能源系統(tǒng)是巨復雜系統(tǒng)，智能運行、能源互聯(lián)與多能協(xié)同是當前能源系統(tǒng)研究的重要前沿。

與常規(guī)能源系統(tǒng)各類能源獨立運行相比，綜合多能源系統(tǒng)包含氣、電、冷、熱、蓄、新能源等協(xié)調(diào)互濟，梯級應用，系統(tǒng)的復雜性遠高于常規(guī)能源系統(tǒng)，多能協(xié)同系統(tǒng)的負荷預測與優(yōu)化調(diào)度是公認的難題。

近日，湘潭大學信息工程學院教授段斌、譚貌和蘇永新的團隊在能源負荷預測與分布式能源調(diào)度優(yōu)化的研究方面取得多項重要進展。主要成果發(fā)表在能源與電力系統(tǒng)領(lǐng)域頂尖學術(shù)期刊《IEEE電力系統(tǒng)匯刊》和《應用能源》上。

華菱湘鋼總調(diào)室需量負荷實時監(jiān)測。譚貌攝

真實數(shù)據(jù)訓練人工智能提高負荷預測精度

在我國，對于大型電力用戶，一旦用電負荷超過一定閾值，結(jié)算周期內(nèi)就需要按峰值功率承擔常規(guī)電度電費以外的一筆高額需量電費。

為此，大型鋼鐵企業(yè)華菱湘鋼犯了難。譚貌說，華菱湘鋼能源系統(tǒng)是一個典型的區(qū)域性綜合能源系統(tǒng)，能耗巨大，每年外購電力超十億元。

“他們希望能夠把用電負荷平滑下來�！弊T貌告訴《中國科學報》，“這需要對負荷進行預測，其精度對企業(yè)用能成本有重要影響�！�

據(jù)譚貌介紹，之前企業(yè)在這方面的預測工作主要是通過外購施耐德等幾家平臺的軟硬件系統(tǒng)實現(xiàn)的。

然而，外購系統(tǒng)僅提供黑盒服務，通過企業(yè)數(shù)據(jù)自我學習的功能不完善，企業(yè)也不能自己調(diào)整軟件的模型。鋼鐵市場在不斷變化，企業(yè)的生產(chǎn)模式也不是一成不變的，長此以往，模型對負荷預測的準確度就會降低。

“這給了我們自己設(shè)計一套負荷預測和控制系統(tǒng)的契機�！弊T貌說。

“當前的電力負荷預測問題按時間尺度劃分主要分為長期、中期、短期（超短期）三大類，不同類別問題其數(shù)據(jù)特征差異很大，采用的方法也有很大差別，我們重點關(guān)注的是短期和超短期預測問題。” 譚貌說。

電力系統(tǒng)負荷預測是典型的時間序列預測問題。適用于短期和超短期預測的有人工神經(jīng)網(wǎng)絡(luò)預測法、支持向量機預測法等。

以淺層人工神經(jīng)網(wǎng)絡(luò)和支持向量機為代表的算法是當前電力負荷預測主流方法，但通常都存在特征提取困難和數(shù)據(jù)重建過程復雜、網(wǎng)絡(luò)模型復雜度高和非線性優(yōu)化的局部極小等問題。

最新研究中，基于深度學習的負荷預測成為熱點，其預測精度和穩(wěn)定性高、能處理復雜問題，表現(xiàn)出很大發(fā)展?jié)摿Α?/p>

“我們在企業(yè)現(xiàn)有需量負荷預測系統(tǒng)的基礎(chǔ)上，研發(fā)了超短期需量負荷預測與控制系統(tǒng)�！�

“以前的一些負荷預測評估只使用模擬數(shù)據(jù)集，而沒有真實數(shù)據(jù)，結(jié)果不可靠�！弊T貌介紹道，“而我們的工作和應用廣泛結(jié)合，提出的模型經(jīng)AEMO開放數(shù)據(jù)集和大批工業(yè)實測數(shù)據(jù)驗證，盡最大可能的避免樣本選擇性誤差�！�

“最終結(jié)果表明，我們所提出的方法精度和穩(wěn)定性均超當前主流先進的時序預測方法，特別是在解決工廠場景問題中具有明顯的優(yōu)勢�！弊T貌說。

“2019年5月啟動試點應用，3臺鋼包爐參與調(diào)控，峰值負荷預測誤差小于3%，這是一個技術(shù)先進、現(xiàn)場滿意的指標。試用期每個月可節(jié)省需量電費約130萬元，成果全面應用后預計將產(chǎn)生更大收益�！�