面向区域综合能源系统的多元两阶段自适应堆积预测方法

本发明属于负荷预测，涉及多能负荷预处理方法、启发式优化方法、集成学习负荷预测方法，尤其是面向区域综合能源系统的多元两阶段自适应堆积预测方法。

背景技术：

1、随着工业化飞速发展和人民生活水平日益提高，能源供给与环境问题矛盾凸显，推动能源结构转型，提高能源综合利用率和促进可持续发展势在必行。综合能源系统作为能源互联网主要承载形式，涵盖电、热和、等多种能源，能够实现不同类型能源的深度耦合，逐渐成为能源领域研究的主要方向。加快建设区域综合能源系统有助于提高各种能源形式的综合利用效率，为环境保护问题做出贡献。区域综合能源系统利用先进的物理信息系统技术和管理模式，在一定时空范围内整合电、热、冷等多形式能源，从而系统性地实现多元化能源的精益化运维。随着区域综合能源系统的推广，多能负荷预测成为精益化运维的重要前提，它保障管理部门能够做出精准调度和智能维护等决策。多能负荷预测的准确性、灵活性和效率对于区域综合能源系统实现供需平衡具有重要意义。然而，可再生能源的出力间歇性、分布不均衡、季节性变化等给区域综合能源系统的可靠供电和多能源系统的负荷预测带来了挑战。由于不同综合能源子系统之间的耦合关系难以界定，多能负荷的影响因素比传统配电网络更为复杂。

2、由于超短期负荷预测在电力系统中不可或缺的作用，相关技术研究正快速发展。现有的独立预测模型可大致分为参数化算法和数据驱动算法。然而，不确定的气象条件和社会事件给区域综合能源系统的多能负荷带来了诸多不确定性，而参数化算法难以解决非线性问题与分析复杂的影响因素。而例如随机森林(random forest,rf)、支持向量回归(support vector regression,svr)、人工神经网络等数据驱动算法可以在超短期负荷预测中快速预测多能负荷。天津大学提出了一种小波神经网络(wavelet neural network,wnn)模型，通过改进的粒子群优化(improved particle swarm optimization,ipso)和混沌优化算法(chaos optimization algorithm,coa)对区域综合能源系统的超短期负荷预测模型进行优化。虽然单一的预测模型可以在某些场景快速预测多能负荷，但面对其他或更为复杂的场景可能会出现泛化能力差和过拟合的问题。

3、采用集成学习的方式来预测区域综合能源系统的多能负荷成为解决上述问题的重要途径，其中多个数据驱动模型被集成到一个集成预测框架中，以获得比具有互补机制的任何单个模型更好的性能，而合适的集成策略将提供更佳的拟合性能和预测精度。穆罕默德提出了一个多元集成预测框架(multivariate ensemble forecasting framework,meff)，它系统地组合了三个多预测器：elman神经网络、前馈神经网络和径向基函数神经网络。这些预测器由全局粒子群优化训练，以提高其在meff中的预测精度。有学者提出了一种混合模型，集成了长短期记忆(long short-term memory,lstm)、编码器-解码器和梯度提升决策树，以提高多能负荷的预测精度。在众多集成技术中，堆积集成框架(stackingensemble framework,sef)以其优秀的鲁棒性能和预测精度而闻名，并逐渐应用于多能负荷的预测领域。

4、值得注意的是，现有文献中关于提高堆积集成框架的泛化能力和训练效率的研究成果有限。传统的sef在生成用于集成所有基预测器训练结果的中间数据集时，由于其中弱预测器的干扰，每个预测器输出结果的加权平均将削弱强预测器的性能，且每个预测模型的相关性都被忽略。此外，单一无序地堆积预测器数量实际上会降低整个sef的训练速度，而对于准确度的提高有限，其导致的巨大计算成本使得sef难以应用于大规模综合能源系统。同时，多能负荷的预测误差主要源自于用能高峰期，而气象变化的不确定性与不同能源形式间的耦合影响使大多数现有的预测手段难以降低峰值负荷的预测误差。此外，传统的超短期负荷预测方法主要只侧重一种类型负荷的预测，面向区域综合能源系统提出一个协同预测电-热-冷负荷的轻量级sef具有极高的应用价值，动态改变sef结构以适应所采用的基预测模型特征是对sef的一次有意义的探索，基于具有强泛化能力的sef进行峰值负荷预测校是提高多能负荷预测精度的有效途径。

5、为了充分挖掘sef的潜在能力，亟需一种合适的方法来优化sef的基预测器权重和超参数配置。然而，此类问题的搜索空间呈指数增长，传统的优化方法往往只能产生次优解决方案。而无梯度机制使元启发式算法能够绕过搜索空间导数的计算，从而降低计算成本并提高其搜索性能。基于种群的元启发式算法，如遗传算法(ga)、灰狼优化器(gwo)和粒子群优化(pso)，在超参数优化方法广受好评。最近，azizi提出了原子轨道搜索(atomicorbital search,aos)算法，这是一种基于量子原子模型和量子力学原理的新型元启发式算法，在具有不同维度的多个数学函数中aos算法的全局收敛性能优于其他元启发式算法。然而，aos在处理复杂的优化问题方面仍具挑战性，尤其是在处理不同能源形式之间的耦合关系方面，且aos的光子数值策略和磁场模拟策略不能合理平衡勘探和利用且无法给出令人信服的科学解释。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提出面向区域综合能源系统的多元两阶段自适应堆积预测方法，通过深入研究面向区域综合能源系统多能负荷数据的耦合特性，对区域综合能源系统的多能负荷进行精准预测。

2、本发明解决其现实问题是采取以下技术方案实现的：

3、面向区域综合能源系统的多元两阶段自适应堆积预测方法，所述自适应堆积预测方法基于预处理模块、第一自适应堆积预测模块和第二自适应堆积预测模块；

4、所述预处理模块用于对原始输入数据进行预处理、分解和重组生成聚类融合数据；

5、所述第一自适应堆积预测模块用于对聚类融合数据进行冷负荷、热负荷、电负荷计算生成负荷预测数据；

6、所述第一自适应堆积预测模块用于对负荷预测数据进行峰值冷负荷、热负荷、电负荷的误差估算生成负荷修正数据；包括如下步骤：

7、数据预处理：调用预处理模块，对第一阶段得到的训练误差和影响因素进行预处理，以满足后续流程的要求；

8、变量降维：调用预处理模块，使用rf-rfe方法选择峰值负荷预测误差的代表性影响因素；

9、误差估计：根据第一自适应堆积预测模块初步负荷预测结果，可以识别出预测误差较大的峰值负荷范围；根据第二自适应堆积预测模块的数据预测误差的峰值负荷时段；再训练第二自适应堆积预测模块时，将原始训练标签替换为第一个apm模型的初步训练误差，估计测试集上多能源峰值负荷的预测误差；

10、误差修正：将测试集上的预测误差反馈给第一自适应堆积预测模块，对预测结果进行修正，每种负荷类型的固有模态函数(intrinsic mode function，imf)融合都是线性添加的，将第一自适应堆积预测模块计算的多能负荷初步预测结果与第二自适应堆积预测模块输出预测误差之和。

11、进一步，所述第一自适应堆积预测模块和所述第一自适应堆积预测模块均包括三个基预测器、一个元预测器和优化器；其中：所述优化器通过原子混沌搜索算法对负荷预测数据、负荷修正数据进行协作量子混沌搜索生成自适应堆积中间参数，包括如下步骤：

12、s1-1：构建基于量子的原子搜索模型；

13、s1-2：确定候选解的初始位置，计算候选解的初始度，随机生成电子层数，将候选解分配到电子层中，计算电子层的结合态、结合能、最低能级，生成随机向量；

14、s1-3：通过动态光子策略判定电子是否发生光子行为，部分电子吸收或发生电子改变能量状态，部分电子进入混沌轨道进行大规模搜索，完成对协作原子模型中的全局最优电子的搜索。

15、进一步，所述通过动态光子策略判定电子是否发生光子行为，部分电子吸收或发生电子改变能量状态，部分电子进入混沌轨道进行大规模搜索，完成对协作原子模型中的全局最优电子的搜索过程，包括如下步骤：

16、步骤s1-3-1：主导原子在第k电子层中第i个电子的能级大于主导原子在第k层电子层中的结合态，即：loi,k≥bel,k；则先导电子倾向于发射基于多原子协作的光子能量，协作模式下的位置更新方程如下：

17、lsi,k(λ+1)＝lsi,k(λ)+αi(2βi×le-γi×bsl-σi×bsf)/k

18、

19、

20、

21、式中：lsi,k(λ)和lsi,k(λ+1)是主导原子第k层中第i个电子的第λ和(λ+1)个迭代位置，σi是(0,1)范围内随机生成的向量，bsl代表主导原子的结合态，ql是主导原子内部的电子数，bsf代表所有从属原子的结合态，qf是从属原子内的电子数；

22、否则电子倾向于基于多原子协作吸收光子，其协同位置更新方程如下：

23、lsi,k(λ+1)＝lsi,k(λ)+αi(2βi×lel,k-γi×bsl,k-σi×bsf,k)

24、

25、

26、

27、式中：dl和df第k个假想层中的主导原子和从属原子的总电子数；

28、步骤s1-3-2：电子进入混沌轨道的过程：

29、通过如下公式建立混沌空间映射：

30、

31、式中：sij(λ)是第i个候选解在第λ次迭代时的第j个决策变量；sij,max和sij,min分别是第j个决策变量的上限和下限；假设si(λ)＝[si1(λ),si2(λ),...,sij(λ),...,sim(λ)]是第λ次迭代时混沌轨道中第i个电子的位置向量；si(λ)中的每个维度sij(λ)映射到混沌变量cij(λ)(1≥cij(λ)≥0)；

32、采用如下迭代逻辑方程混沌进行本地搜索：

33、cij(λ+1)＝μcij(λ)(1-cij(λ))

34、式中：μ是控制系数，当μ为4时，混沌动力学由迭代逻辑方程表征，通过足够次数的迭代一个电子的混沌轨道可以遍历整个搜索空间；

35、将混沌变量cij(k)映射到原始解空间建立如下解空间映射：

36、sij(λ+1)＝(sij,max-sij,min)cij(λ+1)+sij,max

37、步骤s1-3-3：通过动态调整pr完成不同能级优化需求的动态光子搜索，包括：

38、(1)当电子i在第k次迭代时的适应度oi(k)≥电子i的历史平均适应度oi,ave时，被研究的电子此时远离能级最低的电子位置，光子率pr可以动态增长以引导电子进入混沌轨道，其可以表示为：

39、pr＝(prmax-prmin)/2+rpr(prmax-prmin)/2

40、式中prmax和prmin分别是最大和最小光子率，rpr是[0,1]中的随机系数；

41、(2)当oi(k)<oi,av时，被研究的电子围绕着能级最低的电子，此时电子应该随着迭代的进行在本地精细化搜索，光子率pr的非线性下降可以表示为：

42、pr＝prmax-λ(prmax-prmin)/λmax

43、式中λmax是最大迭代次数。

44、进一步，所述第一自适应堆积预测模块和所述第二自适应堆积预测模块对基预测器训练过程：

45、将原始训练数据分为k折；通过3个基预测器在k-1折的数据上进行训练，以预测剩余的一折数据和测试数据，待预测的训练集的每一折都对应一个独立的预测模型；通过预测结果生成新的单折训练数据和新的测试集

46、通过不断重复这个迭代，每个基预测器可以获得5折新训练数据和5组新测试数据的预测值；

47、在所有基预测器完成训练和预测后，从5折训练数据集的预测结果中拼接出一个元预

48、测器的新训练集，其可以表示如下：

49、trsi＝[trpi(1)trpi(2)trpi(3)trpi(4)trpi(5)]t

50、式中：trsi表示第i个基预测器生成的新训练集，trpi(j)表示第i个基预测器预测的新的第j折训练数据；

51、通过对五组预测的测试数据进行加权得到一个基预测器的新测试集，可以表示为：

52、

53、式中：tesi表示第i个基预测器生成的新测试集，tepi(j)表示第i个基预测器预测的第j个新测试集，wi(j)表示第i个基预测的第j个新测试集的权重；三组新的包含rf、svr和lstm特征的训练和测试数据集被传输到元预测器预测模块中进行集成。

54、进一步，所述第一自适应堆积预测模块和所述第二自适应堆积预测模块对元预测器预测过程：

55、将基预测器训练中获得的三组新的训练数据集拼接成一个多维训练集，合并训练集的维度；

56、将原始训练标签和合并训练集带入自适应提升)方法进行训练；

57、在基预测器训练中获得的新测试数据集来预测未来的多能负荷数据。

58、有益效果

59、1、本发明提出了基于集成学习的新型预处理模块，对原始输入数据进行预处理，为多元两阶段自适应堆积预测方法提供可靠的数据基础，并确定多能负荷预测的关键输入变量。

60、2、本发明在多元两阶段自适应堆积预测方法的第一阶段自适应地集成四个预测器的训练结果，以增强模型的泛化能力，其中提出了一种新型协作原子混沌搜索算法来训练多元两阶段自适应堆积预测方法的预测器超参数与中间数据集，以实现多元两阶段自适应堆积预测方法中预测器的自适应堆积。

61、3、本发明在多元两阶段自适应堆积预测方法的第二阶段进行了用电高峰期的峰值负荷预测修正；所提出的预测方法较其他基准预测模型具有更高的预测准确性、泛化能力和稳定性。