基于知識-數(shù)據混合驅動的綜合能源系統(tǒng)多元負荷預測方法①

王力成 王子非 鄧寶華 凌 鋒 張有兵

(*浙江工業(yè)大學信息工程學院 杭州 310023)

(**之江實驗室人工智能研究院 杭州 311121)

0 引言

負荷預測作為保障能源系統(tǒng)安全穩(wěn)定運行的前提,可以為系統(tǒng)的優(yōu)化調度提供數(shù)據參考[1]。目前對于負荷預測的研究主要針對單一能源系統(tǒng),僅側重于某一類能量的有效利用,不能充分發(fā)揮出多種能源互補的優(yōu)勢,同時也無法保證綜合能源系統(tǒng)(integrated energy system,IES)整體的安全經濟運行。而IES 的多元負荷預測一方面可為系統(tǒng)運行規(guī)劃提供先驗知識,極大提高系統(tǒng)的靈活調度能力,另一方面IES 能夠充分利用多種能源,因此IES 的多元負荷預測成為當前研究的一大熱點。當前,由于綜合能源系統(tǒng)所采集到的數(shù)據信息包含了大量的歷史負荷數(shù)據、環(huán)境因素數(shù)據和氣象因素數(shù)據等,且這些數(shù)據的隨機性和復雜程度較高,因此,傳統(tǒng)應用于綜合能源系統(tǒng)的負荷預測方法難以達到令人滿意的效果[2]。

近年來,深度學習由于具有“特征提取能力強、計算效率高”等特點[3-4],因此受到國內外學者的廣泛研究。文獻[5,6]分別基于循環(huán)神經網絡和徑向基函數(shù)神經網絡較好地實現(xiàn)了負荷的短期預測,但算法程序的實現(xiàn)較為復雜,且模型簡單,無法對復雜冗余數(shù)據進行有效處理。文獻[7-9]分別利用灰色關聯(lián)分析法和改進的粒子群算法對深度學習算法做出了相應的改進,改進后算法的預測效果得到了一定程度上的提升。然而,由于深度學習方法與綜合能源系統(tǒng)的內在物理結構是相互獨立的,難以解釋具有強因果關系的IES 系統(tǒng)中各能源子網絡之間存在的能量耦合特性。因此,單純利用深度學習模型得到的負荷預測結果受到了一些專家和學者的質疑。

本文綜合考慮到IES 物理結構模型中包含的能量耦合特性知識以及深度學習模型具有高效處理海量復雜數(shù)據信息的能力,提出一種基于知識-數(shù)據混合驅動的IES 多元負荷預測方法。首先基于原始樣本數(shù)據庫中的歷史負荷數(shù)據、氣象因素數(shù)據、可再生能源出力數(shù)據等信息建立解析模型,并通過建立好的知識模型計算得到各能源的供應值。然后將知識模型計算所得到的數(shù)據和原始樣本數(shù)據進行重構,并將重構后新的樣本數(shù)據作為數(shù)據驅動模型的訓練數(shù)據進行訓練。最后,在IES 負荷預測模型的訓練過程中,利用基于隨機森林算法的特征選擇方法和Dropout 技術分別對冗余特征和神經網絡進行處理,從而進一步提升該預測模型的泛化能力。算例結果表明,通過本文所提方法訓練完備的IES 多元負荷預測模型相較于傳統(tǒng)單一數(shù)據驅動模型不僅具有較好的可解釋性,還有助于改善IES 多元負荷預測模型的預測效果。

1 綜合能源系統(tǒng)的用能機理分析

在對綜合能源系統(tǒng)中不同類型負荷進行預測之前,還需要充分分析IES 內部各能源子系統(tǒng)之間的能源交互與存儲,深入探索各種負荷的構成機理,進而獲得歷史負荷數(shù)據和其他影響因素下未來負荷的變化趨勢。本節(jié)將從綜合能源系統(tǒng)的物理結構和IES 中的能量耦合特性2 個方面對IES 的多元負荷特性進行介紹。

1.1 綜合能源系統(tǒng)的物理結構

截至目前,關于能源系統(tǒng)預測的研究工作主要還是集中于單一能源系統(tǒng),而針對單一能源系統(tǒng)的預測工作忽略了當前綜合能源系統(tǒng)中不同能源子系統(tǒng)之間日益耦合的特點。典型綜合能源系統(tǒng)的物理結構模型框架如圖1 所示。

圖1 典型綜合能源系統(tǒng)的物理結構模型

從能源類型的角度來看,綜合能源系統(tǒng)主要包含了電力、天然氣和熱力等能源子網絡。在電力網絡中,除了一些常規(guī)的電氣設備(如電力傳輸線、不同級別的用電負荷),還包含分布式可再生能源的發(fā)電設備(如風電、光伏)和電儲能裝置等;在天然氣網絡中,天然氣管道、氣儲能裝置和氣動閥門成為了該網絡的核心;熱力網絡則主要由熱力管道、熱力閥門、熱負荷組成。從系統(tǒng)功能的角度來看,綜合能源系統(tǒng)包括了能源供給、能源交互與存儲以及負荷需求響應三大功能。例如,電力網絡在消納風電、光伏等可再生能源、提升電力資源優(yōu)化配置的同時,還能通過電制熱、電制氫等耦合設備將電能轉換熱能和氣能,從而滿足熱負荷和氣負荷的能源需求;天然氣網絡中的氣源除了供給氣負荷外,還可以通過熱電聯(lián)供機組產生電能和熱能,用于供給電負荷和熱負荷;熱力網絡中的熱源不僅滿足了熱負荷需求,還能與熱儲能裝置進行能量的交互,從而提高系統(tǒng)的靈活性。

綜上所述,綜合能源系統(tǒng)中各種負荷需求和其他多種異質能源緊密相關。因此,在對綜合能源系統(tǒng)進行多元負荷預測時,還需考慮IES 中存在的能量耦合特性、可再生能源出力的波動性以及不同能源供應等影響因素對IES 多元負荷預測結果造成的影響。

1.2 IES 中的能量耦合特性

本文以1.1 節(jié)中的典型綜合能源系統(tǒng)為研究對象,對IES 內部各能源子系統(tǒng)的能量耦合特性進行詳細分析。在能源供給側,IES 中各能源子系統(tǒng)通過從上級能源網絡獲得電力、天然氣和熱力的能源供應,并通過不同的能源轉化設備實現(xiàn)電能、氣能和熱能的能源交互與存儲,進而滿足用戶需求側中不同類型的負荷需求。其中,能源供給側的能量耦合關系可建模如下:

在用戶需求側,從上級能源網絡獲得的電力、天然氣、熱力資源經由各種能源轉化設備可滿足不同規(guī)模級別的用戶需求。為保障用戶需求側的正常供能,綜合能源系統(tǒng)中的能量耦合關系式還需考慮各能源子網絡的供需平衡,即:Pe=Le;Pg=Lg;Ph=Lh。其中,Le、Lg和Lh分別代表IES 的電負荷、氣負荷和熱負荷。

2 考慮IES 能量耦合特性的知識-數(shù)據混合驅動模型

相較于傳統(tǒng)單一數(shù)據驅動模型的IES 負荷預測方法,本文所提方法綜合考慮到綜合能源系統(tǒng)物理結構模型中蘊藏的能量耦合特性以及深度學習具有高效處理海量高維復雜數(shù)據的能力,提出一種基于知識-數(shù)據混合驅動的綜合能源系統(tǒng)多元負荷預測模型。其中,解析模型保留了綜合能源系統(tǒng)中的能量耦合特性知識,在提高數(shù)據驅動模型可解釋性的同時,還能充分挖掘數(shù)據驅動模型提取樣本數(shù)據中重要信息的能力[10-11],進而保證了本文所提方法的有效性。

2.1 基于能量耦合特性知識的解析模型

為進一步體現(xiàn)IES 中的能量耦合特性,獲得用于本文所提方法中數(shù)據驅動模型訓練的新數(shù)據樣本,本節(jié)利用解析模型對從上級能源網絡獲得的各能源供應進行求解,求解過程如下。

先將式(1)轉化為式(2)形式。

再對式(2)進行化簡可分別計算得到當前歷史數(shù)據下電能、氣能和熱能的供應值,結果如式(3)～(5)所示。

最后對解析模型計算所得到的電能、氣能、熱能和原始樣本數(shù)據進行重構,重構后的新數(shù)據樣本作為下一節(jié)數(shù)據驅動模型的訓練樣本。

2.2 基于數(shù)據驅動的深度學習模型

2.2.1 深度置信網絡的算法原理

典型的深度置信網絡(deep belief network,DBN)模型[12-13]如圖2 所示,該模型由多個受限玻爾茲曼機(restricted Boltzmann machine,RBM)[14]和一個反向傳播(back-propagation,BP)網絡[15]堆疊而成。其中,X=(x1,x2,…,xn) 和Y=(y1,y2,…,yj) 分別為深度置信網絡的輸入樣本和輸出樣本;Wm為第m-1 個和第m個隱含層上所有神經元連接的權重向量,Wm=(wm,1,wm,2,…,wm,k);Bm為第m個隱含層上神經元的閾值向量,Bm=(bm,1,bm,2,…,bm,f)。

圖2 典型的深度置信網絡模型

RBM 是構成DBN 的基本單元,每一個RBM 中上一層神經元的輸出可作為下一層神經元的輸入,即圖2 中隱含層也可作為某個RBM 的輸入層(輸入層亦可以被稱為可視層)。以圖2 中的第1 個受限玻爾茲曼機RBM1為例,輸入層X和隱含層H1分別為RBM1的可視層和隱含層,可視層神經元的輸出作為隱含層H1的輸入。其中,H1=(h1,1,h1,2,…,h1,e) 表示第1 個隱含層的狀態(tài)向量;A1=(a1,1,a1,2,…,a1,g) 為可視層神經元的閾值向量,并定義λ1=(W1,B1,A1) 為RBM1的參數(shù)集合。

由于受限玻爾茲曼機是一種基于能量的概率生成模型,因此RBM1的能量函數(shù)可被定義為[16-17]

其中,a1,c、xc分別為RBM1中可視層上第c個神經元的閾值和輸入,b1,l、h1,l分別為RBM1中隱含層上第l個神經元的閾值和狀態(tài)信息,w1,c,l則為RBM1中可視層上第c個神經元與隱含層上第l個神經元之間的權重。

當隱含層H1=(h1,1,h1,2,…,h1,e) 的狀態(tài)向量確定后,依據式(7)可計算得到可視層上第c個神經元被激活的概率。

其中,sf代表激活函數(shù);0 和1 分別表示神經元未激活和激活的2 種狀態(tài)。

同理,一旦可視層X=(x1,x2,…,xn) 的狀態(tài)向量被確定,依據式(8)可計算得到隱含層上第l個神經元的激活概率。

其中,RBM1的參數(shù)集合λ1可以通過最大對數(shù)似然函數(shù)的方法確定,計算公式如下:

其中,Xt表示第t個輸入樣本;N為輸入樣本的總數(shù)。

在DBN 的訓練過程中,其他RBM 的參數(shù)可依據上述RBM1的參數(shù)計算公式求得,同時利用頂層的誤差反向傳播算法(back propagation,BP)回歸層實現(xiàn)輸出信息的擬合預測,并對DBN 的網絡參數(shù)進行微調。

2.2.2 改進后的深度置信網絡

在綜合能源系統(tǒng)中,由于IES 的多元負荷與眾多影響因素相關,因此相較于單一能源系統(tǒng),其負荷預測模型的復雜程度勢必更高,可能會導致模型在訓練過程中出現(xiàn)“過擬合”的問題。為了避免上述問題的出現(xiàn),本文采用Dropout 技術[18-19]對DBN 神經網絡進行了改進,改進后的DBN 神經網絡如圖3所示。

圖3 改進后的DBN 神經網絡

其中,基于Dropout 技術改進后的DBN 網絡參數(shù)訓練流程如下。

(1)隨機刪除DBN 中隱含層上的部分神經元。即,隱含層上部分神經元的輸入輸出變?yōu)?,其他神經元保持不變。

(2)小批量訓練樣本通過Dropout 后的神經網絡進行前向傳播,獲得Dropout 處理前后的輸出損失值。

(3)將步驟(2)中的損失值通過Dropout 后的神經網絡進行反向傳播,并在剩余神經元的基礎上按照隨機梯度下降算法實現(xiàn)DBN 的網絡參數(shù)更新。

(4)恢復步驟(1)中被刪除的神經元(此時,之前被刪除神經元的參數(shù)保持不變,未被刪除的神經元在步驟(1)和步驟(2)中已經更新),并換下一小批量訓練樣本執(zhí)行步驟(1)至步驟(4)。

重復執(zhí)行上述步驟,直至DBN 模型訓練結束。

3 IES 的多元負荷預測流程

本文所提的基于知識-數(shù)據混合驅動的綜合能源系統(tǒng)多元負荷預測流程如圖4 所示。該預測流程主要包含離線訓練和在線評估兩部分內容。在離線訓練過程中,為了避免IES 負荷預測模型出現(xiàn)過擬合、提高模型的泛化能力,本文先是利用隨機森林算法[20]對輸入數(shù)據進行預處理,提取與預測結果相關性程度強的特征變量作為IES 負荷預測模型的輸入,以此來降低輸入數(shù)據的復雜性;然后利用Dropout 技術將深度置信網絡中的部分神經元進行稀疏化處理,從而有效地提高了IES 負荷預測模型的泛化能力,降低模型的過擬合風險;最后基于縱向對比方法對不同隱含層層數(shù)、同一隱含層上不同神經元個數(shù)下IES 負荷預測模型的預測精度進行分析對比,從而獲得IES 負荷預測模型的最優(yōu)網絡架構,并以此進行模型的訓練。

圖4 基于知識-數(shù)據混合驅動的綜合能源系統(tǒng)多元負荷預測流程

3.1 輸入變量和輸出變量的選取

由于本文所提方法是一種知識-數(shù)據混合驅動的IES 負荷預測模型,因此在該模型的訓練過程中,輸入樣本數(shù)據不僅包含歷史負荷、溫度、風速、光伏和風電等傳統(tǒng)數(shù)據集,還包括2.1 節(jié)計算得到的電能、氣能、熱能以及儲能的充放電功率等數(shù)據信息;輸出數(shù)據為當前時刻的負荷數(shù)據。為了避免某些特征對IES 負荷預測模型的預測結果產生不好的影響,本文在對IES 負荷預測模型進行訓練之前采用了隨機森林算法對各種特征的相關性程度做了定量分析,以此篩選出與預測結果相關性程度強的輸入特征。文章選取相關性程度大于0.3 的特征作為輸入變量,并選取當前的電、氣、熱負荷作為輸出變量。其中,基于隨機森林算法實現(xiàn)某種特征相關性程度的定量分析過程如下。

步驟1將袋外數(shù)據(out-of-bag,OOB)樣本編號為r=1、2、3…、R,每個樣本包含p個特征。

步驟2設置r=1,基于訓練樣本建立決策樹,并將袋外數(shù)據記為

步驟3利用決策樹實現(xiàn)的預測,并計算袋外數(shù)據的預測誤差,記作

步驟5對于r=2、3、…、R,循環(huán)執(zhí)行步驟2～4。

步驟6定量計算特征Xs的相關性程度

基于上述特征相關性程度的定量分析方法可以實現(xiàn)重要特征的篩選,降低了輸入變量的維度,進一步提升了模型的泛化能力。

3.2 離線訓練

步驟1將采集到的歷史負荷、溫度、風速、風電和光伏等原始樣本數(shù)據、儲能充放電功率數(shù)據以及2.1 節(jié)計算所得的電能、熱能、氣能數(shù)據信息進行重構,獲得新的樣本數(shù)據庫。

步驟2將新的樣本數(shù)據分為訓練集和測試集,同時為避免不同變量之間的單位差異給IES 負荷預測結果帶來的影響,本文對新的樣本數(shù)據進行歸一化處理,數(shù)據歸一化的計算公式如下:

其中,vbase、vreal分別為樣本數(shù)據歸一化后的基值和樣本數(shù)據的實際值,vmax、vmin分別為樣本數(shù)據的最大、最小值。

步驟3逐層進行無監(jiān)督訓練。在對改進后的DBN 神經網絡進行訓練時,首先將新的樣本數(shù)據集劃分為若干組的小批量樣本數(shù)據,然后隨機選擇一組小批量樣本數(shù)據用于Dropout 技術改進后的DBN神經網絡訓練,從而獲得DBN 神經網絡的權重和閾值參數(shù)。

步驟4通過DBN 模型頂層的BP 網絡實現(xiàn)輸出信息的預測擬合,并對模型的網絡參數(shù)進行反向微調。

本文定義平均絕對百分比誤差(mean absolute percentage error,MAPE)為IES 負荷預測模型的預測精度指標,MAPE 的計算公式為

式中,yreal(h)、ypre(h) 分別為h時刻下各類負荷的實際值和預測值,N為樣本數(shù)據的總數(shù)。

3.3 在線預測

步驟1對于綜合能源系統(tǒng)的規(guī)劃調度人員,可根據量測采集到的典型日內負荷數(shù)據、能源數(shù)據和天氣數(shù)據等信息,形成綜合能源系統(tǒng)負荷預測模型的輸入數(shù)據。

步驟2依據式(11)對輸入數(shù)據進行相應的歸一化處理。

步驟3將歸一化處理后的數(shù)據輸入到已經離線訓練完備的深度置信網絡模型中,獲得對應的輸出數(shù)據。

步驟4將輸出數(shù)據進行反歸一化處理,得到IES 多元負荷的預測值,并基于式(12)計算得到各負荷的預測精度指標。

4 算例分析

為了驗證本文所提方法的有效性,本文利用Matlab 平臺實現(xiàn)了基于知識-數(shù)據混合驅動的綜合能源系統(tǒng)多元負荷預測。其中,實驗仿真所用數(shù)據均采集于南昌某工業(yè)園區(qū)內的綜合能源系統(tǒng),該綜合能源系統(tǒng)不僅包含了用于滿足不同能源需求的熱電聯(lián)產機組、燃氣鍋爐、電制熱設備等能源轉換設備,還配置了相應的電、熱、氣儲能裝置來提高系統(tǒng)運行靈活性和經濟性。其中,該系統(tǒng)中能源的分配系數(shù)以及設備的能源轉化效率可見表1 和2。

表1 綜合能源系統(tǒng)中不同能源的分配系數(shù)

表2 綜合能源系統(tǒng)中不同設備的能源轉化效率

4.1 預測實例

本文算例選取上述綜合能源系統(tǒng)2018 年一整年的小時級數(shù)據作為原始樣本數(shù)據,將2018 年1 月1 日至2018 年3 月30 日的春季數(shù)據作為傳統(tǒng)單一數(shù)據驅動模型的原始訓練樣本數(shù)據和知識-數(shù)據混合驅動模型的新訓練樣本數(shù)據的基礎;并選取2018年3 月31 日這一典型日的對應信息作為測試樣本數(shù)據,分別對2 種模型進行預測分析。

為了進一步分析傳統(tǒng)單一數(shù)據驅動模型和本文所提方法在輸入變量選擇上的差異,本文基于隨機森林算法的特征選擇方法分別對2 種模型的輸入特征進行了相關性程度的定量分析。上述2 種模型的特征相關性重要程度分析結果分別如附錄A 和附錄B 所示。

4.2 數(shù)據驅動模型的最佳網絡架構選取

由于本文所提方法中的數(shù)據驅動模型是一種深度置信網絡算法,而該算法的預測效果很大程度上依靠于網絡架構的選取。因此,本文在實驗仿真過程中采用了一種縱向對比方法對深度置信網絡模型中隱含層的層數(shù)以及各隱含層上的神經元個數(shù)進行分析對比,以此來選取數(shù)據驅動模型的最佳網絡架構。其中,傳統(tǒng)單一數(shù)據驅動模型和本文所提方法中的數(shù)據驅動模型在不同網絡架構下的MAPE 值分別如圖5(a)和(b)所示。

圖5 在不同網絡架構下2 種模型的預測效果

由圖5(a)和(b)可知,在本算例中,傳統(tǒng)單一數(shù)據驅動模型和本文所提方法中的數(shù)據驅動模型的最優(yōu)隱含層層數(shù)分別為5層和4層、各隱含層上神經元的最佳個數(shù)分別為400、300、600、600、500 和300、500、700、500、300。此外,由圖5 可知,本文所提方法中的數(shù)據驅動模型在相同的網絡架構下的MAPE 值都要小于傳統(tǒng)單一數(shù)據驅動模型。

4.3 結果分析與對比

本文依據4.2 節(jié)中實驗仿真所獲得的最佳網絡架構分別對傳統(tǒng)單一數(shù)據驅動模型和本文所提方法中數(shù)據驅動模型進行離線學習,從而得到訓練完備的IES 負荷預測模型。為了進一步分析網絡架構對綜合能源系統(tǒng)中不同負荷預測效果產生的影響,表3和表4 給出了不同隱含層層數(shù)和神經元個數(shù)下傳統(tǒng)單一數(shù)據驅動模型和本文所提方法的MAPE1、MAPE2和MAPE3值,同時將MAPE1、MAPE2和MAPE3分別記為電負荷、熱負荷和氣負荷的預測精度指標。其中,表3、表4 中2 種模型的隱含層總數(shù)都設置為5 層,對應隱含層上的神經元個數(shù)分別為400、300、600、600、500 和300、500、700、500、300。

表3 傳統(tǒng)單一數(shù)據驅動模型的各負荷預測結果

表4 本文所提方法的各負荷預測結果

從表3 和表4 中可以看出,無論是傳統(tǒng)單一數(shù)據驅動模型還是本文所提方法,多隱含層的網絡架構下的IES 負荷預測結果都要明顯優(yōu)于單隱含層,且在相同數(shù)量隱含層的情況下,表4 中IES 的各負荷預測精度都要高于表3。然而,神經網絡中的隱含層數(shù)越多也不意味著IES 的各負荷預測效果越好。如表4 所示,本文所提方法中數(shù)據驅動模型的隱含層層數(shù)為4 層時的IES 多元負荷預測精度要高于其隱含層層數(shù)為5 層的情況,且此時的電、熱、氣3 種負荷的MAPE1、MAPE2和MAPE3值最低,僅為3.99%、3.27%和3.66%,此時的IES 多元負荷預測模型已經達到非常令人滿意的精度了。除此之外,相較于表3 中的傳統(tǒng)單一數(shù)據驅動模型,表4 中本文所提方法的離線訓練和在線預測時間幾乎保持不變,且能滿足IES 負荷的在線預測要求。由此可見,相較于傳統(tǒng)單一數(shù)據驅動模型,本文所提方法確實有助于提高綜合能源系統(tǒng)中多元負荷的預測精度,且由于本文所提方法充分考慮了綜合能源系統(tǒng)中的能量耦合特性知識,極大地保留了綜合能源系統(tǒng)中非線性的強因果關系,因此文中所提方法具有更好的可解釋性。

為進一步驗證本文所提方法相較于傳統(tǒng)單一數(shù)據驅動模型所體現(xiàn)出來的優(yōu)越性,本算例將兩者的網絡架構都設置為最優(yōu),并利用測試樣本對本文所提方法和傳統(tǒng)單一數(shù)據驅動模型的泛化能力進行對比分析。其中,傳統(tǒng)單一數(shù)據驅動模型和本文所提方法的多元負荷預測結果如圖6、7 所示。

圖6 傳統(tǒng)單一數(shù)據驅動模型的多元負荷預測結果

由圖6 和圖7 可知,傳統(tǒng)單一數(shù)據驅動模型的電、熱、氣負荷預測結果曲線雖然總體上能夠跟蹤實際值的變化趨勢,但部分時段仍然存在較大的預測誤差。而考慮了綜合能源系統(tǒng)中能量耦合特性知識的本文所提方法下的電、熱、氣負荷預測結果曲線與實際值的變化趨勢非常接近,且具有較高的預測精度。

圖7 本文所提方法的多元負荷預測結果

綜上所述,相比于傳統(tǒng)單一數(shù)據驅動模型,本文所提方法不僅能有效地提高IES 多元負荷的預測精度,還保留了綜合能源系統(tǒng)中的能量耦合特性知識,保證了IES 負荷預測結果的可靠性。

5 結論

本文以綜合能源系統(tǒng)為研究對象,提出一種基于知識-數(shù)據混合驅動的綜合能源系統(tǒng)多元負荷預測方法,其主要貢獻可總結如下。

(1)本文將綜合能源系統(tǒng)中的能量耦合特性知識模型與數(shù)據驅動模型進行了有效的結合,通過對基于能量耦合特性知識模型計算得到的能源供應量和原始樣本數(shù)據進行重構,可獲得用于訓練數(shù)據驅動模型的新樣本數(shù)據。算例結果表明,通過本文所提方法訓練完備的IES 負荷預測模型相較于傳統(tǒng)單一數(shù)據驅動模型不僅具有較好的可解釋性,還有助于改善該負荷預測模型的預測效果。

(2)本文考慮到綜合能源系統(tǒng)中多元負荷與其他影響因素之間的相關性,利用隨機森林算法對不同特征的相關性程度做了定量分析,從而提高了模型的計算效率。此外,為避免模型出現(xiàn)過擬合,文章利用Dropout 技術對DBN 神經網絡進行了處理,進一步提高了模型的泛化能力。

(3)在數(shù)據驅動模型的訓練過程中,本文利用縱向對比方法可以較快地選擇出具有最佳網絡架構的數(shù)據驅動模型,避免了因網絡架構隨機性給模型預測結果帶來的影響。

(4)在之前的IES 負荷預測研究中,通常是利用歷史負荷、氣象信息等數(shù)據作為訓練樣本。而本文在此基礎上還考慮了風電、光伏等可再生能源出力、儲能以及不同能源供應對未來負荷預測產生的影響,進而更接近綜合能源系統(tǒng)的實際運行工況。

附錄A

表A1 電負荷與其他特征間的相關性程度

附錄B

表B1 電負荷與其他特征間的相關性程度