综合需求响应下基于多源信息融合的区域多能源系统负荷预测研究

Multi energy cooperative energy system is an important strategic research direction in the international energy field and a major development demand for the national energy strategy. The integrated demand response (IDR) can greatly promote the optimization of regional multi energy system operation, and the accurate forecasting of energy load is the necessary basis for the precision of IDR. Due to the spatiotemporal coupling of energy flow and information flow under IDR, the mechanism modeling and calculation of the multi energy flow is very difficult, which seriously restricts the accuracy of load forecasting. To this end, the project aims to study the multi-source information fusion method of energy load forecasting: first, study the characteristics and topology of multi-source energy flow and use tensor to represent the energy supply and demand spatiotemporal data and external factor that affect energy load, so as to establish energy supply and demand data model for multi energy flow network; second, study the structure design and parameter optimization of different deep neural network to accurately select and extract features; at last, explore the hierarchical multi stage fusion method for multi feature fusion, so as to improve the forecasting accuracy. Through the above study, this project will solve the key scientific problem of spatiotemporal consistency of multi-source information fusion in energy load forecasting, eventually form a method of data driven load forecasting to support accurate IDR and the collaboration of multi energy system, and serve the major strategic development needs of the China.

多能协同能源系统是当前国际能源领域重要战略研究方向和国家能源战略重大需求。综合需求响应可极大促进区域多能源系统的协同运行优化，而能源负荷的准确预测是区域多能源系统实施精准综合需求响应的必要基础。由于综合需求响应下多能流与信息流时空耦合，能流网络的机理建模与计算困难，严重制约负荷预测精度。为此，系统研究数据驱动的多源信息融合负荷预测方法：首先分析多能流特性和能流耦合网络拓扑结构，基于张量对能源供需时空数据和外部影响因素数据进行统一表示，构建多能流网络的能源供需数据模型；在此基础上，面向能源供需数据的特征准确选择与提取，研究深度神经网络的结构设计和参数优化；最后，面向高精度负荷预测，研究多源特征的分层次多阶段融合方法。项目将解决多能源负荷预测中多源信息融合的时空一致性关键科学问题，形成数据驱动的多能源负荷时空预测新方法，为精准综合需求响应和多能协同运行优化提供支持，服务国家能源战略需求。

本项目面向综合能源系统这一当前国际能源领域热点和国家能源战略重大需求，研究多源信息融合的多能源负荷预测方法。针对综合需求响应环境下多能流与信息流时空耦合，能流网络机理建模与计算困难，严重制约负荷预测精度的难题，项目分步推进，研究了超短期、多节点、多能源等条件下的负荷预测模型方法及其在典型场景中的应用，实现了多源信息融合的深度学习负荷预测新方法。基于实测工业综合能源负荷数据和亚利桑那州立大学综合能源系统监控开放数据，构建了一套多能源供需数据集。主要研究结果：1)提出综合能源系统多能流耦合网络分析及数据建模方法；2)针对超短期负荷序列高度时序依存特性，全新构建峰值精度指标PAPE，提出深度时序神经网络集成的高精度预测模型；3)针对多节点负荷空间耦合特性，提出基于模态特征提取和深度门控神经网络的软共享多任务学习负荷预测模型；4)针对综合能源系统多元负荷时空耦合特性，构建负荷参与因子及其应用准则，提出基于多任务深度学习的多元负荷预测模型；5)实验验证工业、家庭、电动汽车、微电网等典型场景能源调度系统中预测模型的集成与应用。项目解决了多能源负荷预测中多源信息融合的时空一致性关键科学问题，形成的负荷预测新方法将为精准综合需求响应和多能协同优化提供支持。.基于本项目资助，在IEEE Trans. on Power Systems、Applied Energy、Engineering Applications of Artificial Intelligence、中国电机工程学报等期刊发表论文15篇，其中SCI期刊10篇（中科院一区TOP 3篇、二区TOP 3篇，ESI高被引1篇），EI期刊5篇（一级学报2篇）；发表领域重要国际会议论文10篇。另有已录用或返修的期刊论文4篇。获发明专利授权3项，发明专利实审6项，软件著作权1项；项目组成员1人晋升教授，1人晋升副教授；参与本项目的研究生中，6名硕士生毕业，4名硕士生进一步攻读博士研究生。部分成果应用创效，被《中国科学报》报道。获中国仿真学会科学技术奖一等奖（2021，排名第3）、第五届全国智能优化与调度学术会议最佳创新实践奖（2022，排名第1）。