[發明專利]一種空調負荷聚合功率預測方法及系統

在審

• 申請號: 202010514907.5
• 申請日: 2020-06-08
• 公開（公告）號: CN111680838A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 李亞平;姚建國;楊勝春;耿建;王珂;朱克東;錢甜甜;湯必強;劉建濤;郭曉蕊;周競;于韶源
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網有限公司;國網江蘇省電力有限公司電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京寶護知識產權代理有限公司 11703
• 代理人: 齊書田

本發明公開一種空調負荷聚合功率預測方法及系統，其作為一種基于分支卷積長短時記憶神經網絡的空調負荷聚合功率預測方法；其計算過程利用提取到的變化特征，預測出下一溫度條件下的空調負荷聚合功率，再將預測的數據回送到預測模塊，從而得到再下一溫度條件的功率；其利用了深層卷積提取更抽象特征的思想，通過對卷積層的加深和非線性激活增加擬合能力，從而加強了網絡對圖像特征細節表達能力，有效克服了單層網絡的細節模糊、精準度差的問題；其通過對卷積層的加深，能夠提取到更準確的變化特征，大幅提高預測精度。

技術領域

本發明屬于人工智能技術在電力領域的應用，涉及一種空調負荷聚合功率預測方法及系統，尤其涉及一種基于多分支卷積長短時記憶神經網絡的空調負荷聚合功率預測方法及系統。

背景技術

目前，以空調為代表的溫控負荷在商業、居民負荷中的比重日益增加，因其具有快速響應、能量存儲、高可控性等優點業已成為主要的“源-網-荷-儲”互動資源之一。然而，空調負荷單體容量較小，需要大量負荷聚合后方能提供給調度中心使用。如何快速獲得數量眾多、分散分布、響應隨機性強的空調負荷聚合功率一直是相關研究熱點。傳統方法大致可以分為以下四類：(1)基于參數辨識的聚合方法：該方法對空調負荷聚合后的等效電路參數進行辨識，獲取聚合等效參數。但模型定位在分析和控制層面，調度中心不易于直接使用。(2)基于蒙特卡洛模擬的聚合方法：該方法對每臺空調負荷功率進行實時疊加，一方面調度中心不可能與每臺空調進行通信，不會獲得每臺空調的實時功率數據；另一方面，蒙特卡洛方法的計算量太大，聚合速度較慢。(3)基于福克普朗克定理的聚合方法：福克普朗克方程建立了負荷聚合模型，得到了負荷聚合的功率需求，通過仿真實驗完成了負荷聚合在多場景上的不同響應。但福克普朗克方程對兩階及其以上的偏微方程求解十分困難，在一定程度上就限制了模型的精度；另一方面，基于物理方程的模型調度中心難以直接使用。(4)基于馬爾可夫鏈的聚合方法：一些研究人員在馬爾可夫鏈模型的基礎上使用卡爾曼濾波技術估計了模型的狀態和參數并預測出負荷功率的需求。相對于基于福克普朗克定理的聚合方法來說，基于馬爾可夫鏈的聚合方法的精確度更高，但依然面臨調度中難以直接使用的難題。隨著深度學習等人工智能技術的快速發展，其以數據驅動為核心的特征剛好符合了電力系統運行隨機性日益增強，多數情況下難以建立精確數學模型或者難以單純用數據模型來描述問題的需要。

發明內容

本發明提供一種空調負荷聚合功率預測方法及系統，其針對傳統方法不易獲得空調負荷聚合用電功率的問題，提出一種基于分支卷積長短時記憶神經網絡的空調負荷聚合功率預測方法，其使用深度學習中的卷積長短時記憶神經網絡預測不同溫度下負荷聚合功率，計算過程利用提取到的變化特征，預測出下一溫度條件下的空調負荷聚合功率，再將預測的數據回送到預測模塊，從而得到再下一溫度條件的功率；其通過對卷積層的加深，能夠提取到更準確的變化特征，大幅提高預測精度。

一種空調負荷聚合功率預測方法，包括以下步驟，

第一步，獲取空調負荷聚合數據；

第二步，將所述空調負荷聚合數據分為輸入序列和輸出序列兩部分，對多分支卷積長短時記憶神經網絡模型的訓練，獲得訓練好的權值矩陣W；

第三步，使用訓練好的權值矩陣W初始化多分支卷積長短時記憶神經網絡模塊；輸入前A個溫度值下的負荷聚合數據，經過訓練的權重提取特征后，在最后使用第A個數據的隱層輸出并映射出第A+1個數據的特征矩陣；特征矩陣的通道維度通過卷積操作降維到1通道，長和寬不變，此時輸出的就是第A+1個數據；再將第A+1個數據輸入回所述多分支卷積長短時記憶神經網絡模塊；重復上述操作輸出全部的預測數據。