【技术实现步骤摘要】
本专利技术属于电负荷预测，具体涉及一种基于麻雀搜索算法(sparrowsearch algorithm,ssa)优化双向长短时记忆(bi-directional long short-termmemory,bilstm)网络和cplex求解器的用户侧电负荷预测优化方法。
技术介绍
1、为了达成“双碳”这个目标，清华大学建筑学院江亿院士提出了“光储直柔”建筑新型能源系统这一变革性理念,该理念旨在充分利用终端侧的光伏等分布式可再生能源、各类广义储能资源和直流供配电技术,以实现与电网间的柔性交互。而后续针对建筑用电柔性调控的研究离不开对建筑电负荷数据的采集。
2、现有的电负荷预测专利，张硕等人专利技术了一种基于卷积神经网络-长短期记忆网络(convolutional neural network-long short-term memory network,cnn-lstm)混合网络模型的建筑电负荷预测方法，并通过与现有的预测方法进行对比，验证了该方法的准确性和有效性；严毅等人专利技术了一种基于迁移学习的建筑冷热电负荷预测方法，解决了新建筑缺少历史冷热电数据而无法对其负荷进行准确预测的问题。而现有的成果并没有将电负荷预测结果与电负荷柔性调控结合。这就导致在后续基于电负荷预测结果设计电力系统配置和运行方案时，仅能依靠可再生能源的利用，而对于可再生能源稀缺的地区来说，用户对于节电的影响是不可忽略的。现有研究中不论是通过机器学习还是模拟软件方法，得到的电负荷数据几乎没有考虑用户本身对节电的影响。
技术
1、本专利技术旨在提供一种更准确更有效的电负荷预测优化方法，为建筑节能领域例如微电网优化调控以及综合能源系统优化运行提供更为合适的电负荷结果。
2、为了解决以上技术问题，本专利技术采用以下技术方案：
3、一种基于ssa-bilstm和cplex求解器的用户侧电负荷预测优化方法，包括以下步骤：
4、步骤一：进行用于ssa优化bilstm网络的电负荷预测的样本数据实测；
5、步骤二：利用matlab软件构建ssa-bilstm模型对训练样本进行学习训练；
6、步骤三：利用matlab软件将电负荷影响因子作为ssa-bilstm模型的输入参数，电负荷作为ssa-bilstm模型的输出，进行用户侧电负荷预测；
7、步骤四：考虑用电满意度设计用户侧用电负荷调节策略；
8、步骤五：采用matlab中yalmip工具箱用户侧电负荷调节策略进行编译，输入用户侧电负荷预测结果，调用cplex求解器进行求解，输出最佳的电负荷调节方案。
9、进一步地，步骤一中所述的电负荷预测的样本数据包括：室外温度，室外湿度，室外空气焓值，风速，风机效率，照明设备功率，人员密度，人均新风量、冷机cop，可削减电负荷和总电负荷。
10、进一步地，所述的可削减电负荷为能够停止或低功率运行设备的电负荷，包括照明系统，空调系统，办公设备，电梯扶梯，厨房设备。
11、进一步地，步骤二中所述利用matlab软件构建ssa-bilstm模型对训练样本进行学习训练，包括以下步骤：
12、1)导入步骤一中用于电负荷预测的样本数据；
13、2)根据比例划分数据为训练集和测试集，并对训练集和测试集进行归一化处理；
14、3)设置ssa的参数，包括搜索代理数量、最大迭代次数、优化参数个数、参数取值上下界；
15、4)创建bilstm网络架构：包括输入层、双向lstm网络层、全连接层和输出层；
16、5)训练ssa-bilstm模型，当损失函数的值在多次迭代后不再显著下降，停止训练。
17、进一步地，步骤三中所述利用matlab软件将电负荷影响因子作为ssa-bilstm模型的输入参数，电负荷作为ssa-bilstm模型的输出，进行用户侧电负荷预测，其中输出结果中的电负荷包括可削减电负荷和总电负荷。
18、进一步地，步骤四中考虑用电满意度设计用户侧电负荷调节策略目标函数如下：
19、f＝αf1(c)+βf2(e)
20、
21、其中，f表示用户满意度；f1表示用户用电体验满意度，受到用电削减后的用电舒适性和电价的影响，其中e表示电价，由每日供电侧分时电价决定；c为用电舒适性，由被削减的负荷决定，α，β为f1和f2的权重系数；f2表示用户对用电削减后补贴的满意度；k表示负荷削减的权重系数；p1表示削减前的电负荷，kw；p2表示削减后的电负荷，kw；γ表示补贴和电价间的比例系数。
22、进一步地，步骤四中考虑用电满意度设计用户侧电负荷调节策略约束条件包括每个人对用电体验满意度和补贴满意度的总和约束和电负荷削减量的约束。
23、进一步地，每个人对用电体验满意度和补贴满意度的总和约束表达如下：
24、0≤f1(c)+f2(e)≤3。
25、进一步地，电负荷削减量的约束，最多不能超过预测的可削减电负荷，表达如下；
26、pymax≤p1-p2≤px
27、其中，px表示预测的可削减电负荷，kw；pymax表示可削减电负荷的最大预测误差，kw。
28、进一步地，步骤五中采用matlab中yalmip工具箱用户侧电负荷调节策略进行编译，输入用户侧电负荷预测结果，调用cplex求解器进行求解，输出最佳的电负荷调节方案，使用步骤三中用户侧电负荷预测结果和步骤四用户侧电负荷调节策略中的目标函数和约束条件。
29、与现有技术相比，本专利技术具有以下优点：
30、本专利技术首先使用ssa-bilstm模型作为电负荷预测模型，将电负荷影响因子作为神经网络的输入参数，输出可削减电负荷和总电负荷，该模型通过bilstm网络同时考虑向前和向后的数据，并通过ssa优化bilstm网络的各项参数，这样得到的预测模型能够在得到两项电负荷预测结果的同时保证预测的准确性。再得到可削减电负荷和总电负荷后，本专利技术提出了仅考虑用户用电满意度的目标函数，并将预测的可削减电负荷作为约束条件，通过cplex求解器得到优化后的电负荷预测结果，该结果能体现用户的用电习惯改变对总电预测的影响。同时，本专利技术没有考虑用户侧可转移电负荷和可平移电负荷，是因为对于电负荷时间上的调节可通过引入储能系统实现，无需通过改变人的行为方式。总体而言，本专利技术将用户用电满意度和电负预测结合，解决了当下缺少可削减电负荷和电负荷预测结合方法的问题，并且为电力系统优化调控提供更加合理准确的电负荷预测数据。
本文档来自技高网...【技术保护点】
1.一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤一中所述的电负荷预测的样本数据包括：室外温度，室外湿度，室外空气焓值，风速，风机效率，照明设备功率，人员密度，人均新风量、冷机COP，可削减电负荷和总电负荷。
3.根据权利要求2所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，所述的可削减电负荷为能够停止或低功率运行设备的电负荷，包括照明系统，空调系统，办公设备，电梯扶梯，厨房设备。
4.根据权利要求1所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤二中所述利用Matlab软件构建SSA-BiLSTM模型对训练样本进行学习训练，包括以下步骤：
5.根据权利要求1所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤三中所述利用Matla
6.根据权利要求1所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤四中考虑用电满意度设计用户侧电负荷调节策略目标函数如下：
7.根据权利要求1所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤四中考虑用电满意度设计用户侧电负荷调节策略约束条件包括每个人对用电体验满意度和补贴满意度的总和约束和电负荷削减量的约束。
8.根据权利要求7所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，每个人对用电体验满意度和补贴满意度的总和约束表达如下：
9.根据权利要求7所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，电负荷削减量的约束，最多不能超过预测的可削减电负荷，表达如下；
10.根据权利要求1所述的一种基于SSA-BiLSTM和Cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤五中采用Matlab中Yalmip工具箱用户侧电负荷调节策略进行编译，输入用户侧电负荷预测结果，调用Cplex求解器进行求解，输出最佳的电负荷调节方案，使用步骤三中用户侧电负荷预测结果和步骤四用户侧电负荷调节策略中的目标函数和约束条件。
...【技术特征摘要】
1.一种基于ssa-bilstm和cplex求解器的用户侧电负荷预测优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ssa-bilstm和cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤一中所述的电负荷预测的样本数据包括：室外温度，室外湿度，室外空气焓值，风速，风机效率，照明设备功率，人员密度，人均新风量、冷机cop，可削减电负荷和总电负荷。
3.根据权利要求2所述的一种基于ssa-bilstm和cplex求解器的用户侧电负荷预测优化方法，其特征在于，所述的可削减电负荷为能够停止或低功率运行设备的电负荷，包括照明系统，空调系统，办公设备，电梯扶梯，厨房设备。
4.根据权利要求1所述的一种基于ssa-bilstm和cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤二中所述利用matlab软件构建ssa-bilstm模型对训练样本进行学习训练，包括以下步骤：
5.根据权利要求1所述的一种基于ssa-bilstm和cplex求解器的用户侧电负荷预测优化方法，其特征在于，步骤三中所述利用matlab软件将电负荷影响因子作为ssa-bilstm模型的输入参数，电负荷作为ssa-bilstm模型的输出，进行用户侧电负荷预测，其中输出结果中的电负荷包括可削减电负荷和总电负...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。