能源系統是巨復雜系統，智能運行、能源互聯與多能協同是當前能源系統研究的重要前沿。

與常規能源系統各類能源獨立運行相比，綜合多能源系統包含氣、電、冷、熱、蓄、新能源等協調互濟，梯級應用，系統的復雜性遠高于常規能源系統，多能協同系統的負荷預測與優化調度是公認的難題。

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度優化的研究方面取得多項重要進展。主要成果發表在能源與電力系統領域頂尖學術期刊《IEEE電力系統匯刊》和《應用能源》上。

華菱湘鋼總調室需量負荷實時監測。譚貌攝

真實數據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，結算周期內就需要按峰值功率承擔常規電度電費以外的一筆高額需量電費。

為此，大型鋼鐵企業華菱湘鋼犯了難。譚貌說，華菱湘鋼能源系統是一個典型的區域性綜合能源系統，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。”譚貌告訴《中國科學報》，“這需要對負荷進行預測，其精度對企業用能成本有重要影響。”

據譚貌介紹，之前企業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實現的。

然而，外購系統僅提供黑盒服務，通過企業數據自我學習的功能不完善，企業也不能自己調整軟件的模型。鋼鐵市場在不斷變化，企業的生產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。

“這給了我們自己設計一套負荷預測和控制系統的契機。”譚貌說。

“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，不同類別問題其數據特征差異很大，采用的方法也有很大差別，我們重點關注的是短期和超短期預測問題。” 譚貌說。

電力系統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網絡預測法、支持向量機預測法等。

以淺層人工神經網絡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據重建過程復雜、網絡模型復雜度高和非線性優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，其預測精度和穩定性高、能處理復雜問題，表現出很大發展潛力。

“我們在企業現有需量負荷預測系統的基礎上，研發了超短期需量負荷預測與控制系統。”

“以前的一些負荷預測評估只使用模擬數據集，而沒有真實數據，結果不可靠。”譚貌介紹道，“而我們的工作和應用廣泛結合，提出的模型經AEMO開放數據集和大批工業實測數據驗證，盡最大可能的避免樣本選擇性誤差。”

“最終結果表明，我們所提出的方法精度和穩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勢。”譚貌說。

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