基于改进深度信念网络的综合能源负荷控制方法及装置制造方法及图纸

本发明专利技术公开了一种基于改进深度信念网络的综合能源负荷控制方法及装置，方法包括：通过数据选择与预处理，使用自编码神经网络对历史数据进行聚合；利用高斯

【技术实现步骤摘要】
基于改进深度信念网络的综合能源负荷控制方法及装置


[0001]本专利技术涉及综合能源负荷控制领域，具体涉及基于改进深度信念网络的综合能源负荷控制方法及装置。

技术介绍

[0002]在综合能源系统设计和运行中，对综合能源系统的负荷控制是其中的关键环节，将在需求侧响应、负荷控制策略与综合能源系统选址选型及定容等方面发挥重要作用。在用能侧，综合能源系统在考虑电负荷影响的同时，也要分析不同形式负荷(如电动汽车、油、热、气)对系统的影响[1]。诸多能源系统由能量转换单元(如电锅炉、热电联产机组等) 通过能量流的方式相互连接、耦合。
[0003]例如，电锅炉将电能转化为热能以及电能转换为天然气的电转气(power to gas,P2G) 技术；燃气锅炉完成天然气中的化学能转换为热能；地源热泵将电能转换为热能；热电联产机组消耗天然气产生电能与热能等等。但综合能源控制过程中可再生能源和负荷带来的不确定性会使调度方案偏离计划，甚至使计划完全崩溃。现有的方法是将可再生能源、电与热负荷以及交易电价等多种不确定性纳入系统运行模型，并通过多能协调应对不确定性。随机优化与鲁棒优化方法经常被应用于可再生能源发电调度与备用整定中以应对不确定性带来的波动。文献[2]针对安全约束的单元承诺问题，提出了一种两阶段自适应鲁棒单元承诺控制模型。同样受两阶段自适应鲁棒优化的启发，文献[3]遵循相似的思路，建立了一种考虑多能源间交易组合离散特性的先进控制模型，并使用列约束生成算法有效地解决了该问题。研究已表明，不对可再生能源或负荷进行任何预测，相较基于鲁棒优化的方法保守性降低，但此类方法的局限在于在线数据的超短周期调度难以解决综合能源负荷控制过程中基于离线信息的经济调度问题[4]。文献[5]针对含冷热电的综合能源调度问题，提出了一种多主体并行分布式自适应鲁棒优化模型，实现了联络线全局调度的鲁棒方案。然而，通常鲁棒优化从最糟糕的情况出发制定策略，获得的解较为保守。
[0004]在各能源系统相互耦合中，产生了大量能量转换共享信息，很难通过传统方法提取有效特征，如何通过机器学习与人工智能相关技术更加准确追踪综合能源系统多元负荷的变化趋势是亟待解决的问题。

技术实现思路

[0005]本专利技术提供了一种基于改进深度信念网络的综合能源负荷控制方法及装置，本专利技术能够充分挖掘历史负荷数据中的规律性，提高预测准确性，进而提高综合能源负荷控制的精度，详见下文描述：
[0006]一种基于改进深度信念网络的综合能源负荷控制方法，所述方法包括：
[0007]通过数据选择与预处理，使用自编码神经网络对历史数据进行聚合；
[0008]利用高斯-伯努利受限玻尔兹曼机构建改进的深度信念网络模型，同时基于最大似然估计进行网络模型的参数调整，并利用对比散度CD-k算法加速RBM的训练过程；
[0009]采用强化学习无监督训练对网络模型进行预训练；利用有限记忆微调网络对预测结果进行修正；
[0010]由负荷数据训练得到输出数据，得到综合能源系统负荷的预测值，该预测值用于综合能源系统的负荷控制。
[0011]其中，所述采用强化学习无监督训练对网络模型进行预训练具体为：将强化学习应用到深度信念网络中。
[0012]进一步地，所述利用有限记忆微调网络对预测结果进行修正具体为：
[0013]采用的负荷预测有限记忆微调网络由一个输入层、多个隐藏层和一个输出层构成，上一个隐藏层的输出作为下一个隐藏层的输入，输入层与隐藏层共同实现输入负荷数据时间相关性提取，最后一个隐藏层的输出为一维列向量，经线性回归得到处理后负荷数据的预测值；
[0014]在每一个时间步下，记忆单元通过基于门的机制选择是否更新上一时间步的记忆，门的激活函数采用非线性sigmoid函数，时间步t下隐藏层的激活值a
＜t＞
不仅与时间步t下输入的历史负荷值x
＜t＞
，上一时间步隐藏层激活值a
＜t-1＞
有关，还与本时间步下记忆单元状态c
＜t＞
有关；
[0015]通过有选择的更新记忆单元，c
＜t＞
的状态则反映深度网络所学习到的时间步之间的相关特性，时间步t下隐藏层的输出a
＜t＞
反映时间步t下的输入x
＜t＞
以及较长时间以前输入负荷数据共同结构性特征；采用FC层作为负荷预测值的输出，x,分别是FC层的输入和输出，actv()是激活函数，采取线性函数作为激活函数。
[0016]一种基于改进深度信念网络的综合能源负荷控制装置，所述装置包括：
[0017]数据聚合模块：用于选择负荷数据并进行聚合；
[0018]优化模块：用于构建深度信念网络模型G-DBN；采用强化学习等无监督训练对模型进行预训练，利用有限记忆微调网络进行预测结果修正；
[0019]预测模块：用于将由负荷数据训练得到输出数据，得到综合能源系统负荷的预测值。
[0020]其中，所述优化模块包括：GB-RAM、BB-RAM和回归输出层，RBM由隐藏层和可见层构成，两层之间单元互相连接，但同层单元两两之间不存在链接。
[0021]进一步地，所述优化模块用于采用强化学习对模型记性预测，利用有限记忆微调网络进行预测结果修正，包括：采用强化学习对DBN进行预训练，在带训练RBM上面堆叠一层临时输出层，用于保证预测模型的完整性；利用有限记忆微调网络进行预测结果修正，确定模型拓扑结构。
[0022]本专利技术提供的技术方案的有益效果是：
[0023]1、本专利技术通过充分挖掘历史负荷数据中的规律性，然后将数据特征向量输入到多个用于两层稀疏自编码神经网络中进行特征融合，利用DBN模型进行负荷预测，并进行无监督训练对DBN模型进行预训练，最后利用有限记忆微调网络对预测结果进行修正，获取到最终的预测结果，提高了综合能源负荷控制的精度；
[0024]2、本专利技术可以更好地利用历史负荷数据的规律性，提高预测的效率，同时可充分考虑不同因素的影响提高了预测精度，满足了实际应用中对综合能源负荷控制的要求；
[0025]3、本专利技术利用自编码器对符合的历史数据进行聚合，利用多层受限玻尔兹曼机构
成深度信念网络，并通过强化学习无监督训练模型，从而改善学习性能，提高预测精度；
[0026]4、本专利技术改进现有神经网络算法学习对历史数据利用的问题的同时提高了学习效率。仿真结果显示，相比于传统神经网络算法，本专利技术的预测准确性有所提高。
附图说明
[0027]图1为基于改进深度信念网络的综合能源负荷控制方法的流程图；
[0028]图2为自编码神经网络(AE)结构的示意图；
[0029]图3为Gibbs采样的说明示意图；
[0030]图4为改进的深度信念网络模型(G-DBN)模型流程图；
[0031]图5本专利技术所采用的单个有限记忆微调网络单元结构图；
[0032]图6为G-DBN模型与模型的第一个受限玻尔本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进深度信念网络的综合能源负荷控制方法，其特征在于，所述方法包括：通过数据选择与预处理，使用自编码神经网络对历史数据进行聚合；利用高斯-伯努利受限玻尔兹曼机构建改进的深度信念网络模型，同时基于最大似然估计进行网络模型的参数调整，并利用对比散度CD-k算法加速RBM的训练过程；采用强化学习无监督训练对网络模型进行预训练；利用有限记忆微调网络对预测结果进行修正；由负荷数据训练得到输出数据，得到综合能源系统负荷的预测值，该预测值用于综合能源系统的负荷控制。2.根据权利要求1所述的一种基于改进深度信念网络的综合能源负荷控制方法，其特征在于，所述采用强化学习无监督训练对网络模型进行预训练具体为：将强化学习应用到深度信念网络中。3.根据权利要求1所述的一种基于改进深度信念网络的综合能源负荷控制方法，其特征在于，所述利用有限记忆微调网络对预测结果进行修正具体为：采用的负荷预测有限记忆微调网络由一个输入层、多个隐藏层和一个输出层构成，上一个隐藏层的输出作为下一个隐藏层的输入，输入层与隐藏层共同实现输入负荷数据时间相关性提取，最后一个隐藏层的输出为一维列向量，经线性回归得到处理后负荷数据的预测值；在每一个时间步下，记忆单元通过基于门的机制选择是否更新上一时间步的记忆，门的激活函数采用非线性sigmoid函数，时间步t下隐藏层的激活值a
＜t＞
不仅与时间步t下输入的历史负荷值x
＜t＞
，上一时间步隐藏层激活值a
＜t-1＞
有关，还与本...

【专利技术属性】
技术研发人员：王剑锋，王旭东，于海涛，王丹丹，孔祥玉，高毅，刘茂，项添春，郑剑，倪家明，董磊，韩淑军，刘鹏，贺小刚，
申请(专利权)人：天津三源电力信息技术股份有限公司，
类型：发明
国别省市：