王力成 王子非 鄧寶華 凌 鋒 張有兵

(*浙江工業(yè)大學(xué)信息工程學(xué)院 杭州 310023)

(**之江實(shí)驗(yàn)室人工智能研究院 杭州 311121)

0 引言

負(fù)荷預(yù)測作為保障能源系統(tǒng)安全穩(wěn)定運(yùn)行的前提,可以為系統(tǒng)的優(yōu)化調(diào)度提供數(shù)據(jù)參考[1]。目前對(duì)于負(fù)荷預(yù)測的研究主要針對(duì)單一能源系統(tǒng),僅側(cè)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(bǔ)的優(yōu)勢,同時(shí)也無法保證綜合能源系統(tǒng)(integrated energy system,IES)整體的安全經(jīng)濟(jì)運(yùn)行。而IES 的多元負(fù)荷預(yù)測一方面可為系統(tǒng)運(yùn)行規(guī)劃提供先驗(yàn)知識(shí),極大提高系統(tǒng)的靈活調(diào)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(fù)荷預(yù)測成為當(dāng)前研究的一大熱點(diǎn)。當(dāng)前,由于綜合能源系統(tǒng)所采集到的數(shù)據(jù)信息包含了大量的歷史負(fù)荷數(shù)據(jù)、環(huán)境因素?cái)?shù)據(jù)和氣象因素?cái)?shù)據(jù)等,且這些數(shù)據(jù)的隨機(jī)性和復(fù)雜程度較高,因此,傳統(tǒng)應(yīng)用于綜合能源系統(tǒng)的負(fù)荷預(yù)測方法難以達(dá)到令人滿意的效果[2]。

近年來,深度學(xué)習(xí)由于具有“特征提取能力強(qiáng)、計(jì)算效率高”等特點(diǎn)[3-4],因此受到國內(nèi)外學(xué)者的廣泛研究。文獻(xiàn)[5,6]分別基于循環(huán)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)較好地實(shí)現(xiàn)了負(fù)荷的短期預(yù)測,但算法程序的實(shí)現(xiàn)較為復(fù)雜,且模型簡單,無法對(duì)復(fù)雜冗余數(shù)據(jù)進(jìn)行有效處理。文獻(xiàn)[7-9]分別利用灰色關(guān)聯(lián)分析法和改進(jìn)的粒子群算法對(duì)深度學(xué)習(xí)算法做出了相應(yīng)的改進(jìn),改進(jìn)后算法的預(yù)測效果得到了一定程度上的提升。然而,由于深度學(xué)習(xí)方法與綜合能源系統(tǒng)的內(nèi)在物理結(jié)構(gòu)是相互獨(dú)立的,難以解釋具有強(qiáng)因果關(guān)系的IES 系統(tǒng)中各能源子網(wǎng)絡(luò)之間存在的能量耦合特性。因此,單純利用深度學(xué)習(xí)模型得到的負(fù)荷預(yù)測結(jié)果受到了一些專家和學(xué)者的質(zhì)疑。

本文綜合考慮到IES 物理結(jié)構(gòu)模型中包含的能量耦合特性知識(shí)以及深度學(xué)習(xí)模型具有高效處理海量復(fù)雜數(shù)據(jù)信息的能力,提出一種基于知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)的IES 多元負(fù)荷預(yù)測方法。首先基于原始樣本數(shù)據(jù)庫中的歷史負(fù)荷數(shù)據(jù)、氣象因素?cái)?shù)據(jù)、可再生能源出力數(shù)據(jù)等信息建立解析模型,并通過建立好的知識(shí)模型計(jì)算得到各能源的供應(yīng)值。然后將知識(shí)模型計(jì)算所得到的數(shù)據(jù)和原始樣本數(shù)據(jù)進(jìn)行重構(gòu),并將重構(gòu)后新的樣本數(shù)據(jù)作為數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練。最后,在IES 負(fù)荷預(yù)測模型的訓(xùn)練過程中,利用基于隨機(jī)森林算法的特征選擇方法和Dropout 技術(shù)分別對(duì)冗余特征和神經(jīng)網(wǎng)絡(luò)進(jìn)行處理,從而進(jìn)一步提升該預(yù)測模型的泛化能力。算例結(jié)果表明,通過本文所提方法訓(xùn)練完備的IES 多元負(fù)荷預(yù)測模型相較于傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型不僅具有較好的可解釋性,還有助于改善IES 多元負(fù)荷預(yù)測模型的預(yù)測效果。

1 綜合能源系統(tǒng)的用能機(jī)理分析

在對(duì)綜合能源系統(tǒng)中不同類型負(fù)荷進(jìn)行預(yù)測之前,還需要充分分析IES 內(nèi)部各能源子系統(tǒng)之間的能源交互與存儲(chǔ),深入探索各種負(fù)荷的構(gòu)成機(jī)理,進(jìn)而獲得歷史負(fù)荷數(shù)據(jù)和其他影響因素下未來負(fù)荷的變化趨勢。本節(jié)將從綜合能源系統(tǒng)的物理結(jié)構(gòu)和IES 中的能量耦合特性2 個(gè)方面對(duì)IES 的多元負(fù)荷特性進(jìn)行介紹。

1.1 綜合能源系統(tǒng)的物理結(jié)構(gòu)

截至目前,關(guān)于能源系統(tǒng)預(yù)測的研究工作主要還是集中于單一能源系統(tǒng),而針對(duì)單一能源系統(tǒng)的預(yù)測工作忽略了當(dāng)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(diǎn)。典型綜合能源系統(tǒng)的物理結(jié)構(gòu)模型框架如圖1 所示。

圖1 典型綜合能源系統(tǒng)的物理結(jié)構(gòu)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(wǎng)絡(luò)。在電力網(wǎng)絡(luò)中,除了一些常規(guī)的電氣設(shè)備(如電力傳輸線、不同級(jí)別的用電負(fù)荷),還包含分布式可再生能源的發(fā)電設(shè)備(如風(fēng)電、光伏)和電儲(chǔ)能裝置等;在天然氣網(wǎng)絡(luò)中,天然氣管道、氣儲(chǔ)能裝置和氣動(dòng)閥門成為了該網(wǎng)絡(luò)的核心;熱力網(wǎng)絡(luò)則主要由熱力管道、熱力閥門、熱負(fù)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(chǔ)以及負(fù)荷需求響應(yīng)三大功能。例如,電力網(wǎng)絡(luò)在消納風(fēng)電、光伏等可再生能源、提升電力資源優(yōu)化配置的同時(shí),還能通過電制熱、電制氫等耦合設(shè)備將電能轉(zhuǎn)換熱能和氣能,從而滿足熱負(fù)荷和氣負(fù)荷的能源需求;天然氣網(wǎng)絡(luò)中的氣源除了供給氣負(fù)荷外,還可以通過熱電聯(lián)供機(jī)組產(chǎn)生電能和熱能,用于供給電負(fù)荷和熱負(fù)荷;熱力網(wǎng)絡(luò)中的熱源不僅滿足了熱負(fù)荷需求,還能與熱儲(chǔ)能裝置進(jìn)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(fù)荷需求和其他多種異質(zhì)能源緊密相關(guān)。因此,在對(duì)綜合能源系統(tǒng)進(jìn)行多元負(fù)荷預(yù)測時(shí),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(dòng)性以及不同能源供應(yīng)等影響因素對(duì)IES 多元負(fù)荷預(yù)測結(jié)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(duì)象,對(duì)IES 內(nèi)部各能源子系統(tǒng)的能量耦合特性進(jìn)行詳細(xì)分析。在能源供給側(cè),IES 中各能源子系統(tǒng)通過從上級(jí)能源網(wǎng)絡(luò)獲得電力、天然氣和熱力的能源供應(yīng),并通過不同的能源轉(zhuǎn)化設(shè)備實(shí)現(xiàn)電能、氣能和熱能的能源交互與存儲(chǔ),進(jìn)而滿足用戶需求側(cè)中不同類型的負(fù)荷需求。其中,能源供給側(cè)的能量耦合關(guān)系可建模如下:

在用戶需求側(cè),從上級(jí)能源網(wǎng)絡(luò)獲得的電力、天然氣、熱力資源經(jīng)由各種能源轉(zhuǎn)化設(shè)備可滿足不同規(guī)模級(jí)別的用戶需求。為保障用戶需求側(cè)的正常供能,綜合能源系統(tǒng)中的能量耦合關(guān)系式還需考慮各能源子網(wǎng)絡(luò)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(fù)荷、氣負(fù)荷和熱負(fù)荷。

2 考慮IES 能量耦合特性的知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)模型

相較于傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型的IES 負(fù)荷預(yù)測方法,本文所提方法綜合考慮到綜合能源系統(tǒng)物理結(jié)構(gòu)模型中蘊(yùn)藏的能量耦合特性以及深度學(xué)習(xí)具有高效處理海量高維復(fù)雜數(shù)據(jù)的能力,提出一種基于知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)的綜合能源系統(tǒng)多元負(fù)荷預(yù)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(shí),在提高數(shù)據(jù)驅(qū)動(dòng)模型可解釋性的同時(shí),還能充分挖掘數(shù)據(jù)驅(qū)動(dòng)模型提取樣本數(shù)據(jù)中重要信息的能力[10-11],進(jìn)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(shí)的解析模型

為進(jìn)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(jù)驅(qū)動(dòng)模型訓(xùn)練的新數(shù)據(jù)樣本,本節(jié)利用解析模型對(duì)從上級(jí)能源網(wǎng)絡(luò)獲得的各能源供應(yīng)進(jìn)行求解,求解過程如下。

先將式(1)轉(zhuǎn)化為式(2)形式。

再對(duì)式(2)進(jìn)行化簡可分別計(jì)算得到當(dāng)前歷史數(shù)據(jù)下電能、氣能和熱能的供應(yīng)值,結(jié)果如式(3)～(5)所示。

最后對(duì)解析模型計(jì)算所得到的電能、氣能、熱能和原始樣本數(shù)據(jù)進(jìn)行重構(gòu),重構(gòu)后的新數(shù)據(jù)樣本作為下一節(jié)數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練樣本。

2.2 基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)模型

2.2.1 深度置信網(wǎng)絡(luò)的算法原理

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

圖2 典型的深度置信網(wǎng)絡(luò)模型

RBM 是構(gòu)成DBN 的基本單元,每一個(gè)RBM 中上一層神經(jīng)元的輸出可作為下一層神經(jīng)元的輸入,即圖2 中隱含層也可作為某個(gè)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(gè)受限玻爾茲曼機(jī)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(jīng)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(gè)隱含層的狀態(tài)向量;A1=(a1,1,a1,2,…,a1,g) 為可視層神經(jīng)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(jī)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(gè)神經(jīng)元的閾值和輸入,b1,l、h1,l分別為RBM1中隱含層上第l個(gè)神經(jīng)元的閾值和狀態(tài)信息,w1,c,l則為RBM1中可視層上第c個(gè)神經(jīng)元與隱含層上第l個(gè)神經(jīng)元之間的權(quán)重。

當(dāng)隱含層H1=(h1,1,h1,2,…,h1,e) 的狀態(tài)向量確定后,依據(jù)式(7)可計(jì)算得到可視層上第c個(gè)神經(jīng)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(jīng)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(jù)式(8)可計(jì)算得到隱含層上第l個(gè)神經(jīng)元的激活概率。

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

其中,Xt表示第t個(gè)輸入樣本;N為輸入樣本的總數(shù)。

在DBN 的訓(xùn)練過程中,其他RBM 的參數(shù)可依據(jù)上述RBM1的參數(shù)計(jì)算公式求得,同時(shí)利用頂層的誤差反向傳播算法(back propagation,BP)回歸層實(shí)現(xiàn)輸出信息的擬合預(yù)測,并對(duì)DBN 的網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)。

2.2.2 改進(jìn)后的深度置信網(wǎng)絡(luò)

在綜合能源系統(tǒng)中,由于IES 的多元負(fù)荷與眾多影響因素相關(guān),因此相較于單一能源系統(tǒng),其負(fù)荷預(yù)測模型的復(fù)雜程度勢必更高,可能會(huì)導(dǎo)致模型在訓(xùn)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(shù)[18-19]對(duì)DBN 神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn),改進(jìn)后的DBN 神經(jīng)網(wǎng)絡(luò)如圖3所示。

圖3 改進(jìn)后的DBN 神經(jīng)網(wǎng)絡(luò)

其中,基于Dropout 技術(shù)改進(jìn)后的DBN 網(wǎng)絡(luò)參數(shù)訓(xùn)練流程如下。

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

(2)小批量訓(xùn)練樣本通過Dropout 后的神經(jīng)網(wǎng)絡(luò)進(jìn)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(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播,并在剩余神經(jīng)元的基礎(chǔ)上按照隨機(jī)梯度下降算法實(shí)現(xiàn)DBN 的網(wǎng)絡(luò)參數(shù)更新。

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

重復(fù)執(zhí)行上述步驟,直至DBN 模型訓(xùn)練結(jié)束。

3 IES 的多元負(fù)荷預(yù)測流程

本文所提的基于知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)的綜合能源系統(tǒng)多元負(fù)荷預(yù)測流程如圖4 所示。該預(yù)測流程主要包含離線訓(xùn)練和在線評(píng)估兩部分內(nèi)容。在離線訓(xùn)練過程中,為了避免IES 負(fù)荷預(yù)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(jī)森林算法[20]對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理,提取與預(yù)測結(jié)果相關(guān)性程度強(qiáng)的特征變量作為IES 負(fù)荷預(yù)測模型的輸入,以此來降低輸入數(shù)據(jù)的復(fù)雜性;然后利用Dropout 技術(shù)將深度置信網(wǎng)絡(luò)中的部分神經(jīng)元進(jìn)行稀疏化處理,從而有效地提高了IES 負(fù)荷預(yù)測模型的泛化能力,降低模型的過擬合風(fēng)險(xiǎn);最后基于縱向?qū)Ρ确椒▽?duì)不同隱含層層數(shù)、同一隱含層上不同神經(jīng)元個(gè)數(shù)下IES 負(fù)荷預(yù)測模型的預(yù)測精度進(jìn)行分析對(duì)比,從而獲得IES 負(fù)荷預(yù)測模型的最優(yōu)網(wǎng)絡(luò)架構(gòu),并以此進(jìn)行模型的訓(xùn)練。

圖4 基于知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)的綜合能源系統(tǒng)多元負(fù)荷預(yù)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(shí)-數(shù)據(jù)混合驅(qū)動(dòng)的IES 負(fù)荷預(yù)測模型,因此在該模型的訓(xùn)練過程中,輸入樣本數(shù)據(jù)不僅包含歷史負(fù)荷、溫度、風(fēng)速、光伏和風(fēng)電等傳統(tǒng)數(shù)據(jù)集,還包括2.1 節(jié)計(jì)算得到的電能、氣能、熱能以及儲(chǔ)能的充放電功率等數(shù)據(jù)信息;輸出數(shù)據(jù)為當(dāng)前時(shí)刻的負(fù)荷數(shù)據(jù)。為了避免某些特征對(duì)IES 負(fù)荷預(yù)測模型的預(yù)測結(jié)果產(chǎn)生不好的影響,本文在對(duì)IES 負(fù)荷預(yù)測模型進(jìn)行訓(xùn)練之前采用了隨機(jī)森林算法對(duì)各種特征的相關(guān)性程度做了定量分析,以此篩選出與預(yù)測結(jié)果相關(guān)性程度強(qiáng)的輸入特征。文章選取相關(guān)性程度大于0.3 的特征作為輸入變量,并選取當(dāng)前的電、氣、熱負(fù)荷作為輸出變量。其中,基于隨機(jī)森林算法實(shí)現(xiàn)某種特征相關(guān)性程度的定量分析過程如下。

步驟1將袋外數(shù)據(jù)(out-of-bag,OOB)樣本編號(hào)為r=1、2、3…、R,每個(gè)樣本包含p個(gè)特征。

步驟2設(shè)置r=1,基于訓(xùn)練樣本建立決策樹,并將袋外數(shù)據(jù)記為

步驟3利用決策樹實(shí)現(xiàn)的預(yù)測,并計(jì)算袋外數(shù)據(jù)的預(yù)測誤差,記作

步驟5對(duì)于r=2、3、…、R,循環(huán)執(zhí)行步驟2～4。

步驟6定量計(jì)算特征Xs的相關(guān)性程度

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

3.2 離線訓(xùn)練

步驟1將采集到的歷史負(fù)荷、溫度、風(fēng)速、風(fēng)電和光伏等原始樣本數(shù)據(jù)、儲(chǔ)能充放電功率數(shù)據(jù)以及2.1 節(jié)計(jì)算所得的電能、熱能、氣能數(shù)據(jù)信息進(jìn)行重構(gòu),獲得新的樣本數(shù)據(jù)庫。

步驟2將新的樣本數(shù)據(jù)分為訓(xùn)練集和測試集,同時(shí)為避免不同變量之間的單位差異給IES 負(fù)荷預(yù)測結(jié)果帶來的影響,本文對(duì)新的樣本數(shù)據(jù)進(jìn)行歸一化處理,數(shù)據(jù)歸一化的計(jì)算公式如下:

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

步驟3逐層進(jìn)行無監(jiān)督訓(xùn)練。在對(duì)改進(jìn)后的DBN 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí),首先將新的樣本數(shù)據(jù)集劃分為若干組的小批量樣本數(shù)據(jù),然后隨機(jī)選擇一組小批量樣本數(shù)據(jù)用于Dropout 技術(shù)改進(jìn)后的DBN神經(jīng)網(wǎng)絡(luò)訓(xùn)練,從而獲得DBN 神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值參數(shù)。

步驟4通過DBN 模型頂層的BP 網(wǎng)絡(luò)實(shí)現(xiàn)輸出信息的預(yù)測擬合,并對(duì)模型的網(wǎng)絡(luò)參數(shù)進(jìn)行反向微調(diào)。

本文定義平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)為IES 負(fù)荷預(yù)測模型的預(yù)測精度指標(biāo),MAPE 的計(jì)算公式為

式中,yreal(h)、ypre(h) 分別為h時(shí)刻下各類負(fù)荷的實(shí)際值和預(yù)測值,N為樣本數(shù)據(jù)的總數(shù)。

3.3 在線預(yù)測

步驟1對(duì)于綜合能源系統(tǒng)的規(guī)劃調(diào)度人員,可根據(jù)量測采集到的典型日內(nèi)負(fù)荷數(shù)據(jù)、能源數(shù)據(jù)和天氣數(shù)據(jù)等信息,形成綜合能源系統(tǒng)負(fù)荷預(yù)測模型的輸入數(shù)據(jù)。

步驟2依據(jù)式(11)對(duì)輸入數(shù)據(jù)進(jìn)行相應(yīng)的歸一化處理。

步驟3將歸一化處理后的數(shù)據(jù)輸入到已經(jīng)離線訓(xùn)練完備的深度置信網(wǎng)絡(luò)模型中,獲得對(duì)應(yīng)的輸出數(shù)據(jù)。

步驟4將輸出數(shù)據(jù)進(jìn)行反歸一化處理,得到IES 多元負(fù)荷的預(yù)測值,并基于式(12)計(jì)算得到各負(fù)荷的預(yù)測精度指標(biāo)。

4 算例分析

為了驗(yàn)證本文所提方法的有效性,本文利用Matlab 平臺(tái)實(shí)現(xiàn)了基于知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)的綜合能源系統(tǒng)多元負(fù)荷預(yù)測。其中,實(shí)驗(yàn)仿真所用數(shù)據(jù)均采集于南昌某工業(yè)園區(qū)內(nèi)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(chǎn)機(jī)組、燃?xì)忮仩t、電制熱設(shè)備等能源轉(zhuǎn)換設(shè)備,還配置了相應(yīng)的電、熱、氣儲(chǔ)能裝置來提高系統(tǒng)運(yùn)行靈活性和經(jīng)濟(jì)性。其中,該系統(tǒng)中能源的分配系數(shù)以及設(shè)備的能源轉(zhuǎn)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(shè)備的能源轉(zhuǎn)化效率

4.1 預(yù)測實(shí)例

本文算例選取上述綜合能源系統(tǒng)2018 年一整年的小時(shí)級(jí)數(shù)據(jù)作為原始樣本數(shù)據(jù),將2018 年1 月1 日至2018 年3 月30 日的春季數(shù)據(jù)作為傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型的原始訓(xùn)練樣本數(shù)據(jù)和知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)模型的新訓(xùn)練樣本數(shù)據(jù)的基礎(chǔ);并選取2018年3 月31 日這一典型日的對(duì)應(yīng)信息作為測試樣本數(shù)據(jù),分別對(duì)2 種模型進(jìn)行預(yù)測分析。

為了進(jìn)一步分析傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)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(jī)森林算法的特征選擇方法分別對(duì)2 種模型的輸入特征進(jìn)行了相關(guān)性程度的定量分析。上述2 種模型的特征相關(guān)性重要程度分析結(jié)果分別如附錄A 和附錄B 所示。

4.2 數(shù)據(jù)驅(qū)動(dòng)模型的最佳網(wǎng)絡(luò)架構(gòu)選取

由于本文所提方法中的數(shù)據(jù)驅(qū)動(dòng)模型是一種深度置信網(wǎng)絡(luò)算法,而該算法的預(yù)測效果很大程度上依靠于網(wǎng)絡(luò)架構(gòu)的選取。因此,本文在實(shí)驗(yàn)仿真過程中采用了一種縱向?qū)Ρ确椒▽?duì)深度置信網(wǎng)絡(luò)模型中隱含層的層數(shù)以及各隱含層上的神經(jīng)元個(gè)數(shù)進(jìn)行分析對(duì)比,以此來選取數(shù)據(jù)驅(qū)動(dòng)模型的最佳網(wǎng)絡(luò)架構(gòu)。其中,傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型和本文所提方法中的數(shù)據(jù)驅(qū)動(dòng)模型在不同網(wǎng)絡(luò)架構(gòu)下的MAPE 值分別如圖5(a)和(b)所示。

圖5 在不同網(wǎng)絡(luò)架構(gòu)下2 種模型的預(yù)測效果

由圖5(a)和(b)可知,在本算例中,傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型和本文所提方法中的數(shù)據(jù)驅(qū)動(dòng)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(jīng)元的最佳個(gè)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(jù)驅(qū)動(dòng)模型在相同的網(wǎng)絡(luò)架構(gòu)下的MAPE 值都要小于傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型。

4.3 結(jié)果分析與對(duì)比

本文依據(jù)4.2 節(jié)中實(shí)驗(yàn)仿真所獲得的最佳網(wǎng)絡(luò)架構(gòu)分別對(duì)傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型和本文所提方法中數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行離線學(xué)習(xí),從而得到訓(xùn)練完備的IES 負(fù)荷預(yù)測模型。為了進(jìn)一步分析網(wǎng)絡(luò)架構(gòu)對(duì)綜合能源系統(tǒng)中不同負(fù)荷預(yù)測效果產(chǎn)生的影響,表3和表4 給出了不同隱含層層數(shù)和神經(jīng)元個(gè)數(shù)下傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型和本文所提方法的MAPE1、MAPE2和MAPE3值,同時(shí)將MAPE1、MAPE2和MAPE3分別記為電負(fù)荷、熱負(fù)荷和氣負(fù)荷的預(yù)測精度指標(biāo)。其中,表3、表4 中2 種模型的隱含層總數(shù)都設(shè)置為5 層,對(duì)應(yīng)隱含層上的神經(jīng)元個(gè)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(jù)驅(qū)動(dòng)模型的各負(fù)荷預(yù)測結(jié)果

表4 本文所提方法的各負(fù)荷預(yù)測結(jié)果

從表3 和表4 中可以看出,無論是傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型還是本文所提方法,多隱含層的網(wǎng)絡(luò)架構(gòu)下的IES 負(fù)荷預(yù)測結(jié)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(fù)荷預(yù)測精度都要高于表3。然而,神經(jīng)網(wǎng)絡(luò)中的隱含層數(shù)越多也不意味著IES 的各負(fù)荷預(yù)測效果越好。如表4 所示,本文所提方法中數(shù)據(jù)驅(qū)動(dòng)模型的隱含層層數(shù)為4 層時(shí)的IES 多元負(fù)荷預(yù)測精度要高于其隱含層層數(shù)為5 層的情況,且此時(shí)的電、熱、氣3 種負(fù)荷的MAPE1、MAPE2和MAPE3值最低,僅為3.99%、3.27%和3.66%,此時(shí)的IES 多元負(fù)荷預(yù)測模型已經(jīng)達(dá)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(jù)驅(qū)動(dòng)模型,表4 中本文所提方法的離線訓(xùn)練和在線預(yù)測時(shí)間幾乎保持不變,且能滿足IES 負(fù)荷的在線預(yù)測要求。由此可見,相較于傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型,本文所提方法確實(shí)有助于提高綜合能源系統(tǒng)中多元負(fù)荷的預(yù)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(shí),極大地保留了綜合能源系統(tǒng)中非線性的強(qiáng)因果關(guān)系,因此文中所提方法具有更好的可解釋性。

為進(jìn)一步驗(yàn)證本文所提方法相較于傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型所體現(xiàn)出來的優(yōu)越性,本算例將兩者的網(wǎng)絡(luò)架構(gòu)都設(shè)置為最優(yōu),并利用測試樣本對(duì)本文所提方法和傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型的泛化能力進(jìn)行對(duì)比分析。其中,傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型和本文所提方法的多元負(fù)荷預(yù)測結(jié)果如圖6、7 所示。

圖6 傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型的多元負(fù)荷預(yù)測結(jié)果

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

圖7 本文所提方法的多元負(fù)荷預(yù)測結(jié)果

綜上所述,相比于傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型,本文所提方法不僅能有效地提高IES 多元負(fù)荷的預(yù)測精度,還保留了綜合能源系統(tǒng)中的能量耦合特性知識(shí),保證了IES 負(fù)荷預(yù)測結(jié)果的可靠性。

5 結(jié)論

本文以綜合能源系統(tǒng)為研究對(duì)象,提出一種基于知識(shí)-數(shù)據(jù)混合驅(qū)動(dòng)的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法,其主要貢獻(xiàn)可總結(jié)如下。

(1)本文將綜合能源系統(tǒng)中的能量耦合特性知識(shí)模型與數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行了有效的結(jié)合,通過對(duì)基于能量耦合特性知識(shí)模型計(jì)算得到的能源供應(yīng)量和原始樣本數(shù)據(jù)進(jìn)行重構(gòu),可獲得用于訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)模型的新樣本數(shù)據(jù)。算例結(jié)果表明,通過本文所提方法訓(xùn)練完備的IES 負(fù)荷預(yù)測模型相較于傳統(tǒng)單一數(shù)據(jù)驅(qū)動(dòng)模型不僅具有較好的可解釋性,還有助于改善該負(fù)荷預(yù)測模型的預(yù)測效果。

(2)本文考慮到綜合能源系統(tǒng)中多元負(fù)荷與其他影響因素之間的相關(guān)性,利用隨機(jī)森林算法對(duì)不同特征的相關(guān)性程度做了定量分析,從而提高了模型的計(jì)算效率。此外,為避免模型出現(xiàn)過擬合,文章利用Dropout 技術(shù)對(duì)DBN 神經(jīng)網(wǎng)絡(luò)進(jìn)行了處理,進(jìn)一步提高了模型的泛化能力。

(3)在數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練過程中,本文利用縱向?qū)Ρ确椒梢暂^快地選擇出具有最佳網(wǎng)絡(luò)架構(gòu)的數(shù)據(jù)驅(qū)動(dòng)模型,避免了因網(wǎng)絡(luò)架構(gòu)隨機(jī)性給模型預(yù)測結(jié)果帶來的影響。

(4)在之前的IES 負(fù)荷預(yù)測研究中,通常是利用歷史負(fù)荷、氣象信息等數(shù)據(jù)作為訓(xùn)練樣本。而本文在此基礎(chǔ)上還考慮了風(fēng)電、光伏等可再生能源出力、儲(chǔ)能以及不同能源供應(yīng)對(duì)未來負(fù)荷預(yù)測產(chǎn)生的影響,進(jìn)而更接近綜合能源系統(tǒng)的實(shí)際運(yùn)行工況。

附錄A

表A1 電負(fù)荷與其他特征間的相關(guān)性程度

附錄B

表B1 電負(fù)荷與其他特征間的相關(guān)性程度