[发明专利]考虑源荷不确定性的综合能源系统日前调度方法及系统

权利要求书

1.考虑源荷不确定性的综合能源系统日前调度方法，其特征在于，包括如下步骤：

获取综合能源系统运行的源荷多维数据，分别预处理后分解为带有频率特征的序列数据；

对分解后的每个序列数据分别进行点预测，按照每一维度数据叠加后得到对应维度数据的预测值；

根据预测值计算残差，对残差进行概率预测，得到每一维度数据预测值的残差概率预测区间；

将每一维度数据的预测值及对应的残差概率预测区间融合后生成多维场景，将多维场景进行聚类得到源荷多维典型场景及其发生的概率；

将源荷多维典型场景数据输入综合能源系统，求解得到综合能源系统的设备出力，作为综合能源系统日前调度优化结果。

2.如权利要求1所述的考虑源荷不确定性的综合能源系统日前调度方法，其特征在于：采用自适应噪声完备集合经验模态分解方法，对综合能源系统运行的源荷多维数据的每一维度数据进行并行分解。

3.如权利要求2所述的考虑源荷不确定性的综合能源系统日前调度方法，其特征在于：针对每一维度数据A，采用长短期记忆网络，对分解后的每个序列数据分别进行点预测，叠加后得到未来时刻的对应维度数据A的预测值。

4.权利要求3所述的考虑源荷不确定性的综合能源系统日前调度方法，其特征在于，采用长短期记忆网络进行点预测的方法，包括如下步骤：

步骤21、针对多维数据的每一维度数据的每个分解序列对应设置一个LSTM神经网络；

步骤22、按照设定的滑动窗口划分获取的综合能源多维数据的历史数据，作为训练数据，经过预处理以及分解，按照对应的数据序列分别传输至各LSTM神经网络，基于梯度下降法更新网络模型的参数，得到训练后的多个LSTM模型；

步骤23、获取待预测点前与滑动窗口同宽度的源荷多维数据，对源荷多维数据的分解得到的频率序列，分别输入至训练好的对应LSTM模型，得到序列的预测结果；

步骤24、分别将源荷多维数据同维度数据各频率的序列预测结果叠加，得到源荷数据的预测结果；

步骤25、按照设定的步数向后滑动更新输入序列，循环执行上述步骤23至步骤24，得到下一个预测点的预测结果。

5.权利要求1所述的考虑源荷不确定性的综合能源系统日前调度方法，其特征在于，每一维度数据预测值的残差概率预测，采用高斯过程分位数回归模型，进行滚动训练及预测，包括如下过程：

步骤31、选取上一时段的点预测后得到残差序列A1，作为高斯过程分位数回归模型的输入，以当前时段的残差序列A2为输出对高斯过程分位数回归模型进行训练，得到序列的自相关性；

步骤32、以当前时段的残差序列A2为输入序列，输入至训练后的GPQR模型预测下一时段A3的预测结果，选择设定范围内的分位数结果即为残差的概率预测结果；

循环执行上述步骤31至步骤32进行滚动预测。

6.权利要求1所述的考虑源荷不确定性的综合能源系统日前调度方法，其特征在于：采用高斯过程分位数回归模型，对每一维度数据预测值的残差概率预测，在分位数回归过程中假定输出值是真实值的τ分位数，其中，τ为设定值。

7.权利要求1所述的考虑源荷不确定性的综合能源系统日前调度方法，其特征在于：

求解综合能源系统的设备出力，采用带精英策略的非支配排序遗传算法，以综合能源系统能量平衡关系以及设备容量范围为约束，按照不同典型场景下综合能源系统关键设备的运行情况及对应的发生概率，以综合能源系统的年均成本最低及年碳排放量最少为目标，最终生成综合能源系统典型场景随机优化结果。