基于深度学习的综合能源系统能效提升策略研究

基于深度学习的综合能源系统能效提升策略研究

1李如 ,2胡鸾英

1长沙市湘能服务有限公司    湖南长沙    410200

2国网长沙县供电公司星沙乡镇供电所    湖南长沙    410100

摘要：随着经济的高速发展，我国的能源结构调整较为频繁，社会对能源的需求日益偏向复杂化。综合能源系统能对煤炭、天然气、太阳能等多种资源子系统进行耦合，实现不同种类能源间的相互补给，满足冷、热、电等不同需求。随着经济的高速发展，我国的能源结构调整较为频繁，社会对能源的需求日益偏向复杂化，同时伴随着新能源技术的发展与应用，对综合能源系统的构建产生了较大挑战，传统的数据预测模式难以适应目前的社会需求，深度学习算法在此情况下由于其大数据分析能力，已成为提升综合能源系统能效的重要手段，是相关从业者需重点关注的未来行业发展方向。

关键词：综合能源系统；深度学习；能效；策略研究

引言：深度学习是人工智能的重要实际应用，是大数据处理技术的智能化体现，已在社会日常的各处得到了实际应用。深度学习技术在处理多样本复杂数据时拥有独特优势，若将其与综合能源系统能效管控相结合，通过对深度学习的特征挖掘与数据处理能力进行合理应用，发挥其在预测方面的优势，可提升系统的能效，避免无谓的资源浪费。

一、深度学习对综合能源系统能效提升的价值

（一）提升预测的准确性

在传统模式下，应用煤炭、天然气等传统方式进行发电等能量产出时，其出力预测较为简便，因此准确度较高。而在新能源发电形式逐渐普及后，其随机性、波动性与间歇性严重影响了传统算法预测的准确度，其中的风力发电、光伏发电等形式较易受到外界气候因素的影响，不同季节中相同的新能源发电量存在明显差别。同时可再生能源也逐步被广泛应用，综合导致以往的预测准确性发生下降，能源综合系统的能效无法得到保证。深度学习是基于人工智能理论与大数据处理技术而产生的，在处理复杂化的数据样本内容时具有独特优势，综合能源系统能为深度学习技术提供足够的样本基础进行学习，对不确定的内容依靠所学习的数据进行预测，以显著提升预测的准确性，促进了系统能效的综合提升[1]。

（二）缓解经济能源压力

传统的化石类资源均存在能源枯竭的问题，而随着经济社会的不断发展，各国对能源的需求量日益升高，目前全球经济发展高度依赖化石资源，若其过早地呈现枯竭态势，对人类整体发展所造成的影响不可估量。综合能源系统的核心作用为提升对现有能源的利用率，减少无谓的资源浪费，应用深度学习提升综合能源系统的能效，对减少化石资源的损耗有显著作用。同时能提升对新能源的综合利用效率，以及辅助完成可回收能源的回收再利用，从多角度节约现有的化石资源，缓解世界范围的经济能源压力，便于世界整体的快速发展。

（三）应对环境污染问题

化石资源的大量使用带来了严重的环境污染问题，综合导致了生态破坏和全球气候变暖等问题，不符合可持续发展的理念，为此在进行能源的生产与获取时，应注重经济发展与环境保护的平衡。风能、太阳能、地热能、生物质能等新能源均为清洁能源，对其进行应用不会对环境产生严重的破坏影响，在有效遏制环境污染问题发生的同时，亦能满足社会对于多元化能源的需求，从多角度促进了社会经济的平稳发展。

二、基于深度学习提升综合能源系统能效的策略研究

（一）进行数据的预处理，便于后续深度学习

数据处理是深度学习技术的核心，但并不意味着现有的深度学习技术能自动对所有数据内容均进行完善地处理，在综合能源系统的构建中，应根据实际情况对原始数据进行预先处理，以保证后续的深度学习能顺利开展。在进行数据预处理时应遵循两个原则，首先是保证数据量的充足，深度学习是建立在大数据处理技术上的，若将数据量未能达到一定量级，对深度学习实际效果会产生不利影响；其次是异常数据对深度学习的进行亦会造成负面影响，应在预处理阶段对该部分数据进行消除[1]。

例如研究一年中不同时间点对风力新能源发电的影响，由于在数据收集的过程中，采用月份或日期所得到的数据分类过于详细，各区间内的数据总量无法满足进行深度学习的需求，为此应在预处理阶段对该部分数据进行整理统合，如将时间作为实质变量加入到模型中，将零散化的数据内容进行汇总，达到进行深度学习的要求。或在部分情况下，由于极端天气等原因，导致当日所收集到的发电量没有实际参考价值，应在数据预处理阶段，将该部分异常数据进行人工清除，以免对后续深度学习的结果造成干涉，导致预测的准确度无法维持。

（二）构建深度学习模型，满足多样化的需求

在新的时代背景下，综合能源系统的构建通常由多个复杂模块叠加而成，传统模型无法对其进行准确处理，因此需要对深度学习技术进行应用。深度学习模型是由多个简单浅层的神经网络所叠加成的，根据模型的构建形式，能对复杂的随机变量进行综合处理，如光伏发电中影响发电量的因素过多，在模型构建阶段应对其进行深入探究，并融入实际构建之中，以提升深度学习的效果与速度，满足实际的能源利用需求

[3]。

光伏发电与天气、季节等因素的关联较大，在对其进行深度学习的时，应考虑采用能充分体现时间作用的模型，如可在此阶段应用LSTM（长短期记忆网络），通过细胞状态单元和三类特殊的门结构，实现对历史数据中重要信息的深度记忆学习，注重对当前时刻数据与远期历史数据的关联性，自主保留其中具有使用价值的时序信息。在对光伏发电建立深度学习模型中能充分发挥自身优势，由于综合能源系统所具备的数据量基础优势，与数据采集的长期性特点，可通过在较长时间内对所收集的数据进行分析，进而针对复杂的多元情况进行准确的模型构建，进一步增强深度学习技术在综合能源系统效能提升中的实用性。

（三）进行综合效果评判，选用最优结果运行

创设深度学习模型，进行数据采集与分析的过程较为长期化，同时该流程需足够的资源与技术支持，因此在实际应用深度学习技术时，应从多角度对实际应用情况进行评判，判断所采用的技术模式是否契合当前的综合能源系统能效提升需求，避免在数据采集与处理环节花费较多精力，而所选用的模型准确度无法得到预期标准。为此需要应用大量的类似数据辅助进行判断，最大化深度学习技术的价值[3]。

综合能源服务公司在面对用户的实际需求时，应提供不同的服务方案，而由于深度学习技术所需的数据与时间基础限制，相关公司企业应预先完成资料的收集与大体深度研究模型的构建，在得到用户实际需求时，通过运用自身对不同模型优劣势的判断，从中选出最适配的模式进行运行。如客户的主要应用区域为北方，公司在选用模型时应考虑其对于冷负荷的需求较低，且更偏向特定月份的季节性，同时在判断光伏发电时，对于影响因素的判断也不应仅局限于温度，历史天气情况也应得到中关注，若所采用的模型的变量不支持对天气进行分类，则并不适宜进行实际应用。通过根据具体情况对所选范围内的模型进行综合评判，在其中选取最优解，能有效节约综合能源服务公司的经济损耗，最大化盈利价值。

结束语：综上所述，深度学习技术是在目前的时代背景下，综合能源系统构建应重点考虑的未来方向，从整体角度分析，该模式是解决目前资源浪费与环境破坏问题的重要手段，从企业个体角度分析，应用深度学习技术能最大化自身盈利价值，避免无效的资源投入。为有效提升综合能源系统的能效，应注重对预数据的处理，以及深度学习模型的构建与选择，结合实际情况，最大化深度学习技术的实际应用价值。

参考文献：

[1]杨洪朝.基于深度学习驱动的综合能源系统优化运行策略[J].软件,2022(03):62-65.

[2]刘必晶.基于深度强化学习的综合能源系统优化调度[J].现代电力,2022（11）:1-8.

[3]熊珞琳,毛帅,唐漾,孟科,董朝阳,钱锋.基于强化学习的综合能源系统管理综述[J].自动化学报,2021（10）:2321-234.