零碳排放下电-气综合能源系统多能负荷预测

舒 舟,欧莉玲,何 丰,田诗语

(1.深圳供电局,广东 深圳 518000;2.深圳新能电力开发设计院,广东 深圳 518000)

0 引言

我国能源的消耗量在快速现代化建设进程中呈现持续增长的趋势。我国将煤炭等化石能源作为重点能源。这种趋势不仅会破坏我国的生态环境,还可能导致我国化石能源储量逐步减少甚至枯竭[1]。同时,我国重点采取能源分供的供应模式,不能有效地互补利用各类异质能源,且难以达到各类能源的协调规划,由此造成较低的能源利用率。因此,对电-气综合能源系统进行多能负荷预测具有重要意义。

国内外学者对此展开了深入研究。文献[2]提出了基于深度长短期记忆(long short-term memory,LSTM)网络的短期多负荷预测方法,对气象因子和短期负荷进行预处理,通过均方根误差获取评估指标,利用随机搜索算法选择最优全局参数,以实现能源负荷预测。文献[3]首先对数据进行归一化处理,然后通过LSTM网络构建负荷预测模型,最后利用平均精度指标和权重平均精度指标对模型进行性能评估,从而完成多元负荷预测。文献[4]提出了基于改进粒子群的小波神经网络综合能源系统短期负荷预测方法。该方法采用Pearson系数分析各影响因素,将其作为综合能源负荷预测输入量;引入混沌算法改进粒子群,并构建小波神经网络综合能源系统短期负荷预测模型。文献[5]提出了考虑多能时空耦合的超短期负荷预测方法。该方法将K-means聚类和Pearson系数相融合,重构各类基本负荷单元像素,并采用多通道卷积神经网络对像素在高维空间中的特征进行提取和融合,以完成综合特征负荷预测。文献[6]提出了基于多任务学习和最小二乘支持向量机的综合能源系统电-热-冷联合负荷预测模型。该模型首先梳理了不同综合能源子系统之间的耦合关系;其次利用多任务学习中的权重分担机制和最小二乘支持向量机,构建了基于多任务学习和最小二乘支持向量机的电力、热力、制冷和燃气负荷组合预测模型;最后验证了预测模型的有效性。但随着能源系统的不断进步、影响因素的不断增多,上述方法的预测精度还有待提升。

针对上述问题,本文研究了零碳排放下电-气综合能源系统多能负荷预测方法。本文构建零碳排放电-气综合能源系统架构,以气象因素为影响因子,分析多能负荷与气象因素的相关性;将系统历史多能负荷数据作为输入数据,构建基础LSTM预测模型;通过樽海鞘群算法(salp swarm algorithm,SSA)优化LSTM预测模型,以实现此类系统的多能负荷精准预测。该研究为此类系统的优化调度、降低碳排放量、提升能源利用率提供科学依据。

1 电-气综合能源系统多能负荷预测

1.1 零碳排放下电-气综合能源系统架构

零碳排放下电-气综合能源系统主要包含用户端和供能端。用户端包括冷负荷、热负荷、气负荷及电负荷。电负荷被划分成可转移电负荷、非柔性电负荷与可中断电负荷这3种。供能端与电网相连,从而为系统的平稳供能提供保障。供能端包含储能设备、可再生能源发电(power to gas,P2G)技术设备、污水源热泵、制冷机、光热电站以及风光发电机组等。该系统将电负荷在用户端进行分区,使其既可以参与需求响应,又可以兼顾参与用户的用能体验。针对供能端,为了达到零碳排放的目的,所用能源均为清洁能源。零碳排放电-气综合能源系统架构如图1所示。

图1 零碳排放电-气综合能源系统架构

综合能源系统通过P2G设备为其供应天然气。其中,系统天然气部分的供需平衡由储气设备实施放气或者储气[7]。该系统通过电网、光热电站内的发电机、储电设备、光伏以及风力发电进行供电。若系统内所生成电能低于实际负荷需求,则相差部分电能需由电网购入。若系统内所生成电能高于实际负荷需求,则多出部分电能可向电网出售,或者向储电设备内暂存。光热电站的储热设备与污水源热泵为此系统供应热负荷。其中,前者属于系统内的热电耦合单元。它能够利用多出的热能满足系统的热负荷所需,并将光热电站内光场所采集的热能转化为电能,从而满足系统的电负荷所需。后者的热源为城市污水。其制热或者制冷是在电能的驱动下,由制冷剂产生物态循环更替实现的。其为系统供应热负荷或者冷负荷[8-9]。另外,系统冷负荷的供应还可通过制冷机实现。

1.2 系统多能负荷与气象因素相关性

零碳排放电-气综合能源系统内各种负荷的耦合性与随机性较高。因此,在预测此系统多能负荷之前需通过完整分析此系统内各种负荷特性,获得其多能负荷规律,以实现多能负荷间相关性的有效分析,并掌握各种影响因素对多能负荷所带来的影响[10]。因为各类影响因素影响多能负荷特性的程度不同,所以本文选取影响系统多能负荷特性程度较高的气象因素作为影响因子,结合灰色关联度分析方法,对此类影响因子与系统多能负荷的相关性实施定量分析。

关联度φi与关联系数ηi是灰色关联度分析方法的关键参数。

(1)

式中:λ为分辨系数;yi(l)和y0(l)分别为归一化的负荷序列和气象因素序列;m为总序列数量。

通过关联度φi,可对系统多能负荷与气象因素间相关性程度的高低予以判别。φi值越高,代表两者之间的相关性程度越高[11]。通常冬季为供热季、夏季为供冷季,故需分别分析冬季系统的电、热负荷同气象因素间的相关性和夏季系统电、冷负荷同气象因素间的相关性。冬季气象因素数据序列与所需分析的各负荷数据共同构成的矩阵为:

(2)

式中:yE与yH分别为电负荷与热负荷;yM、yT、yR分别为大气湿度、温度、太阳辐射量气象因素。

夏季气象因素数据序列与所需分析的各负荷数据共同构成的矩阵为:

(3)

式中:yC为冷负荷。

完成以上2种矩阵的构建之后,本文结合式(1)得出不同季节系统各种负荷同各类气象因素之间的关联度,以完成零碳排放电-气综合能源系统电、热、冷多能负荷与气象因素的相关性分析。

1.3 零碳排放系统多能负荷预测方法

1.3.1 基于LSTM的预测模型构建

系统各种负荷间具备耦合性。通过对各负荷之间、各负荷与气象因素之间的相关性分析,本文所创建的系统多能负荷预测模型具有更高的预测精度。根据相关性分析发现,3种气象因素都会对系统的多能负荷产生一定的影响。因此,本文以3种气象因素作为影响因子,将相关性分析结果与零碳排放电-气综合能源系统的历史多能负荷数据共同作为输入数据。

LSTM属于1种典型的深度学习算法。其优点在于可有效分析各类烦琐数据的相关性,并高效拟合烦琐数据,因而被广泛运用于各类预测问题中,以获得理想的预测结果[12]。依据基础LSTM模型的输入数据集,本文构建基础LSTM预测模型,对系统的多能负荷实施预测。

LSTM在时序预测领域应用较为广泛。其主要包含输入门、输出门及遗忘门。三者的作用分别是对信息的输入、保存及输出实施控制。基础LSTM预测模型的训练式为:

(4)

式中:bj、aj、dj分别为输入门、遗忘门、输出门;μf、μd、μb、μa分别为当前隐含层中的记忆单元、输出门、输入门和遗忘门的偏差;δ为激活函数;xj和gj为j时刻预测模型的输入和记忆单元的输出;ωd为记忆单元到输出门的加权矩阵;qj和qj-1为j和(j-1)时刻记忆单元的状态;gj-1为(j-1)时刻记忆单元的输出;ωb和ωa为隐含输入门和遗忘门的权重。

LSTM预测模型通过对3个门实施操控,调整各时间步下的记忆单元,即确定各时间步下所留存的之前时间步和接下来时间步所传输的历史负荷数据量,以此获得所需预测结果。

1.3.2 基础LSTM预测模型参数优化

为降低基础LSTM预测模型的误差、保证其最终所得系统多能负荷预测结果的精度,本文选用SSA优化此模型的参数,寻得其最优参数值。本文将基础LSTM预测模型的参数设定为樽海鞘,选择一个平均方差作为目标函数的适应度值,并在SSA的求解空间中搜索,持续对樽海鞘的位置实施迭代更新,以寻得最优参数值。SSA主要有追随者与领导者这2种目标群体。其中,由领导者对樽海鞘群体实施引导作用,各追随者均追随其前一个追随者[13]。本文设所规划区间内具备目标源。因此,以樽海鞘行为波动为依据,SSA优化基础LSTM预测模型参数的过程如下。

①参数设定。重点设定的参数有隐含层单元数、最高迭代次数、时间步长、群体数量、变量上限与下限、影响因素数量等。

②群体初始化。初始化矩阵可表示为:

S=[sik]n×o

(5)

式中:sik为第i个樽海鞘的第k个变量的值,i=1,2,…,n,k=1,2,…,o。

sik的运算式为:

(6)

(7)

式中:f[·]为适应度函数。

在此矩阵内,具备最优适应度值的樽海鞘即为目标源U。通过樽海鞘链能够确定其位置,故可采取调整目标源U所处位置的方式,求解预测模型最优参数值。

④迭代次数的确定。本文通过适应度函数运算全部元素,以达到持续迭代更新目标源U位置的目的,从而防止局部最优解的发生。领导者朝着目标源U定位更新的方程式为:

(8)

θ1的设定方程为:

(9)

式中:n′为当下更新迭代的次数;N′为更新迭代次数的上限。

追随者位置的更新迭代方程式为:

(10)

本文持续迭代基础LSTM预测模型参数优化过程,直到寻得最优参数解为止即完成对基础LSTM预测模型的参数优化。

1.3.3 基于优化LSTM预测模型的多能负荷预测

经上述基础LSTM预测模型参数优化后,本文获得优化LSTM预测模型。本文运用该模型实现零碳排放电-气综合能源系统多能负荷预测。优化LSTM预测模型整体结构如图2所示。

图2 优化LSTM预测模型整体结构

优化LSTM预测模型为5层架构,分别是输入层、基础LSTM层、SSA参数优化层、dropout层以及输出层。其中,任意选定的不加入训练的神经元通过dropout层内的灰色实心圆呈现。基于优化LSTM预测模型的零碳排放电-气综合能源系统多能负荷预测的具体过程如下。

①向优化LSTM预测模型的输入层内输入零碳排放电-气综合能源系统的历史多能负荷数据。以冬、夏2个季节为例,所输入数据为Yw与Yh。

②通过基础LSTM层获取输入数据Yw与Yh的特征向量;同时,在基础LSTM层内3个门的操控下,完成神经网络单元的创建,获得单层LSTM预测模型。基础LSTM层的输出矩阵可表示为G=[g1,g2,…,gj,…,gm]T。

③通过SSA参数优化层优化基础LSTM预测模型的参数,可以寻得最优参数值,从而提高模型的预测精度。

④通过dropout层,使用任意选定的不加入训练的神经元,可防止部分特征仅生效于某些特定组合下。这将使整体网络模型具备普遍性,避免整体预测模型出现过拟合与陷入局部最优解现象。

⑤得出的系统多能负荷预测结果通过输出层向外输出。

2 试验结果分析

本文以某城市内绿色园区所应用的零碳排放电-气综合能源系统为例进行分析。本文从该系统的运行数据中随机抽取2020年7月～9月(夏季)及2020年11月～2021年3月(冬季)的冷、热、电多能负荷历史数据,并由气象数据网站中选取出对应时间的太阳辐射量、湿度及温度等各气象因素数据。本文将上述数据共同作为试验数据,应用所提方法实施该系统多能负荷预测,以检验所提方法的预测效果。试验系统关键参数设定如下:P2G效率为0.7;P2G最高输入电功率为600 kW;污水源热泵最高输入电功率为100 kW;污水源热泵制热系数为0.3;储气设备容量为300 m3;储气设备放气效率为0.95;储气设备储气效率为0.95;基础储气量为150 m3;储气设备自损率为0.05%;储热设备容量为5 000 kW·h;储热设备放热效率为0.98;储热设备储热效率为0.98;基础储热量为2 500 kW·h;储热设备自损率为0.031%;光热电站最高向下爬坡速率为200 kW;光热电站最高输出电功率为400 kW;光热电站最低输出电功率为50 kW;光热电站热电转换效率为0.377;光热电站最高向上爬坡速率为200 kW;系统与电网间最高传输功率为1 500 kW;分辨系数为0.5;LSTM层数为1层;时间步长为73;迭代次数为100次;学习率为0.001;LSTM层神经元数量为33;隐含层单元数为11;dropout层选定参数为0.2。

本文在以上试验环境与试验参数的设定下,运用所提方法对试验数据的多能负荷与气象因素的相关性展开分析,获得各负荷间及各负荷与气象因素间的数据关联度。试验数据多能负荷与气象因素相关性分析结果如表1所示。

由表1可知,在夏季供冷季中,冷负荷与电负荷之间的关联度为0.88;同时,两者与3种气象因素之间均存在相关性。两者与湿度的关联度相对较低、与温度的关联度相对较高。在冬季供热季中,热负荷与电负荷之间的关联度为0.681;同时,两者与3种气象因素之间也都存在相关性,且同样与湿度的关联度低、与温度的关联度高。另外,夏季的冷、电负荷关联度高于冬季的热、电负荷关联度。这是因为夏季的冷负荷是通过空调产生的,而空调用电直接决定夏季电负荷量。因此,夏季的冷、电负荷具有较高的关联度。所得相关性分析结果与实际情况相符。

本文在以上相关性分析结果的基础上,分别选取试验时间段内夏季的高温天气、低温天气、雨天以及冬季的高温天气、低温天气、雪天作为典型日,通过所提方法得出各典型日中对应负荷的预测结果,以此检验所提方法的预测效果。

各典型日多能负荷预测结果如图3所示。

由图3可知,所提方法可实现夏、冬两季各典型日中冷、热、电多能负荷的预测。预测结果显示,在夏季,高温天气的冷、电负荷均明显高于其他2种天气,低温天气的冷、电负荷与雨天的2种负荷相差不大;同时,3种典型日中的电负荷均低于冷负荷。而在冬季,高温天气的热、电负荷明显低于其他2种天气,低温天气与雪天2种典型日内的2种负荷值同样较为接近,且3种典型日的电负荷均低于热负荷。由此可见:温度与冷、热、电多能负荷间所具备的关联度相对较高;湿度与冷、热、电多能负荷间所具备的关联度相对较低。所得预测结果符合现实状况,预测结果可信度高。

本文采用平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,对所提方法预测准确度进行验证。该指标值与所提方法的预测准确度成反比。此值越低,代表所提方法的预测结果越准确。该指标的运算式为:

(11)

本文对夏、冬两季对应负荷的MAPE指标值进行计算,通过计算结果分析所提方法的总体预测准确度。

所提方法预测结果的MAPE指标值如图4所示。

图4 所提方法预测结果的MAPE指标值

由图4可知,所提方法对夏季、冬季对应负荷实施预测的MAPE指标值均未超出0.45。由此可见,所提方法的综合预测精度较高,预测效果较理想,能够满足实际应用需求。

3 结论

为预测综合能源系统多能负荷,本文运用SSA对基础LSTM预测模型实施关键参数优化,获得优化后LSTM预测模型,并应用该模型预测所研究零碳排放电-气综合能源系统的冷、热、电多能负荷。试验结果表明,所提方法能够针对夏季、冬季中不同典型日的冷、热、电多能负荷进行预测。其预测结果与实际情况基本一致,具有较好的预测准确度。试验仅针对天气类型典型日的多能负荷预测结果展开测试。后续研究会继续针对休息日与工作日这2种典型日的多能负荷预测结果实施检验,以进一步完善所提方法的实际应用效果,为能源系统最优调度与运行规划奠定基础。