零碳排放下電-氣綜合能源系統多能負荷預測

舒 舟,歐莉玲,何 豐,田詩語

(1.深圳供電局,廣東 深圳 518000;2.深圳新能電力開發設計院,廣東 深圳 518000)

0 引言

我國能源的消耗量在快速現代化建設進程中呈現持續增長的趨勢。我國將煤炭等化石能源作為重點能源。這種趨勢不僅會破壞我國的生態環境,還可能導致我國化石能源儲量逐步減少甚至枯竭[1]。同時,我國重點采取能源分供的供應模式,不能有效地互補利用各類異質能源,且難以達到各類能源的協調規劃,由此造成較低的能源利用率。因此,對電-氣綜合能源系統進行多能負荷預測具有重要意義。

國內外學者對此展開了深入研究。文獻[2]提出了基于深度長短期記憶(long short-term memory,LSTM)網絡的短期多負荷預測方法,對氣象因子和短期負荷進行預處理,通過均方根誤差獲取評估指標,利用隨機搜索算法選擇最優全局參數,以實現能源負荷預測。文獻[3]首先對數據進行歸一化處理,然后通過LSTM網絡構建負荷預測模型,最后利用平均精度指標和權重平均精度指標對模型進行性能評估,從而完成多元負荷預測。文獻[4]提出了基于改進粒子群的小波神經網絡綜合能源系統短期負荷預測方法。該方法采用Pearson系數分析各影響因素,將其作為綜合能源負荷預測輸入量;引入混沌算法改進粒子群,并構建小波神經網絡綜合能源系統短期負荷預測模型。文獻[5]提出了考慮多能時空耦合的超短期負荷預測方法。該方法將K-means聚類和Pearson系數相融合,重構各類基本負荷單元像素,并采用多通道卷積神經網絡對像素在高維空間中的特征進行提取和融合,以完成綜合特征負荷預測。文獻[6]提出了基于多任務學習和最小二乘支持向量機的綜合能源系統電-熱-冷聯合負荷預測模型。該模型首先梳理了不同綜合能源子系統之間的耦合關系;其次利用多任務學習中的權重分擔機制和最小二乘支持向量機,構建了基于多任務學習和最小二乘支持向量機的電力、熱力、制冷和燃氣負荷組合預測模型;最后驗證了預測模型的有效性。但隨著能源系統的不斷進步、影響因素的不斷增多,上述方法的預測精度還有待提升。

針對上述問題,本文研究了零碳排放下電-氣綜合能源系統多能負荷預測方法。本文構建零碳排放電-氣綜合能源系統架構,以氣象因素為影響因子,分析多能負荷與氣象因素的相關性;將系統歷史多能負荷數據作為輸入數據,構建基礎LSTM預測模型;通過樽海鞘群算法(salp swarm algorithm,SSA)優化LSTM預測模型,以實現此類系統的多能負荷精準預測。該研究為此類系統的優化調度、降低碳排放量、提升能源利用率提供科學依據。

1 電-氣綜合能源系統多能負荷預測

1.1 零碳排放下電-氣綜合能源系統架構

零碳排放下電-氣綜合能源系統主要包含用戶端和供能端。用戶端包括冷負荷、熱負荷、氣負荷及電負荷。電負荷被劃分成可轉移電負荷、非柔性電負荷與可中斷電負荷這3種。供能端與電網相連,從而為系統的平穩供能提供保障。供能端包含儲能設備、可再生能源發電(power to gas,P2G)技術設備、污水源熱泵、制冷機、光熱電站以及風光發電機組等。該系統將電負荷在用戶端進行分區,使其既可以參與需求響應,又可以兼顧參與用戶的用能體驗。針對供能端,為了達到零碳排放的目的,所用能源均為清潔能源。零碳排放電-氣綜合能源系統架構如圖1所示。

圖1 零碳排放電-氣綜合能源系統架構

綜合能源系統通過P2G設備為其供應天然氣。其中,系統天然氣部分的供需平衡由儲氣設備實施放氣或者儲氣[7]。該系統通過電網、光熱電站內的發電機、儲電設備、光伏以及風力發電進行供電。若系統內所生成電能低于實際負荷需求,則相差部分電能需由電網購入。若系統內所生成電能高于實際負荷需求,則多出部分電能可向電網出售,或者向儲電設備內暫存。光熱電站的儲熱設備與污水源熱泵為此系統供應熱負荷。其中,前者屬于系統內的熱電耦合單元。它能夠利用多出的熱能滿足系統的熱負荷所需,并將光熱電站內光場所采集的熱能轉化為電能,從而滿足系統的電負荷所需。后者的熱源為城市污水。其制熱或者制冷是在電能的驅動下,由制冷劑產生物態循環更替實現的。其為系統供應熱負荷或者冷負荷[8-9]。另外,系統冷負荷的供應還可通過制冷機實現。

1.2 系統多能負荷與氣象因素相關性

零碳排放電-氣綜合能源系統內各種負荷的耦合性與隨機性較高。因此,在預測此系統多能負荷之前需通過完整分析此系統內各種負荷特性,獲得其多能負荷規律,以實現多能負荷間相關性的有效分析,并掌握各種影響因素對多能負荷所帶來的影響[10]。因為各類影響因素影響多能負荷特性的程度不同,所以本文選取影響系統多能負荷特性程度較高的氣象因素作為影響因子,結合灰色關聯度分析方法,對此類影響因子與系統多能負荷的相關性實施定量分析。

關聯度φi與關聯系數ηi是灰色關聯度分析方法的關鍵參數。

(1)

式中:λ為分辨系數;yi(l)和y0(l)分別為歸一化的負荷序列和氣象因素序列;m為總序列數量。

通過關聯度φi,可對系統多能負荷與氣象因素間相關性程度的高低予以判別。φi值越高,代表兩者之間的相關性程度越高[11]。通常冬季為供熱季、夏季為供冷季,故需分別分析冬季系統的電、熱負荷同氣象因素間的相關性和夏季系統電、冷負荷同氣象因素間的相關性。冬季氣象因素數據序列與所需分析的各負荷數據共同構成的矩陣為:

(2)

式中:yE與yH分別為電負荷與熱負荷;yM、yT、yR分別為大氣濕度、溫度、太陽輻射量氣象因素。

夏季氣象因素數據序列與所需分析的各負荷數據共同構成的矩陣為:

(3)

式中:yC為冷負荷。

完成以上2種矩陣的構建之后,本文結合式(1)得出不同季節系統各種負荷同各類氣象因素之間的關聯度,以完成零碳排放電-氣綜合能源系統電、熱、冷多能負荷與氣象因素的相關性分析。

1.3 零碳排放系統多能負荷預測方法

1.3.1 基于LSTM的預測模型構建

系統各種負荷間具備耦合性。通過對各負荷之間、各負荷與氣象因素之間的相關性分析,本文所創建的系統多能負荷預測模型具有更高的預測精度。根據相關性分析發現,3種氣象因素都會對系統的多能負荷產生一定的影響。因此,本文以3種氣象因素作為影響因子,將相關性分析結果與零碳排放電-氣綜合能源系統的歷史多能負荷數據共同作為輸入數據。

LSTM屬于1種典型的深度學習算法。其優點在于可有效分析各類煩瑣數據的相關性,并高效擬合煩瑣數據,因而被廣泛運用于各類預測問題中,以獲得理想的預測結果[12]。依據基礎LSTM模型的輸入數據集,本文構建基礎LSTM預測模型,對系統的多能負荷實施預測。

LSTM在時序預測領域應用較為廣泛。其主要包含輸入門、輸出門及遺忘門。三者的作用分別是對信息的輸入、保存及輸出實施控制?；ALSTM預測模型的訓練式為:

(4)

式中:bj、aj、dj分別為輸入門、遺忘門、輸出門;μf、μd、μb、μa分別為當前隱含層中的記憶單元、輸出門、輸入門和遺忘門的偏差;δ為激活函數;xj和gj為j時刻預測模型的輸入和記憶單元的輸出;ωd為記憶單元到輸出門的加權矩陣;qj和qj-1為j和(j-1)時刻記憶單元的狀態;gj-1為(j-1)時刻記憶單元的輸出;ωb和ωa為隱含輸入門和遺忘門的權重。

LSTM預測模型通過對3個門實施操控,調整各時間步下的記憶單元,即確定各時間步下所留存的之前時間步和接下來時間步所傳輸的歷史負荷數據量,以此獲得所需預測結果。

1.3.2 基礎LSTM預測模型參數優化

為降低基礎LSTM預測模型的誤差、保證其最終所得系統多能負荷預測結果的精度,本文選用SSA優化此模型的參數,尋得其最優參數值。本文將基礎LSTM預測模型的參數設定為樽海鞘,選擇一個平均方差作為目標函數的適應度值,并在SSA的求解空間中搜索,持續對樽海鞘的位置實施迭代更新,以尋得最優參數值。SSA主要有追隨者與領導者這2種目標群體。其中,由領導者對樽海鞘群體實施引導作用,各追隨者均追隨其前一個追隨者[13]。本文設所規劃區間內具備目標源。因此,以樽海鞘行為波動為依據,SSA優化基礎LSTM預測模型參數的過程如下。

①參數設定。重點設定的參數有隱含層單元數、最高迭代次數、時間步長、群體數量、變量上限與下限、影響因素數量等。

②群體初始化。初始化矩陣可表示為:

S=[sik]n×o

(5)

式中:sik為第i個樽海鞘的第k個變量的值,i=1,2,…,n,k=1,2,…,o。

sik的運算式為:

(6)

(7)

式中:f[·]為適應度函數。

在此矩陣內,具備最優適應度值的樽海鞘即為目標源U。通過樽海鞘鏈能夠確定其位置,故可采取調整目標源U所處位置的方式,求解預測模型最優參數值。

④迭代次數的確定。本文通過適應度函數運算全部元素,以達到持續迭代更新目標源U位置的目的,從而防止局部最優解的發生。領導者朝著目標源U定位更新的方程式為:

(8)

θ1的設定方程為:

(9)

式中:n′為當下更新迭代的次數;N′為更新迭代次數的上限。

追隨者位置的更新迭代方程式為:

(10)

本文持續迭代基礎LSTM預測模型參數優化過程,直到尋得最優參數解為止即完成對基礎LSTM預測模型的參數優化。

1.3.3 基于優化LSTM預測模型的多能負荷預測

經上述基礎LSTM預測模型參數優化后,本文獲得優化LSTM預測模型。本文運用該模型實現零碳排放電-氣綜合能源系統多能負荷預測。優化LSTM預測模型整體結構如圖2所示。

圖2 優化LSTM預測模型整體結構

優化LSTM預測模型為5層架構,分別是輸入層、基礎LSTM層、SSA參數優化層、dropout層以及輸出層。其中,任意選定的不加入訓練的神經元通過dropout層內的灰色實心圓呈現?；趦灮疞STM預測模型的零碳排放電-氣綜合能源系統多能負荷預測的具體過程如下。

①向優化LSTM預測模型的輸入層內輸入零碳排放電-氣綜合能源系統的歷史多能負荷數據。以冬、夏2個季節為例,所輸入數據為Yw與Yh。

②通過基礎LSTM層獲取輸入數據Yw與Yh的特征向量;同時,在基礎LSTM層內3個門的操控下,完成神經網絡單元的創建,獲得單層LSTM預測模型?；ALSTM層的輸出矩陣可表示為G=[g1,g2,…,gj,…,gm]T。

③通過SSA參數優化層優化基礎LSTM預測模型的參數,可以尋得最優參數值,從而提高模型的預測精度。

④通過dropout層,使用任意選定的不加入訓練的神經元,可防止部分特征僅生效于某些特定組合下。這將使整體網絡模型具備普遍性,避免整體預測模型出現過擬合與陷入局部最優解現象。

⑤得出的系統多能負荷預測結果通過輸出層向外輸出。

2 試驗結果分析

本文以某城市內綠色園區所應用的零碳排放電-氣綜合能源系統為例進行分析。本文從該系統的運行數據中隨機抽取2020年7月～9月(夏季)及2020年11月～2021年3月(冬季)的冷、熱、電多能負荷歷史數據,并由氣象數據網站中選取出對應時間的太陽輻射量、濕度及溫度等各氣象因素數據。本文將上述數據共同作為試驗數據,應用所提方法實施該系統多能負荷預測,以檢驗所提方法的預測效果。試驗系統關鍵參數設定如下:P2G效率為0.7;P2G最高輸入電功率為600 kW;污水源熱泵最高輸入電功率為100 kW;污水源熱泵制熱系數為0.3;儲氣設備容量為300 m3;儲氣設備放氣效率為0.95;儲氣設備儲氣效率為0.95;基礎儲氣量為150 m3;儲氣設備自損率為0.05%;儲熱設備容量為5 000 kW·h;儲熱設備放熱效率為0.98;儲熱設備儲熱效率為0.98;基礎儲熱量為2 500 kW·h;儲熱設備自損率為0.031%;光熱電站最高向下爬坡速率為200 kW;光熱電站最高輸出電功率為400 kW;光熱電站最低輸出電功率為50 kW;光熱電站熱電轉換效率為0.377;光熱電站最高向上爬坡速率為200 kW;系統與電網間最高傳輸功率為1 500 kW;分辨系數為0.5;LSTM層數為1層;時間步長為73;迭代次數為100次;學習率為0.001;LSTM層神經元數量為33;隱含層單元數為11;dropout層選定參數為0.2。

本文在以上試驗環境與試驗參數的設定下,運用所提方法對試驗數據的多能負荷與氣象因素的相關性展開分析,獲得各負荷間及各負荷與氣象因素間的數據關聯度。試驗數據多能負荷與氣象因素相關性分析結果如表1所示。

由表1可知,在夏季供冷季中,冷負荷與電負荷之間的關聯度為0.88;同時,兩者與3種氣象因素之間均存在相關性。兩者與濕度的關聯度相對較低、與溫度的關聯度相對較高。在冬季供熱季中,熱負荷與電負荷之間的關聯度為0.681;同時,兩者與3種氣象因素之間也都存在相關性,且同樣與濕度的關聯度低、與溫度的關聯度高。另外,夏季的冷、電負荷關聯度高于冬季的熱、電負荷關聯度。這是因為夏季的冷負荷是通過空調產生的,而空調用電直接決定夏季電負荷量。因此,夏季的冷、電負荷具有較高的關聯度。所得相關性分析結果與實際情況相符。

本文在以上相關性分析結果的基礎上,分別選取試驗時間段內夏季的高溫天氣、低溫天氣、雨天以及冬季的高溫天氣、低溫天氣、雪天作為典型日,通過所提方法得出各典型日中對應負荷的預測結果,以此檢驗所提方法的預測效果。

各典型日多能負荷預測結果如圖3所示。

由圖3可知,所提方法可實現夏、冬兩季各典型日中冷、熱、電多能負荷的預測。預測結果顯示,在夏季,高溫天氣的冷、電負荷均明顯高于其他2種天氣,低溫天氣的冷、電負荷與雨天的2種負荷相差不大;同時,3種典型日中的電負荷均低于冷負荷。而在冬季,高溫天氣的熱、電負荷明顯低于其他2種天氣,低溫天氣與雪天2種典型日內的2種負荷值同樣較為接近,且3種典型日的電負荷均低于熱負荷。由此可見:溫度與冷、熱、電多能負荷間所具備的關聯度相對較高;濕度與冷、熱、電多能負荷間所具備的關聯度相對較低。所得預測結果符合現實狀況,預測結果可信度高。

本文采用平均絕對百分比誤差(mean absolute percentage error,MAPE)作為評價指標,對所提方法預測準確度進行驗證。該指標值與所提方法的預測準確度成反比。此值越低,代表所提方法的預測結果越準確。該指標的運算式為:

(11)

本文對夏、冬兩季對應負荷的MAPE指標值進行計算,通過計算結果分析所提方法的總體預測準確度。

所提方法預測結果的MAPE指標值如圖4所示。

圖4 所提方法預測結果的MAPE指標值

由圖4可知,所提方法對夏季、冬季對應負荷實施預測的MAPE指標值均未超出0.45。由此可見,所提方法的綜合預測精度較高,預測效果較理想,能夠滿足實際應用需求。

3 結論

為預測綜合能源系統多能負荷,本文運用SSA對基礎LSTM預測模型實施關鍵參數優化,獲得優化后LSTM預測模型,并應用該模型預測所研究零碳排放電-氣綜合能源系統的冷、熱、電多能負荷。試驗結果表明,所提方法能夠針對夏季、冬季中不同典型日的冷、熱、電多能負荷進行預測。其預測結果與實際情況基本一致,具有較好的預測準確度。試驗僅針對天氣類型典型日的多能負荷預測結果展開測試。后續研究會繼續針對休息日與工作日這2種典型日的多能負荷預測結果實施檢驗,以進一步完善所提方法的實際應用效果,為能源系統最優調度與運行規劃奠定基礎。