黃文靜，戚建國

（1.河北工業(yè)職業(yè)技術(shù)大學(xué)，河北 石家莊 050091；2.醫(yī)科達(dá)（北京）醫(yī)療器械有限公司，北京 100000）

當(dāng)前能源危機(jī)和環(huán)境保護(hù)的壓力與日俱增，為緩解能源危機(jī)，多能互補(bǔ)、綜合利用的綜合能源系統(tǒng)應(yīng)運(yùn)而生[1]。合理、科學(xué)規(guī)劃集電、冷、熱等能源網(wǎng)為一體的綜合能源系統(tǒng)，能最大化利用可再生能源，盡量挖掘系統(tǒng)潛力，合理配置能源網(wǎng)荷儲(chǔ)[2]。因此，對(duì)綜合能源系統(tǒng)進(jìn)行科學(xué)合理的負(fù)荷預(yù)測(cè)具有必要性與現(xiàn)實(shí)意義。

由于負(fù)荷預(yù)測(cè)是綜合能源系統(tǒng)優(yōu)化運(yùn)行的關(guān)鍵，因此學(xué)者們積極開展了研究：文獻(xiàn)[3]分析了聚合混合模態(tài)分解和TCN 神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行電、冷和熱負(fù)荷預(yù)測(cè)效果，有效解決了預(yù)測(cè)誤差修正；文獻(xiàn)[4]研究了模糊C均值聚類算法的電-熱互聯(lián)綜合能源系統(tǒng)負(fù)荷預(yù)測(cè)，具有很高的預(yù)測(cè)精度；文獻(xiàn)[5]研究了一種多核LS-SVM 預(yù)測(cè)模型，能夠有效綜合各個(gè)核函數(shù)的優(yōu)點(diǎn)，充分挖掘非線性信息。目前負(fù)荷預(yù)測(cè)方法包括時(shí)間序列、貝葉斯、模糊理論、小波分析、回歸分析、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。

基于上述分析，本文針對(duì)影響負(fù)荷預(yù)測(cè)的大量氣象因素研究基于LASSO 原理對(duì)氣象因素進(jìn)行數(shù)據(jù)分析和降維，獲得對(duì)負(fù)荷影響最大的氣象指標(biāo)。LSTM神經(jīng)網(wǎng)絡(luò)由于其清晰的算法流程、完善的理論體系被成功應(yīng)用于負(fù)荷預(yù)測(cè)。PSO 粒子群算法是一種結(jié)構(gòu)簡(jiǎn)單且具有極強(qiáng)的全局搜索能力的群體智能優(yōu)化算法。本文利用PSO 算法優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)參數(shù)，提高了LSTM 神經(jīng)網(wǎng)絡(luò)性能。通過對(duì)河北某教育園區(qū)區(qū)域綜合能源系統(tǒng)進(jìn)行電、冷、熱負(fù)荷預(yù)測(cè)，驗(yàn)證了本文模型的可行性，保障了區(qū)域綜合能源系統(tǒng)優(yōu)化運(yùn)行。

1 通過LASSO 原理進(jìn)行變量選擇

由于綜合能源系統(tǒng)負(fù)荷受溫度、濕度、風(fēng)速等多種氣象因素的影響，因此需要對(duì)冗余數(shù)據(jù)進(jìn)行去除，選擇對(duì)系統(tǒng)負(fù)荷影響最大的氣象因素。LASSO 模型方法通過構(gòu)造一個(gè)懲罰函數(shù)獲得一個(gè)精煉的模型，可以實(shí)現(xiàn)變量的選擇[6]。

對(duì)于樣本數(shù)據(jù)（xi1，xi2，…，xip；yi），i=1，2，…，n，設(shè)α為常數(shù)項(xiàng)，β1，β1，…，βp為回歸系數(shù)，ε為隨機(jī)擾動(dòng)項(xiàng)，其線性模型公式如下：

設(shè)s為約束參數(shù)，常數(shù)項(xiàng)和回歸系數(shù)的LASSO 定義為：

2 PSO 優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)

2.1 LSTM 神經(jīng)網(wǎng)絡(luò)

LSTM 在長序列預(yù)測(cè)問題的處理上具有良好的效果，有助于提高預(yù)測(cè)精度，已成為當(dāng)今最流行的深度學(xué)習(xí)框架之一[7]。LSTM 計(jì)算步驟如下。

第一，變換單元狀態(tài)。設(shè)xt為t時(shí)刻的輸入，Ct為t時(shí)刻的長期記憶，ht為t時(shí)刻的短期記憶，ht-1為t－1時(shí)刻的單元狀態(tài)。xt與ht-1結(jié)合后經(jīng)過sigmoid的非線性處理得到遺忘門輸出ft。ft的表達(dá)式為：

式中：δ為sigmoid函數(shù)；Wfx和bf分別為遺忘門的權(quán)重和偏置。

第二，由輸入門it負(fù)責(zé)決定哪些新信息將要存儲(chǔ)到新單元狀態(tài)Ct中。首先經(jīng)過sigmoid函數(shù)得到輸入門，如式（1）所示，然后經(jīng)過tanh函數(shù)激活后創(chuàng)建一個(gè)新的候選值向量，如式（2）所示。

式中：Wix和bi分別為輸入門的權(quán)重和偏置；WCx和bC分別為用于創(chuàng)建新候選值的輸入門的權(quán)重和偏差。

第三，將舊記憶單元狀態(tài)Ct-1更新為新記憶單元狀態(tài)Ct，表達(dá)式為：

第四，經(jīng)sigmoid函數(shù)計(jì)算輸出門Ot，再經(jīng)過tanh函數(shù)激活得到最終的結(jié)果ht，計(jì)算公式如下：

式中：Wox和b0為輸出門的權(quán)重和偏置。

2.2 PSO 優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)步驟

PSO 是一種新型群體優(yōu)化智能算法，具有原理復(fù)雜度低、需要設(shè)置的參數(shù)少、運(yùn)行速度快等優(yōu)點(diǎn)，應(yīng)用于LSTM 神經(jīng)網(wǎng)絡(luò)的參數(shù)尋優(yōu)具有良好的優(yōu)勢(shì)[8]。PSO 優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)算法步驟如下。

第一，載入樣本數(shù)據(jù)，確定慣性權(quán)重、迭代次數(shù)、學(xué)習(xí)因子等粒子群參數(shù)。

第二，根據(jù)樣本數(shù)據(jù)初始化LSTM 神經(jīng)網(wǎng)絡(luò)。

第三，計(jì)算適應(yīng)度值，選取LSTM 神經(jīng)網(wǎng)絡(luò)的均方誤差指標(biāo)為適應(yīng)度函數(shù)：

式中：M為訓(xùn)練樣本數(shù)；q為網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)；yo=[yo1，yo2，…，yoq]T為網(wǎng)絡(luò)實(shí)際輸出；d=[d1，d2，…，dq]T為網(wǎng)絡(luò)期望輸出。粒子在適應(yīng)度函數(shù)最小時(shí)尋出LSTM 神經(jīng)網(wǎng)絡(luò)的最優(yōu)值。

第四，根據(jù)式（3）適應(yīng)度值計(jì)算確定粒子群個(gè)體最優(yōu)位置pbest，進(jìn)而確定群體總最優(yōu)位置gbest。不斷地調(diào)整粒子的位置和速度，直到適應(yīng)度函數(shù)最小，確定最優(yōu)位置。

3 綜合能源負(fù)荷預(yù)測(cè)實(shí)例分析

本文從北方某園區(qū)綜合能源系統(tǒng)提取2021-07-01—2021-07-07 的數(shù)據(jù)點(diǎn)用本文所提出的預(yù)測(cè)方法進(jìn)行驗(yàn)證。數(shù)據(jù)采集間隔為每天24 h，每隔1 h進(jìn)行1 次記錄采樣，負(fù)荷數(shù)據(jù)總共96 個(gè)點(diǎn)。選取2021-07-01—2021-07-06 的電負(fù)荷和冷負(fù)荷以及氣象因素作為樣本數(shù)據(jù)，2021-07-07 的負(fù)荷作為校驗(yàn)數(shù)據(jù)。

3.1 LASSO 算法數(shù)據(jù)選擇及處理

影響負(fù)荷的因素包括X1—日出時(shí)間、X2—日落時(shí)間、X3—紫外線指數(shù)、X4—風(fēng)向、X5—風(fēng)速、X6—最高溫度、X7—最低溫度、X8—平均溫度、X9—?dú)鈮?、X10—濕度、X11—污染指數(shù)、X12—大霧指數(shù)，對(duì)數(shù)據(jù)進(jìn)行歸一化處理后運(yùn)用LASSO 方法進(jìn)行變量選取。選擇路徑如圖1 所示。

圖1 氣象因素LASSO 算法選擇路徑

經(jīng)AⅠC 標(biāo)準(zhǔn)計(jì)算，在s=0.386 時(shí)AⅠC 取最小值。由圖1 觀察分析將系數(shù)很小或者為0 的因素刪除，得到了4 個(gè)氣象因素，分別是X6—最高溫度、X8—平均溫度、X10—濕度、X3—紫外線指數(shù)。

同時(shí)還要考慮周一到周日的日類型不同，周一至周五的工作日負(fù)荷較重，而周六、周日休息日的負(fù)荷較輕。因此根據(jù)負(fù)荷的規(guī)律性，采用數(shù)字表示日類型，設(shè)周一到周五為0.8，周六為0.4，周日為0.3。將當(dāng)天的日類型及當(dāng)天t－1 時(shí)刻的最高溫度、平均溫度、濕度、紫外線指數(shù)，以及前3 天t時(shí)刻、t－1 時(shí)刻、t+1時(shí)刻的電、冷負(fù)荷數(shù)據(jù)及最高溫度、平均溫度、濕度、紫外線指數(shù)作為輸入向量輸入到PSO 優(yōu)化的LSTM 神經(jīng)網(wǎng)絡(luò)中進(jìn)行負(fù)荷預(yù)測(cè)。

3.2 PSO-LSTM 負(fù)荷預(yù)測(cè)

根據(jù)數(shù)據(jù)分析，采用PSO-LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行電負(fù)荷和冷負(fù)荷預(yù)測(cè)。同時(shí)選用BP 神經(jīng)網(wǎng)絡(luò)、LSTM 神經(jīng)網(wǎng)絡(luò)與本文模型進(jìn)行對(duì)比。電負(fù)荷預(yù)測(cè)結(jié)果如圖2所示，冷負(fù)荷預(yù)測(cè)結(jié)果如圖3 所示。

圖2 電負(fù)荷預(yù)測(cè)結(jié)果

圖3 冷負(fù)荷預(yù)測(cè)結(jié)果

從圖2 和圖3 可知，采用PSO-LSTM 神經(jīng)網(wǎng)絡(luò)算法得到的預(yù)測(cè)曲線與實(shí)際曲線更為貼近。

為進(jìn)一步說明本文模型的優(yōu)越性，選用平均絕對(duì)百分比誤差（MAPE）評(píng)價(jià)3 種負(fù)荷預(yù)測(cè)方法，可以體現(xiàn)預(yù)測(cè)準(zhǔn)確性。3 種方法的誤差對(duì)比如表1 所示。

表1 負(fù)荷預(yù)測(cè)誤差對(duì)比

由表1 可知，PSO-LSTM 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行電負(fù)荷與冷負(fù)荷預(yù)測(cè)的誤差值均小于其他2 種算法，采用本文模型進(jìn)行電負(fù)荷預(yù)測(cè)的誤差為3.6%，進(jìn)行冷負(fù)荷預(yù)測(cè)的誤差僅為2.1%，可以得出本文模型預(yù)測(cè)精度最高，使用PSO-LSTM 神經(jīng)網(wǎng)絡(luò)算法可以有效地進(jìn)行綜合能源負(fù)荷預(yù)測(cè)。

4 結(jié)論

通過構(gòu)建LASSO 和PSO-LSTM 神經(jīng)網(wǎng)絡(luò)的組合模型，并利用模型對(duì)綜合能源系統(tǒng)進(jìn)行負(fù)荷預(yù)測(cè)，得到如下結(jié)論：①LASSO 可以進(jìn)行參數(shù)的選擇和收縮，尤其適合對(duì)綜合能源系統(tǒng)所包含的多種氣象因素大數(shù)據(jù)進(jìn)行選擇和分析，具有很強(qiáng)的現(xiàn)實(shí)意義；②利用PSO-LSTM 神經(jīng)網(wǎng)絡(luò)可以有效確定LSTM 模型隱含層神經(jīng)元的個(gè)數(shù)及迭代次數(shù)，準(zhǔn)確、快速地實(shí)現(xiàn)綜合能源負(fù)荷預(yù)測(cè)；③通過對(duì)園區(qū)電、冷負(fù)荷預(yù)測(cè)實(shí)驗(yàn)表明，基于LASSO 和PSO-LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)合的方法可以有效提高綜合能源系統(tǒng)負(fù)荷預(yù)測(cè)精度，及時(shí)掌握負(fù)荷用度變化，提高調(diào)度運(yùn)行效率，有較高的應(yīng)用價(jià)值。