[发明专利]基于LSTM的园区多能短期负荷预测及优化方法

说明书

本发明公开了一种基于LSTM的园区多能短期负荷预测及优化方法，涉及智能多能优化配置技术领域，通过大负荷下的短期负荷历史数据集训练多能负荷功率预测模型，控制参数数据集训练多能配置预测模型，基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优，对园区多能源系统进行最优配置，从而实现对园区多能资源的优化利用，提高能源利用率。

技术领域

本发明涉及智能多能优化配置技术领域，具体涉及一种基于LSTM的园区多能短期负荷预测及优化方法。

背景技术

近年来，园区冷、热、电、气等的综合能源系统技术发展迅速，在综合能源系统的建设、规划调度和经济运行的过程中，对多种能源的负荷进行有效的预测，是制定决策和实现高效能源管理的重要基础。而现有冷、热、电、气等形式能量转化效率低、分布不集中、使用成本高等情况普遍存在，使得能源和环境已经成为制约国民经济可持续发展的主要瓶颈。

现有技术通过智能算法建立数学分析模型，相似日的负荷预测，净负荷预测方法等方法对综合负荷需求进行预测，但是大多是对各种负荷单独进行预测，没有考虑各种负荷之间的耦合关系，增强综合能源系统负荷的可预测性。例如，公开号为CN107451676A的发明申请公开了一种电力网络的负荷预测方法包括：获取历史负荷、影响因子等信息，计算得到各自的预测的负荷值，获取复数个方法的加权参数，对复数个相异的方法加权求和，根据比较判断结果是否超出两个阈值，并根据结果重复。并且对应地公开一种电力网络的负荷预测装置。该方法和装置能够提高预测精度，不造成缺电或拉闸限电而影响电力的使用，能够做出部署预案，能够提高能源利用率、降低不必要的功率消耗、减轻对环境造成的负担，有效改进精度，能够对预测结果进行进一步的处理和利用，提高数据利用价值。然而，该发明申请属于电力网络的负荷预测，不适用于多能源供给系统负荷的预测。

由冷、热、电、气等能源供应网络耦合形成的综合能源系统，可以实现资源的优化利用，提高能源利用率，是应对资源逐渐短缺、环境污染等问题的关键。因此，亟需一种适用于园区多能系统的负荷预测及优化配置方法，以实现对园区多能资源的优化利用，提高能源利用率。

发明内容

因此，本发明实施例的一种基于LSTM的园区多能短期负荷预测及优化方法，包括以下步骤：

对获取到的园区多能源系统的负荷历史数据进行特征提取，获得大负荷下的短期负荷历史数据集；

采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型；

对获取到的园区多能源系统的与负荷历史数据相对应的储能控制参数进行特征提取，获得控制参数数据集；

采用所述控制参数数据集训练基于深度学习的多能配置预测模型，获得训练好的多能配置预测模型；

基于多能配置预测模型，在训练好的多能负荷功率预测模型输出的能耗预测值的约束下，以最小能耗为优化目标，进行冷量输出控制参数、热量输出控制参数、气体输出控制参数和储电输出控制参数的寻优。

优选地，所述园区多能源系统包括电转化蓄冷装置、电转化储热装置、电转气储气装置、储电装置和电网供电装置，电转化蓄冷装置用于将电能转化为冷能以输出并储存，电转化储热装置用于将电能转化为热能以输出并储存，电转气储气装置用于将电力转化为气体以输出并储存，储电装置用于将电能储存并输出，电网供电装置用于直接输出电能分配给电转化蓄冷装置、电转化储热装置、电转气储气装置和储电装置。

优选地，所述多能负荷功率预测模型采用LSTM网络。

优选地，所述多能配置预测模型采用LSTM网络。

优选地，所述采用所述大负荷下的短期负荷历史数据集训练基于深度学习的多能负荷功率预测模型，获得训练好的多能负荷功率预测模型的步骤包括：