基于多能需求响应与ICPO-BiLSTM模型的综合能源系统负荷预测方法

本发明涉及综合能源系统负荷预测，具体涉及一种基于多能需求响应与icpo-bilstm模型的综合能源系统负荷预测方法。

背景技术：

1、综合能源系统打破了传统能源供给方式中各种能源系统相互独立运行的局限，在充分利用多种能源资源的基础上，有效降低了能量供应中的不确定性。因此，能源供给模式逐渐转向综合能源系统。负荷预测作为综合能源系统能量管理和调度优化的重要前提，它可以引导系统合理地利用各种能源资源，为其后续的高效、稳定运行提供依据，因此，对负荷预测进行研究具有重大意义。

2、现有技术文献中：文献[1]:《基于注意力机制优化长短期记忆网络的短期电力负荷预测》(王健,易姝慧,刘浩,等.基于注意力机制优化长短期记忆网络的短期电力负荷预测[j].中南民族大学学报(自然科学版),2023,42(01):73-81.)提出用改进的am-lstm模型对负荷进行预测，提高了负荷的预测精度。然而，上述文献仅考虑对电力负荷进行预测，而综合能源系统中包含多种类型的负荷，这些负荷间又存在耦合关系，这就使得对单一负荷进行预测的精度下降。

3、文献[2]:《多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测》(付文龙,章轩瑞,张海荣,等.多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测[j].电力系统及其自动化学报,2023,35(12):89-99.)提出一种多元负荷预测模型，该模型将时间序列输入嵌入式分解模块分解后，提取多尺度特征，并采用自适应非线性融合模块实现预测结果融合，提高了模型的泛化性和预测性能。但上述文献在考虑影响多元负荷预测结果的相关因素时依然存在不足，预测模型的整体性能仍有待提升。

4、文献[3]:《能源互联环境下考虑需求响应的区域电网短期负荷预测》(李闯,孔祥玉,朱石剑,等.能源互联环境下考虑需求响应的区域电网短期负荷预测[j].电力系统自动化,2021,45(01):71-78.)提出一种短期的负荷预测方法，该方法考虑了需求响应电价对负荷预测精度的影响，实现预测精度的提升。然而，现有研究主要针对用电需求响应对电负荷进行预测，而考虑多元负荷间的耦合关系及需求响应的负荷预测研究较少。

技术实现思路

1、为解决上述技术问题，本发明提供一种基于多能需求响应与icpo-bilstm模型的综合能源系统负荷预测方法，该预测方法可以有效应对多元负荷间的耦合关系与用户需求响应对负荷预测精度的影响，能够提高对多元负荷预测的准确度。

2、本发明采取的技术方案为：

3、基于多能需求响应与icpo-bilstm模型的综合能源系统负荷预测方法，包括以下步骤：

4、步骤1：基于多能需求响应机制，提取多能需求响应的信号特征，构建多能需求响应模型；

5、步骤2：基于混沌映射理论和精英反向学习策略，对冠豪猪优化算法cpo进行改进；

6、步骤3：基于多头自注意力机制对bilstm神经网络模型进行优化；

7、步骤4：对多元负荷进行联合预测。

8、所述步骤1中，用户实际需求响应产生的用电转移量可用如下公式表示：

9、

10、式中：tp、tf、tv分别为电价峰、平、谷时段；为峰谷的实际用电转移率；分别为峰平、平谷用电转移率的模糊参数；分别为采用分时电价前用电峰时、平时、谷时的平均负荷；dre为t时刻因用户需求响应产生的用电转移量。

11、用户参与分时电价需求响应时，会削减部分电负荷，此时对电负荷的用能需求会转向冷、热负荷，并与冷、热负荷产生耦合响应。需要计算冷、热负荷的需求响应，以获得多能需求响应信号：

12、

13、cdr(δp)＝[dre drc drh]；

14、式中：drch为冷、热负荷响应总量；drc、drh分别为冷、热负荷响应量；d为响应偏移量；ηc、ηh分别为冷、热负荷设备运行效率；αec、αeh分别为冷、热负荷响应占比；δp表示峰谷电价差；cdr(δp)表示综合需求响应；[dre drc drh]表示综合需求响应矩阵。

15、所述步骤2包括：

16、1)基于混沌映射理论对种群进行初始化：

17、由于在冠豪猪优化算法cpo中初始群体是随机产生的，因此在求解过程中存在着个体分布不均匀的问题，无法对全局空间进行有效的搜索。本发明采用分段线性混沌映射(piecewise linear chaotic map，pwlcm)的方法，对冠豪猪种群的初始化过程进行优化，以提高初始种群个体的空间均匀性和种群遍历性，从而增强算法的全局搜索能力；

18、

19、式中：z(t+1)为混沌映射的随机位置；pz为该映射的控制参数，pz取0.4；z(t)∈[0,1]为产生的随机迭代值，z(t)∈[0,1]。

20、基于混沌映射理论优化冠豪猪种群的初始化公式，可由下式表述：

21、

22、式中：为映射后第i个候选解；z(i)为混沌映射得到的随机值；分别为搜索空间的上界、下界；n′为种群中个体的数量；i表示表示时间步长。

23、2)融合精英反向学习策略：

24、在优化冠豪猪种群的初始化的基础上，本发明提出精英反向学习策略，该策略通过随机选择一个当前最优解作为对称中心，并引入随机参数，使当前解对应一个反向区域，每次反向学习的反向解由对应区域随机生成，从而提高反向学习成功的概率。精英反向解生成方式如下：

25、

26、式中：xc为精英中心；xo1、xo2、xo3为当前的最优解；为反向解；x为当前解；r4、r5、r6为(0,1)间的随机数。

27、比较精英反向解的适应度值与保留解的历史最优适应度值，若精英反向解的适应度值较保留解的历史最优适应度值小，则保留精英反向解，且不需要计算当前解的适应度；若精英反向解的适应度值较保留解的历史最优适应度值大，则需要计算当前解的适应度值且保留当前解；该策略的更新方式如下：

28、

29、式中：x*为保留解；为精英反向解的适应度值；fitness为历史最优适应度值。

30、所述步骤3中，基于多头自注意力机制对输入特征间的多种关联关系进行挖掘，并对各个输入特征的权重进行量化，得到输入特征加权矩阵x′，并将其输入多层bilstm神经网络模型中对多元负荷进行预测；

31、基于多头自注意力机制对输入特征间的多种关联关系进行挖掘，并对各个输入特征的权重进行量化，得到输入特征加权矩阵x′，这个过程的表达式如下：

32、

33、αm＝mh(qm,km,vm)＝[α1,α2,…,αk]

34、x′＝diag(α1,α2,…αk)x

35、式中：qm、km、vm分别为查询矩阵、键矩阵和值矩阵；分别为用于计算qm、km、vm的参数矩阵；x为输入特征矩阵；αm为特征权重；mh(·)为多头注意力函数；[qm,km,vm]表示查询矩阵、键矩阵和值矩阵所构成的联合矩阵；表示用于计算[qm,km,vm]的联合参数矩阵。α1,α2,…,αk分别表示量化后的各个输入特征的权重；[α1,α2,v,αk]表示量化后的输入特征的权重矩阵；diag(α1,α2,…αk)表示将量化后的各个输入特征的权重对角化；

36、多层bilstm神经网络模型具体结构如图3所示，该模型由信息输入层、结果输出层和中间的两个隐层组成；

37、信息输入层：输入仿真训练集(特征加权矩阵)；

38、结果输出层：输出多元负荷的预测结果；

39、隐层1：第一部分为正向传送，仿真训练集进入输入层，经网络模型计算处理后，最终结果提交至隐层2，第二部分为逆向传播，经网络模型计算处理后，最终结果提交至隐层2；

40、隐层2：将隐层1中计算得到的结果作为输入值，输入值经第一部分正向传送得到最终结果和第二部分逆向传播得到最终结果，最后将正向结果和逆向结果拼接起来得到输出结果。

41、bilstm模型在lstm模型的基础上，添加了一个逆向lstm层，得到双向神经网络结构，从而得到更好的时间序列处理效果。考虑到电、热、冷负荷之间以及多元负荷与天气因素间的关系较复杂，本发明构建双隐层bilstm模型，挖掘各影响因素中更深层的关系，提高多元负荷预测的精准度。

42、多层bilstm网络结构的表述形式为：

43、a2,2＝g(wa,2[a2,1,a1,2]+ba,2)

44、

45、式中：ai,j为第i层正向第j个lstm记忆单元；为第i层反向第j个lstm记忆单元；wa,i、wy分别为第i层正向、反向序列和输出的权重矩阵；ba,i、by分别为第i层正向、反向序列和输出的偏差向量；x、分别为输入和输出。

46、所述步骤4中，预测多元负荷包括以下步骤：

47、1)设置冠豪猪种群的规模和最大迭代次数。

48、2)基于分段线性混沌映射理论生成初始化种群。

49、3)基于冠豪猪优化算法icpo搜寻全局最优解，并以此最优解作为构建多层bilstm神经网络模型的参数配置基础。

50、首先，基于混沌映射理论改进冠豪猪种群的初始化过程，提高初始种群个体位置的空间均匀性和种群遍历性，以增强icpo算法的全局搜索能力。然后，基于精英反向学习策略得到历史最优适应度对应的解，该解就是多层bilstm神经网络模型的最优参数。

51、4)整合多元负荷历史数据与外部影响因素，构成输入特征矩阵，并通过mhsa模块对输入特征矩阵进行加权，通过给不同特征设置相应权重，得到输入特征加权矩阵。

52、多元负荷历史数据指电、热、冷负荷的历史使用情况，以美国亚利桑那州立大学tempe校区公开的综合能源数据集为研究对象，该数据集包含2024年1月-2月的电、热、冷负荷数据，采样时间间隔为1小时，共168个采样点。外部影响因素指该校区所在地区相应时间的气象数据包括温度、气压、相对湿度、风速。

53、图4为计算电、热、冷负荷之间以及多元负荷与气象因素的最大信息系数，所得的热力图。由图4可得，电负荷与冷、热负荷间的mic值均大于0.83，有较强的耦合关系。同时，冷负荷与热负荷之间的mic值为0.8355，证明冷、热负荷间也存在强关联性。此外，电、热、冷负荷与温度、相对湿度及风速之间的关联程度较强，与气压的关联度相对较弱。

54、步骤4)中，mhsa(多头注意力机制)模块具体包括：

55、查询矩阵(query,q)、键(key,k)矩阵、值(value,v)矩阵；

56、查询矩阵是用于与键矩阵进行比较的矩阵，它们是从输入序列中提取的，用于探索序列中与当前元素相关的其他元素；键矩阵是存储在序列中的信息的索引，它们决定了在序列中哪些位置的信息是重要的，并且与查询矩阵进行匹配；值矩阵包含了序列中各个位置的具体信息，它们是与查询矩阵匹配的候选信息，用于在注意力分数计算后加权求和；

57、缩放点积注意力：点积的结果通常会被缩放，以防止梯度消失问题。缩放是通过除以一个缩放因子(通常是键向量维度的平方根)来实现的。

58、拼接(concat):将所有头的输出拼接成一个较长的向量。

59、线性变换：通过一个线性层对上述拼接的向量进行处理，以整合信息并将其转换成最终的输出。

60、5)将步骤4)中得到的输入特征加权矩阵输入步骤3)中，对多层bilstm神经网络模型进行优化并对多元负荷进行联合预测，最后对多元负荷的预测结果进行评估和验证。

61、本发明一种基于多能需求响应与改进bilstm的综合能源系统负荷预测方法，有益效果如下：

62、1)本发明的步骤1中，针对现有文献大多仅考虑电力需求响应在电力负荷预测工作中的应用，而对于在多元负荷预测中综合考虑不同能源形式的耦合需求响应的研究则相对缺乏。本发明考虑多能需求响应，综合用户需求响应行为，构建多能需求响应的输入特征变量，更全面地分析不同能源系统之间的相互作用和影响。通过分析不同能源形式的耦合需求响应，本发明能够更准确地预测多元负荷的变化趋势，从而提高负荷预测的精度和可靠性，同时也有助于优化能源调度策略，实现能源的高效分配和使用，降低能源浪费。

63、2)本发明的步骤2中，混沌映射理论由于其随机性和不可预测性，有助于增加算法的全局搜索能力和跳出局部最优的能力，而精英反向学习策略通过反向传播误差，指导搜索方向，加快了算法收敛到最优解的速度。基于混沌映射理论和精英反向学习策略对冠豪猪优化算法(cpo)进行改进，改进后的cpo算法利用混沌映射的随机性打破传统优化过程中可能遇到的收敛瓶颈，同时借助精英反向学习策略确保搜索方向的正确性，从而在神经网络的参数空间中快速定位到更优质的解。该算法的应用，为神经网络提供了最优参数配置，进而在多元负荷预测中提供更为精确的预测结果。

64、3)本发明的步骤3中，针对模型训练过程中由于权重分配不均导致关键输入特征信息遗漏的问题，本发明引入多头自注意力机制，根据重要程度赋予输入特征合适的权重，确保模型能够准确识别并赋予重要特征以适当的关注度。多头自注意力机制通过并行执行多个自注意力计算，并将结果合并在一起，可以同时捕捉到多元负荷预测输入数据中存在的多种相关性，为模型提供更为丰富的相关性表征。基于多头自注意力机制对bilstm神经网络模型进行优化，不仅可以加速模型的训练过程，还可以进一步提高负荷预测精度。

65、4)本发明的步骤4中，多元负荷联合预测考虑了不同负荷之间的相互影响和耦合关系，能够更准确地捕捉负荷变化的趋势，从而提高了预测结果的精准度。此外，联合预测可以同时预测电、热、冷三种负荷，大大降低计算成本，较单一预测模型有着更高的训练效率。精确高效的负荷预测有助于更好地集成风能、太阳能等可再生能源，平衡供需，提高可再生能源的消纳水平。同时，联合预测能够更好地预测极端天气和突发事件对负荷的影响，帮助系统运营商提前做好准备，减少潜在的风险。