基于LASSO 和PSO-LSTM 的综合能源系统负荷预测＊

黄文静，戚建国

（1.河北工业职业技术大学，河北 石家庄 050091；2.医科达（北京）医疗器械有限公司，北京 100000）

当前能源危机和环境保护的压力与日俱增，为缓解能源危机，多能互补、综合利用的综合能源系统应运而生[1]。合理、科学规划集电、冷、热等能源网为一体的综合能源系统，能最大化利用可再生能源，尽量挖掘系统潜力，合理配置能源网荷储[2]。因此，对综合能源系统进行科学合理的负荷预测具有必要性与现实意义。

由于负荷预测是综合能源系统优化运行的关键，因此学者们积极开展了研究：文献[3]分析了聚合混合模态分解和TCN 神经网络相结合进行电、冷和热负荷预测效果，有效解决了预测误差修正；文献[4]研究了模糊C均值聚类算法的电-热互联综合能源系统负荷预测，具有很高的预测精度；文献[5]研究了一种多核LS-SVM 预测模型，能够有效综合各个核函数的优点，充分挖掘非线性信息。目前负荷预测方法包括时间序列、贝叶斯、模糊理论、小波分析、回归分析、人工神经网络、支持向量机等。

基于上述分析，本文针对影响负荷预测的大量气象因素研究基于LASSO 原理对气象因素进行数据分析和降维，获得对负荷影响最大的气象指标。LSTM神经网络由于其清晰的算法流程、完善的理论体系被成功应用于负荷预测。PSO 粒子群算法是一种结构简单且具有极强的全局搜索能力的群体智能优化算法。本文利用PSO 算法优化LSTM 神经网络参数，提高了LSTM 神经网络性能。通过对河北某教育园区区域综合能源系统进行电、冷、热负荷预测，验证了本文模型的可行性，保障了区域综合能源系统优化运行。

1 通过LASSO 原理进行变量选择

由于综合能源系统负荷受温度、湿度、风速等多种气象因素的影响，因此需要对冗余数据进行去除，选择对系统负荷影响最大的气象因素。LASSO 模型方法通过构造一个惩罚函数获得一个精炼的模型，可以实现变量的选择[6]。

对于样本数据（xi1，xi2，…，xip；yi），i=1，2，…，n，设α为常数项，β1，β1，…，βp为回归系数，ε为随机扰动项，其线性模型公式如下：

设s为约束参数，常数项和回归系数的LASSO 定义为：

2 PSO 优化LSTM 神经网络

2.1 LSTM 神经网络

LSTM 在长序列预测问题的处理上具有良好的效果，有助于提高预测精度，已成为当今最流行的深度学习框架之一[7]。LSTM 计算步骤如下。

第一，变换单元状态。设xt为t时刻的输入，Ct为t时刻的长期记忆，ht为t时刻的短期记忆，ht-1为t－1时刻的单元状态。xt与ht-1结合后经过sigmoid的非线性处理得到遗忘门输出ft。ft的表达式为：

式中：δ为sigmoid函数；Wfx和bf分别为遗忘门的权重和偏置。

第二，由输入门it负责决定哪些新信息将要存储到新单元状态Ct中。首先经过sigmoid函数得到输入门，如式（1）所示，然后经过tanh函数激活后创建一个新的候选值向量，如式（2）所示。

式中：Wix和bi分别为输入门的权重和偏置；WCx和bC分别为用于创建新候选值的输入门的权重和偏差。

第三，将旧记忆单元状态Ct-1更新为新记忆单元状态Ct，表达式为：

第四，经sigmoid函数计算输出门Ot，再经过tanh函数激活得到最终的结果ht，计算公式如下：

式中：Wox和b0为输出门的权重和偏置。

2.2 PSO 优化LSTM 神经网络步骤

PSO 是一种新型群体优化智能算法，具有原理复杂度低、需要设置的参数少、运行速度快等优点，应用于LSTM 神经网络的参数寻优具有良好的优势[8]。PSO 优化LSTM 神经网络算法步骤如下。

第一，载入样本数据，确定惯性权重、迭代次数、学习因子等粒子群参数。

第二，根据样本数据初始化LSTM 神经网络。

第三，计算适应度值，选取LSTM 神经网络的均方误差指标为适应度函数：

式中：M为训练样本数；q为网络输出层节点数；yo=[yo1，yo2，…，yoq]T为网络实际输出；d=[d1，d2，…，dq]T为网络期望输出。粒子在适应度函数最小时寻出LSTM 神经网络的最优值。

第四，根据式（3）适应度值计算确定粒子群个体最优位置pbest，进而确定群体总最优位置gbest。不断地调整粒子的位置和速度，直到适应度函数最小，确定最优位置。

3 综合能源负荷预测实例分析

本文从北方某园区综合能源系统提取2021-07-01—2021-07-07 的数据点用本文所提出的预测方法进行验证。数据采集间隔为每天24 h，每隔1 h进行1 次记录采样，负荷数据总共96 个点。选取2021-07-01—2021-07-06 的电负荷和冷负荷以及气象因素作为样本数据，2021-07-07 的负荷作为校验数据。

3.1 LASSO 算法数据选择及处理

影响负荷的因素包括X1—日出时间、X2—日落时间、X3—紫外线指数、X4—风向、X5—风速、X6—最高温度、X7—最低温度、X8—平均温度、X9—气压、X10—湿度、X11—污染指数、X12—大雾指数，对数据进行归一化处理后运用LASSO 方法进行变量选取。选择路径如图1 所示。

图1 气象因素LASSO 算法选择路径

经AⅠC 标准计算，在s=0.386 时AⅠC 取最小值。由图1 观察分析将系数很小或者为0 的因素删除，得到了4 个气象因素，分别是X6—最高温度、X8—平均温度、X10—湿度、X3—紫外线指数。

同时还要考虑周一到周日的日类型不同，周一至周五的工作日负荷较重，而周六、周日休息日的负荷较轻。因此根据负荷的规律性，采用数字表示日类型，设周一到周五为0.8，周六为0.4，周日为0.3。将当天的日类型及当天t－1 时刻的最高温度、平均温度、湿度、紫外线指数，以及前3 天t时刻、t－1 时刻、t+1时刻的电、冷负荷数据及最高温度、平均温度、湿度、紫外线指数作为输入向量输入到PSO 优化的LSTM 神经网络中进行负荷预测。

3.2 PSO-LSTM 负荷预测

根据数据分析，采用PSO-LSTM 神经网络进行电负荷和冷负荷预测。同时选用BP 神经网络、LSTM 神经网络与本文模型进行对比。电负荷预测结果如图2所示，冷负荷预测结果如图3 所示。

图2 电负荷预测结果

图3 冷负荷预测结果

从图2 和图3 可知，采用PSO-LSTM 神经网络算法得到的预测曲线与实际曲线更为贴近。

为进一步说明本文模型的优越性，选用平均绝对百分比误差（MAPE）评价3 种负荷预测方法，可以体现预测准确性。3 种方法的误差对比如表1 所示。

表1 负荷预测误差对比

由表1 可知，PSO-LSTM 神经网络算法进行电负荷与冷负荷预测的误差值均小于其他2 种算法，采用本文模型进行电负荷预测的误差为3.6%，进行冷负荷预测的误差仅为2.1%，可以得出本文模型预测精度最高，使用PSO-LSTM 神经网络算法可以有效地进行综合能源负荷预测。

4 结论

通过构建LASSO 和PSO-LSTM 神经网络的组合模型，并利用模型对综合能源系统进行负荷预测，得到如下结论：①LASSO 可以进行参数的选择和收缩，尤其适合对综合能源系统所包含的多种气象因素大数据进行选择和分析，具有很强的现实意义；②利用PSO-LSTM 神经网络可以有效确定LSTM 模型隐含层神经元的个数及迭代次数，准确、快速地实现综合能源负荷预测；③通过对园区电、冷负荷预测实验表明，基于LASSO 和PSO-LSTM 神经网络结合的方法可以有效提高综合能源系统负荷预测精度，及时掌握负荷用度变化，提高调度运行效率，有较高的应用价值。