综合能源微网互动辨识方法、装置及计算机可读存储介质

1.本发明属于微电网运行控制技术领域，特别是涉及到一种基于时域卷积神经网络的综合能源微网的互动特性学习辨识方法。


背景技术：

2.随着人口增长与人类社会的发展进步，现代社会对能源需求急剧增加。而物联网、人工智能技术的发展成熟，为综合能源微网的控制与互动交易供了技术支撑。综合能源系统中热电联产、电热锅路等转换设备为多能互补提供支撑基础，分布式可再生能源的装机提高了综合能源的出力与能源清洁性，储能设备与p2p交易互动则促进了能源在不同时空之间的流转消纳，提高促进产销者的能源经济效益，提高能就近利用，降低能源时空分布的不均衡与能源传输网络的输送压力。
3.然而随着分布式可再生能源装机量的上升、柔性电力设备与储能规模的不断扩大、综合能源微网系统的复杂性也在急剧增加，综合能源微网的设备动作空间的高维性、非线性大幅上升，综合能源微网群之间的互动时空耦合特性也导致了其互动特性表征难度的大幅攀升。传统针对综合能源微网群的互动行为特性表征问题，一般使用物理参数方法进行物理建模，在设备种类和数量大幅上升的情况下，需要更多的设备物理参数，模型建立难度增加，模型精度下降。此外，随着隐私保护的需求上升，关键设备的部分参数难以获得，因此传统方法建立综合能源微网的模型更加困难，精度也难以满足需求。
4.目前已有相关研究针对综合能源微网的辨识方法展开，如专利114529089a 一种多微网综合能源系统优化调度方法和系统，建立了以电负荷的峰谷差最小为目标的分式电价下的电负荷需求响应模型。专利114462678a用于偏远地区的综合能源微网多目标优化方法及计算设备，提出了一种用于偏远地区的综合能源微网多目标优化模型的建立方法，采用系统成本和清洁能源利用率，建立第一和第二目标，结合约束进行微网优化配置建模；专利114077934a一种综合能源微网互联系统及其调度方法，在获取综合能源系统互联网系统参数的基础上，建立了综合能源微网的能源耦合设备和能量互联设备模型，并基于模型进行系统优化调度。但是这些方法对综合能源微网的参数信息依赖性高，参数的准确性极大的影响建模的精度，随着系统的设备数量与复杂性增加，微网行为辨识难度急剧增加。传统的参数建模方法无法适应综合能源系统复杂设备建模精度，参数的获取难度也给辨识带来了的困扰。


技术实现要素：

5.本发明所要解决的技术问题是：提供一种综合能源微网互动辨识方法、装置及计算机可读存储介质，收集综合能源微网互动的历史数据，分析历史数据并建立互动输入输出的训练数据集与测试数据集，对数据集进行正则化处理，使用tcn神经网络技术，建立综合能源系统微网系统互动行为模型，利用历史数据进行训练。可以在保护隐私参数的情况下，对复杂综合能源系统微网互动行为进行辨识，显著提高互动行为模型精度。
6.综合能源微网互动辨识方法，包括以下步骤，
7.步骤一、采集综合能源微网互动中的与互动行为相关的历史数据信息，包括光照信息、风速信息、电价信息以及热价信息，构建微网互动特性模型的输入输出训练数据集和测试数据集；
8.步骤二、将所述步骤一获得的输入输出训练数据集和测试数据集进行正则化处理，并按比例分为综合能源微网群互动行为模型训练和测试数据；
9.步骤三、基于tcn神经网络方法，建立综合能源微网互动行为模型，进行公共数据下的综合能源微网互动行为辨识，优化网络结构参数，直到模型精度符合要求。
10.所述步骤一构建微网互动特性模型的输入输出训练数据集和测试数据集的方法为，收集整理综合能源微网互动中的光照、风速、电价、热价等与互动行为相关的历史数据信息，其中一天的数据xi包括24时段的6维度输入数据和对应时刻的2维度输出数据，建立矩阵
[0011][0012]
式中，i为环境的光照强度，w为环境的风速，ct为综合能源微网群交易热功率的单价，ce为综合能源微网群交易电功率的单价，cg为电网基础电价，cu 为电网二阶段电价；输出数据pt为综合能源微网群交易热功率交易量、pe为综合能源微网群交易电功率交易量，所有变量角标表示对应当天的时间段。
[0013]
所述步骤二中，输入输出训练数据集和测试数据集进行正则化处理的方法为，
[0014]
步骤一、分别计算光照、风速、电价、热价等数据的最大最小值，进行最大最小值正则化，正则化处理如公式为：
[0015][0016]
式中，为正则化处理之后的归一化数据，和(
·
)为对应数据的最大值和最小值；使用公式(2)正则化处理每日的数据xi得到数据
[0017]
步骤二、对正则化处理后的数据，按照比例划分构建综合能源微网互动特性模型的输入输出数据集，
[0018][0019]
式中，数据集d为从第一天到第n天的数据正则化集合，为第i天的正则化数据，n为总共的天数，d
train
为从总数据集d中取出数据组成的训练数据集， d
train
为从总数据集d中取出数据组合得到的测试数据集，训练集d
train
和测试集 d
train
互为补集；ε表示训练集占总数据集的比例，为0.7～0.8。
[0020]
所述步骤三基于tcn深度神经网络方法，建立综合能源微网互动行为模型，进行公共数据下的综合能源微网互动行为辨识；优化网络结构参数，直到模型精度符合要求的方法为，
[0021]
步骤一、基于tcn深度神经网络方法，建立综合能源微网互动行为模型；在 tcn网络中第一部分是因果卷积网络，对于一维时序输入拥有滤波器 f:{0,1,...,k-1}的扩展因果卷积网络，对其时序中元素s的操作f定义如下公式 (4)：
[0022][0023]
式中，d为扩张系数，k为滤波器规模，s-di为所读取的过去数据的位置，x
s-d
·i为滤波器f(i)读取到的数据；
[0024]
步骤二、基于tcn深度神经网络方法，建立综合能源微网互动行为模型；在 tcn网络中第二部分是添加残差网络分支网络，添加的残差链接网络分支，添加输出到层块间的输入，允许各层对映射的追踪与修改，其结果对深度网络具有良好的改善，如下公式(5)：
[0025]
o＝activation(x+f x))
ꢀꢀꢀ
(5)
[0026]
式中，o为输出，activation为激活函数；
[0027]
步骤三、采用adam优化器对模型的参数进行优化以减少损失，损失函数l选取平均绝对误差(mean absolute error,mae)如下公式(6)：
[0028][0029]
式中，n为预测日的采样点总数；yi为预测日第i个采样点的实际负荷；为预测日第i个采样点的预测负荷值。
[0030]
综合能源微网互动辨识装置，包括信息采集模块、正则化处理模块以及辨识评价模块；
[0031]
所述信息采集模块用于采集综合能源微网互动中的与互动行为相关的历史数据信息，构建微网互动特性模型的输入输出训练数据集和测试数据集；
[0032]
所述正则化处理模块用于对输入输出训练数据集和测试数据集进行正则化处理，并按比例分为综合能源微网群互动行为模型训练和测试数据；
[0033]
所述辨识评价模块用于建立综合能源微网互动行为模型，进行公共数据下的综合能源微网互动行为辨识。
[0034]
所述信息采集模包括光照采集单元、风速采集单元、电价采集单元、热价采集单元以及数据集单元。
[0035]
所述模型辨识模块包括tcn网络第一处理单元、tcn网络第二处理单元以及模型优化单元。
[0036]
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，用于计算所述所述综合能源微网互动辨识方法的综合能源微网互动行为模型的辨识结果。
[0037]
通过上述设计方案，本发明可以带来如下有益效果：本发明提高在综合能源微网互动特性辨识模型的精度，有效解决现有固定参数的综合能源微网互动特性模型在动态场景下的适应性不足问题，为综合能源微网的管控提供有效的决策依据。
[0038]
本发明的进一步有益效果在于：
[0039]
1、本发明能仅依据与综合能源微网需求响应特性相关的外部可获取参数，如风速、光照、温度、湿度以及各类能源的价格和各能源的互动交互功率等，在不侵入用户隐私的情形下，即可实现对综合能源微网动态时变、相互耦合交织的需求响应特性的辨识和学习；
[0040]
2、本发明将数据集进行正则化处理，解决现有技术数据集处理繁琐的问题；
[0041]
3、同时本发明结合模型精度评价指标，不断改进模型结构与参数设计，进一步提升深度学习的强大的非线性建模拟合能力；
附图说明
[0042]
以下结合附图和具体实施方式对本发明作进一步的说明：
[0043]
图1为本发明综合能源微网互动辨识方法流程示意图。
具体实施方式
[0044]
本发明综合能源微网互动辨识方法是基于tcn的综合能源微网的互动特性学习辨识方法，如图1所示，主要包括以下步骤：
[0045]
步骤一、分析收集综合能源微网互动中的光照、风速、电价、热价等与互动行为相关的历史数据信息，构建微网互动特性模型的输入输出数据集；
[0046]
收集整理综合能源微网互动中的光照、风速、电价、热价等与互动行为相关的历史数据信息，其中某一天的数据xi包括24时段的6维度输入数据和对应时刻的2维度输出数据，如公式(1)所示：
[0047][0048]
其中i表示环境的光照强度，w表示环境的风速，ct为综合能源微网群交易热功率的单价，ce为综合能源微网群交易电功率的单价，cg为电网基础电价，cu为电网二阶段电价。输出数据pt、pe分别为综合能源微网群交易热功率交易量与电功率交易量，所有变量角标表示对应当天的时间段。
[0049]
步骤二、正则化处理输入输出的数据集，并按照比例将其随机分为综合能源微网群互动行为模型训练与测试数据；
[0050]
具体步骤如下：
[0051]
(1)分别计算光照、风速、电价、热价等数据的最大最小值，并分别对公式(1)进行最大最小值正则化，正则化处理如公式(2)所示：
[0052][0053]
其中x'
i,j
为正则化处理之后的归一化数据，和为对应数据的最大值和最小值。使用公示(2)正则化处理每日的数据xi得到数据x'i。
[0054]
(2)随后对正则化处理后的数据，按照比例划分构建综合能源微网互动特性模型
的输入输出数据集；
[0055][0056]
其中数据集d表示从第一天到第n天的数据正则化集合，x'i表示第i天的正则化数据，n表示总共的天数，d
train
表示从总数据集d中取出数据组成的训练数据集，d
train
表示从总数据集d中取出数据组合得到的测试数据集，训练集d
train
和测试集d
train
互为补集。ε表示训练集占总数据集的比例，一般为0.7～0.8。
[0057]
步骤三、基于tcn神经网络方法，建立综合能源微网互动行为模型，实现公共数据下的综合能源微网互动行为建模，优化网络结构参数，直到模型精度符合要求。
[0058]
具体步骤如下：
[0059]
(1)基于tcn深度神经网络方法，建立综合能源微网互动行为模型。在tcn网络中第一部分是因果卷积网络，对于一维时序输入拥有滤波器f:{0,1,...,k-1}的扩展因果卷积网络，对其时序中元素s的操作f定义如下公式(4)：
[0060][0061]
其中，d是扩张系数，k是滤波器规模，s-di代表了所读取的过去数据的位置，x
s-d
·i代表滤波器f(i)读取到的数据，；
[0062]
(2)基于tcn深度神经网络方法，建立综合能源微网互动行为模型。在tcn网络中第二部分是添加残差网络分支网络，添加的残差链接网络分支，添加输出到层块间的输入，能够允许各层对映射的追踪与修改，其结果已被证明对深度网络具有良好的改善，如下公式(5)：
[0063]
o＝activation(x+fx))(5)
[0064]
其中o为输出，activation为激活函数。
[0065]
(3)采用adam优化器对模型的参数进行优化以减少损失，损失函数l选取平均绝对误差(meanabsoluteerror,mae)如下公式(6)：
[0066][0067]
其中，n为预测日的采样点总数；yi为预测日第i个采样点的实际负荷；为预测日第i个采样点的预测负荷值；
[0068]
具体的，对上述综合能源微网互动辨识方法获得的结果进行评价，证明本发明辨识方法可用于提高互动行为模型精度；
[0069]
评价建立的综合能源微网互动行为神经网络模型精度，通过模型在测试集上的均方根误差(rootmeansquraeerror,rmse)、平均绝对百分比误差(meanabsolutepercentageerror,mape)、测试时间和决定系数r2作为模型衡量指标。rmse用于衡量模型预测平均误差的大小，mape用于衡量模型的精确性，r2表征预测模型的拟合程度。具体步骤如下：
[0070]
(1)使用模型在测试集数据上进行测试，对比模型预测值与测试集数据，计算评价指标均方根误差(root mean squrae error,rmse)、平均绝对百分比误差(mean absolute percentage error,mape)、测试时间和决定系数r2：
[0071][0072][0073][0074][0075]
其中，n为预测日的采样点总数；yi为预测日第i个采样点的实际负荷；为预测日第i个采样点的预测负荷值；为预测日所有采样点的实际负荷平均值。
[0076]
综合能源微网互动辨识装置，其特征是：包括信息采集模块、正则化处理模块以及辨识评定模块；
[0077]
所述信息采集模块用于采集综合能源微网互动中的与互动行为相关的历史数据信息，构建微网互动特性模型的输入输出训练数据集和测试数据集；
[0078]
所述正则化处理模块用于对输入输出训练数据集和测试数据集进行正则化处理，并按比例分为综合能源微网群互动行为模型训练和测试数据；
[0079]
所述辨识评定模块用于建立综合能源微网互动行为模型，进行公共数据下的综合能源微网互动行为辨识。
[0080]
所述信息采集模包括光照采集单元、风速采集单元、电价采集单元、热价采集单元以及数据集单元。
[0081]
所述辨识评定模块包括tcn网络第一处理单元、tcn网络第二处理单元以及模型优化单元。
[0082]
一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，用于计算所述综合能源微网互动辨识方法的综合能源微网互动行为模型的辨识结果。
[0083]
本发明提出的综合能源微网互动辨识方法，不需要综合能源微网群互动运行时的内部参数，建立综合能源系统微网系统互动行为的数据模型，故模型精度高、隐私性强，具有较好的应用前景。