基于改进DaNN的综合能源系统多能负荷预测

何桂雄，金璐，李克成，何伟，闫华光

(1.中国电力科学研究院有限公司，北京 100192；2.国网江西省电力有限公司，江西 南昌 330096)

0 引言

随着能源革命的推进及双碳目标[1]的落实，传统各能源系统单独规划、运行的模式由于存在能源利用效率低、灵活性差等缺点，已然不能满足绿色用能、低碳环保的需要。在此背景下，强调多能互补及清洁高效的综合能源系统(integrated energy system，IES)也应运而生，随着研究的深入，IES被广泛用作乡镇、园区、楼宇的供能系统。由于IES中各能流相互影响，具有较强的耦合关系[2]，因此对IES进行高效规划和控制需要对多种能源需求情况有全面的了解，这对IES的负荷预测提出了巨大挑战。

传统电力系统中，用户用电负荷具有随机性[3—6]。目前，电力系统负荷预测已经有了较为成熟的体系。电力负荷预测模型可以大致分为：时间序列模型、多元回归模型[7]、机器学习模型[8]及神经网络模型[9]。近年来，深度学习算法凭借其突出的自动特征提取能力及非线性拟合能力受到了广大学者的青睐。为了挖掘时间序列的关联性，文献[10]利用相空间重构对负荷数据进行了高维相空间投影，使历史数据按关联性重新排列，并采用深度信念网络进行建模与预测。该方法虽然能够利用时间序列的特性，但缺乏灵活性，无法依据数据的改变自动筛选出重要特征信息。卷积神经网络(convolutional neural networks，CNN)凭借其高度的特征总结能力及深度的非线性结构，能够有效减少人工提取特征带来的误差[11]。文献[12]利用CNN对日期信息、历史数据、天气数据等进行自动特征筛选，并将结果输入长短期记忆(long short-term memory，LSTM)网络。……