基于随机森林和长短期记忆网络多元负荷预测的综合能源三层规划调度

李玉凯，韩佳兵，于春浩，王全，杨蒙，赵钧

（1. 北京科东电力控制系统有限责任公司， 北京市 海淀区 100089；2. 华北电力大学控制与计算机工程学院， 北京市 昌平区 102206）

0 引言

作为解决能源问题的重要方向，综合能源系统将能源的供给、转换、存储和分配进行协调整合，实现了冷、热、电、气多种能源的统一规划调度[1]。规划调度可解决系统内负荷可调以及能流转化问题，并可预先规划需求侧的用能。相对于传统的电力系统，综合能源在场景规划调度方面受天气、社会、政策等因素影响变得尤为复杂。针对综合能源系统的规划与调度已展开研究并取得一定成果，文献[2]考虑日前、日内2 个阶段采用随机规划方法构建多场景下的规划调度模型；文献[3]针对综合能源的负荷以及可再生能源的不确定性，采用粒子群与线性规划相结合的方法构建规划模型并给出了评价指标；文献[4]提出了多个系统评价指标并构建了双层规划调度模型，用于求解配置规划及调度问题；高阳等[5]在考虑生物质联供机组的基础上建立综合能源双层规划模型，其中上下层除了考虑常规变量还将生物质能有关变量考虑在内；黄伟等[6]提出考虑负荷需求响应的双层模型并利用上下层实现了源-荷互动；文献[7]建立双层规划模型同时将综合能源商作为市场主体考虑在内；文献[8]考虑了不同季节下的负荷特性，对综合能源的容量进行了规划；文献[9]考虑耦合因素，对综合能源中的能量枢纽进行了规划，提出了一种双层模型，求解系统的配置与运行问题。以上研究构建的双层模型，多数对设备的类型数量及出力状态进行规划调度建模，并采用智能算法或求解器进行求解，在规划和调度建模中重点对系统优化运行进行分析求解，对负荷预测考虑甚少。对冷、热、电多元负荷进行预测，可使综合能源系统在规划与调度中实施预先措施调节设备状态，以获取更高的经济效益。现阶段负荷预测研究中智能预测算法较为广泛，如采用神经网络、小波变换算法以及集成算法等对用户电负荷进行预测[10-14]；针对多元负荷预测的研究，Shaomin WANG 等[15]考虑系统能量之间的耦合特性提出了一种基于区域综合能源系统（region integrated energy system, RIES）的负荷预测模型；GUO Xifeng 等[16]将卷积神经网络与长短期记忆网络预测模型结合解决了特征提取不足的问题，提高了预测精度；DING Jia 等[17]将特征选择作为预测之前的关键处理步骤，提出了一种特征相关性的向量机模型；文献[18-20]分别通过不同的神经网络构建预测模型预测系统冷、热、电负荷并对比分析预测结果，其中文献[20]采用Copula 理论进行了相关因素分析，增加了预测的准确性。上述预测研究主要针对短期电负荷以及多元负荷，而针对系统长期规划阶段预测需构建长期预测模型，文献[21]考虑了季节性与随机性，将N-BEATS 神经网络用于中期预测；文献[22]将滑动平均值、神经网络和支持向量机混合作为预测模型；智能算法、计量学算法与大数据技术等[23-25]也用于构建长期负荷预测模型，但仅针对传统电力负荷进行预测并未考虑综合能源规划阶段需对多种能源负荷进行预测。此外针对负荷不确定对系统规划和调度造成的高成本问题上，并未从系统设计运行的角度对预测、规划和调度进行联合建模分析。

本文根据综合能源系统规划和调度对冷、热、电多元负荷长期与短期预测的需求，将多元负荷的长期预测和短期预测结果共同纳入到综合能源系统的规划和调度中，提出包含预测层、规划层和调度层的基于多元负荷预测的3 层规划调度模型。通过不同季节场景算例仿真，对比分析规划调度双层模型和3 层模型的效果，验证所构建模型的有效性。

1 综合能源系统的3 层规划调度模型

综合能源系统包含能源供给模块、可再生能源模块、能源转换模块和存储模块，如图1 所示。其中能源供给模块含有外部电网和天然气网；可再生能源模块包含风力发电机和光伏发电机；能源转换模块主要包含冷、热电联产机组、燃气锅炉、电锅炉和电制冷机；能源存储模块包含储电、储热和储冷。

图1 综合能源系统框架Fig. 1 Framework of integrated energy system

针对综合能源系统规划和调度，构建包含预测层、规划层和调度层的3 层模型。预测层包含长期负荷与短期负荷预测。长期负荷预测数据传递至规划层，满足规划层可靠性、长期性的要求；短期负荷预测数据传递给调度层，以达到调度的灵活性、实时性的要求。规划层将长期负荷预测数据作为负荷约束，对综合能源系统设备的类型数量和启停状态进行规划，将规划结果传递至调度层，规划目标为综合规划调度成本最小。调度层根据短期负荷预测数据与规划层设备方案进行联合优化，以设备的出力状态作为优化变量，以调度运行成本最低为调度目标，并将调度运行成本反馈给规划层，以更新系统综合规划调度成本。基于此构建综合能源系统3 层模型如图2 所示。

图2 综合能源系统3 层模型框架Fig. 2 Three layer model framework of integrated energy system

1.1 预测层模型

1.1.1 长期负荷预测模型

综合能源规划阶段需要对系统按设备寿命周期以及年维修维护成本做长期规划统筹，而冷、热、电负荷则需要长期预测数据，以满足规划阶段长期可靠性要求。随机森林回归（random forest regression，RFR）算法[26]具有参数设定少、收敛快等优势，在处理大量数据时仍能表现出较强的泛化能力，并且可有效避免过拟合问题，适用于数据量大的长期负荷预测场景。算法内部集成多个分类回归树（classification and regression tree，CART），模型训练时可通过遍历特征及特征值选取最佳切分点和切分特征，然后求取切分后的节点不纯度加权和G(k,v)来衡量切分点的优劣以得到准确预测值。本文采用平方平均误差的不纯度函数进行计算，如式（1）所示。

图3 基于RFR 的多元负荷长期预测流程Fig. 3 RFR-based multivariate load long-term forecasting process

1.1.2 短期负荷预测模型

综合能源系统在实际运行时需按照短时负荷对系统做出优化调整以获得更优方案以及更经济的系统运行成本，因此负荷预测需针对调度阶段进行短期预测。长短期记忆网络（long short-term memory，LSTM）[27]预测算法在负荷预测过程中，其鲁棒性和记忆能力较好，并且可以克服循环神经网络处理长期记忆能力欠缺以及梯度异常的问题，此外相比其他算法有更精确的预测结果，因此本文采用LSTM 网络实现短期负荷预测。LSTM预测一般可分为3 个阶段：

Stage1：选择遗忘阶段。遗忘门决定丢弃的信息，由sigmoid 单元处理，权重设置为0 和1之间的值。当权重为0 时信息全部舍弃，当权重为1 时信息全部保留，处理后得到ft、mt；

Stage2：选择更新阶段。首先输入门通过yt−1和xt进行选择性更新，然后通过tanh 层得到更新状态信息u˜t，将新形成的u˜t添加选择信息可得新的信息ut；

Stage3：输出阶段。将新的ut与输入的yt−1和yt通过sigmoid 单元处理得到ot，将得到的信息ot与通过tanh 层的新信息ut相乘得到输出yt。具体算式如下

基于LSTM 构建短期预测模型，设置隐含网络层数为1，设置正则化参数为0.2，选择sigmoid函数作为激活函数，输入负荷数据与特征数据训练模型并依据Adam 算法调整网络参数，损失函数取均方误差(mean square error, MSE) 函数。基于LSTM 多元负荷短期预测流程如图4 所示。

图4 基于LSTM 的多元负荷短期预测流程Fig. 4 LSTM-based short-term multivariate load forecasting process

式中：zi、zˆi分别为真实值与预测值；EMSE为均方误差值。

1.2 规划层模型

1.2.1 目标函数

1.2.2 约束条件

规划层的约束条件主要考虑设备容量约束、设备安装数量约束和初始投资成本约束。

1)设备容量约束。

考虑设备的安全稳定与负荷需求

1.3 调度层模型

1.3.1 目标函数

调度层考虑综合能源系统的调度运行成本最小以获取最大收益，即以系统调度运行成本COP最小为目标函数进行运行优化。

1.3.2 约束条件

调度层约束条件主要考虑能源功率平衡约束、储能设备运行约束和能源转换设备运行约束。

1）能源功率平衡约束。

2 模型求解

本文构建综合能源系统3 层模型，预测层应用RFR 与LSTM 预测算法分别预测长期负荷和短期负荷，规划层根据负荷预测数据应用CPLEX求解器进行规划得出季节设备配置方案及规划初始投资成本，调度层根据规划层的配置方案与预测层的短期负荷预测数据，基于改进粒子群算法[29]进行系统的调度运行优化得到设备最优出力状态，并将得到的调度运行成本返回到规划层计算系统总体规划调度成本，实现系统的最优规划调度。具体模型求解如图5 所示。

图5 综合能源系统3 层模型求解流程Fig. 5 Solving process of three layer model of integrated energy system

3 实验结果与分析

本文以典型综合能源园区为主要研究对象，园区的电负荷（电器等）、热负荷（供暖、热水等）、冷负荷（空调等）需求通过区域内历史数据获得，规划期最大初始设备年投资400 万元，外部电能源和气能源价格分别取0.5 元/kW·h、0.27 元/kW·h，电能源和气能源等效污染物排放处理成本分别取0.021 元/kW·h、0.0048 元/kW·h，平均供电60 kW/h,夏季6:00—19:00 平均供电90 kW/h。将园区2014—2019 年的冷、热、电负荷数据以及相关影响因素进行数据处理后作为预测层的原始数据；模型的训练集为2017 年12 月之前的数据，验证集为2018 年12 月之前的数据，以2019 年12 月之前的数据作为测试集；长期负荷预测将原始数据按季节划分为过渡季、冬季和夏季(对应天数分别为180 ，92 ，93 )3 种场景集合，应用RFR 模型（决策树最大深度80，建立100 棵树）预测3 个场景下的负荷数据；短期预测部分使用LSTM 模型（迭代次数1000）预测未来48 h 内的负荷数据。模型求解流程如图5 所示，负荷预测曲线如图6—9 所示。

图6 给出了不同季节场景下冷、热、电的负荷上下限值，由图中可以看出，在3 个不同场景下，冷、热、电的负荷需求有较大差别：在过渡季与夏季场景下，对冷、热、电负荷均有需求，但过渡季热负荷明显高于夏季热负荷，这是由于过渡季对于供暖与热水等负荷有一定需求；冬季相比于其他2 个季节场景对冷负荷需求几乎为零，但热负荷明显高于另外2 个场景。同时，图6 中给出了长时间尺度下的冷、热、电负荷的阈值，可作为规划层求解时的约束得出规划层求解结果，进一步得到每个季节场景下设备启停状态决策方案，为调度层提供参考。

图6 各季节场景负荷预测上下限Fig. 6 Top and bottom limitation of load forecasting scenarios in various seasons

图8 冬季典型日负荷预测与实际负荷相比Fig. 8 Comparison of forecasted load of typical day in winter with actual load

图9 夏季典型日负荷预测与实际负荷相比Fig. 9 Comparison of forecasted load of typical day in summer with actual load

图7—9 为每个季节下选取某个典型日场景下的预测负荷以及实际负荷。可以看出典型日内不同负荷有明显变动：冷、热、电负荷昼夜变化明显，低谷期多集中于01:00—05:00 之间；图中给出了短期预测的结果与实际数据，对比可知短期预测模型可在误差允许的范围内拟合原始数据，为调度层的削峰填谷与新能源消纳提供可靠的参考。

图7 过渡季典型日负荷预测与实际负荷相比Fig. 7 Comparison of load of typical day in transition season with actual load

规划层根据3 个场景的负荷预测数据进行规划，得到规划期初始年投资成本380.4 万元，总体设备包括1 台燃气轮机、2 台燃气锅炉、2 台吸收式制冷机、2 台电动制冷机、2 台电锅炉、5组光伏、2 组风机、5 台电储能、3 台蓄热箱、3台蓄热水箱。针对3 个典型场景，规划结果如表1 所示，其所对应的设备台数即代表该设备的启动状态；优化层根据规划配置方案与短期负荷预测数据进行调度，调度优化结果如表2 所示。

表1 规划层在不同场景下的规划结果Table 1 Planning results of planning layer in different scenarios

表2 各季节场景调度优化结果Table 2 Scheduling optimization results of scenarios in various seasons

由表1 可知3 个季节场景下对可再生能源设备、发电设备与储电设备的使用率相同，区别在于能源转换设备的使用以及冷能与热能存储设备的配置。对于过渡季冷能与热能的需求相对冬季夏季较小但该规划期内2 种负荷会并存，因此对制冷与制热类型设备规划相应的规模；对于冬季对热能需求相对较高，冷能则处于零负荷状态，因此规划启用相应规模的热能转换设备。

由表2 可知调度层成本，可以看出各个季节场景下设备配置不同会直接影响调度运行的各阶段成本；加入预测层的优势在于根据预测层的预测负荷在规划层和调度层做出预先调整，可很大程度上降低系统成本。为进一步说明本文3 层模型结构在降低成本、提高可应用性方面的优势，将未添加预测层的双层规划调度模型与本文3 层规划调度模型进行对比，2 者年规划调度结果如表3 所示。

表3 2 种模型对比Table 3 Comparison of two models

表3 给出了相同整体设备规模下2 个模型各阶段的成本。由表可知未加预测的双层模型年投资成本与3 层模型投资成本一致，但3 层模型运行维护成本降低了16.4 万元、外网购电成本降低了294.5 万元、外网购气成本降低了159.2 万元、污染物处理成本降低了18 万元、系统总成本降低了488.1 万元。从结果可以看出成本的降低主要来源于外网购能的减少，这是由于系统预测层加入，规划层可利用预测层的预测负荷数据预先调整规划期内设备启停状态，避免盲目启停设备造成的维护与购能成本的浪费；调度层可根据预测层数据提前配置系统出力状态，细化了不同季节下设备的出力，使系统达到了削峰填谷并且充分消纳光伏风机新能源，有效减少了外部能源的购入，使得系统外部购能成本、设备运行成本和污染物处理成本得到显著降低。

4 结论

本文所提出的3 层规划调度模型可在满足负荷需求的情况下提高系统效率，降低系统运行成本，增加综合能源系统园区的收益，为综合能源系统在计及负荷不确定时的设计和实际运行提供参考。