一种高速服务区能源系统短期负荷预测方法及系统技术方案

本发明专利技术公开一种高速服务区能源系统短期负荷预测方法及系统，属于高速服务区能源系统领域。获取高速服务区能源系统中电能、冷能、热能三种能源类别的历史运行数据后，重组和叠加成像素图，将所有能源类别任一采集时刻的前n个采集时刻的像素图组成元胞数组后作为输入量，同一能源类别任一采集时刻的总负荷数据作为标签，训练短期负荷预测模型，获得每种能源类别训练好的短期负荷预测模型，利用训练好的短期负荷预测模型即可预测每种能源类别在预测时刻的总负荷数据。本发明专利技术通过充分发掘不同能源类别之间的耦合信息，并结合MCNN

【技术实现步骤摘要】
一种高速服务区能源系统短期负荷预测方法及系统


[0001]本专利技术涉及高速服务区能源系统领域，特别是涉及一种高速服务区能源系统短期负荷预测方法及系统。

技术介绍

[0002]高速服务区能源系统聚合了电能、热能、冷能等多种能源类型。能源系统中各类能源子系统之间具有不同的控制方法，不同子系统之间的物理特性差异也较大，针对同一供能对象，多种能源模式基本同时存在，它们相互之间具有较大耦合特性，从而对能源系统的短期负荷预测提出了更高的要求。
[0003]为保障高速服务区能源系统的运行管理和优化调度等工作的有效进行，有必要对系统中多种类型能源的用能需求进行精准配置与预测，这对实现能源的统一规划、统一调度、协调互补具有重要意义。

技术实现思路

[0004]本专利技术的目的是提供一种高速服务区能源系统短期负荷预测方法及系统，通过发掘不同能源类别之间的耦合信息，提高预测短期负荷的精确。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种高速服务区能源系统短期负荷预测方法，包括：
[0007]获取高速服务区能源系统中每种能源类别在每一采集时刻的历史运行数据；所述历史运行数据包括每种能源类别中各个基础负荷单元的历史负荷数据以及每种能源类别的总负荷数据；所述能源类别包括电能、热能和冷能；
[0008]将同一能源类别同一采集时刻的基础负荷单元的历史负荷数据重组为一幅二维像素图片，获得同一采集时刻下每种能源类别的能源负荷图；
[0009]将同一采集时刻下所有能源类别的能源负荷图叠加成一幅像素图；
[0010]采用多通道卷积神经网络和长短期记忆神经网络构建多个短期负荷预测模型；
[0011]将同一能源类别任一采集时刻的总负荷数据作为标签，所有能源类别任一采集时刻的前n个采集时刻的像素图组成元胞数组后作为输入量，构建每种能源类别的样本数据集，并利用每种能源类别的样本数据集分别训练一个短期负荷预测模型，获得每种能源类别训练好的短期负荷预测模型；其中，n为正整数；
[0012]将每种能源类别预测时刻的前n个时刻的元胞数组输入各自能源类别训练好的短期负荷预测模型，输出每种能源类别在预测时刻的总负荷数据。
[0013]可选地，所述获取高速服务区能源系统中每种能源类别在每一采集时刻的历史运行数据，之后还包括：
[0014]检测并剔除在每一采集时刻的前后预设时间窗口内，与均值相差超过三倍局部标准差的历史运行数据；所述均值和所述局部标准差为前后预设时间窗口内所有历史运行数据的均值和标准差；
[0015]采用三次样条插值对剔除后的历史运行数据进行填充；
[0016]对填充后的历史运行数据进行归一化。
[0017]可选地，所述将同一能源类别同一采集时刻的基础负荷单元的历史负荷数据重组为一幅二维像素图片，具体包括：
[0018]分别计算每种能源类别中基础负荷单元之间的皮尔逊系数；
[0019]对每种能源类别中的所有基础负荷单元进行K
‑
means聚类，获得每种能源类别的多个聚类类别；其中，多个所述聚类类别的个数N'为N为单个能源类别中包含的基础负荷单元数量，为向上取整符号；
[0020]根据所述皮尔逊系数，利用公式计算单个能源类别中任意两个聚类类别的类间距离；式中，D(A,B)为聚类类别A与聚类类别B的类间距离，Pearson(a
m
,b
n
)为基础负荷单元a
m
与基础负荷单元b
n
之间的皮尔逊系数，a
m
为单个能源类别中第m个基础负荷单元，b
n
为单个能源类别中第n个基础负荷单元，g、k分别为a
m
、b
n
对应的基础负荷单元数量；
[0021]将单个能源类别的所有类间距离构成距离矩阵；
[0022]根据所述距离矩阵，利用多维尺度分析方法获得二维平面中单个能源类别的每个聚类类别的二维坐标；
[0023]根据二维平面中单个能源类别的每个聚类类别的二维坐标，将同一能源类别同一时刻的基础负荷单元的历史负荷数据重组为一幅二维像素图片。
[0024]可选地，所述根据二维平面中单个能源类别的每个聚类类别的二维坐标，将同一能源类别同一时刻的基础负荷单元的历史负荷数据重组为一幅二维像素图片，具体包括：
[0025]初始化L＝1，r＝1；
[0026]根据二维平面中单个能源类别的每个聚类类别的二维坐标，计算每个聚类类别到二维平面中心原点的欧氏距离；
[0027]将单个能源类别中欧氏距离最大的聚类类别标记为m
r
；
[0028]若m
r
的基础负荷单元数量n
r
大于N'，则将m
r
中的所有基础负荷单元进行再聚类，并返回步骤“根据所述皮尔逊系数，利用公式根据所述皮尔逊系数，利用公式计算单个能源类别中任意两个聚类类别的类间距离”；
[0029]若m
r
的基础负荷单元数量n
r
小于或等于N'，则将m
r
的基础负荷单元按从左至右的顺序依次放入像素块的第L行；
[0030]将单个能源类别中欧氏距离与m
r
的欧氏距离最近的聚类类别标记为m
r+1
；
[0031]若m
r+1
的基础负荷单元数量n
r+1
大于N'
‑
n
r
，则令L的数值增加1，并返回步骤“将单个能源类别中欧氏距离最小的聚类类别标记为m
r”；
[0032]若m
r+1
的基础负荷单元数量n
r+1
小于等于N'
‑
n
r
，则判断L是否小于等于N'，获得判断结果；
[0033]当判断结果为L小于或等于N'时，将m
r+1
的基础负荷单元依次放置在m
r
后，令r的数值增加1，并返回步骤“将单个能源类别中欧氏距离与m
r
的欧氏距离最近的聚类类别标记为
m
r+1”；
[0034]当判断结果为L大于N'时，将像素块的第L行的空余像素补0，令r的数值增加1，并返回步骤“将单个能源类别中欧氏距离与m
r
的欧氏距离最近的聚类类别标记为m
r+1”。
[0035]可选地，所述将同一采集时刻下所有能源类别的能源负荷图叠加成一幅像素图，具体包括：
[0036]将同一采集时刻下所有能源类别的能源负荷图拓展为统一尺寸后按照预设比例叠加成一幅像素图。
[0037]可选地，每个短期负荷预测模型包括：多通道卷积神经网络、全连接层和长短期记忆神经网络；
[0038]多通道卷积神经网络、全连接层和长短期记忆神经网络依次连接；
[0039]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速服务区能源系统短期负荷预测方法，其特征在于，包括：获取高速服务区能源系统中每种能源类别在每一采集时刻的历史运行数据；所述历史运行数据包括每种能源类别中各个基础负荷单元的历史负荷数据以及每种能源类别的总负荷数据；所述能源类别包括电能、热能和冷能；将同一能源类别同一采集时刻的基础负荷单元的历史负荷数据重组为一幅二维像素图片，获得同一采集时刻下每种能源类别的能源负荷图；将同一采集时刻下所有能源类别的能源负荷图叠加成一幅像素图；采用多通道卷积神经网络和长短期记忆神经网络构建多个短期负荷预测模型；将同一能源类别任一采集时刻的总负荷数据作为标签，所有能源类别任一采集时刻的前n个采集时刻的像素图组成元胞数组后作为输入量，构建每种能源类别的样本数据集，并利用每种能源类别的样本数据集分别训练一个短期负荷预测模型，获得每种能源类别训练好的短期负荷预测模型；其中，n为正整数；将每种能源类别预测时刻的前n个时刻的元胞数组输入各自能源类别训练好的短期负荷预测模型，输出每种能源类别在预测时刻的总负荷数据。2.根据权利要求1所述的高速服务区能源系统短期负荷预测方法，其特征在于，所述获取高速服务区能源系统中每种能源类别在每一采集时刻的历史运行数据，之后还包括：检测并剔除在每一采集时刻的前后预设时间窗口内，与均值相差超过三倍局部标准差的历史运行数据；所述均值和所述局部标准差为前后预设时间窗口内所有历史运行数据的均值和标准差；采用三次样条插值对剔除后的历史运行数据进行填充；对填充后的历史运行数据进行归一化。3.根据权利要求1所述的高速服务区能源系统短期负荷预测方法，其特征在于，所述将同一能源类别同一采集时刻的基础负荷单元的历史负荷数据重组为一幅二维像素图片，具体包括：分别计算每种能源类别中基础负荷单元之间的皮尔逊系数；对每种能源类别中的所有基础负荷单元进行K
‑
means聚类，获得每种能源类别的多个聚类类别；其中，多个所述聚类类别的个数N'为N为单个能源类别中包含的基础负荷单元数量，为向上取整符号；根据所述皮尔逊系数，利用公式计算单个能源类别中任意两个聚类类别的类间距离；式中，D(A,B)为聚类类别A与聚类类别B的类间距离，Pearson(a
m
,b
n
)为基础负荷单元a
m
与基础负荷单元b
n
之间的皮尔逊系数，a
m
为单个能源类别中第m个基础负荷单元，b
n
为单个能源类别中第n个基础负荷单元，g、k分别为a
m
、b
n
对应的基础负荷单元数量；将单个能源类别的所有类间距离构成距离矩阵；根据所述距离矩阵，利用多维尺度分析方法获得二维平面中单个能源类别的每个聚类类别的二维坐标；根据二维平面中单个能源类别的每个聚类类别的二维坐标，将同一能源类别同一时刻
的基础负荷单元的历史负荷数据重组为一幅二维像素图片。4.根据权利要求3所述的高速服务区能源系统短期负荷预测方法，其特征在于，所述根据二维平面中单个能源类别的每个聚类类别的二维坐标，将同一能源类别同一时刻的基础负荷单元的历史负荷数据重组为一幅二维像素图片，具体包括：初始化L＝1，r＝1；根据二维平面中单个能源类别的每个聚类类别的二维坐标，计算每个聚类类别到二维平面中心原点的欧氏距离；将单个能源类别中欧氏距离最大的聚类类别标记为m
r
；若m
r
的基础负荷单元数量n
r
大于N'，则将m
r
中的所有基础负荷单元进行再聚类，并返回步骤“根据所述皮尔逊系数，利用公式根据所述皮尔逊系数，利用公式计算单个能源类别中任意两个聚类类别的类间距离”；若m
r
的基础负荷单元数量n
r
小于或等于N'，则将m
r
的基础负荷单元按从左至右的顺序依次放入像素块的第L行；将单个能源类别中欧氏距离与m
r
的欧氏距离最近的聚类类别标记为m
r+1
；若m
r+1
的基础负荷单元数量n
r+1
大于N'
‑
n
r
，则令L的数值增加1，并返回步骤“将单个能源类别中欧氏距离最小的聚类类别标记为m
r”；若m...

【专利技术属性】
技术研发人员：吕游，时一钧，田禾露，邓丹，李泽洋，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：