數(shù)據(jù)驅(qū)動(dòng)下的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)

王愈軒，劉爾佳，黃永章

(華北電力大學(xué) 電氣與電子工程學(xué)院，北京 102206)

0 引 言

綜合能源系統(tǒng)(integrated energy system，IES)通過(guò)能源協(xié)調(diào)管理，在滿足系統(tǒng)多元化用能需求的同時(shí)提升了能源利用效率[1,2]。隨著IES深入發(fā)展，系統(tǒng)在源、網(wǎng)、荷各環(huán)節(jié)的能量耦合關(guān)系加深，加之新型負(fù)荷的不確定性因素影響系統(tǒng)穩(wěn)定運(yùn)行[3,4]。因此，在考慮能量耦合及多元負(fù)荷的背景下，如何實(shí)時(shí)、準(zhǔn)確、可靠地實(shí)現(xiàn)多元負(fù)荷預(yù)測(cè)成為當(dāng)前重要的研究課題。

針對(duì)上述問(wèn)題，目前已有不少國(guó)內(nèi)外學(xué)者開展了相關(guān)研究。文獻(xiàn)[5,6]針對(duì)區(qū)域級(jí)IES負(fù)荷預(yù)測(cè)問(wèn)題，分別基于深度結(jié)構(gòu)多任務(wù)學(xué)習(xí)和改進(jìn)的熵值法，構(gòu)建了短期電、氣、冷、熱負(fù)荷預(yù)測(cè)模型。文獻(xiàn)[7]利用灰色關(guān)聯(lián)理論對(duì)環(huán)境因素輸入屬性進(jìn)行主控因素關(guān)聯(lián)度分析，建立了多元負(fù)荷的特征聚類預(yù)測(cè)模型。文獻(xiàn)[8,9]基于小波包分解與循環(huán)神經(jīng)網(wǎng)絡(luò)算法，建立電冷熱綜合能源系統(tǒng)短期負(fù)荷預(yù)測(cè)模型。上述文獻(xiàn)均為IES單一負(fù)荷預(yù)測(cè)模型，為進(jìn)一步提高預(yù)測(cè)精度，組合預(yù)測(cè)被廣泛應(yīng)用于負(fù)荷預(yù)測(cè)問(wèn)題當(dāng)中。文獻(xiàn)[10]采用BiLSTM神經(jīng)網(wǎng)絡(luò)和MLR方法組合構(gòu)建了超短期電力負(fù)荷預(yù)測(cè)模型。文獻(xiàn)[11]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long short-term memory，LSTM)、極端梯度提升(extreme gradient boosting，XGboost)模型組合構(gòu)建了短期電力負(fù)荷預(yù)測(cè)模型。組合預(yù)測(cè)常見的權(quán)重分配方法有算術(shù)平均法、誤差倒數(shù)法、均方差導(dǎo)數(shù)法、Shapley值法等[12]。

綜上所述，現(xiàn)有研究未考慮IES多元負(fù)荷之間耦合相關(guān)性問(wèn)題，難以滿足實(shí)際園區(qū)綜合能源系統(tǒng)多元負(fù)荷預(yù)測(cè)需求[13,14]。為解決上述問(wèn)題，本文提出了數(shù)據(jù)驅(qū)動(dòng)下的綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)方法。

1 IES多能耦合互補(bǔ)特點(diǎn)

近年來(lái)，隨著綜合能源的不斷發(fā)展，園區(qū)綜合能源示范工程在全國(guó)范圍逐步加大推廣，其典型能源結(jié)構(gòu)如圖1所示。園區(qū)內(nèi)開展多能互補(bǔ)、源網(wǎng)荷協(xié)同的用能方式、應(yīng)用綜合能源智慧化服務(wù)管理體系[15]，能有效保障安全供能的前提下園區(qū)的綜合能源利用效率。

圖1 園區(qū)綜合能源系統(tǒng)

從圖1可以看出，一方面，園區(qū)用能系統(tǒng)結(jié)構(gòu)復(fù)雜，耦合環(huán)節(jié)較多，如冷熱電聯(lián)供(CCHP)機(jī)組既能發(fā)電也能同時(shí)供冷、熱，儲(chǔ)能裝置既能在發(fā)電高峰存儲(chǔ)部分電能，又能在用電高峰釋放電能，冷熱電氣負(fù)荷供能方式多元，這為園區(qū)開展多能互補(bǔ)提供可能。另外一方面，園區(qū)能源供應(yīng)側(cè)電源能量特性不一樣，電力網(wǎng)傳輸速度接近于光速，顯然在供應(yīng)速度上電能要快于供冷、供熱、供氣網(wǎng)，這是由冷、熱、氣因其固有的能源傳輸特性決定，具有較大的延時(shí)性。

園區(qū)能源互補(bǔ)特性明顯，大大增加了用戶用能的靈活性，同時(shí)也增加了負(fù)荷預(yù)測(cè)的難度，多元負(fù)荷預(yù)測(cè)除了和用戶需求有關(guān)，還受天氣溫度、季節(jié)的影響。能源耦合使得負(fù)荷之間存在著復(fù)雜的非線性關(guān)系，本文采用最大信息系數(shù)(maximal information coefficient，MIC)[16]來(lái)判斷冷、熱、電、氣負(fù)荷、溫度之間的非線性關(guān)系，該方法能有效得出特征之間的非線性關(guān)系，詳細(xì)計(jì)算過(guò)程見3.2小節(jié)。

2 LSTM-XGboost組合預(yù)測(cè)模型

組合預(yù)測(cè)方法被廣泛應(yīng)用于各類預(yù)測(cè)問(wèn)題當(dāng)中，本文基于LSTM、XGboost構(gòu)建組合預(yù)測(cè)模型，該模型主要包括LSTM預(yù)測(cè)模型、XGboost預(yù)測(cè)模型、組合模型方法。

2.1 LSTM預(yù)測(cè)模型

LSTM被廣泛應(yīng)用于時(shí)序預(yù)測(cè)問(wèn)題當(dāng)中，LSTM的預(yù)測(cè)模型有3個(gè)門，分別是遺忘門、輸出門和輸入門[17]，其原理結(jié)構(gòu)圖如圖2所示。遺忘門控制信息保留，輸入門控制信息輸入，輸出門控制信息輸出。LSTM深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練過(guò)程如下

ft=σ(Wf·[ht-1,xt]+bf)

(1)

it=σ(Wi·[ht-1,xt]+bi)

(2)

ot=σ(Wo·[ht-1,xt]+bf)

(3)

ct=ftct-1+ittanh(Wo·[ht-1,xt]+bc)

(4)

ht=ottanh(ct)

(5)

式中：σ為激活函數(shù)；ft為遺忘門輸出，it為輸入門的輸出，ot為輸出門輸出，ct為當(dāng)前時(shí)刻神經(jīng)單元狀態(tài)，ht為t時(shí)間步下的LSTM記憶單元的輸出；Wf為遺忘門權(quán)重矩陣，Wi為隱藏輸入門權(quán)重矩陣，Wo為單元到輸出門權(quán)重矩陣，bi為輸入門參數(shù)矩陣；xt為當(dāng)前t時(shí)間步的輸入，bf為當(dāng)前隱藏層遺忘門的偏差值，bi為當(dāng)前隱藏層輸入門的偏差值，bc為當(dāng)前隱藏層記憶單元的偏差值。

圖2 LSTM模型原理

總的來(lái)說(shuō)，LSTM模型通過(guò)控制3個(gè)門，從而在每一個(gè)時(shí)間步下對(duì)記憶單元進(jìn)行修改，即在每個(gè)時(shí)間步下決定保留多少上個(gè)時(shí)間步的狀態(tài)信息，以及將多少的狀態(tài)信息繼續(xù)往下一時(shí)間步傳輸，從而得到較為準(zhǔn)確的預(yù)測(cè)結(jié)果。

2.2 XGboost預(yù)測(cè)模型

XGboost是經(jīng)過(guò)優(yōu)化的分布式集成模型，其內(nèi)部決策樹使用的是梯度提升樹。模型通過(guò)不斷添加樹，不斷地進(jìn)行特征分裂添加新的樹，去擬合上次預(yù)測(cè)的殘差。預(yù)測(cè)結(jié)果是每棵樹的預(yù)測(cè)結(jié)果的累加和[18]。假設(shè)存在M棵決策樹，其模型輸出的預(yù)測(cè)結(jié)果為

(6)

定義XGboost的目標(biāo)函數(shù)

(7)

(8)

樹模型的復(fù)雜度Ω(ft) 計(jì)算公式如下

(9)

其中，T表示葉子節(jié)點(diǎn)數(shù)，ωj表示第j個(gè)葉子節(jié)點(diǎn)的權(quán)重。

將式(8)代入式(9)，目標(biāo)函數(shù)轉(zhuǎn)化為

(10)

由式(10)可知，目標(biāo)函數(shù)為一元二次函數(shù)，對(duì)ωj求導(dǎo)等于0，可以得到ωj最優(yōu)值

(11)

將其代入目標(biāo)函數(shù)得到最優(yōu)目標(biāo)函數(shù)值

(12)

由式(11)、式(12)可以看出，預(yù)測(cè)模型在迭代過(guò)程中，通過(guò)不斷計(jì)算節(jié)點(diǎn)損失值，得到ωj和目標(biāo)函數(shù)的最佳值，選擇增益損失最大的葉子節(jié)點(diǎn)，進(jìn)而得到最優(yōu)預(yù)測(cè)模型。

2.3 組合模型方法

采用誤差倒數(shù)法對(duì)LSTM、XGboost模型預(yù)測(cè)結(jié)果進(jìn)行加權(quán)組合，δt為組合預(yù)測(cè)誤差。其中，λ1t、λ2t分別為L(zhǎng)STM和XGBoost預(yù)測(cè)值，ε1，ε2分別為的LSTM和SXGBoost的預(yù)測(cè)誤差

(13)

由式可知，組合方法是將較大權(quán)值賦予給預(yù)測(cè)誤差小的模型，從而使得整體預(yù)測(cè)誤差趨于變小，進(jìn)而提升模型的預(yù)測(cè)精度。

3 數(shù)據(jù)驅(qū)動(dòng)下的多元負(fù)荷預(yù)測(cè)流程

本文主要基于LSTM-XGboost構(gòu)建多元負(fù)荷短期預(yù)測(cè)模型，其預(yù)測(cè)流程如圖3所示。其中LSTM、XGboost及組合模型構(gòu)建過(guò)程已在上節(jié)說(shuō)明，在此不再贅述，本節(jié)重點(diǎn)介紹其它步驟的研究?jī)?nèi)容。

圖3 多元負(fù)荷預(yù)測(cè)流程

3.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理通常是指對(duì)多元負(fù)荷數(shù)據(jù)進(jìn)行壞數(shù)據(jù)剔除和數(shù)據(jù)歸一化處理。園區(qū)負(fù)荷數(shù)據(jù)采集設(shè)備可能因外在不良因素在采集過(guò)程中出現(xiàn)一些壞數(shù)據(jù)。需在模型訓(xùn)練測(cè)試前進(jìn)行剔除，否則影響負(fù)荷預(yù)測(cè)精度。多元負(fù)荷數(shù)據(jù)特征在由于單位量綱不一，需進(jìn)行標(biāo)準(zhǔn)化處理將特征數(shù)據(jù)值映射到0～1之間。

(1)壞數(shù)據(jù)主要包括數(shù)據(jù)缺失、數(shù)據(jù)極值、數(shù)據(jù)毛刺。數(shù)據(jù)缺失：某時(shí)刻的數(shù)據(jù)由于故障未能記錄下來(lái)。

(2)數(shù)據(jù)極值：數(shù)據(jù)值超過(guò)了設(shè)定的最大最小閾值，或者數(shù)據(jù)的波峰波谷值超過(guò)了相鄰幾日對(duì)應(yīng)的波峰波谷值。

(3)數(shù)據(jù)毛刺：數(shù)據(jù)值得突增突降超過(guò)了一定的閾值。

本文采用分別從橫向與縱向?qū)臄?shù)據(jù)進(jìn)行自動(dòng)識(shí)別。

橫向識(shí)別：假設(shè)樣本某一時(shí)刻的數(shù)據(jù)與相鄰時(shí)刻的數(shù)據(jù)相似，若兩者的數(shù)據(jù)差值過(guò)大則認(rèn)為是壞數(shù)據(jù)

max(|xn,t-xn,t+1|,|xn,t-xn,t-1|)

(14)

式中：xn,t為第n天t時(shí)刻的負(fù)荷數(shù)據(jù)，a(t) 為t時(shí)刻的橫向誤差閾值函數(shù)。若在n天t時(shí)刻的數(shù)據(jù)值不滿足式(14)，則被認(rèn)定為壞數(shù)據(jù)。

縱向識(shí)別：時(shí)序數(shù)據(jù)具有一定的周期性，假設(shè)樣本時(shí)刻的數(shù)據(jù)與附近相似日的同時(shí)刻的數(shù)據(jù)相似。先計(jì)算出所處每個(gè)時(shí)刻的序列均值與方差

(15)

(16)

(17)

識(shí)別出壞數(shù)據(jù)之后，計(jì)算壞數(shù)據(jù)所處時(shí)刻的前m個(gè)同類型日同時(shí)刻數(shù)據(jù)值的加權(quán)平均值來(lái)進(jìn)行數(shù)據(jù)修正

(18)

式中：xn-m,t為前第m天t時(shí)刻的負(fù)荷數(shù)據(jù)，λm為權(quán)重系數(shù)，不同的xn-m,t對(duì)應(yīng)不同的權(quán)重系數(shù)λm， 對(duì)xn,t的影響權(quán)重也不同，b為決定系數(shù)λm的平滑系數(shù)。

(19)

式中：z為原始數(shù)據(jù)集，z′為標(biāo)準(zhǔn)化之后的數(shù)據(jù)集，zmin、zmax分別為該類數(shù)據(jù)集的最小、最大值。

3.2 特征相關(guān)性分析方法

傳統(tǒng)負(fù)荷預(yù)測(cè)主要為單一負(fù)荷預(yù)測(cè)(電負(fù)荷預(yù)測(cè))，綜合能源園區(qū)冷熱電氣用能同時(shí)存在，此時(shí)多元負(fù)荷存在耦合，負(fù)荷之間的相關(guān)關(guān)系容易忽略，分析多元負(fù)荷之間的相關(guān)性有利于判斷不同負(fù)荷之間的影響程度。本文采用最大信息系數(shù)(maximal information coefficient，MIC)[14]來(lái)判斷冷、熱、電、氣負(fù)荷、溫度之間的相關(guān)關(guān)系，該方法能有效得出特征之間的非線性關(guān)系。具體計(jì)算方法如下：

將變量x和y組合成一個(gè)平面上的二元數(shù)據(jù)集D∈R2， 記為D={(a1,b1),…,(an,bn)}， 其中n代表所選變量的樣本大小。將D劃分為i行j列的網(wǎng)格，記為Gi,j。 計(jì)算數(shù)據(jù)集D在Gi,j網(wǎng)格上的概率分布Dax,y以及最大互信息max{I(Gi,j)}， 再對(duì)其進(jìn)行標(biāo)準(zhǔn)化便得到了最大信息標(biāo)準(zhǔn)化值micx,y

(20)

(21)

式中：p(x,y) 為變量x和y的聯(lián)合概率，p(x)，p(y) 分別為向量x和y的邊緣概率。micx,y取值范圍介于0,1之間，micx,y值越接近1，則兩變量之間的相關(guān)性越強(qiáng)；micx,y值越接近0，則表示兩變量之間的相關(guān)性越弱。

3.3 特征矩陣的構(gòu)建

本文主要研究對(duì)象是綜合能源系統(tǒng)短期多元負(fù)荷預(yù)測(cè)，短期負(fù)荷走勢(shì)主要依賴近期的用能變化，因此在預(yù)測(cè)模型輸入特征中著重看看前一周的數(shù)據(jù)變化特征。短期多元負(fù)荷預(yù)測(cè)特征矩陣為X=[num,steps,feature]， 其中num代表步長(zhǎng)內(nèi)的樣本數(shù)量，steps代表待預(yù)測(cè)時(shí)刻前一周的時(shí)間步長(zhǎng)，feature代表所選取的綜合能源系統(tǒng)需求側(cè)冷、熱、電、氣負(fù)荷以及溫度節(jié)假日特征。數(shù)據(jù)輸入特征矩陣的構(gòu)建方法如圖4所示，t時(shí)刻的標(biāo)簽值由前n個(gè)時(shí)刻的特征值來(lái)映射，下個(gè)時(shí)刻特征-標(biāo)簽映射關(guān)系利用滑動(dòng)窗口的方式向后推動(dòng)一個(gè)時(shí)間步長(zhǎng)獲得

(22)

式中：xe、xc、xh、xt、xd分別代表電、冷、熱負(fù)荷以及溫度，節(jié)假日信息的數(shù)據(jù)值。ye、yc、yh分別代表電、熱、冷負(fù)荷以標(biāo)簽數(shù)據(jù)。

圖4 特征輸入矩陣構(gòu)建

3.4 數(shù)據(jù)集劃分

將多元負(fù)荷數(shù)據(jù)集按比例劃分成訓(xùn)練集、測(cè)試集。訓(xùn)練集的數(shù)據(jù)用于預(yù)測(cè)模型的訓(xùn)練，然后把訓(xùn)練之后的模型放到測(cè)試集的數(shù)據(jù)中進(jìn)行測(cè)試，經(jīng)過(guò)模型參數(shù)調(diào)試觀測(cè)預(yù)測(cè)誤差的變化，選擇合適的參數(shù)得到較為精確的預(yù)測(cè)模型。

3.5 模型參數(shù)調(diào)試

LSTM模型參數(shù)主要包括學(xué)習(xí)速率(learning_rate)、深度LSTM的層數(shù)、輸入層數(shù)據(jù)長(zhǎng)度與維度、各隱藏層的神經(jīng)元個(gè)數(shù)(hidden layer units)、輸出層序列長(zhǎng)度與維度、批量大小(batch size)、迭代次數(shù)(epoch)等。

XGboost模型參數(shù)主要包括樹最大深度(max_depth)、學(xué)習(xí)率、子模型的數(shù)量(n_estimators)、損失函數(shù)(objective)、模型求解方式(booster)：L1正則項(xiàng)權(quán)重(reg_alpha)、L2正則項(xiàng)權(quán)重(reg_lambda)等。

3.6 預(yù)測(cè)誤差分析

本文采取平均絕對(duì)百分誤差EMAPE來(lái)計(jì)算預(yù)測(cè)結(jié)果的誤差，下文中的預(yù)測(cè)誤差均按下式計(jì)算

(23)

4 算例分析

4.1 數(shù)據(jù)源和計(jì)算平臺(tái)

本文選取美國(guó)某大學(xué)園區(qū)綜合能源系統(tǒng)Campus Metabolism項(xiàng)目實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證上述預(yù)測(cè)模型的有效性[19]。大學(xué)園區(qū)位于美國(guó)西南，天氣較為炎熱。原始數(shù)據(jù)來(lái)源于大學(xué)園區(qū)小時(shí)級(jí)的電、熱、冷負(fù)荷時(shí)間序列，天氣數(shù)據(jù)來(lái)源于weather underground氣象網(wǎng)站[20]鳳凰城天港國(guó)際機(jī)場(chǎng)觀測(cè)點(diǎn)相應(yīng)時(shí)間點(diǎn)的溫度數(shù)據(jù)。計(jì)算平臺(tái)配置為win10系統(tǒng)，Intel i7-10700@ 2.9 GHz，RAM 16 GB，采用Python語(yǔ)言編程實(shí)現(xiàn)LSTM-XGboost短期多元負(fù)荷預(yù)測(cè)。

4.2 模型參數(shù)設(shè)置

首先，為確定LSTM預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置不同隱藏層及其神經(jīng)元個(gè)數(shù)觀察模型訓(xùn)練誤差與測(cè)試誤差的大小，選取誤差較小的網(wǎng)絡(luò)結(jié)構(gòu)，測(cè)試結(jié)果見表1。

從表1可知，取第一層隱藏層64個(gè)神經(jīng)元，第二層32個(gè)神經(jīng)元為預(yù)測(cè)效果最佳，此時(shí)，LSTM模型其它參數(shù)見表2。

同理，設(shè)置不同XGboost模型參數(shù)，通過(guò)搜索尋優(yōu)觀察模型訓(xùn)練、測(cè)試誤差值的變化得到最優(yōu)XGboost模型參數(shù)見表3。

4.3 結(jié)果分析

采用3.2小節(jié)提出的MIC方法對(duì)多元負(fù)荷特征進(jìn)行相

表1 不同LSTM網(wǎng)絡(luò)結(jié)構(gòu)下的預(yù)測(cè)結(jié)果

表2 LSTM模型參數(shù)

表3 XGboost預(yù)測(cè)模型參數(shù)

關(guān)性分析，得到該園區(qū)春夏秋冬四季冷、熱、電、溫度的相關(guān)關(guān)系，結(jié)果見表4。

從表4可知，夏季冷負(fù)荷和電負(fù)荷相關(guān)度較高，電制冷比例較大，冷負(fù)荷受溫度影響較大。冬季熱負(fù)荷和電負(fù)荷相關(guān)度較高，電制熱用能增多，熱負(fù)荷受溫度影響較大，春秋兩季各負(fù)荷相關(guān)度較小，負(fù)荷之間用能相對(duì)分散獨(dú)立。

表4 春夏秋冬多元負(fù)荷相關(guān)性

由相關(guān)性分析可知，不同負(fù)荷之間存在一定的相關(guān)關(guān)系，因此在模型輸入時(shí)，需要將多元負(fù)荷作為整體進(jìn)行輸入，冷熱電負(fù)荷可作為單獨(dú)輸出。基于第3節(jié)所述的預(yù)測(cè)模型及預(yù)測(cè)流程，以100小時(shí)作為預(yù)測(cè)時(shí)長(zhǎng)，分別得到冷、熱、電短期負(fù)荷的預(yù)測(cè)曲線，各負(fù)荷預(yù)測(cè)結(jié)果如圖5所示。

圖5 冷、熱、電多元負(fù)荷預(yù)測(cè)曲線

為驗(yàn)證深度LSTM-XGboost組合模型預(yù)測(cè)方法的優(yōu)越性，本文選擇BPNN神經(jīng)網(wǎng)絡(luò)模型、支持向量回歸(SVR)模型與之進(jìn)行對(duì)比。各模型的預(yù)測(cè)誤差對(duì)比結(jié)果見表5。

從表5中可以看出，相較于BPNN神經(jīng)網(wǎng)絡(luò)、SVR兩種單一預(yù)測(cè)模型，LSTM-XGboost組合模型的預(yù)測(cè)精度更高。傳統(tǒng)BPNN神經(jīng)網(wǎng)絡(luò)缺乏對(duì)時(shí)序數(shù)據(jù)的記憶能力，在預(yù)測(cè)精度以及預(yù)測(cè)時(shí)間上沒有優(yōu)勢(shì)。相較于傳統(tǒng)BPNN神經(jīng)網(wǎng)絡(luò)模型，組合模型的冷、熱、電負(fù)荷預(yù)測(cè)誤差分別降低了60.16%、37.97%、57.7%；相較于SVR模型，冷、熱、電負(fù)荷預(yù)測(cè)誤差分別降低了72.49%、26.32%、82.19%。

為了驗(yàn)證多負(fù)荷預(yù)測(cè)相比于單負(fù)荷預(yù)測(cè)的優(yōu)越性，檢驗(yàn)負(fù)荷用能耦合特性對(duì)于預(yù)測(cè)精度的影響，采用相同的原始數(shù)據(jù)集以及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將多負(fù)荷整體特征輸入與單負(fù)荷特征輸入分別進(jìn)行預(yù)測(cè)對(duì)比實(shí)驗(yàn)，預(yù)測(cè)誤差結(jié)果見表6。

從表6可知，多元負(fù)荷預(yù)測(cè)精度明顯高于單一負(fù)荷預(yù)

表5 各模型預(yù)測(cè)誤差對(duì)比

表6 單一負(fù)荷輸入與多元負(fù)荷輸入EMSE預(yù)測(cè)誤差對(duì)比

測(cè)，多元負(fù)荷預(yù)測(cè)相較于單一負(fù)荷預(yù)測(cè)包含更多的負(fù)荷之間相關(guān)性信息，輸入特征信息的增多使得模型預(yù)測(cè)精度更高。因此，針對(duì)園區(qū)綜合能源系統(tǒng)負(fù)荷預(yù)測(cè)問(wèn)題，因其用能耦合特性，將多元負(fù)荷特征作為預(yù)測(cè)建模輸入，更易于提高負(fù)荷預(yù)測(cè)精度。

5 結(jié)束語(yǔ)

本文針對(duì)園區(qū)綜合能源系統(tǒng)多元負(fù)荷短期預(yù)測(cè)問(wèn)題，考慮了園區(qū)用能耦合特性，采用MIC方法分析了多元負(fù)荷與溫度的相關(guān)性。基于數(shù)據(jù)驅(qū)動(dòng)理念，構(gòu)建了LSTM-XGboost組合的多元負(fù)荷短期預(yù)測(cè)模型，結(jié)果表明：

(1)本文提出的LSTM-XGboost組合預(yù)測(cè)模型具有更高的預(yù)測(cè)精度，相較于傳統(tǒng)BPNN神經(jīng)網(wǎng)絡(luò)模型，組合模型的冷、熱、電負(fù)荷預(yù)測(cè)誤差分別降低了60.16%、37.97%、57.7%；相較于SVR模型，冷、熱、電負(fù)荷預(yù)測(cè)誤差分別降低了72.49%、26.32%、82.19%。

(2)LSTM-XGboost組合方法充分結(jié)合二者模型的預(yù)測(cè)優(yōu)勢(shì)，進(jìn)一步提高了模型整體的預(yù)測(cè)精度。因此，組合模型適用于解決園區(qū)綜合能源系統(tǒng)多元負(fù)荷預(yù)測(cè)問(wèn)題。

(3)多元負(fù)荷預(yù)測(cè)精度明顯高于單一負(fù)荷預(yù)測(cè)，這充分反映了多元負(fù)荷之間相關(guān)性對(duì)于預(yù)測(cè)精度的影響。因此，針對(duì)園區(qū)綜合能源負(fù)荷預(yù)測(cè)問(wèn)題，多元負(fù)荷特征輸入有利于提高負(fù)荷預(yù)測(cè)精度。

未來(lái)隨著電力市場(chǎng)的發(fā)展，園區(qū)內(nèi)可能開展綜合能源市場(chǎng)交易，能源交易價(jià)格對(duì)于多元負(fù)荷預(yù)測(cè)的影響是未來(lái)重點(diǎn)考慮的研究方向。