白紅濤 彭 苗* 牛振濤 董得志 李鎮(zhèn)東

(1、國(guó)家電投集團(tuán)湖北分公司，湖北 武漢430063 2、國(guó)家電投集團(tuán)科學(xué)技術(shù)研究院有限公司，北京102209）

分布式能源系統(tǒng)（Distributed Energy System，DES）是我國(guó)能源發(fā)展重點(diǎn)戰(zhàn)略之一[1]。它是近年興起的利用小型分散設(shè)備建設(shè)在靠近用戶(hù)端（需求側(cè)）提供能源的新型能源利用方式[2]，能夠有效的緩解能源危機(jī)和環(huán)境問(wèn)題[3]。由于其具有負(fù)荷微量化和碎片化的優(yōu)勢(shì)[4]，在工業(yè)園區(qū)[5]、商業(yè)樓宇[6,7,8]、交通[9]等一些特定領(lǐng)域一直穩(wěn)健發(fā)展[10]。同時(shí)由于互聯(lián)網(wǎng)技術(shù)的應(yīng)用領(lǐng)域不斷拓展，一種以“互聯(lián)網(wǎng)+智慧能源”為代表的綜合智慧能源由此產(chǎn)生。它與分布式能源站的結(jié)合，不但能夠充分滿(mǎn)足用戶(hù)多樣化用能需求，實(shí)現(xiàn)用能互補(bǔ)，而且達(dá)到更高效用能的目的。要建立一種分布式能源站綜合智慧能源系統(tǒng)，負(fù)荷預(yù)測(cè)起著至關(guān)重要的作用。

對(duì)于負(fù)荷預(yù)測(cè)的研究不計(jì)其數(shù)。研究的方法通常有：支持向量機(jī)[11]、重構(gòu)最小二乘支持向量機(jī)[12]、K－Means 聚類(lèi)算法和改進(jìn)增量型極限學(xué)習(xí)機(jī)(II－ELM)相結(jié)合[13]、貝葉斯網(wǎng)絡(luò)[14]等；研究的特征變量通常有：每天的最高溫度，最低溫度、平均溫度、相對(duì)濕度和降水量、歷史負(fù)荷數(shù)據(jù)、休息日與工作日、氣象因素、日期類(lèi)型、實(shí)時(shí)電價(jià)、經(jīng)濟(jì)與政策因素等。

本文結(jié)合湖北省某分布式能源站的實(shí)際情況，提出了一種以歷史的負(fù)荷數(shù)據(jù)和影響負(fù)荷的溫度、濕度、日期類(lèi)型、季節(jié)類(lèi)型等因素作為輸入變量，運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)能源站未來(lái)的電、熱、冷、熱水、蒸汽、光伏負(fù)荷進(jìn)行智能預(yù)測(cè)的方法。

1 分布式能源系統(tǒng)

本文研究對(duì)象為湖北省某分布式能源站。該系統(tǒng)由燃?xì)鈨?nèi)燃機(jī)2 臺(tái)、煙氣熱水型溴化鋰2 臺(tái)、電制冷4 臺(tái)、燃?xì)庹婵斟仩t3 臺(tái)、燃?xì)庹羝仩t2 臺(tái)、156kwp 屋頂光伏構(gòu)成。

該分布式能源站以“天然氣+光伏發(fā)電”分布式能源系統(tǒng)為核心，提供電、冷、熱及生活熱水。典型的工藝過(guò)程是天然氣進(jìn)入燃?xì)獍l(fā)電機(jī)組發(fā)電，經(jīng)發(fā)電機(jī)主控柜與市電并網(wǎng)（光伏發(fā)電直接在0.4kV 低壓并網(wǎng)），運(yùn)行時(shí)應(yīng)優(yōu)先使用自發(fā)電匹配負(fù)荷，若不足以市電補(bǔ)充；在發(fā)電過(guò)程中產(chǎn)生的余熱（形式為煙氣等）回收進(jìn)入余熱型溴化鋰機(jī)組，成為空調(diào)供應(yīng)的動(dòng)力源。運(yùn)行時(shí)應(yīng)優(yōu)先使用余熱供應(yīng)空調(diào)，不能滿(mǎn)足的空調(diào)負(fù)荷采用“電制冷機(jī)+燃?xì)忮仩t”補(bǔ)充供應(yīng)。

本分布式能源站系統(tǒng)運(yùn)行時(shí)應(yīng)根據(jù)能源價(jià)格、負(fù)荷變化等確定余熱機(jī)組、調(diào)峰設(shè)備和水泵、冷卻塔等主輔設(shè)備的啟停及運(yùn)行工況，以實(shí)現(xiàn)最大限度的節(jié)能和經(jīng)濟(jì)運(yùn)行。由于能源價(jià)格是已知的，因此，準(zhǔn)確的負(fù)荷預(yù)測(cè)對(duì)生產(chǎn)計(jì)劃的制定起著至關(guān)重要的作用。本文提出了運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)方法以歷史的負(fù)荷數(shù)據(jù)和影響負(fù)荷的溫度、濕度、日期類(lèi)型、季節(jié)類(lèi)型等因素作為輸入變量的預(yù)測(cè)模型，對(duì)能源站未來(lái)的電、熱、冷、熱水、蒸汽、光伏負(fù)荷進(jìn)行智能預(yù)測(cè)。

2 數(shù)據(jù)流程設(shè)計(jì)

2.1 氣象數(shù)據(jù)采集

氣象因素是本算法的特征變量，同時(shí)氣象尤其是天氣預(yù)報(bào)數(shù)據(jù)常見(jiàn)于互聯(lián)網(wǎng)，于是利用互聯(lián)網(wǎng)爬蟲(chóng)技術(shù)獲取氣象數(shù)據(jù)成為主要手段。網(wǎng)絡(luò)爬蟲(chóng)是一種按照一定的規(guī)則，自動(dòng)地抓取萬(wàn)維網(wǎng)信息的程序或者腳本。當(dāng)前，由于Python 語(yǔ)言能夠高效的完成爬蟲(chóng)程序[16]。所以Python 爬蟲(chóng)技術(shù)變得越來(lái)越普遍。Python是一種編程語(yǔ)言，于1989 年底由Guido van Rossum 發(fā)明[15]，1991 年公開(kāi)發(fā)行第一個(gè)版本。

本文使用Python 爬蟲(chóng)的方式向內(nèi)嵌式計(jì)算機(jī)提供命令，實(shí)現(xiàn)網(wǎng)絡(luò)爬取數(shù)據(jù)的快速存儲(chǔ)、解析與輸出功能。

2.1.1 爬蟲(chóng)過(guò)程

本文以Anaconda3 為平臺(tái)編寫(xiě)Python 程序。通過(guò)引用time模塊，獲取網(wǎng)絡(luò)爬取數(shù)據(jù)的時(shí)間以及設(shè)定程序的運(yùn)行時(shí)間；引用serial 模塊，控制嵌入式計(jì)算機(jī)串口的開(kāi)關(guān)以及數(shù)據(jù)的讀取、輸入和輸出；引用requests 模塊，向服務(wù)器請(qǐng)向服務(wù)器發(fā)送請(qǐng)求并從服務(wù)器返回所有資源；引用re 模塊，通過(guò)正則表達(dá)式選擇所需變量天氣類(lèi)型，溫度、濕度等數(shù)據(jù)信息；引用MYSQL 模塊，將數(shù)據(jù)從內(nèi)嵌式計(jì)算機(jī)讀入MySQL，實(shí)現(xiàn)數(shù)據(jù)的轉(zhuǎn)存，方便數(shù)據(jù)的使用；引用json 模塊，將爬取數(shù)據(jù)由字符串形式轉(zhuǎn)為字典形式，便于數(shù)據(jù)的查找與讀取。

該爬蟲(chóng)程序遵守Robots 協(xié)議，Robots 協(xié)議是國(guó)際互聯(lián)網(wǎng)界通行的道德規(guī)范，用來(lái)告知爬蟲(chóng)程序哪些頁(yè)面可以被抓取，哪些頁(yè)面不可以被抓取[17]。

2.1.2 爬蟲(chóng)框架

其中，url 是所要爬取數(shù)據(jù)所在的網(wǎng)頁(yè)鏈接，本文主要抓取湖北省麻城市的天氣數(shù)據(jù)，則url 為湖北省麻城市天氣信息所在的網(wǎng)頁(yè)鏈接。Headers 是請(qǐng)求頭，應(yīng)對(duì)很多網(wǎng)站采取的“反爬蟲(chóng)”措施，所以利用Python 申請(qǐng)?jiān)L問(wèn)源碼前修改請(qǐng)求頭，使得網(wǎng)絡(luò)爬蟲(chóng)程序不容易被識(shí)別。encoding="utf-8"，輸出中文形式，防止輸出結(jié)果出現(xiàn)亂碼。本文使用try, except 結(jié)構(gòu)，具有容錯(cuò)性，防止URL 連接不上或者網(wǎng)絡(luò)不通等異常情況使得程序無(wú)法正常運(yùn)行，使得代碼更強(qiáng)健。

weather=re.search ('hour3data=.*}]];varhour3week',w.text)[0][10:-14].replace("[","").replace("]","")

運(yùn)用正則表達(dá)式進(jìn)行源碼數(shù)據(jù)的篩選，提取所需要的天氣數(shù)據(jù)的信息，在此正則表達(dá)式中篩選獲取的麻城天氣預(yù)報(bào)網(wǎng)絡(luò)源碼從hour3data 開(kāi)始到varhour3week 結(jié)束的文本格式的內(nèi)容保存為天氣數(shù)據(jù)。

ser.write(weather.encode("utf-8"))

將天氣信息的數(shù)據(jù)寫(xiě)入嵌入式計(jì)算機(jī)。

ser.close()；

如果上面的程序運(yùn)行出現(xiàn)錯(cuò)誤則關(guān)閉串口，防止程序陷入死循環(huán)。

為了數(shù)據(jù)的使用便捷，本文將網(wǎng)絡(luò)爬蟲(chóng)得到的數(shù)據(jù)由嵌入式計(jì)算機(jī)導(dǎo)入MYSQL 中。具體的操作過(guò)程如下：

首先，利用Python 代碼ser=serial.Serial('/dev/ttyAMA0',9600)；ser.open ()。使用嵌入式計(jì)算機(jī)的GPIO 口連接并打開(kāi)串口。

其次，在MYSQL 里創(chuàng)建一個(gè)數(shù)據(jù)庫(kù)，并運(yùn)用Python 代碼連接創(chuàng)建好的數(shù)據(jù)庫(kù)，具體代碼如下：

mydb =mysql.connector.connect(host=dbhost,passwd=dbpass,

database=dbname)

mycursor=mydb.cursor()

其中dbhost="localhost"，即使用主機(jī)數(shù)據(jù)庫(kù)地址；dbpass 為主機(jī)數(shù)據(jù)庫(kù)密碼，dbname 為數(shù)據(jù)庫(kù)名，通過(guò)Python 模塊MYSQL中的connector.connect 方法連接到數(shù)據(jù)庫(kù)，使用cursor() 方法創(chuàng)建一個(gè)游標(biāo)對(duì)象，將查詢(xún)結(jié)果進(jìn)行保存，便于以后的使用。然后，運(yùn)用正則表達(dá)式按需求篩選并逐條查找所需的數(shù)據(jù)。

最后，調(diào)用mycursor.execute()方法將篩選的數(shù)據(jù)按照一定的格數(shù)輸入MYSQL 中。則實(shí)現(xiàn)了數(shù)據(jù)的獲取與整理，為數(shù)據(jù)的使用做好準(zhǔn)備。

2.2 獲取歷史負(fù)荷數(shù)據(jù)

根據(jù)湖北省某分布式能源站的運(yùn)行情況，由DCS 采集數(shù)據(jù)點(diǎn)（如：系統(tǒng)時(shí)間、季節(jié)、各設(shè)備的輸出功率、冷熱媒水溫度、流量等），并利用尋優(yōu)引擎計(jì)算得到用戶(hù)負(fù)荷數(shù)據(jù)。

由于采集的數(shù)據(jù)與各算法的輸入需求有所差別，在調(diào)用模型算法之前，需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，具體包括數(shù)據(jù)篩選、電熱負(fù)荷計(jì)算、負(fù)荷預(yù)測(cè)數(shù)據(jù)處理。具體如下：

①數(shù)據(jù)篩選對(duì)系統(tǒng)采集信號(hào)出現(xiàn)的壞點(diǎn)進(jìn)行過(guò)濾，消除錯(cuò)誤數(shù)據(jù)對(duì)模型訓(xùn)練以及負(fù)荷預(yù)測(cè)的影響，保證計(jì)算精度。

②用戶(hù)熱負(fù)荷不能直接采集，需利用流量及冷熱媒水溫度進(jìn)行二次計(jì)算。

③負(fù)荷預(yù)測(cè)算法使用的是小時(shí)級(jí)的歷史數(shù)據(jù)，在數(shù)據(jù)庫(kù)中需針對(duì)預(yù)測(cè)模塊新建的點(diǎn)表，利用引擎按1 小時(shí)為周期的采集負(fù)荷的歷史數(shù)據(jù)并計(jì)算均值，寫(xiě)入新點(diǎn)表。

④歷史數(shù)據(jù)按照時(shí)間序列存儲(chǔ)。

從歷史庫(kù)中采集預(yù)處理后負(fù)荷歷史數(shù)據(jù)（時(shí)間跨度至少為100 天），結(jié)合其對(duì)應(yīng)的日期類(lèi)型、季節(jié)類(lèi)型、氣象數(shù)據(jù)用以訓(xùn)練預(yù)測(cè)模型。利用訓(xùn)練完成的預(yù)測(cè)模型，結(jié)合天氣預(yù)報(bào)的數(shù)據(jù)計(jì)算未來(lái)各時(shí)間點(diǎn)的電、熱、冷、熱水、蒸汽和光伏負(fù)荷。

3 負(fù)荷預(yù)測(cè)

本文選取的負(fù)荷預(yù)測(cè)的核心方法是BP（Back Propagation)神經(jīng)網(wǎng)絡(luò)算法。本文首先對(duì)湖北省某分布式能源站的天氣類(lèi)型、日期類(lèi)型、季節(jié)類(lèi)型等進(jìn)行量化處理，然后對(duì)天氣類(lèi)型、日期類(lèi)型、最高溫度、最低溫度、平均溫度、最高濕度、最低濕度、平均濕度和歷史負(fù)荷值進(jìn)行歸一化處理，再運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)對(duì)電、熱、冷、熱水、蒸汽、光伏負(fù)荷進(jìn)行預(yù)測(cè)。最后計(jì)算負(fù)荷預(yù)測(cè)的精度，檢驗(yàn)預(yù)測(cè)結(jié)果的優(yōu)劣。

3.1 BP 神經(jīng)網(wǎng)絡(luò)原理

BP（Back Propagation)神經(jīng)網(wǎng)絡(luò)是由輸入層、輸出層和隱含層構(gòu)成的一種多層前饋神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成[18]。

信號(hào)的正向傳播過(guò)程主要為：輸入樣本數(shù)據(jù)從輸入層傳入，由各隱含層內(nèi)部的處理函數(shù)逐層處理之后，再由隱含層傳向輸出層。如果輸出層的輸出結(jié)果與預(yù)期的輸出結(jié)果相差較大，則轉(zhuǎn)向誤差反向傳播過(guò)程。誤差的反向傳播過(guò)程為：將輸出結(jié)果的誤差以一定的形式由隱含層向輸入層反向傳播，并將輸出結(jié)果的誤差分給各層單元，從而獲得各層單元的誤差信號(hào)，此誤差信號(hào)就是修正的各單元的權(quán)值。BP 神經(jīng)網(wǎng)絡(luò)不斷訓(xùn)練學(xué)習(xí)，由梯度下降法運(yùn)用調(diào)節(jié)學(xué)習(xí)速率不斷調(diào)整各單元的權(quán)值和閾值[19]。直到網(wǎng)絡(luò)輸出結(jié)果誤差減小到可以接受的范圍，或進(jìn)行到預(yù)先規(guī)定的學(xué)習(xí)次數(shù)為止，得到最終各單元的權(quán)值矩陣。

本文采用的BP 神經(jīng)網(wǎng)絡(luò)的調(diào)節(jié)學(xué)習(xí)速率公式如下：

式中η(k)表示第k 步的學(xué)習(xí)速率，E(k)表示第k 步的誤差。學(xué)習(xí)速率能夠調(diào)節(jié)權(quán)值和閾值的大小。也就是首先驗(yàn)證訓(xùn)練出的結(jié)果誤差是否比前一次誤差小，如果訓(xùn)練后的誤差比前一次誤差小，則加大學(xué)習(xí)速率可以更快到達(dá)誤差極小值點(diǎn)；如果訓(xùn)練后的誤差比前一次誤差大，說(shuō)明經(jīng)修正后誤差跳過(guò)了誤差極小值點(diǎn)，那么就需要降低學(xué)習(xí)速率。

對(duì)應(yīng)的BP 神經(jīng)網(wǎng)絡(luò)的算法流程圖1 所示。

3.2 應(yīng)用分析

本文對(duì)湖北省某分布式能源站的電、熱、冷、熱水、蒸汽和光伏負(fù)荷進(jìn)行預(yù)測(cè)。首先，對(duì)湖北省某市的天氣類(lèi)型、日期類(lèi)型、季節(jié)類(lèi)型等進(jìn)行量化處理，然后，對(duì)天氣類(lèi)型、日期類(lèi)型、最高溫度、最低溫度、平均溫度、最高濕度、最低濕度、平均濕度和歷史負(fù)荷值進(jìn)行歸一化處理，去除量綱的影響。最后，計(jì)算未來(lái)各時(shí)刻的負(fù)荷值和負(fù)荷預(yù)測(cè)的精度，評(píng)估負(fù)荷預(yù)測(cè)效果。

圖1 BP 神經(jīng)網(wǎng)絡(luò)的算法流程圖

圖2 BP 網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型

負(fù)荷預(yù)測(cè)的過(guò)程主要分為兩個(gè)基本過(guò)程，負(fù)荷離線(xiàn)學(xué)習(xí)過(guò)程和負(fù)荷在線(xiàn)預(yù)測(cè)過(guò)程。負(fù)荷離線(xiàn)學(xué)習(xí)過(guò)程主要是運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)方法對(duì)歸一化后的歷史負(fù)荷值和影響負(fù)荷的因素：天氣類(lèi)型、日期類(lèi)型、最高溫度、最低溫度、平均溫度、最高濕度、最低濕度、平均濕度和歷史負(fù)荷值進(jìn)行訓(xùn)練學(xué)習(xí)，得到模型的權(quán)值矩陣；然后轉(zhuǎn)到模型的滾動(dòng)預(yù)測(cè)過(guò)程，將離線(xiàn)學(xué)習(xí)過(guò)程得到的負(fù)荷矩陣作為在線(xiàn)學(xué)習(xí)的BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)重，根據(jù)最近兩天的負(fù)荷值和影響負(fù)荷的變量運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)模型提前24小時(shí)對(duì)系統(tǒng)電、熱、冷、熱水、蒸汽以及光伏發(fā)電的負(fù)荷做預(yù)測(cè)。再利用新采集的數(shù)據(jù)再對(duì)模型進(jìn)行滾動(dòng)學(xué)習(xí)，優(yōu)化模型，提高負(fù)荷預(yù)測(cè)的精度，使得負(fù)荷預(yù)測(cè)的預(yù)測(cè)誤差控制在10%以?xún)?nèi)，為能源供應(yīng)量提供條件并實(shí)現(xiàn)負(fù)荷智能預(yù)測(cè)的目的。

本文運(yùn)用的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)的拓?fù)鋱D如圖2 所示。

以湖北省某分布式能源站的夏季負(fù)荷為例，運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)得到的電，熱、冷、熱水、蒸汽、光伏負(fù)荷的實(shí)際值和估計(jì)值的折線(xiàn)圖結(jié)果為（圖3-8）：

圖3 夏季電負(fù)荷實(shí)際值和預(yù)測(cè)值

設(shè)負(fù)荷的實(shí)際值是yi，負(fù)荷預(yù)測(cè)的預(yù)測(cè)值為，其中i=1,2,…n。則負(fù)荷預(yù)測(cè)每個(gè)點(diǎn)誤差的計(jì)算公式：

負(fù)荷預(yù)測(cè)誤差的計(jì)算公式為：

以夏季為例，計(jì)算得到：

電負(fù)荷預(yù)測(cè)誤差百分值為4.57%；冷負(fù)荷預(yù)測(cè)誤差百分值為1.62%；熱負(fù)荷預(yù)測(cè)誤差百分值為2.28%；熱水負(fù)荷預(yù)測(cè)誤差百分值為6.86%；蒸汽負(fù)荷預(yù)測(cè)誤差百分值為5.91%；光伏負(fù)荷預(yù)測(cè)誤差百分值為2.46%。

4 結(jié)論

本文通過(guò)爬蟲(chóng)的方式采集天氣變量的數(shù)據(jù)，降低了負(fù)荷預(yù)測(cè)的成本。將網(wǎng)絡(luò)采集的數(shù)據(jù)保存到嵌入式計(jì)算機(jī)中，使數(shù)據(jù)通過(guò)串口通訊實(shí)現(xiàn)由外網(wǎng)向內(nèi)網(wǎng)傳輸，確保數(shù)據(jù)的安全性。又由于嵌入式計(jì)算機(jī)的便攜可移動(dòng)性，方便數(shù)據(jù)的使用；同時(shí)價(jià)格便宜，降低了存儲(chǔ)成本。

圖4 夏季冷負(fù)荷實(shí)際值和預(yù)測(cè)值圖

圖5 夏季熱負(fù)荷實(shí)際值和預(yù)測(cè)值圖

圖6 夏季熱水負(fù)荷實(shí)際值和預(yù)測(cè)值圖

圖7 夏季蒸汽負(fù)荷實(shí)際值和預(yù)測(cè)值圖

圖8 夏季光伏負(fù)荷實(shí)際值和預(yù)測(cè)值圖

通過(guò)運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)湖北省某市分布式能源站的負(fù)荷進(jìn)行預(yù)測(cè)，經(jīng)多次實(shí)驗(yàn)數(shù)據(jù)分析驗(yàn)證，得到湖北省某市分布式能源站的電、冷、熱、熱水、蒸汽和光伏負(fù)荷的負(fù)荷預(yù)測(cè)誤差均在10%以下。由此可知，運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷進(jìn)行預(yù)測(cè)得到負(fù)荷預(yù)測(cè)的精度較高且模型復(fù)雜度低，對(duì)湖北省某分布式能源站的用能需求規(guī)劃與系統(tǒng)優(yōu)化調(diào)度具有重要的意義。