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。

此前的系统调度优化策略主要是两类，一类是鲁棒优化，即为了安全性，按最坏的外部条件调度系统。但是，最坏的情况总是很少发生，系统总按最坏的情况运行，太保守，也导致过高运行成本。

另一类称为随机优化，是把系统的不确定性分成几种典型情况，优化每种典型情况下系统的运行方案。这个方法最大的挑战，就是必须得到系统不确定性的具体分布，否则，事先没有预计、没有处理的坏工况来临，就可能拉升能源支出，甚至影响系统安全性。

“而需求响应策略可以解决上述两种策略的不足。”苏永新说。“电力的调度需要有提前量，谭貌教授的工作提高了负荷预测的精度，这为实施需求响应策略提供了基础。”

并且，结合物联网和5G技术，电力系统可以广泛、高效地采集需求信号。

利用预测信息和真实的电力价格信号形成用能方案，这就是需求响应策略。这种策略简单、容易实现、生命力强，能够在不损失系统安全性的条件下，降低系统运行成本。

“我们提出的需求响应优化策略只需要确定系统不确定性的范围，不管系统在这个范围内如何变化，我们的方案都能保证系统安全、能源费用低，不确定性的范围往往由一些常识、经验就能很方便的得到，我们采取的这种区间优化工程可用性和效果好。”苏永新说道。

电网可以根据能源供需关系制订电价，用户也可以根据动态的电价信号来调节需求，提高能源和资源的利用效率。

“先用手机APP查一下现在各项能源的价格，调度程序结合用户舒适度和价格因素，自动决定洗衣、做饭的时间，以及空调在每个时刻的功率。”苏永新描绘出一幅颇具未来感的绿色节能生活场景。

产学研合作建设综合多能源系统

“应用背景的研究不同于纯粹的基础研究，应该以问题为驱动。” 谭貌说，“而如果没有好的应用场景和合作环境，没有验证环境，所谓的研究就不能真正的解决问题。我们的研究不能光写论文，而要结合真实场景，融入企业和社会，实现产学研结合。”

研究之初，团队也面临过数据获取与成果验证的难题。针对该问题，他们选取几家区域重点骨干企业，从科研平台共建、人才联合培养、技术联合攻关多方面全方位合作。

他们发现，当具备了与企业攻坚克难的共同经历、建立了彼此间的信任以后，原有的很多难题都迎刃而解，合作过程中逐步形成的机制也可以保障校企合作可持续发展。

段斌告诉《中国科学报》，在能源优化调度方面，他们与湖南工程学院、湘电集团、兴业太阳能等多家单位联合建设了“风电装备与电能变换”湖南省协同创新中心，“多能协同控制技术”湖南省工程中心，围绕风电场运行优化、风电场群运行优化、微电网风光储协同优化中的关键技术难题，形成了系列技术解决方案，部分成果以合作企业为媒介，应用到国内大型风电场和光伏扶贫项目的建设和运营中。

苏永新说，当前，我国能源消费结构性问题突出，随着能源转型的提速和电力体制改革的不断深入，能源、网络、用户三者之间的关系变得越来越紧密。综合能源服务将打破不同能源品种单独规划、单独设计、单独运行的传统模式，实现横向“电热冷气水”能源多品种之间，纵向“源网荷储用”能源多供应环节之间的协同以及生产侧和消费侧的互动，从而提高能源效率和缓解能源环境问题。

综合能源系统已成为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发展需求。

谭貌说，在应用中我们还面临一些挑战，比如，内部、外部各种因素的变化导致不同周期数据特征有所差异，单一固定模型的性能随着时间推移容易退化，复合预测模型的在线学习和动态集成问题变得迫切。

谭貌认为，精准的预测是能源系统智能运行的重要基础，但考虑多种能源种类后，能源网络更加复杂，用户更加庞大，涉及的不确定因素进一步增加，对预测形成很大挑战。目前，基于深度学习技术、复杂网络理论在该方面已取得了研究进展。

而对于系统优化调度而言，苏永新说，现实环境下的多能源系统其网络结构、运行策略相对固定，对真实系统的改造和调整涉及现实成本问题，所以有些新颖的、前沿的构想还只能通过仿真优化的手段实现，如何融合或者说打通仿真与现实之间的界限还有较大的挑战。

随着系统可再生能源规模不断增大，发电侧波动性增大；大量智能电力电子设备应用，系统柔性不断增强；需求响应、综合能源系统的发展，使系统的弹性、韧性增强。

这些新情况，使得传统的以发电调度为主的电力系统运行面临挑战，迫切需要能够满足多方参与、友好互动、智能决策的新的调度策略来适配能源系统的变革，对求解算法的自适应性和计算性能都带来挑战。

苏永新说，他们下一步工作将围绕分布式综合能源系统自治管理与优化展开。研究即插即用、自动趋优的智能优化策略，对需求响应政策落地，社会节能减排具有重要意义。

相关论文信息：https://doi.org/10.1109/TPWRS.2019.2963109

https://doi.org/10.1016/j.apenergy.2019.114144