摘要:用户侧供能负荷预测是能源互联网的关键技术之一,在能源互联网的运行管理中起着重要的作用。高精度的用户侧供能负荷预测能够提高能源利用率,有助于错峰资源的分层优化与自动分配,从而实现能源生产与使用的协同调度。现有的供能负荷预测方法很少考虑数据内部的时序相关性。基于实际的居民区历史供水热量数据,并考虑数据的时序特性,采用了长短时记忆(LSTM)网络,以挖掘居民区供水热量数据在时间维度上的内在联系。通过研究数据潜在的特征,建立了一种基于LSTM网络的居民区供热负荷短时预测模型。试验证明,相较于传统数据驱动的供热负荷短时预测模型,基于LSTM网络的居民区供热负荷短时预测模型具有更高的预测精度,在工业中具有更高的实际应用价值。未来将扩大数据集规模,引入与供热负荷相关的气象数据,构建基于LSTM网络的多步预测模型与供热需求长时预测模型。
关键词:能源互联网 人工智能 供热负荷 短时预测 长短时记忆
单位:新奥科技发展有限公司; 河北廊坊065001; 煤基低碳能源国家重点实验室; 河北廊坊065001; 上海交通大学自动化系; 上海200240
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社