多能耦合的综合能源系统多元负荷预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.近年来，能源与环境问题引起世界各国以及社会各界的广泛关注，综合能源系统(integrated energy system，ies)作为新一代能源的物理载体，可以实现能源间梯级利用，有效提升能源综合利用效率、降低园区碳排放。园区级的综合能源系统(regional integrated energy system，ries)用户规模较小，系统鲁棒性欠佳，负荷波动性大。在系统配、用能环节中，对负荷的准确预测是冷热电联供系统运行调度和能量管理的关键因素。因此，如何有效解决多元负荷存在的波动性及耦合性，精准实现多能负荷预测已成为当下的研究热点。
4.发明人发现，当前电力系统的短期负荷预测技术已相对成熟，然而，ries中各类能源深度耦合、相互影响，且各类能源动态特性大相径庭，针对单一种类能源的负荷预测方法，无法推广至多能预测领域；且单能源的负荷预测方法无法准确描述多能源间强耦合关系，使得预测结果大打折扣。另外，在负荷预测时，过多的输入因子会降低模型的计算效率，现已有的方法多用相关系数法来筛选模型的输入因子，但此类方法与数据量存在一定关系，无法深度挖掘各变量间非线性的特点，因此，会使得模型遗漏重要特征，甚至选中非关联的特征，从而产生过多噪声，影响预测精度。


技术实现要素：

5.本公开为了解决上述问题，提供了一种考虑多能耦合的综合能源系统多元负荷预测方法及系统，所述方案通过采用wgcna分析特征间相关性，筛选出合适的输入特征；采用mtl框架，将bilstm作为mtl的共享层，各子任务共享信息，进行冷热电联合预测，得出预测结果，所述方案不仅能够有效挖掘多元负荷间非线性的关联性，还能对多元负荷联合预测，提高了预测精度及效率，有助于园区提升能源利用率。
6.根据本公开实施例的第一个方面，提供了一种考虑多能耦合的综合能源系统多元负荷预测方法，包括：
7.获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；
8.基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；
9.将不同负荷的负荷历史数据及其强相关影响因素对应的特征同时输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用mtl
框架，利用bilstm作为mtl的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。
10.进一步的，所述采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，具体为：基于获得的历史负荷预测相关数据，通过加权基因共表达网络分析方法从中获取与不同负荷强相关的影响因素，所述影响因素包括但不限于与负荷强相关的气象因素以及日历因素。
11.进一步的，所述负荷预测模型包括顺序连接的输入层、共享层及输出层，其中，所述共享层采用bilstm神经网络。
12.进一步的，所述相应预处理，具体包括异常值的去除、缺失值的填充以及对数据进行归一化处理。
13.进一步的，所述历史负荷预测相关数据包括不同负荷下对应的负荷历史数据，及其对应的气象因素以及日历因素。
14.进一步的，所述不同负荷包括冷能负荷、热能负荷以及电能负荷。
15.进一步的，对于预先训练的负荷预测模型，采用均方根误差、平均绝对误差或r2对其进行性能评估。
16.根据本公开实施例的第二个方面，提供了一种考虑多能耦合的综合能源系统多元负荷预测系统，包括：
17.数据获取单元，其用于获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；
18.影响因素确定单元，其用于基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；
19.负荷预测单元，其用于将不同负荷的负荷历史数据及其强相关影响因素对应的特征输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用mtl框架，利用bilstm作为mtl的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。
20.根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现一种考虑多能耦合的综合能源系统多元负荷预测方法。
21.根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种考虑多能耦合的综合能源系统多元负荷预测方法。
22.与现有技术相比，本公开的有益效果是：
23.(1)本公开提供了一种考虑多能耦合的综合能源系统多元负荷预测方法及系统，所述方案通过采用wgcna分析特征间相关性，筛选出合适的输入特征；采用mtl框架，将bilstm作为mtl的共享层，各子任务共享信息，进行冷热电联合预测，得出预测结果，所述方案不仅能够有效挖掘多元负荷间非线性的关联性，还能对多元负荷联合预测，提高了预测精度及效率，有助于园区提升能源利用率。
24.(2)本公开所述方案考虑到负荷为时间序列，具有自相关性，通过采用的bilstm算
法能够对前后向历史数据的内在规律进行有效学习，提高预测精度；同时基于构建的mtl框架进行多元负荷联合预测，能够实现冷、热、电负荷同时预测，提高了预测效率。
25.本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
26.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
27.图1为本公开实施例中所述的wgcna基本分析流程图；
28.图2为本公开实施例中所述的bilstm-mtl模型执行流程图；
29.图3为本公开实施例中所述的一种考虑多能耦合的综合能源系统多元负荷预测方法流程图。
具体实施方式
30.下面结合附图与实施例对本公开做进一步说明。
31.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
33.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
34.术语解释：
35.模块(model)：是高度互连的基因簇；
36.邻接矩阵(adjacency matrix)：基因和基因之间的加权相关性值构成的矩阵；
37.tom(topological overlap matrix)：把邻接矩阵转换为拓扑重叠矩阵，以降低噪音和假相关，这个信息可拿来构建网络或绘制tom图；
38.lstm：长短期记忆神经网络，是一种用于处理时间序列数据的神经网络，对历史信息具有记忆的能力。
39.实施例一：
40.本实施例的目的是提供一种考虑多能耦合的综合能源系统多元负荷预测方法。
41.一种考虑多能耦合的综合能源系统多元负荷预测方法，包括：
42.获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；
43.基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；
44.将不同负荷的负荷历史数据及其强相关影响因素对应的特征同时输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用mtl
框架，利用bilstm作为mtl的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。
45.进一步的，所述采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，具体为：基于获得的历史负荷预测相关数据，通过加权基因共表达网络分析方法从中获取与不同负荷强相关的影响因素，所述影响因素包括但不限于与负荷强相关的气象因素以及日历因素。
46.进一步的，所述负荷预测模型包括顺序连接的输入层、共享层及输出层，其中，所述共享层采用bilstm神经网络。
47.进一步的，所述相应预处理，具体包括异常值的去除、缺失值的填充以及对数据进行归一化处理。
48.进一步的，所述历史负荷预测相关数据包括不同负荷下对应的负荷历史数据，及其对应的气象因素以及日历因素。
49.进一步的，所述不同负荷包括冷能负荷、热能负荷以及电能负荷。
50.进一步的，对于预先训练的负荷预测模型，采用均方根误差、平均绝对误差或r2对其进行性能评估。
51.具体的，为了便于理解，以下结合附图对本实施例所述方案进行详细说明：
52.为了解决现有技术存在的问题：
53.(1)传统相关系数法无法适用于园区综合能源系统多元负荷与多种影响因素间非线性的关系，无法筛选真正合适的输入因子，导致模型预测精度不高的问题；
54.(2)单一能源的负荷预测无法精确描述多元负荷之间深度耦合特性，导致模型预测效率不高的问题。
55.本实施例提供了一种考虑多能耦合的综合能源系统多元负荷预测方法，所述方法的主要技术构思为：采用wgcna分析特征间相关性，筛选出合适的输入特征；采用mtl框架，将bilstm作为mtl的共享层，各子任务共享信息，进行冷热电联合预测，同时得出预测结果。该方法不仅能够提高预测精度，还能够提升预测效率，因此，该方法能够很好地解决上述背景技术中存在的问题。具体的，如图3所示，本实施例所述方法包括如下步骤：
56.步骤1：对原始数据进行预处理；
57.首先，园区综合能源系统的负荷数据量较大，在数据测量和存储时容易出现异常，为提高数据的可靠性，降低异常数据在模型训练过程中产生的不必要的噪声，所以需要对异常值和缺失值进行辨识和填充。
58.其次，为了防止变量间数量级差异过大，造成模型学习出现偏差，所以对原始数据集中的采用数据归一化方法，将其缩放至[0,1]区间内，从而使预测方法更为有效。归一化公式如下式：
[0059][0060]
式中：y
′
为归一化后的数据；y为原始数据；y
max
、y
min
为数据的最大值和最小值。
[0061]
步骤2：考虑园区综合能源系统多能耦合，采用wgcna筛选特征，确定输入/输出特征集；
[0062]
由于园区综合能源系统多元负荷深度耦合，传统的相关性分析方法无法深入挖掘
负荷间以及负荷与其他因素之间的复杂非线性关系，于是，采用加权基因共表达网络分析(wgcna，weighted gene co-expression network analysis)作为探索园区综合能源系统多元负荷相关性的手段。
[0063]
wgcna是用来描述不同样品之间基因关联模式的系统生物学方法，可以用来鉴定高度协同变化的基因集。它是根据基因表达模式的不同，挖掘出相似表达模式的基因，定义为模块的一种算法。wgcna的分析流程图如图1。首先构建加权相关性基因网络软阈值的选择，对每两对基因i，j之间的相关系数的幂取特定值β(软阈值)，构成邻接矩阵，计算公式如下：
[0064]aij
＝|cor(i,j)|
β
ꢀꢀꢀ
(1)
[0065]
式中：a
ij
为基因之间的相关性a
ij
；i，j为两种不同的基因；β为权重，默认取值1-30。
[0066]
选择合适的β值之后，构建加权共表达网络和模块识别，通过拓扑重叠(tom)来计算两个基因的相似性，其计算公式如下：
[0067][0068]
式中：u为遍历子，遍历基因列表里除i，j以外的所有基因，并进行上式计算。tom
ij
＝0，代表基因i和j的网络没有共同的邻接基因；tom
ij
＝1代表基因i和j有着完全一样的网络邻接基因。
[0069]
最后将基因模块与外部信息关联，wgcna提供了其相关性可视化的函数，最终得到的是每个模块与外部特征的相关系数矩阵，从中就可以发现与外部特征高度相关的模块。
[0070]
wgcna已成功应用于生物学、遗传学等领域，在工程领域应用较少。本发明将wgcna应用于多元负荷预测中筛选对负荷变化具有强影响的特征，将数据集中各个特征的样本点组成基因集，利用r语言的wgcna包实现加权基因共表达网络分析的流程。
[0071]
得出可视化结果后，各个模块的相关系数为w
ij
选取常数q作为划分标准，当w
ij
《q时，认定为弱相关，不作为输入因子；若w
ij
≥q时，认定为强相关，作为输入因子。通过此步骤确定各个任务的输入特征集为kn＝{k1,k2,
…
,k
l
}，其中l为输入因子的个数，n为子任务的个数。输入特征集通常为冷热电负荷历史数据、与负荷强相关的气象因素以及日历因素，输出特征集为待预测的冷、热、电负荷。
[0072]
步骤3：基于bilstm-mtl的多元负荷预测模型
[0073]
本实施例提出的bilstm-mtl预测模型，分为输入层、共享层和输出层。模型流程图如图2所示。
[0074]
输入层：进行步骤一和步骤二后，确定各子任务的输入特征集，作为模型的输入层input＝{k1,
…
,kn}，其中n＝3；
[0075]
共享层：将其输送到模型的共享层，在共享层中由多个lstm神经元组合共同构成一个bilstm神经网络层，再与多个相同结构的bilstm网络层线性连接，构成mtl中的多层共享网络；
[0076]
输出层：将各个子任务的标签值输出，输出层可包括dropout层和dense层等，输出
为冷热电的负荷值output＝{o1,
…
,on}，其中n＝3。
[0077]
模型中多任务学习(mtl)与双向长短期记忆网络(bilstm)原理如下。
[0078]
(1)mtl
[0079]
相比单任务学习，多任务学习(multi-task learning，mtl)能够使多个不同任务并行完成，并通过任务之间的相关性，来提升各个子任务的泛化能力。采用多任务学习中的硬参数共享机制，能够减少数据量和整体模型的参数规模，从而使模型具备较高的效率。
[0080]
(2)bilstm
[0081]
园区综合能源负荷预测采用单向的神经网络时，按照时间序列从前到后进行传播训练，而负荷序列具备自相关性，单向的神经网络对长时间序列的数据利用率较低，无法有效挖掘数据存在的内在特征。bilstm由前向的lstm和后向的lstm构成，能够更好地捕捉时间序列的前后依赖，因此，为了能够进一步挖掘负荷自身过去与未来时刻的关联信息，进一步提升模型的预测精度，采用bilstm作为多任务学习中的共享层来共享信息参数。
[0082]
lstm的网络参数计算如下式所示：
[0083]ft
＝σ(wf[h
t-1
,x
t
] bf)
ꢀꢀꢀ
(4)
[0084]it
＝σ(wi[h
t-1
,x
t
] bi)
ꢀꢀꢀ
(5)
[0085]ot
＝σ(wo[h
t-1
,x
t
] bo)
ꢀꢀꢀ
(6)
[0086]ct
＝f
tct-1
i
t
tanh(wc[h
t-1
,x
t
] bc)
ꢀꢀꢀ
(7)
[0087]ht
＝σ(o
t
tanhc
t
)
ꢀꢀꢀ
(8)
[0088]
式中：f
t
、i
t
、o
t
、c
t
分别为当前t时刻遗忘门、输入门、输出门和状态单元的状态；h
t-1
为前一时刻隐含层的状态；x
t
为当前t时刻的输入；wf、wi、wo、wc和bf、bi、bo、bc分别为对应的权重系数矩阵和偏置项；σ表示sigmoid激活函数。
[0089]
bilstm的隐藏层状态h
t
由当前时刻的输入量a
t
、正向传播的前一时刻的隐藏层输出状态h
t-1
以及反向传播的前一时刻的输出状态h
i-1
组成。隐藏层状态如下式所示。
[0090]ht
＝lstm(x
t
,h
t-1
)
ꢀꢀꢀ
(9)
[0091]hi
＝lstm(x
t
,h
i-1
)
ꢀꢀꢀ
(10)
[0092]ht
＝a
tht
b
thi
c
t
ꢀꢀꢀ
(11)
[0093]
式中：lstm为式(4)-(8)的运算过程；h
t
为前向隐藏层状态；hi为后向隐藏层状态；a
t
为前向传播单元隐藏层输出权重；b
t
为后向传播单元隐藏层输出权重；c
t
为当前时刻隐藏层偏置优化参数。
[0094]
步骤4：模型评估
[0095]
将模型输出的冷热电联合预测结果与真实值对比，采用均方根误差(rmse)、平均绝对误差(mae)和r2作为模型的评价指标，公式如下：
[0096][0097]
[0098][0099]
式中：n为样本个数；yi为表示i时刻的实际值；为表示i时刻的实际值；为样本的平均值。
[0100]
使用rmse和mae作为误差评估指标时，值越小越好；使用r2作为模型性能评估指标时，值越大代表模型的拟合程度越好。
[0101]
实施例二：
[0102]
本实施例的目的是提供一种考虑多能耦合的综合能源系统多元负荷预测系统。
[0103]
一种考虑多能耦合的综合能源系统多元负荷预测系统，包括：
[0104]
数据获取单元，其用于获取园区综合能源系统中的历史负荷预测相关数据，并进行相应预处理；
[0105]
影响因素确定单元，其用于基于所述历史负荷预测相关数据，采用加权基因共表达网络分析方法挖掘多元负荷间以及负荷与其对应的各影响因素之间的非线性关系，确定与不同负荷强相关的影响因素；
[0106]
负荷预测单元，其用于将不同负荷的负荷历史数据及其强相关影响因素对应的特征输入预先训练的负荷预测模型中，获得不同负荷对应的负荷预测结果；其中，所述负荷预测模型采用mtl框架，利用bilstm作为mtl的共享层，不同负荷下的预测任务之间通过所述共享层进行信息共享。
[0107]
进一步的，本实施例中所述的系统与实施例一中所述的方法相对应，其技术细节在实施例一中已经进行了详细说明，故此处不再赘述。
[0108]
在更多实施例中，还提供：
[0109]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
[0110]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0111]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0112]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
[0113]
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0114]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
[0115]
上述实施例提供的一种考虑多能耦合的综合能源系统多元负荷预测方法及系统可以实现，具有广阔的应用前景。
[0116]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。