为了进一步提高能源的利用效率,综合能源系统(integrated energy system,IES)使各种能源系统间联系更加紧密,已经成为能源转型过程中一种重要的能源利用方式。IES负荷预测作为IES需求侧能量预测的重要方面,已经成为IES规划与运行调度的...为了进一步提高能源的利用效率,综合能源系统(integrated energy system,IES)使各种能源系统间联系更加紧密,已经成为能源转型过程中一种重要的能源利用方式。IES负荷预测作为IES需求侧能量预测的重要方面,已经成为IES规划与运行调度的首要前提,要求有效地学习多类能源耦合信息,并准确地对多元化用能需求进行预测。首先,对IES用能特性进行分析;然后,对IES负荷预测研究现状进行综述,着重介绍了数据驱动技术在IES负荷预测问题中的应用状况;最后,对IES需求侧能量预测体系发展方向进行展望,并设想构建涵盖多能源耦合、多时间尺度、多空间层级和多管理环节的IES多维度协同预测体系。展开更多
为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分...为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分模态和样本熵将多元负荷序列同步分解重构出高、中、低3种频段的模态分量;其次,构建基于多头注意力机制的多任务学习混合预测模型动态分配耦合特征,对于复杂度较高的中高频序列,采用单编码器-多解码器结构的多任务Transformer模型充分挖掘负荷波动信息,对于低频序列,基于双向门控循环单元网络提取平稳分量特征。最后,将各分量预测结果叠加得到多元负荷最终预测结果。基于美国亚利桑那州立大学Tempe校区的多元负荷数据进行测试,结果表明:所提方法电、冷、热负荷平均绝对百分比误差分别为0.61%、0.80%及0.83%,相比其他模型具有更高的求解精度和计算效率。展开更多
由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimizati...由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimization,TO)和变分模态分解结合长短期记忆网络(variational mode decomposition based long short-term memory network,VMD-LSTM)的多元负荷预测方法。首先,使用斯皮尔曼等级(Spearman rank,SR)相关系数定量计算多元负荷间以及负荷与其他气候因素间的相关关系并通过循环寻优确定最优相关阈值,然后采用VMD算法将以最优阈值筛选出的负荷特征序列分解成更简单、平稳、有规律性的本征模态函数(intrinsic mode function,IMF)后与最优气象特征一起输入LSTM模型进行负荷预测。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提方法能有效提高IES的多元负荷预测精度。展开更多
热电联产(combined heat and power,CHP)机组作为区域综合能源系统中的核心耦合单元,是实现其高效运行的关键。然而CHP机组固有的热电耦合特性对其灵活调节能力和运行性能的提升存在一定限制,且其“以电定热”和“以热定电”的调度策略...热电联产(combined heat and power,CHP)机组作为区域综合能源系统中的核心耦合单元,是实现其高效运行的关键。然而CHP机组固有的热电耦合特性对其灵活调节能力和运行性能的提升存在一定限制,且其“以电定热”和“以热定电”的调度策略缺乏前瞻性考虑多元负荷和可再生能源的波动特征。集成储能系统可有效实现热电解耦,然而储能的充放电能力受其能量状态的影响。基于此,该文采用长短记忆神经网络对区域综合能源系统中多元负荷及可再生能源进行预测,以考虑多元负荷及可再生能源的时序波动,提出耦合源-荷多元预测与电热混合储能的主动调度策略。构建计及碳排放惩罚、可再生能源弃电惩罚及运行成本的优化调度模型。以某区域综合能源系统为例,对比分析“以电定热”、“以热定电”和“主动调度”策略。结果显示,长短记忆神经网络的最大预测误差为4.7%。采用电-热混合储能主动调度策略的运行成本比“以电定热”和“以热定电”运行策略分别降低了11.12%和3.67%。此外,主动调度策略可在平滑热电比负荷曲线的同时降低区域综合能源系统购电成本,并且对CHP机组的能效具有促进作用,进一步降低了区域综合能源系统的运行成本。展开更多
提出了一种基于双层模型预测控制(model predictive control,MPC)的建筑与社区综合能源系统(integrated community energy system,ICES)主从博弈协调优化方法。首先,采用热阻-热容网络对建筑用户采暖负荷的热动态特性进行了建模。其次,...提出了一种基于双层模型预测控制(model predictive control,MPC)的建筑与社区综合能源系统(integrated community energy system,ICES)主从博弈协调优化方法。首先,采用热阻-热容网络对建筑用户采暖负荷的热动态特性进行了建模。其次,提出了基于双层MPC的建筑与ICES协调优化模型,在兼顾ICES运营商和建筑用户的差异化利益诉求的基础上,进一步考虑了在协调优化过程中面临的风电和光伏出力、ICES运营商向上级能源系统购买能源的价格、室外温度和光照强度等预测数据的不确定性。最后,通过算例验证了所提方法可合理平衡ICES和建筑用户的差异化利益诉求并有效应对协调优化中所面临的不确定性。展开更多
为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦...为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。展开更多
针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长...针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。展开更多
文摘为了进一步提高能源的利用效率,综合能源系统(integrated energy system,IES)使各种能源系统间联系更加紧密,已经成为能源转型过程中一种重要的能源利用方式。IES负荷预测作为IES需求侧能量预测的重要方面,已经成为IES规划与运行调度的首要前提,要求有效地学习多类能源耦合信息,并准确地对多元化用能需求进行预测。首先,对IES用能特性进行分析;然后,对IES负荷预测研究现状进行综述,着重介绍了数据驱动技术在IES负荷预测问题中的应用状况;最后,对IES需求侧能量预测体系发展方向进行展望,并设想构建涵盖多能源耦合、多时间尺度、多空间层级和多管理环节的IES多维度协同预测体系。
文摘为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分模态和样本熵将多元负荷序列同步分解重构出高、中、低3种频段的模态分量;其次,构建基于多头注意力机制的多任务学习混合预测模型动态分配耦合特征,对于复杂度较高的中高频序列,采用单编码器-多解码器结构的多任务Transformer模型充分挖掘负荷波动信息,对于低频序列,基于双向门控循环单元网络提取平稳分量特征。最后,将各分量预测结果叠加得到多元负荷最终预测结果。基于美国亚利桑那州立大学Tempe校区的多元负荷数据进行测试,结果表明:所提方法电、冷、热负荷平均绝对百分比误差分别为0.61%、0.80%及0.83%,相比其他模型具有更高的求解精度和计算效率。
文摘由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimization,TO)和变分模态分解结合长短期记忆网络(variational mode decomposition based long short-term memory network,VMD-LSTM)的多元负荷预测方法。首先,使用斯皮尔曼等级(Spearman rank,SR)相关系数定量计算多元负荷间以及负荷与其他气候因素间的相关关系并通过循环寻优确定最优相关阈值,然后采用VMD算法将以最优阈值筛选出的负荷特征序列分解成更简单、平稳、有规律性的本征模态函数(intrinsic mode function,IMF)后与最优气象特征一起输入LSTM模型进行负荷预测。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提方法能有效提高IES的多元负荷预测精度。
文摘热电联产(combined heat and power,CHP)机组作为区域综合能源系统中的核心耦合单元,是实现其高效运行的关键。然而CHP机组固有的热电耦合特性对其灵活调节能力和运行性能的提升存在一定限制,且其“以电定热”和“以热定电”的调度策略缺乏前瞻性考虑多元负荷和可再生能源的波动特征。集成储能系统可有效实现热电解耦,然而储能的充放电能力受其能量状态的影响。基于此,该文采用长短记忆神经网络对区域综合能源系统中多元负荷及可再生能源进行预测,以考虑多元负荷及可再生能源的时序波动,提出耦合源-荷多元预测与电热混合储能的主动调度策略。构建计及碳排放惩罚、可再生能源弃电惩罚及运行成本的优化调度模型。以某区域综合能源系统为例,对比分析“以电定热”、“以热定电”和“主动调度”策略。结果显示,长短记忆神经网络的最大预测误差为4.7%。采用电-热混合储能主动调度策略的运行成本比“以电定热”和“以热定电”运行策略分别降低了11.12%和3.67%。此外,主动调度策略可在平滑热电比负荷曲线的同时降低区域综合能源系统购电成本,并且对CHP机组的能效具有促进作用,进一步降低了区域综合能源系统的运行成本。
文摘提出了一种基于双层模型预测控制(model predictive control,MPC)的建筑与社区综合能源系统(integrated community energy system,ICES)主从博弈协调优化方法。首先,采用热阻-热容网络对建筑用户采暖负荷的热动态特性进行了建模。其次,提出了基于双层MPC的建筑与ICES协调优化模型,在兼顾ICES运营商和建筑用户的差异化利益诉求的基础上,进一步考虑了在协调优化过程中面临的风电和光伏出力、ICES运营商向上级能源系统购买能源的价格、室外温度和光照强度等预测数据的不确定性。最后,通过算例验证了所提方法可合理平衡ICES和建筑用户的差异化利益诉求并有效应对协调优化中所面临的不确定性。
文摘为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。
文摘针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。
