提高能源系统“智能” 打造绿色节能场景  
 

华菱湘钢总调室需量负荷实时监测。谭貌摄

团队在华菱湘钢炼钢炉主控室现场调研。唐旻泰摄

能源系统是巨复杂系统，智能运行、能源互联与多能协同是当前能源系统研究的重要前沿。

与常规能源系统各类能源独立运行相比，综合多能源系统包含气、电、冷、热、蓄、新能源等协调互济，梯级应用，系统的复杂性远高于常规能源系统，多能协同系统的负荷预测与优化调度是公认的难题。

近日，湘潭大学信息工程学院教授段斌、谭貌和苏永新的团队在能源负荷预测与分布式能源调度优化的研究方面取得多项重要进展。主要成果发表在能源与电力系统领域顶尖学术期刊《IEEE电力系统汇刊》和《应用能源》上。

真实数据训练人工智能提高负荷预测精度

在我国，对于大型电力用户，一旦用电负荷超过一定阈值，结算周期内就需要按峰值功率承担常规电度电费以外的一笔高额需量电费。

为此，大型钢铁企业华菱湘钢犯了难。谭貌说，华菱湘钢能源系统是一个典型的区域性综合能源系统，能耗巨大，每年外购电力超十亿元。

“他们希望能够把用电负荷平滑下来。”谭貌告诉《中国科学报》，“这需要对负荷进行预测，其精度对企业用能成本有重要影响。”

据谭貌介绍，之前企业在这方面的预测工作主要是通过外购施耐德等几家平台的软硬件系统实现的。

然而，外购系统仅提供黑盒服务，通过企业数据自我学习的功能不完善，企业也不能自己调整软件的模型。钢铁市场在不断变化，企业的生产模式也不是一成不变的，长此以往，模型对负荷预测的准确度就会降低。

“这给了我们自己设计一套负荷预测和控制系统的契机。”谭貌说。

“当前的电力负荷预测问题按时间尺度划分主要分为长期、中期、短期（超短期）三大类，不同类别问题其数据特征差异很大，采用的方法也有很大差别，我们重点关注的是短期和超短期预测问题。” 谭貌说。

电力系统负荷预测是典型的时间序列预测问题。适用于短期和超短期预测的有人工神经网络预测法、支持向量机预测法等。

以浅层人工神经网络和支持向量机为代表的算法是当前电力负荷预测主流方法，但通常都存在特征提取困难和数据重建过程复杂、网络模型复杂度高和非线性优化的局部极小等问题。

最新研究中，基于深度学习的负荷预测成为热点，其预测精度和稳定性高、能处理复杂问题，表现出很大发展潜力。

“我们在企业现有需量负荷预测系统的基础上，研发了超短期需量负荷预测与控制系统。”

“以前的一些负荷预测评估只使用模拟数据集，而没有真实数据，结果不可靠。”谭貌介绍道，“而我们的工作和应用广泛结合，提出的模型经AEMO开放数据集和大批工业实测数据验证，尽最大可能的避免样本选择性误差。”

“最终结果表明，我们所提出的方法精度和稳定性均超当前主流先进的时序预测方法，特别是在解决工厂场景问题中具有明显的优势。”谭貌说。

“2019年5月启动试点应用，3台钢包炉参与调控，峰值负荷预测误差小于3%，这是一个技术先进、现场满意的指标。试用期每个月可节省需量电费约130万元，成果全面应用后预计将产生更大收益。”

需求响应策略优化促进家庭节支减排

当前各类能源独立运行，独立优化。如电力、天然气系统独立运行，优化主要集中在电力系统，但两者相互替代的领域广阔，并且电力和天然气相互转化的技术已经成熟，需要考虑多种能源的调度策略。

在此次发表的另一项工作中，湘潭大学团队尝试将需求响应策略作为分布式家庭能源调度的一种解决方案。

苏永新告诉记者，分布式能源系统数量庞大，系统具有三个显著的特征：多样性，即各个家庭的基本情况如用能设施、面积、储能设施、新能源等的不同；伸缩性，即用户可能会新买一些设备，旧的设备也可能会坏掉，形成设备增、删；不确定性，即用户的耗能习惯、气温、水温、家庭新能源发电不同。

“我们的这项工作主要是应对不确定性。”苏永新说。