考虑综合需求响应的Trans-GNN综合能源系统多元负荷短期预测研究.pdfVIP

摘要

综合能源系统以电力系统为核心，协调多种能源在同一区域内的运用，很好地适应了

当前能源领域的低碳化、高效化发展需求。相比传统电力系统，综合能源系统内的多种能

源之间耦合紧密，影响因素更加复杂，负荷具有较强的非线性与波动性。需要有能充分分

析综合能源系统运行模式的多元负荷短期预测模型来实现精确预测，为此本文针对综合能

源系统的特点，展开了综合能源系统多元负荷短期预测研究。

首先，针对综合能源系统多元负荷短期预测问题，提出了一种基于GRU-TGTransformer

(GRU-Talkinghead-Gatedresiduals-Transformer，GRU-TGTransformer)综合能源系统多元负

荷短期预测模型。采用最大信息系数法对气象数据和多元负荷特征之间的相关性进行了数

据分析，筛选出与多元负荷具有强相关性的气象数据来构成输入，在此基础上以门控循环

单元(gaterecurrentunit,GRU)和Transformer为理论基础构建预测模型。通过GRU进行时序

特征提取，然后将特征信息量输入到Transformer模型内，在分析多元负荷之间存在的耦合

关系的基础上做出预测。经算例分析结果表明，基于GRU-TGTransformer的多元负荷短期

预测模型具有更优的预测精度。

其次，为提高模型对多元负荷之间耦合关系的分析能力，从而进一步提高模型的预测

精度，提出一种基于ATT-TCGNN(AttentionMechanism-MultivariateTimeSeriesForecasting

withGraphNeuralNetworks，ATT-TCGNN)的多元负荷短期预测模型。通过Transformer模

型提高模型对综合能源系统图结构的分析和生成能力，通过图理论以及图神经网络提高模

型对多元负荷间耦合关系的分析能力，并做出预测。经仿真算例分析表明，相比改进前模

型及传统时序多元负荷短期预测模型，ATT-TCGNN模型具备更高的预测精度。

最后，为提高模型在需求响应情境下对系统用能特性的把握能力，提高预测准确性，

Trans-GNN(Transformer-GraphNeuralNetworksTrans-GNN)

提出一种考虑综合需求响应的，

多元负荷短期预测模型。根据消费者心理学原理建立了基于Tanh函数的电力需求响应中

心曲线，并通过响应不确定性与电价差之间的关系，应用统计学原理量化在不同响应区间、

概率条件下电力需求响应波动值，求解考虑不确定性的电力需求响应信号。结合上述信号

以及耦合响应原理，求解冷、热负荷的需求耦合响应信号，完成对综合需求响应信号的求

解。通过Transformer注意力机制，将不同概率条件下的综合需求响应信号以输入特征的形

(GraphNeuralNetworksGNN)

式引入预测模型，采用图神经网络，完成对输入数据的进一步

分析和负荷预测工作。算例分析结果表明，本文所提出的模型及综合需求响应原理能有效

提高预测精度，为计及综合需求响应的多元负荷短期预测研究提供了一定的理论基础。

综合能源系统；多元负荷短期预测；综合需求响应；图神经网络；Transformer

关键词：

模型；注意力机制

Abstract

Theintegratedenergysystemtakesthepowersystemasthecore,coordinatestheuseof

multipleenergysourcesinthesameregion,andwelladaptstothecurrentlow-carbonand

high-efficiencydevelopmentneedsintheenergy