平行LSTM-Based区域综合能源系统Multienergy源装载信息互动能源预测

文摘

multienergy交互特征的区域综合能源系统可以极大地提高能源利用的效率。提出了能源预测策略multienergy信息交互在区域综合能源系统从水平相互作用的角度和垂直互动。首先,multienergy信息耦合区域综合能源系统的相关性分析和横向交互和垂直交互模式提出了。然后,基于长期短期记忆深度神经网络时间序列预测,建立平行的长短期记忆多任务学习模型来实现水平multienergy系统之间的交互和基于用户驱动的行为数据实现垂直源和负载之间的相互作用。最后,确定资源由风能、光伏和各种负载和负载综合能源预测两岸。实测数据的仿真结果表明,提出的交互式并行预测方法在本文中每个子任务的可以有效地提高预测效果。

1。介绍

随着化石能源的枯竭,能源需求增长和能源短缺之间的矛盾在社会和经济发展的过程中,能源利用和环境保护越来越严重。在这样的背景下,传统的能源生产与消费系统的化石能源为核心已经难以维持,因此构建一个multienergy补充和优化能源供需系统的整体转型和指导能源行业已成为中国能源行业发展的首要任务1]。能源系统的基础上source-network-load-storage垂直优化,multienergy供应系统协调和优化multienergy在水平方向的耦合关系,实现综合能源系统能源梯级利用和multienergy协调调度,将扮演一个关键的角色在上述能源革命2]。一方面,它将提高能源效率通过能源的综合开发和利用,另一方面,它将增加势能普及率将电能转化为热量,冷,天然气,电动汽车储能等。

理论的扩展终端用户被称为区域综合能源系统(里斯)。里斯的间歇性的可再生能源,如风力发电/太阳能光伏,由于耦合和互连各种能源子系统,如电力系统、热力系统、天然气系统、运输系统,能源消耗数据分散和多维等多功能负载的电气负荷,热负荷,和天然气用户侧上的负载。这些大量的数据信息是很有价值的态势感知能力,特别是在新能源发电和负荷预测3]。Zhang et al。4)使用数据分析和预测算法来验证能源消费行为之间的相关性和分布式光伏预测结果输出和输入到预测能源管理系统来优化负荷端能源消耗和平衡系统的能源供应和负载需求。邓et al。55.0]提出了能源概念基于cyber-physical-social系统独立主办)和分析负荷端能源消费的社会行为特征在智能家庭能源系统中,通过收集各种操作信息在实际系统中使用“数据驱动+物理模型”的方法来形成一个新的能源预测代理实现优化运行控制(6- - - - - -8]。此外,在能源预测里斯,深度学习预测技术吸引了国内外许多学者的关注。王等人。9)在可再生能源上取得了广泛的分析和讨论基于深度学习预测方法,讨论了当前面临的问题这个方向,并展望了未来的发展方向。王等人。10)提出了一个风速预测模型基于深度信任网络,取得了良好的预测结果。陈等人。11)提出了一种新的两层非线性组合短期风速预测方法(EEL-ELM)。在第一层,极端学习机(ELM)、Elman神经网络(新奥集团),和长时间的短期记忆(LSTM)神经网络用于预测风速,并得到三个预测结果。然后,非线性聚合机制极端学习机(ELM)是用来减轻单一方法和线性组合的内在弱点。刘等人。12)结合变分模态分解(VMD)、奇异谱分析(SSA),长期短期记忆(LSTM)网络,和极端学习机(LEM),提出了一种新的多级的风速预测模型。仿真结果表明,该方法在提取趋势信息更有效更健壮。的基础上多长的短期记忆(LSTM)学习,文献[13)结合了极值优化算法和支持向量机模型集成LSTM层预测结果和预测风速在很短的时间内。在文献[14),LSTM深层神经网络算法,和用户的能源数据的各种类型的设备被用来预测住宅加载在负载端在短期内,这证明了数据值的负荷预测领域的能源信息。多任务学习研究了约20年15- - - - - -17]。目前,多任务学习方法大致可以概括为两类。一是在不同的任务之间共享相同的参数,另一个是和我共享数据特性之间隐藏的不同的任务(18]。Argyriou et al。19)详细的特征选择的四个多任务学习方法,内核选择、自适应池、和图形模型结构。Jebara [20.)提出了一种典型的多任务模型,挖掘优秀人才之间的共同特征。框架学习本文给出多任务功能,这成为许多多任务学习的基础引用(21,22]。灵感来自上面的文献,本文认为有必要探索multienergy耦合信息的价值和负荷端用户行为特征对能源系统操作和使用信息之间的相关性特点多个能源multienergy交互的概念扩大到预测阶段。“信息交互”战略的提出和探讨了数据信息隐含在里斯通过结合深度学习技术的各个环节,并通过multienergy能源利用效率最大化交互。现有的研究基础上,本文综合考虑水平和垂直之间的信息交互特征多种能源负载在里斯和提出了一种并行LSTM基于multienergy-load信息互动短期能源预测策略。首先,里斯multienergy-charge耦合关联分析,水平和垂直的“信息互动”模式multienergy负载提出了。然后从信息交互的角度,基于LSTM深层神经网络时间序列预测,建立了平行LSTM多任务学习模型实现水平multienergy系统之间的交互。同时,驾驶行为数据,基于用户的能量源和负载之间的垂直互动意识到,和不确定的用于集成能源预测风力发电,光伏和各种负载两岸的源和负载。最后,基于实测资料的地区的里斯,预测模型训练和验证。仿真结果表明,该信息交互并行预测方法可以有效地提高每个子任务的预测效果。

2。区域综合能源系统

2.1。区域综合能源系统的基本结构

区域综合能源系统以电为核心,基于智能电网,由清洁能源。它使用先进的信息通信和能量转换技术有机的链接连接生产、运输、存储、和消费multienergy系统,如电力,天然气,和热量,实现优化配置的能量,multienergy耦合,和补充23]。里斯结构包括地区能源生产输入网络,multienergy耦合网络,和区域内部负荷端能量输出网络。它能够充分吸收各种各样的可再生能源,如风力发电和光伏发电和访问等各种类型的负载电力,天然气,热,冷和实现有效的能源分配。与此同时,它的顶层有一个综合信息通信支持系统实现交互融合的能量流和信息流。本文中描述的基本架构里斯图所示1。

2.2。区域综合能源系统“信息互联”的特点

的支持下能源互联网和multienergy关键技术特点是“开放”和“相互关联的,”耦合互动multienergy-network-load-storage在里斯更紧24]。(1)从横向的角度互连,里斯将整合能源子系统,如冷/热/电/气/交通建设multienergy流系统。系统之间的能量转换和流动通过耦合组件,和各种能量形式是相辅相成的。能源资源优化配置在一个广阔的区域内,即实现“横向信息互联”的能源网络。(2)从垂直互连的角度,基于传统的能源供应网络,里斯将source-network-load-storage实现信息的实时共享资源通过互联网技术。这个资源共享机制双向传导特性。用户信息之间的双向传导能力的信息控制系统,能源供应模块,multienergy智能发送模块。能源信息的互动分享用户之间也可以实现,也就是说,实现互联网“垂直信息互联”的能量。

3所示。里斯Multienergy耦合相关分析

3.1。里斯水平Multienergy信息耦合

水平multienergy信息耦合是由里斯的相关性之间的相关性不同的能量流子系统如电力,天然气,和热。

从耦合的角度,里斯的构成可分为耦合单元和noncoupling单位。如图2不同能量流的耦合单元连接子系统和一个或多个能源消耗其他能源。典型的耦合形式如下:冷热电力供应单位消耗煤或天然气发电,热,冷。热泵消耗电能产生热能,电力消耗电能产生氢,氢和耦合单元使能量流子系统交互。非耦合单元包括网络子系统和设备在每个能量流和其他非耦合边界条件,如源和负载。非耦合单元也会影响其他系统通过耦合单元25]。因此,不同的能量流子系统有它们之间的强耦合,还有大量的横向multienergy耦合multienergy现有的信息系统数据,导致系统内各单位之间的相关性。

3.2。里斯垂直耦合源装载信息

里斯的垂直耦合相关源装载信息表示的相关性multienergy供应源和用户的能源行为的负载。不同能量的行为对应于不同的负载特征26]。例如,照明在里斯是一个典型的用户能源行为的行为。通过先进的测量设备,用户的照明行为可以反映出作为照明负载曲线。

从用户的角度来看能源行为,有多个耦合多里斯能源负荷之间的关系。以用户的照明行为为例,如果云突然覆盖一个特定的区域,降低了环境光强度,它将影响用户的照明行为:人们会增加照明设备的使用,以满足照明的需求,和照明负载将会增加。同时,这种云运动也会影响光伏发电:云团将块光伏板,这将影响光伏板上的辐照度减少,影响光伏发电。为了证明这个行为特性的特点,本文以三天的数据从1月24日至26日,2016岁的里斯在一定地区的天津进行定量分析。光伏输出功率曲线和用户照明负载曲线如图3。

图的上半部分3光伏发电输出功率的曲线趋势,下半部分是用户的照明负载曲线的趋势。(1)用户的照明负载和光伏输出功率有日夜循环。他们的分布主要集中在白天。用户的照明的峰值负载通常是分布在18:00和20:00,高峰和光伏电源的输出通常是分布在12:00和14:00在中午。(2)在为期三天的短期数据进行比较分析,光伏发电的整体输出第三天明显大于前两天。因此,照明负载之间的第三天10:00和16:00是减少与前两天相比,一天减少到低。这表明当光伏发电的输出增加时,它也会影响用户的能源消费行为时,环境光强度大,这意味着用户的照明能源需求减少。(3)把ultra-short-term数据分析从12:00至16:00的第一天,和光伏发电输出达到一天的高峰13:00,照明负载也减少到低的白天。期间从13:00至14:00,突然向下攀爬时,在相应的时间和照明负荷增加。这个“突变”现象应该引起的多云的天气受云的影响。 From the above analysis, it can be found that there is a strong information coupling correlation between the “source” photovoltaic power output and the “charge end” user’s lighting load.

3.3。里斯Multienergy信息交互模式

里斯既有水平multienergy信息耦合相关特征和垂直源装载信息耦合的相关特征。从能源管理信息交互的角度,也有两个水平和垂直的信息交互模式。

水平的信息交互模式是基于multienergy转换信息共享。的基础上获得的测量数据multienergy流子系统,非线性深度学习人工智能技术用于并行处理multienergy数据,它有效地利用能量转换的复杂的共享信息,识别训练数据的抽象特性,提高了能源管理的子任务的预测精度。

垂直信息交互模式是基于用户行为信息共享。获取multicategory数据的基础上,两岸的源和负载,深度学习方法用于挖掘用户端的行为特征,和相关的用户行为信息数据作为输入指导源端能源管理预测和改善能源供应的预测精度。

4所示。深度学习能源预测的多任务学习机制

4.1。LSTM递归神经网络

以下4.4.1。原则LSTM循环神经网络

source-charged确定培训对象的资源具有明显的时间特征,和序列数据之前和之后有很强的相关性。从学习的角度和培训,递归神经网络(RNN)可以处理任意长度的序列与时间相关利用神经元自反馈,在处理序列数据(明显的优势27]。RNN的结构如图4(一)。LSTM网络RNN的变种,克服了传统RNN梯度消亡问题[28]。隐藏层不再是一个简单的神经单元,但一个LSTM单元与一个独特的记忆模式。每个LSTM单元包含一个状态变量单元描述的当前状态LSTM单元(29日]。代表当前状态LSTM单元的数量,和代表当前LSTM单元的输出。

LSTM读取和修改国家单位通过控制忘了盖茨,盖茨盖茨输入和输出(30.),通常由乙状结肠或双曲正切函数和阿达玛产品操作。如图4 (b),忘记门决定之前的时刻,有多少细胞状态的组件保持在当前的时间,网络的输入决定有多少门组件输入保存细胞的状态在当前时间和多少组件输出门控制单元的状态输出当前值吗LSTM。

LSTM单位的变量之间的计算公式如下:

的公式, , , , , , , ,和是网络的权重矩阵对应于输入激活函数; , , ,和偏移向量;代表阿达玛产品矩阵的乘法;σ代表了乙状结肠激活功能,ϕ代表了双曲正切激活函数。

4.1.2。LSTM深度学习训练算法

LSTM网络训练采用BP-based反向传播通过时间(BPTT) [31日]。算法步骤如下:(1)计算每个神经元的输出值。LSTM单元,六个向量的值,例如 , , , , ,和 ,计算。(2)计算每个神经元的误差项。类似传统RNN的反向传播LSTM误差项包含两个层次:一个是在空间层面,误差项是传播到网络的上层;另一种是当时水平,传播在时间。例如,从当前时间t计算,误差在每一刻。(3)计算每个重量根据相应的梯度误差项,并更新网络权重参数。(4)跳转到第一步,继续执行前3的步骤,直到网络错误小于给定的值。

4.2。LSTM网络多任务学习机制

多任务学习(MTL),作为一个归纳迁移机制,避免了模型训练的underfitting通过使用多个任务之间的关系,挖掘隐藏的共同特征,提高模型的泛化学习能力(32]。里斯风能和光源预测和load-end电力,天然气,热,冷负荷预测可以被视为不同的任务在多任务学习33]。多个任务共享一些常见的数据或模型结构,即有一定的相关性multienergy预测任务。多任务学习预测模型基于LSTM网络提出了隐层节点在所有股票预测任务通过硬参数共享方法和培养训练数据对应multienergy预测任务同时,考虑任务之间的关联信息,提高预测所有任务的学习能力(34]。单任务操作的比较和多任务学习基于LSTM网络如图5。图中的多源历史数据是五种历史数据的集合包括风力发电、光伏发电、电力负荷、热负荷和冷负荷。

5。平行LSTM-Based里斯信息互动能源预测方法

5.1。里斯Multienergy预测模型的设计

里斯在源和负载的不确定性,因此准确预测不确定的资源是实现里斯的基础能源优化管理和调度35]。源主要包括风力发电和光伏发电预测,预测和负荷主要包括电力负荷预测,热负荷预测,和冷负荷预测。

如本文的第二部分所述,有复杂的多种能源负荷的里斯之间的相互耦合关系,和不确定的预测任务资源源和负载的两边有很强的相关性。它可以有效地改善的总体预测精度里斯不确定的资源通过学习这种耦合关系通过联合预测培训(36]。从里斯multienergy-load信息交互的角度,本文提出了“平行预测”的概念,利用强大的非线性学习能力和历史记忆LSTM深入学习网络的优点进行综合预测不确定资源源和负载。如图6基于multienergy转换,横向信息交互信息共享主要利用多任务学习参数并行LSTM预测网络的共享机制;垂直信息交互基于用户行为信息共享主要使用用户行为数据指导源装载多任务预测作为额外的统一的输入信息。重量参数共享共享,利用子任务之间的相关性。输入共享指的是数据共享。不同子任务共享权力的历史数据,如风力发电,光伏发电,电力负荷、热负荷和冷负荷。

5.2。数据预处理

训练样本选择风力发电时间序列在来源方面,光伏发电时间序列,电荷在负载端,热负荷,冷负荷时间序列和照明负荷序列数据。考虑非线性激活函数的输入和输出范围的模型中,为了避免神经元饱和,数据的规范化和之间的映射 ,见以下方程:

的方程,x实际的输入或输出数据和什么和变量的最大和最小值,分别。

5.3。建设任务

使用多任务学习方法的精髓multienergy-load集成预测在于每个预测子任务的密切相关(37]。单任务操作的传统预测方法使用一个一维的历史观测数据来预测其未来输出,和模型的输出是一个单一属性。多任务学习集成预测使用多维数据两边的源和负载作为一个常见的有效利用样本的输入。另一方面,通过共享隐藏层节点分裂法,五项属性风能、光伏发电、电力、热、冷负荷同时扮演的角色归纳预测偏差,提高预测精度。

5.4。模型训练

的LSTM-based source-charge集成预测模型主要需要确定以下参数:输入层维度,输入层时间步,隐层数,每个隐层维度,和输出层维度(38]。

输入层的时间步的长度通常是源装载集成使用的变量时间序列预测。根据预测对象的周期性特征序列,输入层时间步长设置为24,即历史数据的分辨率是1 h在前七天前输入用于预测和它每天占用一个输入节点。输入层维度节点的数量。本文包含六个对象的输入层节点:风力发电时间序列,光伏发电时间序列,侧向负荷、热负荷、冷负荷时间序列,和照明负荷系列,构成完全42节点,因此输入层尺寸设置为42。自本文同时预测6属性的风力发电,光伏发电,电力、热、冷和负载,输出层有5个节点,即输出层尺寸设置为5。在本文中,基于经验和多个试验和比较,隐藏层的数量设置为2,和隐藏的维度层设置为30。激活函数的选择,如图4(一)batch_size设置为42,时代的迭代的数量设置为8784,学习速率设置为0.80,学习延迟率设置为0.05。网络的训练函数使用上面提到的BPTT算法。

5.5。评价指标

同时Multienergy-load集成预测火车多个预测任务。全面衡量预测的效果,有必要对作为一个整体综合预测的准确性(39]。在这篇文章中,平均精度评价指标提出了基于权重系数。不同能源的重要性程度里斯的两面,相应的权重系数不同的能量输出类型。里斯,源端不确定性的风,光,和其他不确定的资源很大和有一个伟大的影响系统的稳定运行和能量调度管理。因此,源端风力预测将更高的重量;此外,电网中起着主导作用的综合能源系统凭借其完美的架构和中央枢纽优势,相应地,电力负荷预测将更高的重量。

本文提出了三个计算指标,即平均绝对百分误差(日军),意味着精度(MA),和加权平均数准确性(WMA),见以下方程:

的方程,和 ,分别代表了实际价值和预测的能源价值在第一时刻;n样本数据量;代表了预测的准确性k预测任务;和代表的权重系数k预测任务。摘要能源预测的重量比两边的源和负载设置如表所示1。

6。仿真分析

6.1。数据描述

本文的实验数据是来源于里斯所提供的测量数据在一定地区的天津。里斯包括电力系统、热力系统、和天然气系统。源端包括能源供应设备,如风力发电机和光伏发电设备。耦合链接包括能量转换设备,如冷和热电源设备、电锅炉、燃气锅炉。能源需求主要包括电力负荷、热负荷和冷负荷。负荷端和能量存储方面包含存储和热能存储设备(如电能来提高系统的灵活性。此外,为了证明的有效性源装载垂直信息交互、照明负荷的历史数据反映出典型的用电行为的用户也取样。所有历史能源数据采样间隔是1 h,数据从2015年7月到2016年6月被用作训练集数据和数据从2016年7月作为测试集数据,用1 h为时间步长;基于历史数据的第一个7天,双方的能源供应和能源需求的来源和第二天的负荷预测。总57168年样本分成两部分(92%为火车组和8%作为测试集)。 The forecasting models were trained by the train dataset and validated on the test dataset. The statistical information of the above dataset is shown in Table2。

6.2。分析的例子

本节分析里斯multienergy信息互动能源预测的影响。选中的晴天和雨天的测试集分别进行了分析。风力发电的能源预测结果输出,光伏输出,电力负荷、热负荷和冷负荷两岸的源和负载的两个场景图所示7和8,分别。

数据的预测结果7和8表明,该源装载平行LSTM学习模型可以获得理想结果在风能、太阳能光伏、电力负荷、热负荷、能量和冷负荷预测在晴天和雨天情况,这证实了本文提出的模型的有效性。中的每个子任务并行的预测效果预测结果显示一个很大的区别。相比之下,风和光预测在源端,电荷的预测曲线,热,和冷负荷在收费方面更接近实际的序列曲线,这是由于间歇和源端风力发电和光伏发电的随机性质。

比较数据7 (c)- - - - - -7 (e),它可以发现电力负荷波动大于热负荷和冷负荷,这是因为热系统的热惯性和冷惯性更强(39],波动性也更小。热惯性意味着热力系统动态变化的时间尺度是一个缓慢的过程。与电力系统相比,热能传输延迟的影响,和热负荷的上下波动表现出惯性效应,和寒冷的惯性是相似的。因为冷和热惯性的存在惯性,热力系统的热负荷是在短期内减少随机预测的时间尺度,显示平滑变化的特点,所以它的预测不确定性也小,热负荷和冷负荷相对于电力。负载的预测误差也相对较小。比较数据7和8,它可以发现实际实际光伏发电和风力发电的不确定性在雨天的场景比晴天。太阳能光伏发电和风力发电的预测曲线在阳光明媚的场景更接近真正的价值;电力负荷和热负荷在下雨的场景应该增加作为一个整体。这是由于寒冷的天气在下雨的场景,从而影响用户的能源使用行为和增加用户的电力需求和热量,从而提高电力负荷和热负荷。

6.2.1。比较分析Multienergy负载信息的交互

为了验证互动学习的效果的水平和垂直multienergy信息,并行LSTM考虑用户能源行为的预测和并行LSTM预测没有考虑用户能源行为和结果的单一LSTM预测没有考虑用户能源行为提出了进行比较分析。为了确保实验测试的公平性,本文使用相同的数据集进行训练和测试。

对比实验的设置如表所示3。在并行LSTM学习行为,没有考虑用户的能量输入样本是基于原来的预测模型,和照明负载数据输入样本中反映出用户的行为是不考虑。预测仅仅基于预测对象的历史数据;C模型没有考虑单一LSTM预测用户的能源行为,以及输入和输出每个subprediction模型只考虑单一能量的输入和输出,和也没有参数LSTM不同的子单元之间共享。模型B使用并行LSTM学习。每个子任务之间的参数共享,这属于一个多任务学习。模型C使用单个LSTM学习,每个子任务相互不影响。它属于一个单一任务的学习。

multienergy收取信息交互的预测精度比较实验如表所示4和图9。通过分析表4和图9,这表明平均权重的模型的预测精度,B和C是0.9009,0.8917,和0.8728,分别。模型的预测结果是最好的,该模型B是第二,模型C是第三。,考虑到垂直和水平的交互信息,预测两岸的能量源和负载显示更好的预测精度。

比较模型的预测结果B和C模型,对五个subprediction任务,当不同的质量能量预计在平行,精度高于单一的预测。可以看出并行LSTM学习考虑水平multienergy不同系统之间的信息交互利用耦合的数据,充分利用不同质量之间的交互信息综合能源系统的能源,所以一定能量的预测性能可以得到改善。此外,考虑到multienergy水平信息交互、负荷端电力负荷的预测精度,热负荷,和冷负荷增加了3.13%,2.53%,和2.67%,分别,源端风电和光伏发电的预测精度提高1.52%和1.46%,能源费边是相对较高的预测精度。可以看出,源端不确定性资源也受到其他系统中能量的相互作用,但影响很小,在收费方面需求很大程度上是受其他能源交互系统中。和信息交互是彼此之间更亲密。

比较模型的预测结果和模型B,当用户的能量源和负载之间的信息交互行为在垂直方向,整体的平均重量的准确性预测是增加了1.03%。比较的性能改善效果五subprediction任务,它可以发现改善光伏预测精度为1.85%,比例和改善效果相对最佳,其次是电力负荷,而风力发电的预测精度,热负荷和冷负荷并不明显。可以看出,考虑到源装载垂直信息交互双方可以提高预测精度的能量源和负载,但特定用户能源行为有不同的差异,预测不同类型的用户和用户相关照明行为显然是光伏发电和电力用户。负载之间的交互更紧,及其对光伏预测和电力负荷预测的影响更明显。

6.2.2。深层神经网络算法与其他算法的比较

为了验证LSTM深层神经网络算法的预测效果,LSTM模型和自回归综合移动平均模型(ARIMA)算法和经典的BP神经网络(摘要)算法在本文提出。仿真结果的比较和分析。为了确保实验测试的公平性,本文使用相同的数据集进行训练和测试,并使用一个单一任务预测策略。三种算法的预测结果如表所示5和图10。

观察预测结果,ARIMA算法的预测效果是最一般,和摘要算法的预测精度远远高于ARIMA的算法。每个任务的预测精度LSTM深度学习预测算法在本文提出的最高。ARIMA算法不能有效地使用长期历史信息序列,因为它只使用一个历史信息训练的一部分,从而导致巨大的预测误差。LSTM算法可以充分利用其强大的非线性学习能力和长期和短期记忆优势利用价值的长期历史数据的信息,所以掌握的能量法更精确的预测。

此外,比较能源LSTM算法的预测结果和摘要算法,LSTM算法预测的准确性热负荷和冷负荷预测是更加明显。可以看出,由于热力系统的大惯性、时间尺度的变化规律是更长,使预测精度的长期和短期深度学习在热负荷和冷负荷明显高于电力负荷。

为了评估算法的计算效率,四个预测场景执行十次,预测结果可靠可以概括为表6。并行LSTM和单一LSTM有较长的训练时间,但预测时间保持在一分钟,可以满足短期预测的要求。进一步分析表明,并行的并行训练时间和预测时间LSTM相比大大提高了单一LSTM是因为5子任务的组合成一个多任务学习。总之,尽管LSTM算法耗时在训练时间,短期预测,训练过程不需要在线完成,LSTM算法的预测时间,尤其是并行LSTM,可以完全满足短期预测的要求。考虑到预测精度,LSTM算法在计算时间的牺牲是值得的。

7所示。结论

在这篇文章中,水平和垂直之间的信息交互特点多个能源负荷里斯。使用LSTM网络学习算法,并行LSTM-based multienergy-load信息互动短期能源提出了预测方法。通过模拟测试数据,是得出以下结论:(1)“信息交互”战略提出了可以有效改善预测性能源装载区域综合能源系统能源预测(2)并行预测考虑水平相互作用主要影响预测效果在负载端,当用户照明的信息共享行为考虑垂直互动主要影响光伏预测的改进效果(3)与传统预测算法相比,LSTM深学习算法可以学习历史数据的深层隐藏信息,提高预测精度,同时满足计算时间,并证明了算法的有效性在预测时间序列特性的序列

然而,提出并行LSTM算法的性能可以进一步提高一些进化算法和多目标优化算法,如微分进化算法(40),多目标极值优化(41),进化多目标优化算法(42- - - - - -47]。当然,一些重要的话题值得研究的优化并行LSTM提出的多目标优化。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有潜在的利益冲突。

确认

这项工作是完全支持中国国家重点研发项目(没有。2018 yfb0904200)。

引用

1. a .问:黄m . l .乌鸦g . t . Heydt j . p .郑和s . j . Dale,“未来可再生电能交付和管理(FREEDM)系统:能源互联网”IEEE学报》,卷99,不。1,第148 - 133页,2011。视图:出版商的网站|谷歌学术搜索
2. Colak, s . Sagiroglu g . Fulli m . Yesilbudak和c . Covrig”一项调查在智能电网技术,关键问题”可再生能源和可持续能源的评论54卷,第405 - 396页,2016年。视图:出版商的网站|谷歌学术搜索
3. c .你x, z帅,f .江“智能网格大数据问题的审查,”可再生能源和可持续能源的评论卷,79年,第1107 - 1099页,2017年。视图:出版商的网站|谷歌学术搜索
4. y, r·杨,k, h .江和j·j·张,“消费行为analytics-aided能源预测和调度,”IEEE智能系统,32卷,不。4,59 - 63年,2017页。视图:出版商的网站|谷歌学术搜索
5. y . j .邓f . Wang Chen和赵x”从工业能源5.0:4.0的概念、内涵和智能能源系统的系统框架,“自动化学报第41卷。。12日,第2016 - 2003页,2015年。视图:谷歌学术搜索
6. 问:阳光、施l . y .倪,d . Si和j·朱,“一个增强的级联失效模型集成数据挖掘技术,”现代电力系统的保护和控制,2卷,2017年。视图:出版商的网站|谷歌学术搜索
7. d, a . t . Eseye j . Zhang和h·李,“短期风电预测使用双级层次简称ANFIS方法在微型电网能量管理,“现代电力系统的保护和控制,卷2,页1 - 10,2017。视图:出版商的网站|谷歌学术搜索
8. 赵y, z, l .你们x的歌,j .腾和j·金,“短期风电预测与误差修正基于极限学习机,”现代电力系统的保护和控制,1卷,不。1,1 - 8,2016页。视图:出版商的网站|谷歌学术搜索
9. z z h . Wang x, x, b .周和j·c·彭“深度学习的评估可再生能源预测,“能量转换和管理卷。198年,硕士论文,2019页。视图:出版商的网站|谷歌学术搜索
10. g . g . b . h . z . Wang Wang李问:j . c .彭和y . t . Liu“深层信念网络建立确定性和概率风速预测的方法,”应用能源卷,182年,第93 - 80页,2016年。视图:出版商的网站|谷歌学术搜索
11. M.-R。陈,G.-Q。曾,K.-D。陆,j·翁”,一个两层的非线性组合方法对短期风速预测基于榆树,新奥集团,和LSTM”IEEE物联网》第六卷,没有。4、6997 - 7010年,2019页。视图:出版商的网站|谷歌学术搜索
12. x h . Liu Mi, y,“智能多级深度学习对风速预测模型基于变分模态分解,奇异谱分析,LSTM网络和榆树,”能量转换和管理卷。159年,54 - 64年,2018页。视图:出版商的网站|谷歌学术搜索
13. j . Chen G.-Q。曾,w .周、w·杜和K.-D。陆”,风速预测使用nonlinear-learning合奏的深度学习时间序列预测和极值优化”能量转换和管理卷,165年,第695 - 681页,2018年。视图:出版商的网站|谷歌学术搜索
14. w .香港、z . y .董、y, d·j·希尔,y, y张,“短期住宅基于LSTM复发性神经网络负荷预测,“IEEE智能电网,10卷,不。1,2017。视图:出版商的网站|谷歌学术搜索
15. h .高,黄w . x, y段,和y阴,“向服务选择工作流重新配置:一个基于接口的计算解决方案,“未来一代计算机系统卷,87年,第311 - 298页,2018年。视图:出版商的网站|谷歌学术搜索
16. l .气他,f . Chen等人”找到你所需要的:web api推荐在web通过关键词搜索的东西,“IEEE计算社会系统》第六卷,没有。5,2019。视图:出版商的网站|谷歌学术搜索
17. c . l .气r . Wang, s .李问:他和徐x,“Time-aware分布式服务推荐与隐私保护,”信息科学卷,480年,第364 - 354页,2019年。视图:出版商的网站|谷歌学术搜索
18. y张和问:杨,“多任务学习的概述,国家科学评论,5卷,不。1,34-47,2018页。视图:出版商的网站|谷歌学术搜索
19. a . Argyriou m . t . Evgeniou, m .铁棒”凸多任务功能学习。”机器学习,卷73,不。3、243 - 272年,2008页。视图:出版商的网站|谷歌学术搜索
20. t . Jebara“一心多用”通过最大熵歧视稀疏,机器学习研究杂志》上,12卷,不。1,第110 - 75页,2011。视图:谷歌学术搜索
21. l .气y, y元,s .傅张x, x徐,“QoS-aware虚拟机节能调度方法在基于云的cyber-physical系统中,“万维网,5卷,页1 - 2019,https://doi.org/10.1007/s11280 - 019 - 00684 - y。视图:谷歌学术搜索
22. p . r . Zhang谢,c . Wang g . Liu和美国湾,“分类运输模式和速度从轨迹数据通过深多尺度学习,”计算机网络,第162卷,第106861页,2019年。视图:出版商的网站|谷歌学术搜索
23. h . d . w . Wang Wang贾et al .,“审查的稳态分析典型区域综合能源系统能源互联网背景下,“中国电机工程学报,12,第3306 - 3292页,2016年。视图:出版商的网站|谷歌学术搜索
24. 美国丁,美国、y . Xi和广域网,“刺激驱动和概念分析图像标题的一代。”Neurocomputing,2019年。视图:出版商的网站|谷歌学术搜索
25. p . Vrba诉Marik, p . Siano et al .,“回顾剂应用于智能能源系统和面向服务的概念,“IEEE工业信息,10卷,不。3、1890 - 1903年,2014页。视图:出版商的网站|谷歌学术搜索
26. w·贾、c·康和陈,“分析需求互动响应能力为智能电网中的电力系统调度框架,“电力系统研究卷。90年,17岁,2012页。视图:出版商的网站|谷歌学术搜索
27. z . c .立顿、j·伯科威茨和c·埃尔坎”的复发性神经网络评论序列学习,”相关系数,2015年,https://arxiv.org/pdf/1506.00019.pdf。视图:谷歌学术搜索
28. t . n . Sainath o . Vinyals a .高级和h . Sak“卷积,长期短期记忆,完全连接深层神经网络”学报2015年IEEE国际会议音响、演讲和信号处理(ICASSP)IEEE,页4580 - 4584年,2015年4月澳大利亚,布里斯班。视图:出版商的网站|谷歌学术搜索
29. 郭y, z . Cheng l .聂y . Wang j . Ma和m . Kankanhalli“细心长期短期偏好建模个性化产品搜索,“ACM交易信息系统(钢铁洪流),37卷,不。2,p。19日,2019年。视图:出版商的网站|谷歌学术搜索
30. 答:坟墓,“短期记忆,”神经计算9卷,第1780 - 1735页,1997年。视图:谷歌学术搜索
31. f . a .蒙古包,的j。施密德胡贝尔表示和f·康明斯,“与LSTM学习忘记:持续的预测,”神经计算,12卷,不。10日,2451 - 2471年,2000页。视图:出版商的网站|谷歌学术搜索
32. m . l .苏打水和j . Droppo“多任务学习的深层神经网络改进的音素识别,”学报2013年IEEE国际会议音响、演讲和信号处理IEEE,页6965 - 6969年,温哥华,加拿大,2013年5月。视图:出版商的网站|谷歌学术搜索
33. 赵Wan, y, t . Wang z顾,问:h . Abbasi, K.-K。r . Choo“多维数据索引和查询处理范围通过物联网的泰森多边形法图”未来一代计算机系统卷,91年,第391 - 382页,2019年。视图:出版商的网站|谷歌学术搜索
34. z高,d . y . Wang s . h . Wan h . Zhang和y l .王”Cognitive-inspired class-statistic匹配与triple-constrain相机免费3 d对象检索”未来一代计算机系统卷,94年,第653 - 641页,2019年。视图:出版商的网站|谷歌学术搜索
35. c·a·康a·r·布兰德和l . j . Durlofsky“综合能源系统的优化运行包括化石燃料发电,二氧化碳捕获与风,“能源,36卷,不。12日,第6820 - 6806页,2011年。视图:出版商的网站|谷歌学术搜索
36. 问:张先生,广域网,d . w .高,b . Wang和h·马,“异常检测工业电力系统随机矩阵理论的基础上,“《系统架构卷,95年,第74 - 67页,2019年。视图:出版商的网站|谷歌学术搜索
37. z高,h . z宣,h·张,s .广域网和k·k·r·Choo”自适应融合和category-level字典学习模型视点人类行为识别,”IEEE物联网,p . 2019。视图:出版商的网站|谷歌学术搜索
38. k . w . Wu陈、y .乔和z,“概率基于深层神经网络短期风电预测,”《2016年国际会议上概率方法应用于电力系统(pmap),1 - 8页,北京,中国,2016年10月。视图:出版商的网站|谷歌学术搜索
39. k·m·鲍威尔,a . Sriprasad w·j·科尔和t·f·埃德加“加热、冷却和电力负荷预测大规模地区能源系统,”能源卷,74年,第885 - 877页,2014年。视图:出版商的网站|谷歌学术搜索
40. a . Peimankar s . j .威德尔t·塔拉和a·c·Lapthorn“多目标集成预测与应用电力变压器,”应用软计算卷,68年,第248 - 233页,2018年。视图:出版商的网站|谷歌学术搜索
41. G.-Q。曾,j . Chen L.-M。李et al .,“一种改进的多目标人群为基础的极值优化算法和多项式变异,”信息科学卷。330年,49 - 73年,2016页。视图:出版商的网站|谷歌学术搜索
42. 杨绍明。关铭胡和l·陈,”一个非线性混合风速预测模型使用LSTM网络滞后榆树和微分进化算法,”能量转换和管理卷,173年,第142 - 123页,2018年。视图:出版商的网站|谷歌学术搜索
43. G.-Q。曾,j·陈,y。戴,L.-M。李,C.-W。郑,M.-R。陈”,一种改进设计分数阶PID控制器的自动电压调节器系统基于多目标极值优化”Neurocomputing卷,160年,第184 - 173页,2015年。视图:谷歌学术搜索
44. x, r·顾戴,l .气和美国湾,“多目标计算卸载互联网cloud-edge计算车辆的“无线网络2019年,页-https://doi.org/10.1007/s11276 - 019 - 02127 - y。视图:出版商的网站|谷歌学术搜索
45. 薛Wan, x, y, w•林和x,“高效计算卸载网络的车辆边缘computing-assisted 5 g网络,”《华尔街日报》的超级计算,行,2019页。视图:出版商的网站|谷歌学术搜索
46. b . Wang Wan, x张,K.-K。r . Choo“小说指数评估综合电网络的鲁棒性和天然气网络,”IEEE访问》第六卷,第40410 - 40400页,2018年。视图:出版商的网站|谷歌学术搜索
47. y, y, f . Yu和j .μl . Yu”网络位置感知服务的建议与随机游走在cyber-physical系统中,“传感器,17卷,不。9,2059年,页2017。视图:出版商的网站|谷歌学术搜索

版权

版权©2019王薄等。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。