[發明專利]一種基于LSTM-RNN的冷熱電聯供系統負荷預測方法及系統

在審

• 申請號: 201910898056.6
• 申請日: 2019-09-23
• 公開（公告）號: CN110619389A
• 公開（公告）日: 2019-12-27
• 發明（設計）人: 李珂;李淑珍;張承慧;孫蕓馨;嚴毅
• 申請（專利權）人: 山東大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04;G06Q50/06
• 代理公司: 37221 濟南圣達知識產權代理有限公司
• 代理人: 黃海麗

本發明公開了一種基于LSTM?RNN的冷熱電聯供系統負荷預測方法及系統，所述方法包括以下步驟：接收熱負荷、冷負荷以及電負荷歷史數據，確定輸入輸出數據；以其中部分輸入輸出數據作為訓練數據，基于長短期記憶循環神經網絡，訓練負荷預測網絡模型；基于所述負荷預測網絡模型進行負荷預測。本發明采用長短期記憶循環神經網絡模型挖掘冷熱電負荷三者之間的耦合關系，提高了基于LSTM?RNN的冷熱電聯供系統負荷預測精度。

技術領域

本發明屬于可再生能源系統負荷預測技術領域，尤其涉及一種基于長短期記憶循環神經網絡(LSTM-RNN)的冷熱電聯供(Combined Cooling Heating and Power，CCHP)系統負荷預測方法及系統。

背景技術

本部分的陳述僅僅是提供了與本公開相關的背景技術信息，不必然構成在先技術。

冷熱電聯供系統是一種基于能量梯級利用的綜合能源生產利用系統。在傳統的能源供應系統中，發電效率僅為40％左右，剩余的60％左右的能源被浪費掉。而冷熱電聯供系統通過回收發電余熱，可有效降低污染物的排放，使能源利用率顯著提高到80％以上。因此，冷熱電聯供系統已成為分布式能源發展的最重要方向和形式。

冷熱電負荷的準確預測是冷熱電聯供系統優化設計和運行調度的關鍵因素和基本前提，其預測精度直接影響著供電系統的有效性以及能源的利用率。因此，冷熱電聯供系統負荷的有效預測對冷熱電聯供系統的有效運行以及提高能源利用率具有重要意義。

在過去的幾年里，已經有許多相關工作者研究了豐富的負荷預測方法。但發明人發現，大多數文獻中對冷熱電負荷的預測大多為單變量預測，極少考慮他們之間的耦合關系。并且負荷序列具有周期性，部分預測方法并不適用于長時間周期性負荷序列預測。

發明內容

為克服上述現有技術的不足，本發明提供了一種基于LSTM-RNN的冷熱電聯供系統負荷預測方法及系統，基于相關性分析確定輸入輸出變量，采用長短期記憶循環神經網絡模型挖掘冷熱電負荷三者之間的耦合關系，提高了負荷預測精度。

為實現上述目的，本發明的一個或多個實施例提供了如下技術方案：

一種基于LSTM-RNN的冷熱電聯供系統負荷預測方法，包括以下步驟：

接收熱負荷、冷負荷以及電負荷歷史數據；

根據歷史數據某一時刻與其之前多個時刻之間的相關性確定輸入數據所采用的時間段；

根據熱負荷、冷負荷以及電負荷歷史數據兩兩之間的相關系數確定輸入輸出數據；

將訓練集輸入長短期記憶循環神經網絡，訓練負荷預測網絡模型；

基于所述負荷預測網絡模型進行負荷預測。

進一步地，確定輸入數據所采用的時間段包括：

計算歷史數據某一時刻與其之前多個時刻之間的自相關系數和偏相關系數，確定自相關系數絕對值均大于設定閾值的連續時間段，以及偏相關系數絕對值均大于設定閾值的連續時間段；

選取兩個時間段中重疊的時間段作為輸入數據所采用的時間段。

進一步地，確定輸入輸出數據后，還對輸入輸出數據執行預處理：采用零均值歸一化將數據進行標準化。

進一步地，所述訓練集選取方法為：定義輸入數據所采用的時間段為預測周期，多個連續預測周期構成一組訓練數據，選取的所述訓練集由多組連續的訓練數據組成。

進一步地，訓練負荷預測網絡模型包括：

將訓練集中的各組訓練數據按時間順序依次輸入到長短期記憶循環神經網絡的輸入層進行迭代訓練，直至網絡收斂；