零碳排放下電-氣綜合能源系統(tǒng)多能負(fù)荷預(yù)測

舒 舟,歐莉玲,何 豐,田詩語

(1.深圳供電局,廣東 深圳 518000;2.深圳新能電力開發(fā)設(shè)計院,廣東 深圳 518000)

0 引言

我國能源的消耗量在快速現(xiàn)代化建設(shè)進程中呈現(xiàn)持續(xù)增長的趨勢。我國將煤炭等化石能源作為重點能源。這種趨勢不僅會破壞我國的生態(tài)環(huán)境,還可能導(dǎo)致我國化石能源儲量逐步減少甚至枯竭[1]。同時,我國重點采取能源分供的供應(yīng)模式,不能有效地互補利用各類異質(zhì)能源,且難以達到各類能源的協(xié)調(diào)規(guī)劃,由此造成較低的能源利用率。因此,對電-氣綜合能源系統(tǒng)進行多能負(fù)荷預(yù)測具有重要意義。

國內(nèi)外學(xué)者對此展開了深入研究。文獻[2]提出了基于深度長短期記憶(long short-term memory,LSTM)網(wǎng)絡(luò)的短期多負(fù)荷預(yù)測方法,對氣象因子和短期負(fù)荷進行預(yù)處理,通過均方根誤差獲取評估指標(biāo),利用隨機搜索算法選擇最優(yōu)全局參數(shù),以實現(xiàn)能源負(fù)荷預(yù)測。文獻[3]首先對數(shù)據(jù)進行歸一化處理,然后通過LSTM網(wǎng)絡(luò)構(gòu)建負(fù)荷預(yù)測模型,最后利用平均精度指標(biāo)和權(quán)重平均精度指標(biāo)對模型進行性能評估,從而完成多元負(fù)荷預(yù)測。文獻[4]提出了基于改進粒子群的小波神經(jīng)網(wǎng)絡(luò)綜合能源系統(tǒng)短期負(fù)荷預(yù)測方法。該方法采用Pearson系數(shù)分析各影響因素,將其作為綜合能源負(fù)荷預(yù)測輸入量;引入混沌算法改進粒子群,并構(gòu)建小波神經(jīng)網(wǎng)絡(luò)綜合能源系統(tǒng)短期負(fù)荷預(yù)測模型。文獻[5]提出了考慮多能時空耦合的超短期負(fù)荷預(yù)測方法。該方法將K-means聚類和Pearson系數(shù)相融合,重構(gòu)各類基本負(fù)荷單元像素,并采用多通道卷積神經(jīng)網(wǎng)絡(luò)對像素在高維空間中的特征進行提取和融合,以完成綜合特征負(fù)荷預(yù)測。文獻[6]提出了基于多任務(wù)學(xué)習(xí)和最小二乘支持向量機的綜合能源系統(tǒng)電-熱-冷聯(lián)合負(fù)荷預(yù)測模型。該模型首先梳理了不同綜合能源子系統(tǒng)之間的耦合關(guān)系;其次利用多任務(wù)學(xué)習(xí)中的權(quán)重分擔(dān)機制和最小二乘支持向量機,構(gòu)建了基于多任務(wù)學(xué)習(xí)和最小二乘支持向量機的電力、熱力、制冷和燃?xì)庳?fù)荷組合預(yù)測模型;最后驗證了預(yù)測模型的有效性。但隨著能源系統(tǒng)的不斷進步、影響因素的不斷增多,上述方法的預(yù)測精度還有待提升。

針對上述問題,本文研究了零碳排放下電-氣綜合能源系統(tǒng)多能負(fù)荷預(yù)測方法。本文構(gòu)建零碳排放電-氣綜合能源系統(tǒng)架構(gòu),以氣象因素為影響因子,分析多能負(fù)荷與氣象因素的相關(guān)性;將系統(tǒng)歷史多能負(fù)荷數(shù)據(jù)作為輸入數(shù)據(jù),構(gòu)建基礎(chǔ)LSTM預(yù)測模型;通過樽海鞘群算法(salp swarm algorithm,SSA)優(yōu)化LSTM預(yù)測模型,以實現(xiàn)此類系統(tǒng)的多能負(fù)荷精準(zhǔn)預(yù)測。該研究為此類系統(tǒng)的優(yōu)化調(diào)度、降低碳排放量、提升能源利用率提供科學(xué)依據(jù)。

1 電-氣綜合能源系統(tǒng)多能負(fù)荷預(yù)測

1.1 零碳排放下電-氣綜合能源系統(tǒng)架構(gòu)

零碳排放下電-氣綜合能源系統(tǒng)主要包含用戶端和供能端。用戶端包括冷負(fù)荷、熱負(fù)荷、氣負(fù)荷及電負(fù)荷。電負(fù)荷被劃分成可轉(zhuǎn)移電負(fù)荷、非柔性電負(fù)荷與可中斷電負(fù)荷這3種。供能端與電網(wǎng)相連,從而為系統(tǒng)的平穩(wěn)供能提供保障。供能端包含儲能設(shè)備、可再生能源發(fā)電(power to gas,P2G)技術(shù)設(shè)備、污水源熱泵、制冷機、光熱電站以及風(fēng)光發(fā)電機組等。該系統(tǒng)將電負(fù)荷在用戶端進行分區(qū),使其既可以參與需求響應(yīng),又可以兼顧參與用戶的用能體驗。針對供能端,為了達到零碳排放的目的,所用能源均為清潔能源。零碳排放電-氣綜合能源系統(tǒng)架構(gòu)如圖1所示。

圖1 零碳排放電-氣綜合能源系統(tǒng)架構(gòu)

綜合能源系統(tǒng)通過P2G設(shè)備為其供應(yīng)天然氣。其中,系統(tǒng)天然氣部分的供需平衡由儲氣設(shè)備實施放氣或者儲氣[7]。該系統(tǒng)通過電網(wǎng)、光熱電站內(nèi)的發(fā)電機、儲電設(shè)備、光伏以及風(fēng)力發(fā)電進行供電。若系統(tǒng)內(nèi)所生成電能低于實際負(fù)荷需求,則相差部分電能需由電網(wǎng)購入。若系統(tǒng)內(nèi)所生成電能高于實際負(fù)荷需求,則多出部分電能可向電網(wǎng)出售,或者向儲電設(shè)備內(nèi)暫存。光熱電站的儲熱設(shè)備與污水源熱泵為此系統(tǒng)供應(yīng)熱負(fù)荷。其中,前者屬于系統(tǒng)內(nèi)的熱電耦合單元。它能夠利用多出的熱能滿足系統(tǒng)的熱負(fù)荷所需,并將光熱電站內(nèi)光場所采集的熱能轉(zhuǎn)化為電能,從而滿足系統(tǒng)的電負(fù)荷所需。后者的熱源為城市污水。其制熱或者制冷是在電能的驅(qū)動下,由制冷劑產(chǎn)生物態(tài)循環(huán)更替實現(xiàn)的。其為系統(tǒng)供應(yīng)熱負(fù)荷或者冷負(fù)荷[8-9]。另外,系統(tǒng)冷負(fù)荷的供應(yīng)還可通過制冷機實現(xiàn)。

1.2 系統(tǒng)多能負(fù)荷與氣象因素相關(guān)性

零碳排放電-氣綜合能源系統(tǒng)內(nèi)各種負(fù)荷的耦合性與隨機性較高。因此,在預(yù)測此系統(tǒng)多能負(fù)荷之前需通過完整分析此系統(tǒng)內(nèi)各種負(fù)荷特性,獲得其多能負(fù)荷規(guī)律,以實現(xiàn)多能負(fù)荷間相關(guān)性的有效分析,并掌握各種影響因素對多能負(fù)荷所帶來的影響[10]。因為各類影響因素影響多能負(fù)荷特性的程度不同,所以本文選取影響系統(tǒng)多能負(fù)荷特性程度較高的氣象因素作為影響因子,結(jié)合灰色關(guān)聯(lián)度分析方法,對此類影響因子與系統(tǒng)多能負(fù)荷的相關(guān)性實施定量分析。

關(guān)聯(lián)度φi與關(guān)聯(lián)系數(shù)ηi是灰色關(guān)聯(lián)度分析方法的關(guān)鍵參數(shù)。

(1)

式中:λ為分辨系數(shù);yi(l)和y0(l)分別為歸一化的負(fù)荷序列和氣象因素序列;m為總序列數(shù)量。

通過關(guān)聯(lián)度φi,可對系統(tǒng)多能負(fù)荷與氣象因素間相關(guān)性程度的高低予以判別。φi值越高,代表兩者之間的相關(guān)性程度越高[11]。通常冬季為供熱季、夏季為供冷季,故需分別分析冬季系統(tǒng)的電、熱負(fù)荷同氣象因素間的相關(guān)性和夏季系統(tǒng)電、冷負(fù)荷同氣象因素間的相關(guān)性。冬季氣象因素數(shù)據(jù)序列與所需分析的各負(fù)荷數(shù)據(jù)共同構(gòu)成的矩陣為:

(2)

式中:yE與yH分別為電負(fù)荷與熱負(fù)荷;yM、yT、yR分別為大氣濕度、溫度、太陽輻射量氣象因素。

夏季氣象因素數(shù)據(jù)序列與所需分析的各負(fù)荷數(shù)據(jù)共同構(gòu)成的矩陣為:

(3)

式中:yC為冷負(fù)荷。

完成以上2種矩陣的構(gòu)建之后,本文結(jié)合式(1)得出不同季節(jié)系統(tǒng)各種負(fù)荷同各類氣象因素之間的關(guān)聯(lián)度,以完成零碳排放電-氣綜合能源系統(tǒng)電、熱、冷多能負(fù)荷與氣象因素的相關(guān)性分析。

1.3 零碳排放系統(tǒng)多能負(fù)荷預(yù)測方法

1.3.1 基于LSTM的預(yù)測模型構(gòu)建

系統(tǒng)各種負(fù)荷間具備耦合性。通過對各負(fù)荷之間、各負(fù)荷與氣象因素之間的相關(guān)性分析,本文所創(chuàng)建的系統(tǒng)多能負(fù)荷預(yù)測模型具有更高的預(yù)測精度。根據(jù)相關(guān)性分析發(fā)現(xiàn),3種氣象因素都會對系統(tǒng)的多能負(fù)荷產(chǎn)生一定的影響。因此,本文以3種氣象因素作為影響因子,將相關(guān)性分析結(jié)果與零碳排放電-氣綜合能源系統(tǒng)的歷史多能負(fù)荷數(shù)據(jù)共同作為輸入數(shù)據(jù)。

LSTM屬于1種典型的深度學(xué)習(xí)算法。其優(yōu)點在于可有效分析各類煩瑣數(shù)據(jù)的相關(guān)性,并高效擬合煩瑣數(shù)據(jù),因而被廣泛運用于各類預(yù)測問題中,以獲得理想的預(yù)測結(jié)果[12]。依據(jù)基礎(chǔ)LSTM模型的輸入數(shù)據(jù)集,本文構(gòu)建基礎(chǔ)LSTM預(yù)測模型,對系統(tǒng)的多能負(fù)荷實施預(yù)測。

LSTM在時序預(yù)測領(lǐng)域應(yīng)用較為廣泛。其主要包含輸入門、輸出門及遺忘門。三者的作用分別是對信息的輸入、保存及輸出實施控制。基礎(chǔ)LSTM預(yù)測模型的訓(xùn)練式為:

(4)

式中:bj、aj、dj分別為輸入門、遺忘門、輸出門;μf、μd、μb、μa分別為當(dāng)前隱含層中的記憶單元、輸出門、輸入門和遺忘門的偏差;δ為激活函數(shù);xj和gj為j時刻預(yù)測模型的輸入和記憶單元的輸出;ωd為記憶單元到輸出門的加權(quán)矩陣;qj和qj-1為j和(j-1)時刻記憶單元的狀態(tài);gj-1為(j-1)時刻記憶單元的輸出;ωb和ωa為隱含輸入門和遺忘門的權(quán)重。

LSTM預(yù)測模型通過對3個門實施操控,調(diào)整各時間步下的記憶單元,即確定各時間步下所留存的之前時間步和接下來時間步所傳輸?shù)臍v史負(fù)荷數(shù)據(jù)量,以此獲得所需預(yù)測結(jié)果。

1.3.2 基礎(chǔ)LSTM預(yù)測模型參數(shù)優(yōu)化

為降低基礎(chǔ)LSTM預(yù)測模型的誤差、保證其最終所得系統(tǒng)多能負(fù)荷預(yù)測結(jié)果的精度,本文選用SSA優(yōu)化此模型的參數(shù),尋得其最優(yōu)參數(shù)值。本文將基礎(chǔ)LSTM預(yù)測模型的參數(shù)設(shè)定為樽海鞘,選擇一個平均方差作為目標(biāo)函數(shù)的適應(yīng)度值,并在SSA的求解空間中搜索,持續(xù)對樽海鞘的位置實施迭代更新,以尋得最優(yōu)參數(shù)值。SSA主要有追隨者與領(lǐng)導(dǎo)者這2種目標(biāo)群體。其中,由領(lǐng)導(dǎo)者對樽海鞘群體實施引導(dǎo)作用,各追隨者均追隨其前一個追隨者[13]。本文設(shè)所規(guī)劃區(qū)間內(nèi)具備目標(biāo)源。因此,以樽海鞘行為波動為依據(jù),SSA優(yōu)化基礎(chǔ)LSTM預(yù)測模型參數(shù)的過程如下。

①參數(shù)設(shè)定。重點設(shè)定的參數(shù)有隱含層單元數(shù)、最高迭代次數(shù)、時間步長、群體數(shù)量、變量上限與下限、影響因素數(shù)量等。

②群體初始化。初始化矩陣可表示為:

S=[sik]n×o

(5)

式中:sik為第i個樽海鞘的第k個變量的值,i=1,2,…,n,k=1,2,…,o。

sik的運算式為:

(6)

(7)

式中:f[·]為適應(yīng)度函數(shù)。

在此矩陣內(nèi),具備最優(yōu)適應(yīng)度值的樽海鞘即為目標(biāo)源U。通過樽海鞘鏈能夠確定其位置,故可采取調(diào)整目標(biāo)源U所處位置的方式,求解預(yù)測模型最優(yōu)參數(shù)值。

④迭代次數(shù)的確定。本文通過適應(yīng)度函數(shù)運算全部元素,以達到持續(xù)迭代更新目標(biāo)源U位置的目的,從而防止局部最優(yōu)解的發(fā)生。領(lǐng)導(dǎo)者朝著目標(biāo)源U定位更新的方程式為:

(8)

θ1的設(shè)定方程為:

(9)

式中:n′為當(dāng)下更新迭代的次數(shù);N′為更新迭代次數(shù)的上限。

追隨者位置的更新迭代方程式為:

(10)

本文持續(xù)迭代基礎(chǔ)LSTM預(yù)測模型參數(shù)優(yōu)化過程,直到尋得最優(yōu)參數(shù)解為止即完成對基礎(chǔ)LSTM預(yù)測模型的參數(shù)優(yōu)化。

1.3.3 基于優(yōu)化LSTM預(yù)測模型的多能負(fù)荷預(yù)測

經(jīng)上述基礎(chǔ)LSTM預(yù)測模型參數(shù)優(yōu)化后,本文獲得優(yōu)化LSTM預(yù)測模型。本文運用該模型實現(xiàn)零碳排放電-氣綜合能源系統(tǒng)多能負(fù)荷預(yù)測。優(yōu)化LSTM預(yù)測模型整體結(jié)構(gòu)如圖2所示。

圖2 優(yōu)化LSTM預(yù)測模型整體結(jié)構(gòu)

優(yōu)化LSTM預(yù)測模型為5層架構(gòu),分別是輸入層、基礎(chǔ)LSTM層、SSA參數(shù)優(yōu)化層、dropout層以及輸出層。其中,任意選定的不加入訓(xùn)練的神經(jīng)元通過dropout層內(nèi)的灰色實心圓呈現(xiàn)?；趦?yōu)化LSTM預(yù)測模型的零碳排放電-氣綜合能源系統(tǒng)多能負(fù)荷預(yù)測的具體過程如下。

①向優(yōu)化LSTM預(yù)測模型的輸入層內(nèi)輸入零碳排放電-氣綜合能源系統(tǒng)的歷史多能負(fù)荷數(shù)據(jù)。以冬、夏2個季節(jié)為例,所輸入數(shù)據(jù)為Yw與Yh。

②通過基礎(chǔ)LSTM層獲取輸入數(shù)據(jù)Yw與Yh的特征向量;同時,在基礎(chǔ)LSTM層內(nèi)3個門的操控下,完成神經(jīng)網(wǎng)絡(luò)單元的創(chuàng)建,獲得單層LSTM預(yù)測模型?；A(chǔ)LSTM層的輸出矩陣可表示為G=[g1,g2,…,gj,…,gm]T。

③通過SSA參數(shù)優(yōu)化層優(yōu)化基礎(chǔ)LSTM預(yù)測模型的參數(shù),可以尋得最優(yōu)參數(shù)值,從而提高模型的預(yù)測精度。

④通過dropout層,使用任意選定的不加入訓(xùn)練的神經(jīng)元,可防止部分特征僅生效于某些特定組合下。這將使整體網(wǎng)絡(luò)模型具備普遍性,避免整體預(yù)測模型出現(xiàn)過擬合與陷入局部最優(yōu)解現(xiàn)象。

⑤得出的系統(tǒng)多能負(fù)荷預(yù)測結(jié)果通過輸出層向外輸出。

2 試驗結(jié)果分析

本文以某城市內(nèi)綠色園區(qū)所應(yīng)用的零碳排放電-氣綜合能源系統(tǒng)為例進行分析。本文從該系統(tǒng)的運行數(shù)據(jù)中隨機抽取2020年7月～9月(夏季)及2020年11月～2021年3月(冬季)的冷、熱、電多能負(fù)荷歷史數(shù)據(jù),并由氣象數(shù)據(jù)網(wǎng)站中選取出對應(yīng)時間的太陽輻射量、濕度及溫度等各氣象因素數(shù)據(jù)。本文將上述數(shù)據(jù)共同作為試驗數(shù)據(jù),應(yīng)用所提方法實施該系統(tǒng)多能負(fù)荷預(yù)測,以檢驗所提方法的預(yù)測效果。試驗系統(tǒng)關(guān)鍵參數(shù)設(shè)定如下:P2G效率為0.7;P2G最高輸入電功率為600 kW;污水源熱泵最高輸入電功率為100 kW;污水源熱泵制熱系數(shù)為0.3;儲氣設(shè)備容量為300 m3;儲氣設(shè)備放氣效率為0.95;儲氣設(shè)備儲氣效率為0.95;基礎(chǔ)儲氣量為150 m3;儲氣設(shè)備自損率為0.05%;儲熱設(shè)備容量為5 000 kW·h;儲熱設(shè)備放熱效率為0.98;儲熱設(shè)備儲熱效率為0.98;基礎(chǔ)儲熱量為2 500 kW·h;儲熱設(shè)備自損率為0.031%;光熱電站最高向下爬坡速率為200 kW;光熱電站最高輸出電功率為400 kW;光熱電站最低輸出電功率為50 kW;光熱電站熱電轉(zhuǎn)換效率為0.377;光熱電站最高向上爬坡速率為200 kW;系統(tǒng)與電網(wǎng)間最高傳輸功率為1 500 kW;分辨系數(shù)為0.5;LSTM層數(shù)為1層;時間步長為73;迭代次數(shù)為100次;學(xué)習(xí)率為0.001;LSTM層神經(jīng)元數(shù)量為33;隱含層單元數(shù)為11;dropout層選定參數(shù)為0.2。

本文在以上試驗環(huán)境與試驗參數(shù)的設(shè)定下,運用所提方法對試驗數(shù)據(jù)的多能負(fù)荷與氣象因素的相關(guān)性展開分析,獲得各負(fù)荷間及各負(fù)荷與氣象因素間的數(shù)據(jù)關(guān)聯(lián)度。試驗數(shù)據(jù)多能負(fù)荷與氣象因素相關(guān)性分析結(jié)果如表1所示。

由表1可知,在夏季供冷季中,冷負(fù)荷與電負(fù)荷之間的關(guān)聯(lián)度為0.88;同時,兩者與3種氣象因素之間均存在相關(guān)性。兩者與濕度的關(guān)聯(lián)度相對較低、與溫度的關(guān)聯(lián)度相對較高。在冬季供熱季中,熱負(fù)荷與電負(fù)荷之間的關(guān)聯(lián)度為0.681;同時,兩者與3種氣象因素之間也都存在相關(guān)性,且同樣與濕度的關(guān)聯(lián)度低、與溫度的關(guān)聯(lián)度高。另外,夏季的冷、電負(fù)荷關(guān)聯(lián)度高于冬季的熱、電負(fù)荷關(guān)聯(lián)度。這是因為夏季的冷負(fù)荷是通過空調(diào)產(chǎn)生的,而空調(diào)用電直接決定夏季電負(fù)荷量。因此,夏季的冷、電負(fù)荷具有較高的關(guān)聯(lián)度。所得相關(guān)性分析結(jié)果與實際情況相符。

本文在以上相關(guān)性分析結(jié)果的基礎(chǔ)上,分別選取試驗時間段內(nèi)夏季的高溫天氣、低溫天氣、雨天以及冬季的高溫天氣、低溫天氣、雪天作為典型日,通過所提方法得出各典型日中對應(yīng)負(fù)荷的預(yù)測結(jié)果,以此檢驗所提方法的預(yù)測效果。

各典型日多能負(fù)荷預(yù)測結(jié)果如圖3所示。

由圖3可知,所提方法可實現(xiàn)夏、冬兩季各典型日中冷、熱、電多能負(fù)荷的預(yù)測。預(yù)測結(jié)果顯示,在夏季,高溫天氣的冷、電負(fù)荷均明顯高于其他2種天氣,低溫天氣的冷、電負(fù)荷與雨天的2種負(fù)荷相差不大;同時,3種典型日中的電負(fù)荷均低于冷負(fù)荷。而在冬季,高溫天氣的熱、電負(fù)荷明顯低于其他2種天氣,低溫天氣與雪天2種典型日內(nèi)的2種負(fù)荷值同樣較為接近,且3種典型日的電負(fù)荷均低于熱負(fù)荷。由此可見:溫度與冷、熱、電多能負(fù)荷間所具備的關(guān)聯(lián)度相對較高;濕度與冷、熱、電多能負(fù)荷間所具備的關(guān)聯(lián)度相對較低。所得預(yù)測結(jié)果符合現(xiàn)實狀況,預(yù)測結(jié)果可信度高。

本文采用平均絕對百分比誤差(mean absolute percentage error,MAPE)作為評價指標(biāo),對所提方法預(yù)測準(zhǔn)確度進行驗證。該指標(biāo)值與所提方法的預(yù)測準(zhǔn)確度成反比。此值越低,代表所提方法的預(yù)測結(jié)果越準(zhǔn)確。該指標(biāo)的運算式為:

(11)

本文對夏、冬兩季對應(yīng)負(fù)荷的MAPE指標(biāo)值進行計算,通過計算結(jié)果分析所提方法的總體預(yù)測準(zhǔn)確度。

所提方法預(yù)測結(jié)果的MAPE指標(biāo)值如圖4所示。

圖4 所提方法預(yù)測結(jié)果的MAPE指標(biāo)值

由圖4可知,所提方法對夏季、冬季對應(yīng)負(fù)荷實施預(yù)測的MAPE指標(biāo)值均未超出0.45。由此可見,所提方法的綜合預(yù)測精度較高,預(yù)測效果較理想,能夠滿足實際應(yīng)用需求。

3 結(jié)論

為預(yù)測綜合能源系統(tǒng)多能負(fù)荷,本文運用SSA對基礎(chǔ)LSTM預(yù)測模型實施關(guān)鍵參數(shù)優(yōu)化,獲得優(yōu)化后LSTM預(yù)測模型,并應(yīng)用該模型預(yù)測所研究零碳排放電-氣綜合能源系統(tǒng)的冷、熱、電多能負(fù)荷。試驗結(jié)果表明,所提方法能夠針對夏季、冬季中不同典型日的冷、熱、電多能負(fù)荷進行預(yù)測。其預(yù)測結(jié)果與實際情況基本一致,具有較好的預(yù)測準(zhǔn)確度。試驗僅針對天氣類型典型日的多能負(fù)荷預(yù)測結(jié)果展開測試。后續(xù)研究會繼續(xù)針對休息日與工作日這2種典型日的多能負(fù)荷預(yù)測結(jié)果實施檢驗,以進一步完善所提方法的實際應(yīng)用效果,為能源系統(tǒng)最優(yōu)調(diào)度與運行規(guī)劃奠定基礎(chǔ)。