(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211062224.6 (22)申请日 2022.08.31 (71)申请人 北京建筑大学 地址 100044 北京市西城区展览馆路1号 (72)发明人 李壮举　魏贞祥　李壮辉　史子棋　 陈石毓　 (74)专利代理 机构 北京市商 泰律师事务所 11255 专利代理师 邹芳德 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/12(2006.01) H02J 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 相变储能系统负荷预测方法及系统 (57)摘要 本发明提供一种相变储能系统负荷预测方 法及系统， 属于相变储能系统运行控制技术领 域， 获取待预测时期的天气环境参数； 利用预先 训练好的负荷预测模型， 对获取的待预测时期的 天气环境参数进行处理， 得到待预测时期的用电 功率； 其中， 所述预先训练好的负荷预测模型的 基础网络模型为卷积神经网络和长短时记忆神 经网络的结合， 且在所述长短时记忆神经网络中 加入了遗传算法和自注意力机制。 本发明提出了 混合神经网络 预测模型SA ‑GA‑CNN‑LSTM， 缩小了 预测结果在极值点上的误差， 提高了在负荷波动 时的预测准确率； 基于预测的负荷结果， 可计算 每日储能需量大小， 服务于相变储能系统的规划 设计， 为相变储能系统的部署提供可靠的数据参 考， 有利于缓解供电压力。 权利要求书1页 说明书11页 附图7页 CN 115481788 A 2022.12.16 CN 115481788 A 1.一种相变储能系统负荷预测方法， 其特 征在于， 包括： 获取待预测时期的天气环境 参数； 利用预先训练好的负荷预测模型， 对获取的待预测时期的天气环境参数进行处理， 得 到待预测时期的用电功率； 其中， 所述预先训练好的负荷预测模型 的基础网络模型为卷积 神经网络和长 短时记忆神经网络的结合， 且在所述长短时记忆神经网络中加入了遗传算法 和自注意力机制。 2.根据权利要求1所述的相变储能系统负荷预测方法， 其特征在于， 所述预先训练好的 负荷预测模型 由训练集训练得到， 所述训练集包括多组历史数据， 所述每一组历史数据均 包括某一历史时期的天气环境 参数以及标注该历史时期的用电功率数据的标签。 3.根据权利要求1所述的相变储能系统负荷预测方法， 其特征在于， 在长短时记忆神经 网络中加入的遗传算法来优化长短时记忆神经网络的层数和隐藏层的神经元个数； 加入自 注意力机制在编码或解码中单独使用， 更好的关注数据或特 征的内在相关性。 4.根据权利要求2所述的相变储能系统负荷预测方法， 其特征在于， 训练所述负荷预测 模型包括： 将预 处理过的历史数据传入 卷积神经网络中， 提取数据的空间特征， 再通过长短 时记忆神经网络提取数据的时间特征； 按照设定的更新优化参数， 直到迭代 次数完成或者 损失函数趋向 收敛时， 停止训练， 得到最终训练好的负荷预测模型。 5.根据权利要求4所述的相变储能系统负荷预测方法， 其特征在于， 历史数据的预处理 包括： 首先进 行归一化处理， 将多种变量的数据统一缩放到一个范围； 然后对归一化后的数 据进行模糊C均值聚类， 通过优化目标函数得到所有样本对所有类中心的隶属度， 从而决定 样本点的类别， 以达 到自动对样本数据进行分类的目的。 6.根据权利要求5所述的相变储能系统负荷预测方法， 其特征在于， 将模糊C均值聚类 后每类中的第n ‑1个日期的用电功率和天气环境参数以及带预测的第n个日期的天气环境 参数作为输入变量特 征， 输出为第n个日期的数据的用电功率。 7.一种相变储能系统负荷预测系统， 其特 征在于， 包括： 获取模块， 用于获取待预测时期的天气环境 参数； 预测模块， 用于利用预先训练好的负荷预测模型， 对获取的待预测时期的天气环境参 数进行处理， 得到待 预测时期的用电功 率； 其中， 所述预先训练好的负荷预测模 型的基础网 络模型为卷积神经网络和长 短时记忆神经网络的结合， 且在所述长 短时记忆神经网络中加 入了遗传算法和自注意力机制。 8.一种非暂态计算机可读存储介质， 其特征在于， 所述非暂态计算机可读存储介质用 于存储计算机指 令， 所述计算机指 令被处理器执行时， 实现如权利要求 1‑6任一项所述的相 变储能系统负荷预测方法。 9.一种计算机程序产品， 其特征在于， 包括计算机程序， 所述计算机程序当在一个或多 个处理器上运行时， 用于实现如权利要求1 ‑6任一项所述的相变储能系统负荷预测方法。 10.一种电子设备， 其特征在于， 包括： 处理器、 存储器以及计算机程序； 其中， 处理器与 存储器连接， 计算机程序被存储在 存储器中， 当电子 设备运行时， 所述处理器执行所述存储 器存储的计算机程序， 以使电子设备执行实现如权利要求1 ‑6任一项所述的相变储能系统 负荷预测方法的指令 。权　利　要　求　书 1/1 页 2 CN 115481788 A 2相变储能系统负荷预测方 法及系统 技术领域 [0001]本发明涉及相变储能系统运行控制技术领域， 具体涉及 一种提高了负荷波动时的 预测准确率的相变储能系统负荷预测方法及系统。 背景技术 [0002]现有的电网系统仍存在两方面的普遍问题： 一是发电侧受到光伏发电和风力发电 等清洁能源的影响， 发电总量出现实时波动的现象， 当用电量接近发电上限时会出现供电 不稳定的问题； 二是用电侧出现了用电高峰期供电压力过大， 低谷期用电量和供电上限差 距过大的问题。 储能技 术是解决电网系统存在的上述问题的关键手段。 [0003]对于供冷供热系统而言， 相变储能(phase  change material,PCM)的发展是降低 供电压力的重要手段之一， PCM是利用相变材料的相变热进行能量吞吐的一项新型环保节 能技术。 现有的一种新型低温差相变储能材料， 相变温度在25℃左右， 与自然温度相差较 小， 相变热为243J/g。 [0004]如图1所示， 新型相变储能材料供热系统的制热原理为： 日间通过太阳能给相变储 能材料蓄热， 在电价谷段时利用制热机组补充蓄热。 另设低 温相变材料收集低 温空气中的 低品质空气能， 转化为零度以上能源提供给制热机组二次转化， 确保制热机组在极低 温时 能保证3.5倍以上的能效比。 制冷原理为： 制冷机组在夜间工作， 利用夜间温差小制冷机组 效率高的特点， 且夜间属于谷电时间， 其他时段由相变储能材料释能制冷， 能效比可达3～5 倍。 由于相变储能系统在谷电时期储能， 峰平段释能， 因此 理论上配备了储能板块的冷热系 统在用电方面能够实现削峰填谷， 降低市政供电压力， 减少花费 的效果。 为了在相变储能系 统实际规划设计中提供准确的参考， 需要对负荷进 行精准预测， 降低误差， 才能有效避免过 度储能造成资源浪费或储能不足的情况发生。 [0005]目前现有的数据驱动的预测方法中， 在输入数据集方面， 目前大多数研究是将实 验数据整体进行输入， 而相变储能系统的实测负荷数据， 负荷曲线在工作日、 休息日、 节假 日等日期出现明显差异， 若将特征差异过大 的数据共同训练， 对于模型 的预测精度会有一 定的影响， 另外， 在预测方法中， 有研究者提出利用BP神经网络、 RBF神经网络、 长短时记忆 神经网络(LSTM)以及混合神经网络模 型训练时依然存在梯度消失或爆 炸的情况， 且模 型对 于长距离特 征关系的学习能力不足、 很难学习到对于预测结果影响较大的输入特 征。 发明内容 [0006]本发明的目的在于提供一种提高了预测精度的相变储能系统负荷预测方法及系 统， 以解决上述背景技 术中存在的至少一项技 术问题。 [0007]为了实现上述目的， 本发明采取了如下技 术方案： [0008]一方面， 本发明提供一种相变储能系统负荷预测方法， 包括： [0009]获取待预测时期的天气环境 参数； [0010]利用预先训练好的负荷预测模型， 对获取的待预测时期的天气环境参数进行处说　明　书 1/11 页 3 CN 115481788 A 3