基于PCCLSTMMTL的綜合能源系統(tǒng)多元負(fù)荷預(yù)測

岳偉民, 劉青榮

(上海電力大學(xué) 能源與機械工程學(xué)院, 上海 200090)

隨著社會經(jīng)濟的快速發(fā)展,能源利用與環(huán)境保護的協(xié)調(diào)發(fā)展面臨重大挑戰(zhàn)[1]。在此基礎(chǔ)上,構(gòu)建清潔高效的綜合能源系統(tǒng)(Integrated Energy System,IES)以提高能源利用效率、減少碳排放成為當(dāng)務(wù)之急。IES作為一種新型能源供應(yīng)模式,通過冷、熱、電等多種能源形式的耦合,實現(xiàn)多種能源類型的靈活轉(zhuǎn)換、高效分配和有機協(xié)調(diào)[2]。準(zhǔn)確的多元負(fù)荷短期預(yù)測是IES可靠、經(jīng)濟運行的前提[3]。

目前,針對單一負(fù)荷預(yù)測已取得較多成果。在電力負(fù)荷預(yù)測方面,人工神經(jīng)網(wǎng)絡(luò)[4]、支持向量回歸[5]、長短期記憶(Long and Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)[6]等常被用于電力負(fù)荷預(yù)測。李文武等人[7]提出了一種基于多階段優(yōu)化的變分模態(tài)分解和粒子群算法優(yōu)化支持向量回歸的短期電力負(fù)荷預(yù)測模型。李婧等人[8]提出了一種基于遺傳算法和傳統(tǒng)徑向基函數(shù)的短期電力系統(tǒng)負(fù)荷預(yù)測方法。在冷/熱負(fù)荷預(yù)測方面,LI A等人[9]利用LSTM神經(jīng)網(wǎng)絡(luò)和注意力機制來預(yù)測建筑的冷負(fù)荷消耗。LING J H等人[10]采用反向傳播神經(jīng)網(wǎng)絡(luò)模型和支持向量回歸模型來預(yù)測建筑熱負(fù)荷需求。

在IES多元負(fù)荷預(yù)測方面,吳偉杰等人[11]首先利用變分模態(tài)分解方法對冷熱電負(fù)荷進行分解,然后采用樣本熵對分解后模態(tài)分量進行重構(gòu),最后采用縱橫交叉算法優(yōu)化深度信念網(wǎng)絡(luò)對重構(gòu)后的分量進行預(yù)測。李守茂等人[12]提出了一種基于改進粒子群算法和小波神經(jīng)網(wǎng)絡(luò)的IES短期負(fù)荷預(yù)測方法。然而,由于不同負(fù)荷之間的耦合特性被忽略,這些方法不能直接應(yīng)用于IES多元負(fù)荷預(yù)測,因此在現(xiàn)有研究基礎(chǔ)上,本文提出一種新的IES多元負(fù)荷預(yù)測模型。首先,運用Pearson相關(guān)系數(shù)(Pearson Correlation Coefficient,PCC),選取與冷熱電負(fù)荷相關(guān)性較大的影響因素作為模型的輸入,然后將其輸入到由LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)成的多任務(wù)學(xué)習(xí)(Multi-Task Learning,MTL)共享層中,充分挖掘多元負(fù)荷數(shù)據(jù)的復(fù)雜耦合信息,用以提高預(yù)測精度。

1 基本原理

1.1 PCC

為了提高模型的預(yù)測精度并降低預(yù)測的復(fù)雜度,采用PCC來評估兩個正態(tài)連續(xù)變量之間的線性相關(guān)性。該變量在-1和1之間變化[13],兩變量的相關(guān)系數(shù)rxy可表示為

(1)

變量的相關(guān)程度由相關(guān)系數(shù)的絕對值決定,絕對值越大,相關(guān)性越強。本文使用的相關(guān)系數(shù)分類如表1所示。

表1 相關(guān)系數(shù)范圍

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。LSTM神經(jīng)網(wǎng)絡(luò)基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的結(jié)構(gòu),通過添加輸入門、遺忘門和輸出門來學(xué)習(xí)時間序列中的長期和短期依賴信息[14]。輸入門用于確定在當(dāng)前時刻應(yīng)該向記憶元胞添加多少最新信息;遺忘門用于決定可以丟棄多少先前的信息;輸出門旨在更新記憶元胞的狀態(tài)并輸出更新后的結(jié)果。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

it=σ(Wi[ht-1,xt]+bi)

(2)

(3)

式中:Wi——輸入門在t時刻的權(quán)重矩陣;

wc——t時刻候選狀態(tài)的權(quán)重矩陣;

bi,bc——偏置向量;

σ,tanh——Sigmoid激活函數(shù)和tanh激活函數(shù)。

遺忘門信息ft由輸入值xt和t-1時刻的隱藏層輸出值ht-1組成。其計算公式如下

ft=σ(Wf[ht-1,xt]+bf)

(4)

式中:Wf,bf——遺忘門在t時刻的權(quán)重矩陣和偏置向量。

基于輸入門和遺忘門的作用,記憶單元Ct完成其狀態(tài)的更新。其計算公式如下

(5)

式中:Ct-1——記憶單元Ct在上一時刻的狀態(tài)值。

輸出門信息ot由輸入值xt和t-1時刻的隱藏層輸出值ht-1組成。其計算公式如下

ot=σ(Wo[ht-1,xt]+bo)

(6)

式中:Wo,bo——輸出門在t時刻的權(quán)重矩陣和偏置向量。

隱藏層輸出值ht由輸出門信息ot和記憶單元的狀態(tài)值Ct計算得出。其計算公式如下

ht=ottanh(Ct)

(7)

1.3 MTL

IES中不同的能源系統(tǒng)通過能量轉(zhuǎn)換元件的能量流形式進行耦合,數(shù)據(jù)中存在大量關(guān)于能量轉(zhuǎn)換的共享特征。這些特征難以用傳統(tǒng)的人工特征方法提取。MTL通過共享信息來學(xué)習(xí)和獲取多個相關(guān)問題的知識,能夠有效利用IES復(fù)雜的能量轉(zhuǎn)換共享信息[15]。MTL在處理一個問題的過程中可以通過使用共享層來學(xué)習(xí),并獲得其他相關(guān)子任務(wù)所提供的輔助耦合信息,進而達(dá)到提高模型輸出精度與增強泛化能力的目的。MTL的共享機制結(jié)構(gòu)如圖2所示。其中,X1,X2,X3,…,XN為輸入。

圖2 MTL共享機制結(jié)構(gòu)

(8)

式中:wt——權(quán)重系數(shù);

2 模型構(gòu)建

本文提出的基于PCC-LSTM-MTL的綜合能源系統(tǒng)多元負(fù)荷預(yù)測模型如圖3所示。首先利用PCC選出合適的因素作為模型的輸入變量,然后將其輸入到由LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)成的MTL共享層中,充分挖掘多元負(fù)荷數(shù)據(jù)的復(fù)雜耦合信息,提高預(yù)測精度。

圖3 PCCLSTMMTL網(wǎng)絡(luò)預(yù)測模型

3 算例分析

本文選擇亞利桑那州立大學(xué)的Campus Metabolism系統(tǒng)所提供的Tempe校區(qū)電、冷、熱負(fù)荷歷史數(shù)據(jù)作為實驗數(shù)據(jù)[16],所有數(shù)據(jù)采樣時間為2019年1月1日0時至2019年12月31日24時,其中以2019年12月負(fù)荷數(shù)據(jù)為測試集,剩余數(shù)據(jù)的80%為訓(xùn)練集,20%為驗證集。

3.1 輸入特征

除了考慮負(fù)荷間的耦合關(guān)系外,多元負(fù)荷預(yù)測還應(yīng)考慮天氣因素和日類型[17]。然而,過多的輸入特征不僅不利于網(wǎng)絡(luò)訓(xùn)練,而且增加了計算負(fù)擔(dān)。因此,應(yīng)合理量化各個特征對負(fù)荷的影響程度,篩選出影響不大的特征。本文采用PCC分析計算冷、熱、電負(fù)荷與各個特征之間的相關(guān)性,結(jié)果如表2所示。

表2 各影響因素的相關(guān)系數(shù)

因為本文采用MTL,只要其中一個相關(guān)系數(shù)大于0.5,就將該因子設(shè)置為輸入特征。由于日類型僅用于分類,不參與相關(guān)系數(shù)的計算,因此本文將電負(fù)荷、冷負(fù)荷、熱負(fù)荷、干球溫度、大氣壓力和日類型設(shè)置為模型的輸入特征,其中日類型包括小時數(shù)和節(jié)假日信息。

3.2 評價指標(biāo)

為了反映本文提出的模型的預(yù)測性能,選取平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)作為評價指標(biāo)。這兩個評價指標(biāo)定義如下

(9)

(10)

式中:yI——實際負(fù)荷值;

y′i——預(yù)測負(fù)荷值;

M——樣本總數(shù)。

3.3 超參數(shù)選擇

目前,LSTM的超參數(shù)選擇尚無完善的理論指導(dǎo)。關(guān)于LSTM在負(fù)荷預(yù)測方面的應(yīng)用,現(xiàn)有大部分研究設(shè)置LSTM層數(shù)為2～5,每層神經(jīng)元個數(shù)基本不超過200[18]。對于神經(jīng)網(wǎng)絡(luò),當(dāng)輸入數(shù)據(jù)不是很大時,3層結(jié)構(gòu)能夠擬合任意函數(shù)[19]。因此,本文LSTM神經(jīng)網(wǎng)絡(luò)選擇了3層結(jié)構(gòu),設(shè)置各層神經(jīng)元個數(shù)分別為16,32,64。另外,設(shè)置LSTM的時間步長參數(shù)為24,批大小為128。

3.4 實驗結(jié)果分析

為了驗證PCC-LSTM-MTL模型在IES多元負(fù)荷預(yù)測場景中的優(yōu)越性,將LSTM-MTL和LSTM模型設(shè)置為對比模型。計算各種方法在測試集上的MAPE和RMSE指標(biāo),結(jié)果如表3所示。其中,PCC-LSTM-MTL取得了最好的預(yù)測效果,LSTM-MTL次之,未采用PCC和MTL的LSTM模型效果最差。以電負(fù)荷預(yù)測為例,相比于MTL-LSTM和LSTM,PCC-LSTM-MTL的RMSE分別降低了7.93%和9.52%,MAPE分別降低了5.71%和13.46%。

表3 模型精度對比

截取2019年12月8號0時至2019年12月15號24時預(yù)測結(jié)果如圖4～圖6所示。從結(jié)果來看,PCC-LSTM-MTL和LSTM-MTL模型對電、熱、冷負(fù)荷的預(yù)測整體都比較準(zhǔn)確,但在峰谷時刻負(fù)荷波動較大時,PCC-LSTM-MTL模型能更加準(zhǔn)確。

圖4 電負(fù)荷預(yù)測結(jié)果

圖5 冷負(fù)荷預(yù)測結(jié)果

圖6 熱負(fù)荷預(yù)測結(jié)果

PCC-LSTM-MTL模型首先通過PCC提取與電、冷、負(fù)荷相關(guān)性較大的輸入特征,然后利用共享層學(xué)習(xí)多元負(fù)荷之間的復(fù)雜耦合信息,在單一負(fù)荷波動較大時能夠有效利用學(xué)習(xí)到的耦合特征來減少預(yù)測誤差,更好地擬合出負(fù)荷變化趨勢。

4 結(jié) 論

本文針對IES 提出了一種基于PCC-LSTM-MTL的多元負(fù)荷預(yù)測方法,并以亞利桑那州立大學(xué)Tempe校區(qū)電、冷、熱負(fù)荷歷史數(shù)據(jù)作為實際算例,得出以下結(jié)論。

(1)與LSTM模型相比,LSTM-MTL和PCC-LSTM-MTL模型通過共享層模擬冷、熱、電負(fù)荷間的耦合特性,有效提高了預(yù)測精度。

(2)相比于LSTM-MTL模型,PCC-LSTM-MTL模型采用了PCC選取合適的影響因素作為輸入變量,提升了輸入變量與目標(biāo)變量的相關(guān)性,使得模型的整體預(yù)測性能更好。