CCHP用戶冷熱電負(fù)荷預(yù)測(cè)的縱橫交叉優(yōu)化深度信念網(wǎng)絡(luò)方法

吳偉杰，吳杰康，雷振，鄭敏嘉，張伊寧，李猛，黃欣，李逸欣

(1.廣東電網(wǎng)規(guī)劃研究中心，廣州 510060；2.廣東工業(yè)大學(xué)自動(dòng)化學(xué)院，廣州510006)

0 引言

能源短缺和環(huán)境危機(jī)等問(wèn)題在全球范圍內(nèi)普遍存在，高效利用能源，降低能源損耗率尤為關(guān)鍵。冷熱電三聯(lián)供系統(tǒng)(combined cooling heating and power，CCHP)是一種匯集多種形式能源于系統(tǒng)[1-5]，根據(jù)能源特性及用能需求，充分挖掘能源的剩余價(jià)值，為園區(qū)提供供熱、制冷及發(fā)電過(guò)程的整體化能源解決方案。該系統(tǒng)可以有效地融入分布式能源，實(shí)現(xiàn)分布式能源的就地消納，提升能源系統(tǒng)的可再生能源比例，為后續(xù)區(qū)域級(jí)能源管理提供新的多能互補(bǔ)技術(shù)[6]。

冷熱電聯(lián)供系統(tǒng)準(zhǔn)確的CCHP用戶冷熱電負(fù)荷預(yù)測(cè)對(duì)系統(tǒng)的能源配置、優(yōu)化運(yùn)行、合理調(diào)度等有著舉足輕重的影響。作為系統(tǒng)有效運(yùn)行的基本前提之一，CCHP用戶冷熱電負(fù)荷預(yù)測(cè)具體表現(xiàn)形式為預(yù)測(cè)系統(tǒng)中CCHP用戶冷熱電負(fù)荷的需求情況。對(duì)于CCHP用戶冷熱電負(fù)荷的預(yù)測(cè)，相關(guān)學(xué)者做了大量的研究。對(duì)于電負(fù)荷預(yù)測(cè)研究主要有以下2個(gè)方向：傳統(tǒng)方法[7]和智能化方法[8]。傳統(tǒng)方法多為利用冷熱電負(fù)荷周邊多維信息構(gòu)建物理模型實(shí)現(xiàn)負(fù)荷預(yù)測(cè)，預(yù)測(cè)模型的建立需要對(duì)大量相關(guān)量進(jìn)行抽象并數(shù)字化，模型構(gòu)建難度較大[9]；智能化方法更多關(guān)注因果關(guān)系，通過(guò)構(gòu)建系列函數(shù)映射模型輸入與輸出間相關(guān)性，建模相對(duì)簡(jiǎn)單且易于實(shí)現(xiàn)[10]。智能化方法的研究成果廣泛，比如：在選取合適的輸入后直接利用小波分析方法對(duì)建立的輸入進(jìn)行分解，采用Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)分別對(duì)分解后的分量構(gòu)建相應(yīng)的預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)電負(fù)荷序列的有效預(yù)測(cè)[11]；考慮到單一預(yù)測(cè)方法對(duì)精度提高的局限性，采用BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)3種方法構(gòu)建電負(fù)荷組合預(yù)測(cè)模型完成電負(fù)荷預(yù)測(cè)[12]；利用灰色關(guān)聯(lián)分析方法對(duì)負(fù)荷預(yù)測(cè)相關(guān)的影響因素進(jìn)行相關(guān)性分析，選取適宜影響因素作為輸入，同時(shí)利用卷積神經(jīng)網(wǎng)絡(luò)提取負(fù)荷及其天氣影響因素?cái)?shù)據(jù)的特征向量，采用k-means聚類方法對(duì)特征向量進(jìn)行有效聚類，實(shí)現(xiàn)對(duì)負(fù)荷的有效預(yù)測(cè)[13]；通過(guò)對(duì)電負(fù)荷影響因素分析，選擇溫度和風(fēng)速等因素作為輸入，使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電負(fù)荷預(yù)測(cè)，預(yù)測(cè)精度不足[14]。后續(xù)研究者采用遺傳算法、思維進(jìn)化算法等方法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)等用以提高預(yù)測(cè)精度，取得了一定的成功。隨著電負(fù)荷記錄數(shù)據(jù)顆粒度細(xì)化，淺層神經(jīng)網(wǎng)絡(luò)開(kāi)始不能滿足負(fù)荷預(yù)測(cè)需求，結(jié)構(gòu)更為復(fù)雜的深層神經(jīng)網(wǎng)絡(luò)開(kāi)始應(yīng)用，深度信念網(wǎng)絡(luò)具有深層網(wǎng)絡(luò)架構(gòu)，具有更佳的特征提取能力，在預(yù)測(cè)領(lǐng)域應(yīng)用廣泛。

對(duì)于冷熱負(fù)荷預(yù)測(cè)，相關(guān)研究不多，主要集中對(duì)冷熱負(fù)荷時(shí)間序列特性進(jìn)行分析[15]，比如：采用5種典型建筑的CCHP用戶冷熱電負(fù)荷序列為實(shí)例，利用Elman神經(jīng)網(wǎng)絡(luò)方法、ARMIA回歸預(yù)測(cè)和小波神經(jīng)網(wǎng)絡(luò)方法分別對(duì)CCHP用戶冷熱電負(fù)荷序列構(gòu)建預(yù)測(cè)模型，以實(shí)現(xiàn)預(yù)測(cè)[16]；通過(guò)Copula理論分析多元負(fù)荷及其對(duì)應(yīng)的多元天氣影響因素的相關(guān)性，以此確定預(yù)測(cè)模型的輸入，采用核主成分分析方法對(duì)確定的樣本集進(jìn)行降維、解耦處理，優(yōu)化樣本集，采用廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network, GRNN)構(gòu)建預(yù)測(cè)模型，遺傳算法優(yōu)化模型參數(shù)[17]，有效地提高了預(yù)測(cè)精度，降低了預(yù)測(cè)誤差?，F(xiàn)有方法更多考慮精細(xì)化預(yù)測(cè)模型，提升預(yù)測(cè)模型的參數(shù)準(zhǔn)確性，忽略冷熱負(fù)荷序列自身非平穩(wěn)性和隨機(jī)性對(duì)預(yù)測(cè)結(jié)果的影響，很少?gòu)睦錈犭娯?fù)荷序列自身攜帶的內(nèi)在信息去考慮，因而預(yù)測(cè)精度提高有限，CCHP用戶冷熱電負(fù)荷序列自身特性亟待考慮。

本文充分考慮CCHP用戶冷熱電負(fù)荷序列的非平穩(wěn)性與非線性特點(diǎn)，提出了一種變分模態(tài)分解與縱橫交叉算法優(yōu)化深度信念網(wǎng)絡(luò)的CCHP用戶冷熱電負(fù)荷組合預(yù)測(cè)方法?？紤]到CCHP用戶冷熱電負(fù)荷序列自身存在的非平穩(wěn)性與非線性，采用變分模態(tài)分解方法對(duì)冷熱電負(fù)荷進(jìn)行分解，充分提取時(shí)序內(nèi)的內(nèi)在信息。同時(shí)針對(duì)分解后的模態(tài)分量容易出現(xiàn)混疊等冗雜現(xiàn)象，提出樣本熵方法對(duì)分解后模態(tài)分量進(jìn)行重構(gòu)，有效地解決模態(tài)混疊等現(xiàn)象。利用具有深層結(jié)構(gòu)的縱橫交叉算法優(yōu)化深度信念網(wǎng)絡(luò)，構(gòu)建CCHP用戶冷熱電負(fù)荷預(yù)測(cè)模型，獲得了更好的效果。

1 變分模態(tài)分解

變分模態(tài)分解的提出主要是處理非線性和非平穩(wěn)性的信號(hào)序列，并針對(duì)分解過(guò)程中存在的噪聲問(wèn)題和模態(tài)混疊問(wèn)題，利用數(shù)學(xué)分析方法將信號(hào)分解問(wèn)題變成處理變分問(wèn)題，包含變分問(wèn)題的構(gòu)造和求解，這也是變分模態(tài)分解的核心思想。該方法假設(shè)經(jīng)過(guò)變分模態(tài)分解后的子序列(模態(tài)分量)具有不同的中心頻率的有限帶寬，為了讓每一個(gè)模態(tài)分量的有限帶寬最小，通過(guò)數(shù)學(xué)方法變成處理變分問(wèn)題，同時(shí)將各模態(tài)分量解調(diào)到其相對(duì)應(yīng)的基頻帶，最終使得各模態(tài)分量的有限寬帶之和最小。

變分問(wèn)題可以敘述為：在分解后的每個(gè)模態(tài)分量之和等于原始信號(hào)序列f的約束條件下，求取適宜的k個(gè)模態(tài)分量，使每個(gè)本征模態(tài)函的估計(jì)有限帶寬之和最小。變分模態(tài)分解算法分為變分問(wèn)題的構(gòu)造和變分問(wèn)題的求解兩個(gè)過(guò)程。

變分模態(tài)分解的具體計(jì)算步驟如下。

3)采用式(1)對(duì)拉格朗日算子λ進(jìn)行更新。

(1)

式中τ為更新參數(shù)。

4)根據(jù)式(2)判斷是否滿足收斂條件。若滿足，則輸出結(jié)果；若不滿足，則返回步驟2，繼續(xù)更新，直到滿足收斂條件為止。

(2)

2 樣本熵

樣本熵(sample entropy，SE)是在近似熵的基礎(chǔ)發(fā)展起來(lái)的，并充分彌補(bǔ)了近似熵在依賴數(shù)據(jù)長(zhǎng)度和一致性方面的不足，都是通過(guò)計(jì)算信號(hào)中產(chǎn)生新模式概率的大小來(lái)衡量序列的復(fù)雜性。樣本熵值越低，表示序列的相似性越高；樣本熵值越高，表示序列越復(fù)雜[21]。

假定有一個(gè)時(shí)間序列，是由N個(gè)點(diǎn)組成：{x(n)}=x(1),x(2),…,x(N)。樣本熵計(jì)算步驟如下。

1)按序號(hào)組成N-m+1個(gè)m維向量xm(i)；

(3)

2)定義向量xm(i)和xm(j)之間的距離為；

(4)

3)選定閾值r，計(jì)算向量距離差dm[xm(i),xm(j)]

(5)

(6)

(7)

6)Am(r)的平均值定義為：

(8)

7)Bm(r)和Am(r)分別為相似容限r(nóng)下兩個(gè)序列m個(gè)點(diǎn)和m+1個(gè)點(diǎn)的匹配概率。

樣本熵sampleEn(·)定義為：

(9)

當(dāng)為確定值時(shí)候，樣本熵可以按照式(9)估算。

(10)

CCHP用戶冷熱電負(fù)荷經(jīng)過(guò)變分模態(tài)分解后得到多個(gè)模態(tài)分量，為減小對(duì)每個(gè)模態(tài)分量分別構(gòu)建負(fù)荷預(yù)測(cè)模型的工作量，采用樣本熵方法對(duì)每個(gè)模態(tài)分量進(jìn)行計(jì)算并按照遞減順序排列。對(duì)比分析各模態(tài)分量的樣本熵值，將相近的樣本熵值對(duì)應(yīng)的模態(tài)分量進(jìn)行重構(gòu)，重構(gòu)方法一般為累加法，進(jìn)而得到重構(gòu)后的模態(tài)分量。

3 基于深度信念網(wǎng)絡(luò)的CCHP用戶冷熱電負(fù)荷預(yù)測(cè)

3.1 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)(deep belief network，DBN)的結(jié)構(gòu)圖如圖1所示。

圖1 深度信念網(wǎng)絡(luò)結(jié)構(gòu)

深度信念網(wǎng)絡(luò)是學(xué)者Hinton在解決深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)梯度消失的問(wèn)題提出一種無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督微調(diào)相結(jié)合的深層神經(jīng)網(wǎng)絡(luò)[22-23]。圖1由多個(gè)受限玻爾茲曼機(jī)(restricted Boltzmann machines，RBM)堆棧疊加和頂層的BP神經(jīng)網(wǎng)絡(luò)組成，受限玻爾茲曼機(jī)可見(jiàn)層v和隱含層h的聯(lián)合概率分布能量密度函數(shù)為：

(11)

式中：θ={ω,a,b}為受限玻爾茲曼機(jī)的參數(shù)；ω為可見(jiàn)層和隱含層連接的權(quán)值；a和b可見(jiàn)層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)分別對(duì)應(yīng)的偏置值；n表示可見(jiàn)層的神經(jīng)元個(gè)數(shù)；m表示隱含層的神經(jīng)元個(gè)數(shù)。

在一個(gè)受限玻爾茲曼機(jī)中，已知隱含層h狀態(tài)時(shí)，可見(jiàn)層第i個(gè)節(jié)點(diǎn)被激活的概率為：

(12)

式中σ為激活函數(shù)，常用的激活函數(shù)有sigmoid函數(shù)、tanh函數(shù)等。

因受限玻爾茲曼機(jī)結(jié)構(gòu)特性，已知可見(jiàn)層v狀態(tài)時(shí)，隱含層第j個(gè)節(jié)點(diǎn)被激活的概率為：

(13)

在無(wú)監(jiān)督的學(xué)習(xí)過(guò)程中，主要是訓(xùn)練獲取各個(gè)堆棧的受限玻爾茲曼機(jī)參數(shù)θ={ω,a,b}，參數(shù)獲取一般采用最大對(duì)數(shù)似然函數(shù)方法。

(14)

3.2 縱橫優(yōu)化算法

縱橫交叉算法(crisscross optimization，CSO)是近年來(lái)一種具有強(qiáng)尋優(yōu)能力的群體優(yōu)化算法，主要有兩種交叉方式：橫向交叉方式、縱向交叉方式[24]。算法的橫向交叉在種群不同個(gè)體所有維間進(jìn)行算數(shù)交叉，采用邊緣搜索方式有效地提高了算法全局尋優(yōu)能力；算法的縱向交叉在種群同個(gè)體所有維間進(jìn)行算數(shù)交叉，可以有效地避免陷入局部最優(yōu)解的問(wèn)題。通過(guò)循環(huán)計(jì)算兩種交叉方式，可以提高尋優(yōu)的速度和精度，從而可以快速且準(zhǔn)確地得到深度信念網(wǎng)絡(luò)初始權(quán)值和偏置值。由于篇幅有限，縱橫交叉算法的具體內(nèi)容不再贅述。

縱橫交叉算法的運(yùn)算步驟如下。

1)初始化種群；

2)計(jì)算橫向交叉并對(duì)比競(jìng)爭(zhēng)算子；

3)計(jì)算縱向交叉并對(duì)比競(jìng)爭(zhēng)算子；

4)達(dá)到設(shè)定的迭代次數(shù)終止，否則返回步驟2)。

3.3 CCHP用戶冷熱電負(fù)荷組合預(yù)測(cè)模型

冷熱電聯(lián)供系統(tǒng)是一種高效的能源系統(tǒng)，有利于不同能源耦合，提高能源利用率。準(zhǔn)確的CCHP用戶冷熱電負(fù)荷預(yù)測(cè)是冷熱電聯(lián)供系統(tǒng)穩(wěn)定、有效運(yùn)行的基礎(chǔ)，CCHP用戶冷熱電負(fù)荷作為系統(tǒng)CCHP用戶冷熱電負(fù)荷預(yù)測(cè)的具體表現(xiàn)形式，其負(fù)荷變化情況的準(zhǔn)確預(yù)測(cè)至關(guān)重要。

考慮到CCHP用戶冷熱電負(fù)荷序列非線性和非平穩(wěn)性，采用變分模態(tài)分解方法對(duì)冷熱電負(fù)荷序列進(jìn)行分解；為降低分解后的模態(tài)冗雜等現(xiàn)象，利用樣本熵方法重構(gòu)分解后的模態(tài)分量；對(duì)CCHP用戶冷熱電負(fù)荷序列重構(gòu)后的模態(tài)分量分別構(gòu)建縱橫交叉算法優(yōu)化深度信念網(wǎng)絡(luò)的預(yù)測(cè)模型。變分模態(tài)分解和縱橫交叉優(yōu)化深度信念網(wǎng)絡(luò)組合預(yù)測(cè)流程圖如圖2所示。

圖2 變分模態(tài)分解和深度信念網(wǎng)絡(luò)組合預(yù)測(cè)方法流程圖

具體步驟如下。

1)搜集CCHP用戶冷熱電負(fù)荷歷史數(shù)據(jù)；

2)數(shù)據(jù)預(yù)處理。采用插值法等對(duì)異常歷史數(shù)據(jù)進(jìn)行預(yù)處理；

3)利用變分模態(tài)分解方法對(duì)處理后的歷史數(shù)據(jù)進(jìn)行分解，確定分解后模態(tài)分量數(shù)量；

4)計(jì)算分解后各模態(tài)分量的樣本熵值，將樣本熵值接近的模態(tài)分量用于重構(gòu)，形成新的模態(tài)分量作為輸入；

5)采用深度信念網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，利用式(29)—(31)對(duì)深度信念網(wǎng)絡(luò)的權(quán)值及與之進(jìn)行優(yōu)化，得到重構(gòu)后各模態(tài)預(yù)測(cè)結(jié)果；

6)累積CCHP用戶冷熱電負(fù)荷序列對(duì)應(yīng)的模態(tài)分量預(yù)測(cè)結(jié)果，得到CCHP用戶冷熱電負(fù)荷序列預(yù)測(cè)結(jié)果，并分析誤差。

本文選取平均絕對(duì)百分比誤差(EMAPE)和平均絕對(duì)誤差(EMAE)來(lái)評(píng)價(jià)預(yù)測(cè)結(jié)果的準(zhǔn)確性。

(15)

(16)

式中：xi為CCHP用戶冷熱電負(fù)荷實(shí)測(cè)值；yi為CCHP用戶冷熱電負(fù)荷預(yù)測(cè)值。

4 實(shí)例分析

為驗(yàn)證所提預(yù)測(cè)方法的有效性和有效提高預(yù)測(cè)精度，采用廣東省某醫(yī)院消耗的CCHP用戶冷熱電負(fù)荷數(shù)據(jù)進(jìn)行實(shí)例仿真分析。該醫(yī)院多能互補(bǔ)系統(tǒng)主要為傳統(tǒng)的冷熱電聯(lián)供系統(tǒng)，具體結(jié)構(gòu)如圖3所示。冷熱電聯(lián)供系統(tǒng)的冷熱電負(fù)荷序列如圖4所示。

圖3 醫(yī)院綜合能源系統(tǒng)結(jié)構(gòu)圖

圖4 醫(yī)院CCHP用戶冷熱電負(fù)荷序列圖

采用該醫(yī)院8月份的CCHP用戶冷熱電負(fù)荷序列數(shù)據(jù)作為樣本，該樣本采樣的時(shí)間間隔為1 h，每天采集24個(gè)數(shù)據(jù)點(diǎn)，總共720個(gè)數(shù)據(jù)點(diǎn)。選取前696個(gè)用作訓(xùn)練樣本，后24個(gè)數(shù)據(jù)用作預(yù)測(cè)測(cè)試樣本。在MATLAB 2016a環(huán)境下編程完成CCHP用戶冷熱電負(fù)荷序列的預(yù)測(cè)。

4.1 CCHP用戶冷熱電負(fù)荷的分解

采用變分模態(tài)分解方法對(duì)提出的CCHP用戶冷熱電負(fù)荷序列進(jìn)行分解，通過(guò)對(duì)比分析法及計(jì)算模態(tài)分量中心頻率值相結(jié)合，確定最終的分解模態(tài)數(shù)量k=5，其分解結(jié)果如圖5—7所示。

圖5 冷負(fù)荷分解

從圖5可知，冷負(fù)荷分解為5個(gè)模態(tài)分量，各模態(tài)分量變化趨勢(shì)不盡相同，模態(tài)分量U1變化平緩，具有周期性，代表了冷負(fù)荷序列的固有分量；模態(tài)分量U2-U5則變化迅速，變化頻率依次逐漸增強(qiáng)，代表了序列的隨機(jī)分量。同理從圖6和圖7可以發(fā)現(xiàn)，熱、電負(fù)荷均有此變化規(guī)律，固有分量變化平緩具有周期性，隨機(jī)分量變化頻率逐漸變大。

圖6 熱負(fù)荷分解

圖7 電負(fù)荷分解

4.2 CCHP用戶冷熱電負(fù)荷的樣本熵

在確定分解后的模態(tài)分量的個(gè)數(shù)K=5，如直接對(duì)5個(gè)模態(tài)分量分別進(jìn)行模型構(gòu)建并預(yù)測(cè)，工作量增加的同時(shí)容易出現(xiàn)模態(tài)混疊現(xiàn)象導(dǎo)致重復(fù)性工作，為了減少工作量且模態(tài)分量可以有效的提取CCHP用戶冷熱電負(fù)荷序列的特征，采用樣本熵對(duì)分解后的模態(tài)分量進(jìn)行重構(gòu)，以確保減少工作量的同時(shí)提取的子信號(hào)序列不會(huì)失真。樣本熵參數(shù)m=2，r=0.2×std，CCHP用戶冷熱電負(fù)荷序列樣本熵計(jì)算結(jié)果如表1—3所示。

表1 k=5時(shí)冷負(fù)荷模態(tài)分量樣本熵

表2 k=5時(shí)熱負(fù)荷模態(tài)分量樣本熵

從表3可以發(fā)現(xiàn)，冷負(fù)荷序列各模態(tài)分量樣本熵值大小各異，其中模態(tài)分量U2、模態(tài)分量U3和模態(tài)分量U4大小較為接近，為了降低工作量又不影響子序列信號(hào)失真，將模態(tài)分量U2、模態(tài)分量U3和模態(tài)分量U4進(jìn)行重構(gòu)，形成新的模態(tài)分量，定義為模態(tài)分量U2；熱負(fù)荷序列的模態(tài)分量U1和模態(tài)分量U3、模態(tài)分量U2和模態(tài)分量U5大小非常接近，重構(gòu)形成新的2個(gè)模態(tài)分量，分別定義模態(tài)分量U1和模態(tài)分量U2，剩下的模態(tài)分量U4重新定義為模態(tài)分量U3；電負(fù)荷序列的模態(tài)分量U2和模態(tài)分量U4大小相似，需進(jìn)行重構(gòu)并重新定義。將CCHP用戶冷熱電負(fù)荷序列各模態(tài)分量樣本熵值接近的分量進(jìn)行重構(gòu)，重構(gòu)結(jié)果如圖8—10所示。

表3 k=5時(shí)電負(fù)荷模態(tài)分量樣本熵

圖8 冷負(fù)荷的樣本熵

圖9 熱負(fù)荷的樣本熵

圖10 電負(fù)荷的樣本熵

4.3 CCHP用戶冷熱電負(fù)荷預(yù)測(cè)

為驗(yàn)證所提方法的準(zhǔn)確性，采用BP神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)這2種方法對(duì)選取的待預(yù)測(cè)日CCHP用戶冷熱電負(fù)荷序列進(jìn)行對(duì)比仿真分析，3種預(yù)測(cè)方法均使用所提的變分模態(tài)分解方法進(jìn)行序列分解及樣本熵方法進(jìn)行模態(tài)分量重構(gòu)，預(yù)測(cè)結(jié)果如圖11—13所示。

圖11 冷負(fù)荷預(yù)測(cè)結(jié)果

圖12 熱負(fù)荷預(yù)測(cè)結(jié)果

圖13 電負(fù)荷預(yù)測(cè)結(jié)果

從圖11—13可見(jiàn)，在CCHP用戶冷熱電負(fù)荷序列中所提方法的預(yù)測(cè)結(jié)果貼近實(shí)際值，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法由于淺層結(jié)構(gòu)導(dǎo)致在預(yù)測(cè)過(guò)程中出現(xiàn)不同程度的波動(dòng)，特別是在電負(fù)荷預(yù)測(cè)中BP神經(jīng)網(wǎng)絡(luò)方法波動(dòng)情況劇烈，在冷熱負(fù)荷預(yù)測(cè)中也出現(xiàn)了不同程度的波動(dòng)；DBN和CSO-DBN預(yù)測(cè)方法的預(yù)測(cè)結(jié)果在冷熱負(fù)荷預(yù)測(cè)時(shí)基本上無(wú)波動(dòng)情況，DBN預(yù)測(cè)方法在電負(fù)荷預(yù)測(cè)時(shí)也出現(xiàn)了波動(dòng)劇烈情況，但幅度明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)；CSO-DBN預(yù)測(cè)方法在CCHP用戶冷熱電負(fù)荷預(yù)測(cè)時(shí)，基本上無(wú)大幅度波動(dòng)情況，在距離和趨勢(shì)上更加符合實(shí)際變化情況。所提方法與另外兩種方法相比，在CCHP用戶冷熱電負(fù)荷序列預(yù)測(cè)時(shí)均有更好的預(yù)測(cè)結(jié)果，特別在負(fù)荷序列突變的時(shí)段所提方法明顯具有更好的擬合能力，預(yù)測(cè)效果更好。

3種不同預(yù)測(cè)方法的MAPE誤差對(duì)比結(jié)果如圖14—16所示。從圖14可知，在冷負(fù)荷序列相對(duì)誤差對(duì)比中，采用BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)時(shí)相對(duì)誤差范圍在[0,30]，而DBN和CSO-DBN預(yù)測(cè)方法的相對(duì)誤差范圍在[0,10]，其相對(duì)誤差明顯小于BP神經(jīng)網(wǎng)絡(luò)方法，CSO-DBN預(yù)測(cè)方法的相對(duì)誤差小于DBN預(yù)測(cè)方法。由圖15可知，在熱負(fù)荷序列相對(duì)誤差對(duì)比中，采用BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)時(shí)相對(duì)誤差范圍在[0,20]，而DBN預(yù)測(cè)方法的相對(duì)誤差范圍在[0,10]，其相對(duì)誤差明顯小于BP神經(jīng)網(wǎng)絡(luò)方法，CSO-DBN預(yù)測(cè)方法預(yù)測(cè)時(shí)相對(duì)誤差范圍在[0,2]，相對(duì)誤差小于DBN預(yù)測(cè)方法。由圖16可知，在電負(fù)荷序列相對(duì)誤差對(duì)比中，采用BP神經(jīng)網(wǎng)絡(luò)方法和DBN預(yù)測(cè)方法預(yù)測(cè)時(shí)相對(duì)誤差范圍在[0,20]，相對(duì)誤差大；CSO-DBN預(yù)測(cè)方法的相對(duì)誤差范圍在[0,10]，相對(duì)誤差明顯小于BP神經(jīng)網(wǎng)絡(luò)方法和DBN預(yù)測(cè)方法。

圖14 冷負(fù)荷預(yù)測(cè)誤差

圖15 熱負(fù)荷預(yù)測(cè)誤差

圖16 電負(fù)荷預(yù)測(cè)誤差

CCHP用戶冷熱電負(fù)荷序列各MAE誤差計(jì)算結(jié)果如表4所示。從表4可知，冷熱負(fù)荷序列采用不同方法預(yù)測(cè)時(shí)平均相對(duì)誤差變化不大，而電負(fù)荷則差值明顯，在BP神經(jīng)網(wǎng)絡(luò)方法的平均相對(duì)誤差高達(dá)18.98%，采用CSO-DBN預(yù)測(cè)方法的平均相對(duì)誤差為4.24%。表明所提預(yù)測(cè)方法可以有效地降低誤差，提高預(yù)測(cè)精度。

表4 CCHP用戶冷熱電負(fù)荷不同方法預(yù)測(cè)MAE誤差分析

為進(jìn)一步驗(yàn)證變分模態(tài)分解的有效性，設(shè)定以下2種情景進(jìn)行對(duì)比分析。情景1：采用變分模態(tài)分解方法對(duì)冷熱電負(fù)荷序列進(jìn)行分解和重構(gòu)；情景2：不采用變分模態(tài)分解方法，直接將樣本數(shù)據(jù)作為模型輸入。2種情景下的預(yù)測(cè)結(jié)果如圖17—19所示。

圖17 不同情景冷負(fù)荷預(yù)測(cè)結(jié)果

圖18 不同情景熱負(fù)荷預(yù)測(cè)結(jié)果

圖19 不同情景電負(fù)荷預(yù)測(cè)結(jié)果

從圖17—19可見(jiàn)，情景1在冷熱電負(fù)荷的預(yù)測(cè)結(jié)果與情景2相比，明顯更加接近實(shí)際負(fù)荷曲線變化，情景2在冷熱電負(fù)荷序列出現(xiàn)突變情況時(shí)誤差急劇增大，難以擬合突變時(shí)段的冷熱電負(fù)荷變化情況，表明采用變分模態(tài)分解方法處理冷熱電負(fù)荷序列是行之有效的，有利于提升預(yù)測(cè)模型輸入的精細(xì)化程度，從而提高預(yù)測(cè)模型的預(yù)測(cè)結(jié)果精度。綜合情景1和情景2可以發(fā)現(xiàn)，冷熱負(fù)荷的預(yù)測(cè)結(jié)果相比于電負(fù)荷具有更高的相似性，表明在夏季進(jìn)行冷熱電負(fù)荷預(yù)測(cè)時(shí)冷熱負(fù)荷相對(duì)來(lái)說(shuō)較為穩(wěn)定，突變情況不明顯，而電負(fù)荷則復(fù)雜多變，波動(dòng)劇烈，符合夏季冷熱電負(fù)荷實(shí)際變化規(guī)律。

CCHP用戶冷熱電負(fù)荷在不同情景下誤差結(jié)果如表5所示。

表5 CCHP用戶冷熱電負(fù)荷不同情景預(yù)測(cè)誤差分析

從表5可知，冷熱負(fù)荷序列在不同情景下預(yù)測(cè)誤差具有一定的差異，情景1的誤差評(píng)判指標(biāo)相比于情景2具有更低的誤差結(jié)果，電負(fù)荷序列在不同情景下預(yù)測(cè)誤差異常明顯，情景1的誤差評(píng)判指標(biāo)遠(yuǎn)低于情景2。整體來(lái)說(shuō)，情景1在冷熱電負(fù)荷下的預(yù)測(cè)誤差結(jié)果均明顯優(yōu)于情景2，表明采用變分模態(tài)分解方法可以有效提取冷熱電負(fù)荷序列自身潛在信息，有利于精細(xì)化模型輸入從而提高模型預(yù)測(cè)準(zhǔn)確性。

5 結(jié)論

本文設(shè)計(jì)了一種基于變分模態(tài)分解和縱橫交叉算法優(yōu)化深度信念網(wǎng)絡(luò)的冷熱電聯(lián)供系統(tǒng)CCHP用戶冷熱電負(fù)荷預(yù)測(cè)組合預(yù)測(cè)方法。充分考慮CCHP用戶冷熱電負(fù)荷預(yù)測(cè)的具體表現(xiàn)形式CCHP用戶冷熱電負(fù)荷中不同類型負(fù)荷內(nèi)部特征，構(gòu)建了CCHP用戶冷熱電負(fù)荷時(shí)間序列，采用變分模態(tài)分解方法對(duì)序列進(jìn)行分解，深入挖掘序列本身承載的各種信息，同時(shí)為降低建模工作量又不引起信號(hào)失真，引用樣本熵方法對(duì)分解后的模態(tài)分量重構(gòu)，并采用深度信念網(wǎng)絡(luò)對(duì)重構(gòu)后的分量構(gòu)建相應(yīng)的預(yù)測(cè)模型，針對(duì)模型的閾值與權(quán)值過(guò)于隨機(jī)化，采用縱橫交叉算法對(duì)其進(jìn)行優(yōu)化。

實(shí)例驗(yàn)證表明，本文提出的基于變分模態(tài)分解和縱橫交叉優(yōu)化深度信念網(wǎng)絡(luò)組合預(yù)測(cè)方法同BP神經(jīng)網(wǎng)絡(luò)和僅采用深度信念網(wǎng)絡(luò)預(yù)測(cè)方法相比，在各項(xiàng)評(píng)判中有著明顯的誤差降低，有效地提高了預(yù)測(cè)精度，能更好地指導(dǎo)冷熱電聯(lián)供系統(tǒng)的優(yōu)化設(shè)計(jì)和能量管理，保證冷熱電聯(lián)供系統(tǒng)能夠經(jīng)濟(jì)、安全、可靠的運(yùn)行。

本文僅對(duì)夏季典型月進(jìn)行研究，后續(xù)可以增加其他季節(jié)以驗(yàn)證預(yù)測(cè)方法的普適性和有效性。