【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及一種融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法。
技術(shù)介紹
1、在能源互聯(lián)網(wǎng)和低碳生活的背景下，綜合能源系統(tǒng)擺脫了傳統(tǒng)能源系統(tǒng)在設(shè)計(jì)運(yùn)行時(shí)各能源相互獨(dú)立，實(shí)現(xiàn)了能源自產(chǎn)生到消費(fèi)環(huán)節(jié)的產(chǎn)供銷(xiāo)一體化，達(dá)到了多種能源網(wǎng)通過(guò)能量轉(zhuǎn)換設(shè)備相互轉(zhuǎn)化、統(tǒng)一管理的目的，其中精準(zhǔn)、高效的負(fù)荷預(yù)測(cè)是整個(gè)綜合能源系統(tǒng)運(yùn)行規(guī)劃和優(yōu)化調(diào)度的重要前提。綜合能源系統(tǒng)涉及冷、熱、電等多種能源形式的生產(chǎn)、傳輸、儲(chǔ)存、轉(zhuǎn)換和利用，在充分消納可再生能源提高能源利用率的同時(shí)，實(shí)現(xiàn)多能源互補(bǔ)協(xié)調(diào)運(yùn)行，最終實(shí)現(xiàn)環(huán)境友好和可持續(xù)發(fā)展的目標(biāo)。負(fù)荷預(yù)測(cè)是綜合能源系統(tǒng)能量管理和優(yōu)化調(diào)度的基礎(chǔ)，其預(yù)測(cè)精度直接關(guān)系到系統(tǒng)的整體運(yùn)行性能。然而，大量的無(wú)序用能必然會(huì)對(duì)能源網(wǎng)絡(luò)的經(jīng)濟(jì)運(yùn)行和調(diào)度產(chǎn)生沖擊。因此，提高多元負(fù)荷預(yù)測(cè)的精度對(duì)指導(dǎo)綜合能源系統(tǒng)有序用能具有重要意義。
2、目前常用的負(fù)荷預(yù)測(cè)方法包括傳統(tǒng)預(yù)測(cè)方法和機(jī)器學(xué)習(xí)方法。
3、傳統(tǒng)預(yù)測(cè)方法主要有指數(shù)平滑法、趨勢(shì)外推法、時(shí)間序列法和回歸分析法等，這類(lèi)型的預(yù)測(cè)方法只適用于在過(guò)去、現(xiàn)在和未來(lái)都很平穩(wěn)的系統(tǒng)，無(wú)法應(yīng)對(duì)隨機(jī)出現(xiàn)的問(wèn)題。機(jī)器學(xué)習(xí)的預(yù)測(cè)方法主要有支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)法、隨機(jī)森林等方法，其中長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)是近些年應(yīng)用非常廣泛的一種機(jī)器學(xué)習(xí)預(yù)測(cè)方法，基于其拓展的雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)也得到非常廣泛的應(yīng)用。長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)可以有效地解決陷入局部最優(yōu)解和梯度爆炸等問(wèn)題，而且其在時(shí)間序列的數(shù)據(jù)訓(xùn)練中表現(xiàn)更好。但是上述模型都是單一模型，在其復(fù)雜的綜合能源系統(tǒng)多元負(fù)荷預(yù)測(cè)中呈現(xiàn)效果欠佳，近年來(lái)
技術(shù)實(shí)現(xiàn)思路
1、本專(zhuān)利技術(shù)是為了解決上述現(xiàn)有技術(shù)存在的問(wèn)題而提供一種融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法。
2、本專(zhuān)利技術(shù)所采用的技術(shù)方案有：
3、一種融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，包括以下步驟：
4、s1：獲取綜合能源系統(tǒng)的多元負(fù)荷歷史數(shù)據(jù)和氣象數(shù)據(jù)，對(duì)多元負(fù)荷歷史數(shù)據(jù)以及氣象數(shù)據(jù)進(jìn)行關(guān)聯(lián)因子優(yōu)選，得到多元負(fù)荷影響較大的關(guān)聯(lián)因子；
5、s2：將多元負(fù)荷歷史數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集兩部分，并對(duì)訓(xùn)練集和測(cè)試集進(jìn)行最大最小歸一化處理；
6、s3：利用串并行疊加的多尺度卷積神經(jīng)網(wǎng)絡(luò)提取多元負(fù)荷歷史數(shù)據(jù)的多級(jí)空間特征；
7、利用雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)提取負(fù)荷歷史數(shù)據(jù)時(shí)序特征，并引入多頭注意力機(jī)制提取負(fù)荷預(yù)測(cè)任務(wù)的重要信息，從而設(shè)計(jì)融合注意力機(jī)制的多尺度卷積雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)；
8、s4：利用自適應(yīng)多策略灰狼優(yōu)化算法實(shí)現(xiàn)雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化參數(shù)搜索，并采用平均絕對(duì)誤差，均方根誤差和平均相對(duì)誤差評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差分析，得到最優(yōu)參數(shù)，實(shí)現(xiàn)負(fù)荷精準(zhǔn)預(yù)測(cè)。
9、進(jìn)一步地，s1中：
10、設(shè)x表示氣象數(shù)據(jù)，y表示多元負(fù)荷歷史數(shù)據(jù)，采用皮爾遜相關(guān)系數(shù)對(duì)多元負(fù)荷歷史數(shù)據(jù)以及氣象數(shù)據(jù)進(jìn)行關(guān)聯(lián)因子優(yōu)選，得到多元負(fù)荷影響較大的氣象因素，采用的皮爾遜相關(guān)系數(shù)表達(dá)式如下：
11、
12、式中：xi表示第i個(gè)時(shí)刻的氣象數(shù)據(jù)，yi表示第i個(gè)時(shí)刻的多元負(fù)荷歷史數(shù)據(jù)，n表示樣本數(shù)量，cov(x,y)表示x和y的協(xié)方差，σx和σy分別表示x和y的標(biāo)準(zhǔn)差。
13、進(jìn)一步地，s2中，最大最小歸一化處理的計(jì)算公式為：
14、
15、式中：x表示原始樣本數(shù)據(jù)，xmin表示最小的樣本值；xmax表示最大的樣本值；表示歸一化處理后的樣本值。
16、進(jìn)一步地，所述串并行疊加的多尺度卷積神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)，每個(gè)卷積神經(jīng)網(wǎng)絡(luò)中第1卷積層和第2卷積層的卷積核大小和數(shù)量根據(jù)任務(wù)需求和數(shù)據(jù)維度來(lái)確定，卷積神經(jīng)網(wǎng)絡(luò)的卷積計(jì)算公式為：
17、ci＝t([xi:xi+f-1]*ki+bi)
18、c＝[c1,c2,…,ci+f-1]
19、其中，k表示卷積核，i表示卷積核的寬度，f表示卷積尺度，t為激活函數(shù)，bi為偏置，xi:xi+f-1表示x中第i至第i+f-1個(gè)矩陣向量。
20、5.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：利用雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)負(fù)荷數(shù)據(jù)時(shí)序特征，并迭代提取全局信息；所述雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)設(shè)置兩層雙向門(mén)控循環(huán)單元，每一層雙向門(mén)控循環(huán)單元的隱含層神經(jīng)元個(gè)數(shù)利用自適應(yīng)多策略灰狼優(yōu)化算法確定，另外將dropout層引入所述隱藏層。
21、進(jìn)一步地，門(mén)控循環(huán)單元的計(jì)算表達(dá)式如下：
22、zt＝σ(wizxt+biz+whzht-1+bht)
23、rt＝σ(wirxt+bir+whrht-1+bhr)
24、ht＝tanh[winxt+bin+rt⊙(whnht-1+bhn)]
25、ht＝(1-zt)⊙ht-1+zt⊙ht
26、式中：ht-1為t-1時(shí)刻的隱藏狀態(tài)；xt為t時(shí)刻的輸入；σ為sigmoid激活函數(shù)；rt為重置門(mén)；zt為更新門(mén)；ht為最終隱藏狀態(tài)；w為系數(shù)矩陣；⊙為哈達(dá)瑪積；b為偏執(zhí)系數(shù)；
27、雙向門(mén)控循環(huán)單元由兩個(gè)方向的門(mén)控循環(huán)單元構(gòu)成，時(shí)間序列數(shù)據(jù)在兩門(mén)控循環(huán)單元中沿相反方向計(jì)算，分別負(fù)責(zé)處理歷史信息和未來(lái)信息，對(duì)于一個(gè)輸入序列x＝x1,x2,…,xt，雙向門(mén)控循環(huán)單元的前向計(jì)算表示為：
28、
29、式中：和分別為從左到右和從右到左的隱藏狀態(tài)，xt為輸入序列第t個(gè)元素；在此基礎(chǔ)上，將兩個(gè)方向的隱藏狀態(tài)融合，得到最終的隱藏狀態(tài)：
30、
31、將隱藏狀態(tài)傳遞給一個(gè)全連接層，得到輸出yt：
32、yt＝softmax(wht+b)。
33、進(jìn)一步地，所述注意力機(jī)制為多頭注意力機(jī)制，表達(dá)式為：
34、
35、multihead(q,k,v)＝concat(head1，…,headh)
36、headi＝attention(qwiq,kwik,vwiv)
37、式中：q為查詢(xún)向量；k為鍵向量，v為值向量；softmax為權(quán)值歸一化函數(shù)；headi表示第i頭注意力；h為多頭自注意力機(jī)制中頭的個(gè)數(shù)；wiq，wik，wiv分別為第i個(gè)注意力中q,k,v所對(duì)應(yīng)的可學(xué)習(xí)權(quán)重矩陣；dk為k矩陣的維度；qkt為查詢(xún)矩陣與鍵矩陣轉(zhuǎn)置的乘積；qwiq為第i頭注意力中查詢(xún)矩陣與對(duì)應(yīng)的權(quán)重矩陣的乘積；kwik為第i頭注意力中鍵矩陣與對(duì)應(yīng)的權(quán)重矩陣的乘積；vwiv為第i頭注意力中值矩陣與對(duì)應(yīng)的權(quán)重矩陣的乘積；attention(q,k,v)為輸出的注意力值；multihead(q,k,v)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：包括以下步驟：
2.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：S1中：
3.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：S2中，最大最小歸一化處理的計(jì)算公式為：
4.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：所述串并行疊加的多尺度卷積神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)。
5.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：利用雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)負(fù)荷數(shù)據(jù)時(shí)序特征，并迭代提取全局信息；所述雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)設(shè)置兩層雙向門(mén)控循環(huán)單元，每一層雙向門(mén)控循環(huán)單元的隱含層神經(jīng)元個(gè)數(shù)利用自適應(yīng)多策略灰狼優(yōu)化算法確定，另外將Dropout層引入所述隱藏層。
6.如權(quán)利要求5所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：門(mén)控循環(huán)單元的計(jì)算表達(dá)式如下：
8.如權(quán)利要求5所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：所述自適應(yīng)多策略灰狼優(yōu)化算法是對(duì)傳統(tǒng)傳統(tǒng)灰狼優(yōu)化算法進(jìn)行改進(jìn)，改進(jìn)點(diǎn)為：
9.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：所述評(píng)價(jià)指標(biāo)為：均方根誤差ERMSE，平均絕對(duì)誤差EMAE和平均相對(duì)誤差EMAPE，具體計(jì)算如下：
...【技術(shù)特征摘要】
1.一種融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：包括以下步驟：
2.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：s1中：
3.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：s2中，最大最小歸一化處理的計(jì)算公式為：
4.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：所述串并行疊加的多尺度卷積神經(jīng)網(wǎng)絡(luò)包括兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)。
5.如權(quán)利要求1所述的融合深度學(xué)習(xí)組合模型的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法，其特征在于：利用雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)負(fù)荷數(shù)據(jù)時(shí)序特征，并迭代提取全局信息；所述雙向門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)設(shè)置兩層雙向門(mén)控循環(huán)單元，每一層雙向門(mén)控...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：李峰，周亞鑫，劉世橫，姚克明，賈立，
申請(qǐng)(專(zhuān)利權(quán))人：江蘇理工學(xué)院，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。