Research on data-driven operation optimization of integrated energy systems

XU Cong; XU Jingjing; JIANG Ting; XUE Dong; YAN Lichen

doi:10.3969/j.issn.2097-0706.2026.01.004

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

Research on data-driven operation optimization of integrated energy systems

Optimization and Scheduling of Integrated Intelligent Energy System | 更新时间：2026-02-04

- Research on data-driven operation optimization of integrated energy systems
- BLASTING Vol. 48, Issue 1, Pages: 34-42(2026)
- 作者机构：
  
  中国华电科工集团有限公司，北京 100070
- 作者简介：
- 基金信息：
  
  Major Science and Technology Projects of Xinjiang Uygur Autonomous Region(2022A1001-3)
- DOI：10.3969/j.issn.2097-0706.2026.01.004
  CLC：
- Received：18 June 2025，
  
  Revised：2025-10-14，
  
  Published Online：31 December 2025，
  
  Published：25 January 2026
- 稿件说明：
移动端阅览
徐聪,徐静静,江婷等.数据驱动的综合能源系统运行优化研究[J].综合智慧能源,2026,48(01):34-42.

XU Cong,XU Jingjing,JIANG Ting,et al.Research on data-driven operation optimization of integrated energy systems[J].BLASTING,2026,48(01):34-42.
徐聪,徐静静,江婷等.数据驱动的综合能源系统运行优化研究[J].综合智慧能源,2026,48(01):34-42. DOI： 10.3969/j.issn.2097-0706.2026.01.004.

XU Cong,XU Jingjing,JIANG Ting,et al.Research on data-driven operation optimization of integrated energy systems[J].BLASTING,2026,48(01):34-42. DOI： 10.3969/j.issn.2097-0706.2026.01.004.

摘要

近年来，物联网、大数据和人工智能等数字化技术的快速发展给综合能源系统（IES）运行优化带来了新方法。提出了基于数据驱动的IES运行优化方法，针对北方某自备能源站的产业园区，采用深度学习长短期记忆神经网络模型进行多元负荷联合预测和光伏发电功率预测，为能源站运行优化提供精准依据；通过数据驱动的机器学习算法对主要供能设备进行全工况建模；分别以能效、经济和综合效益指标为优化目标，利用粒子群优化算法求解，得到典型日运行优化结果。能效指标最优情况下，系统综合能源利用率达83.0%，运行成本为64 802元；经济指标最优情况下，系统运行成本低至64 590元，综合能源利用率为79.3%；综合效益最优情况下，与能源站实际运行情况相比，综合能源利用率提升了7.5%，运行成本节约了6 444元。结果表明，本运行优化方法对指导IES运行优化具有实际应用意义。

Abstract

In recent years， the rapid development of digital technologies such as the Internet of Things， big data， and artificial intelligence has provided new methods for the operation optimization of integrated energy systems（IES）. A data-driven operation optimization method for IES was proposed. For an industrial park with a self-contained energy station in northern China， a deep learning long short-term memory neural network model was used for multi-load joint forecasting and photovoltaic power forecasting， providing accurate support for the operation optimization of the energy station. The main energy supply equipment was modeled under full operating conditions through data-driven machine learning algorithms. Taking energy efficiency， economic， and comprehensive benefit indicators as optimization objectives， the particle swarm optimization algorithm was applied to obtain typical daily operation optimization results. Under the condition of optimal energy efficiency indicator， the comprehensive energy utilization rate of the system reached 83.0%， and the operating cost was 64 802 yuan. Under the condition of optimal economic indicator， the system operating cost was as low as 64 590 yuan， and the comprehensive energy utilization rate reached 79.3%. Under the condition of optimal comprehensive benefit indicator， compared to the actual operation of the energy station， the comprehensive energy utilization rate increased by 7.5%， and the operating cost was reduced by 6 444 yuan. The results indicate that this operation optimization method has practical significance for guiding the operation optimization of IES.

关键词

Keywords

references

谢小瑜 . 可再生能源超短期发电功率预测的深度学习方法研究［D］. 广州：华南理工大学， 2021 .

XIE Xiaoyu . Research on deep learning method for ultra-short-term power prediction of renewable energy ［D］. Guangzhou ： South China University of Technology ， 2021 .

CHENG W Y Y ， LIU Y B ， BOURGEOIS A J ， et al . Short-term wind forecast of a data assimilation/weather forecasting system with wind turbine anemometer measurement assimilation ［J］. Renewable Energy ， 2017 ， 107 ： 340 - 351 .

MA T ， YANG H X ， LU L . Solar photovoltaic system modeling and performance prediction ［J］. Renewable & Sustainable Energy Reviews ， 2014 ， 36 ： 304 - 315 .

KAVASSERI R G ， SEETHARAMAN K . Day-ahead wind speed forecasting using f-ARIMA models ［J］. Renewable Energy ， 2009 ， 34 （ 5 ）： 1388 - 1393 .

王彩霞，鲁宗相，乔颖，等 . 基于非参数回归模型的短期风电功率预测［J］. 电力系统自动化， 2010 ， 34 （ 16 ）： 78 - 82， 91 .

WANG Caixia ， LU Zongxiang ， QIAO Ying ， et al . Short-term wind power forecast based on non-parametric regression model ［J］. Automation of Electric Power Systems ， 2010 ， 34 （ 16 ）： 78 - 82， 91 .

GUAN C ， LUH P B ， MICHEL L D ， et al . Hybrid Kalman filters for very short-term load forecasting and prediction interval estimation ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 4 ）： 3806 - 3817 .

BAE K Y ， JANG H S ， SUNG D K . Hourly solar irradiance prediction based on support vector machine and its error analysis ［J］. IEEE Transactions on Power Systems ， 2017 ： 32 （ 2 ）： 935 - 945 .

HERNÁNDEZ L ， BALADRÓN C ， AGUIAR J M ， et al . Artificial neural network for short-term load forecasting in distribution systems ［J］. Energies ， 2014 ， 7 （ 3 ）： 1576 - 1598 .

张冬冬，单琳珂，刘天皓 . 人工智能技术在风力与光伏发电数据挖掘及功率预测中的应用综述［J］. 综合智慧能源， 2025 ， 47 （ 3 ）： 32 - 46 .

ZHANG Dongdong ， SHAN Linke ， LIU Tianhao . Application of artificial intelligence technology in data mining and power prediction of wind and photovoltaic power generation ［J］. Integrated Intelligent Energy ， 2025 ， 47 （ 3 ）： 32 - 46 .

牛哲文，余泽远，李波，等 . 基于深度门控循环单元神经网络的短期风功率预测模型［J］. 电力自动化设备， 2018 ， 38 （ 5 ）： 36 - 42 .

NIU Zhewen ， YU Zeyuan ， LI Bo ， et al . Short-term wind power forecasting model based on deep gated recurrent unit neural network ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 5 ）： 36 - 42 .

WEN L L ， ZHOU K L ， YANG S L ， et al . Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting ［J］. Energy ， 2019 ， 171 ： 1053 - 1065 .

张倩，马愿，李国丽，等 . 频域分解和深度学习算法在短期负荷及光伏功率预测中的应用［J］. 中国电机工程学报， 2019 ， 39 （ 8 ）： 2221 - 2230 .

ZHANG Qian ， MA Yuan ， LI Guoli ， et al . Application of frequency domain decomposition and deep learning algorithm in short-term load and photovoltaic power prediction ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 8 ）： 2221 - 2230 .

孙庆凯，王小君，张义志，等 . 基于LSTM和多任务学习的综合能源系统多元负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 63 - 70 .

SUN Qingkai ， WANG Xiaojun ， ZHANG Yizhi ， et al . Multiple load prediction of integrated energy system based on long short-term memory and multi-task learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 63 - 70 .

WANG X ， WANG S X ， ZHAO Q Y ， et al . A multi-energy load prediction model based on deep multi-task learning and ensemble approach for regional integrated energy systems ［J］. International Journal of Electrical Power & Energy Systems ， 2021 ， 126 ： 106583 .

徐聪，胡永锋，张爱平，等 . 基于特征筛选的综合能源系统多元负荷日前-日内预测［J］. 综合智慧能源， 2024 ， 46 （ 3 ）： 45 - 53 .

XU Cong ， HU Yongfeng ， ZHANG Aiping ， et al . Day-to-day forecasting of multi-load in comprehensive energy system based on feature screening ［J］. Integrated Intelligent Energy ， 2024 ， 46 （ 3 ）： 45 - 53 .

WANG B ， ZHANG L M ， MA H R ， et al . Parallel LSTM-based regional integrated energy system multienergy source-load information interactive energy prediction ［J］. Complexity ， 2019 ： 2019 ： 7414318 .

LI K ， MU Y C ， YANG F ， et al . Joint forecasting of source-load-price for integrated energy system based on multi-task learning and hybrid attention mechanism ［J］. Applied Energy ， 2024 ， 360 ： 122821 .

陈龙，韩中洋，赵珺，等 . 数据驱动的综合能源系统运行优化方法研究综述［J］. 控制与决策， 2021 ， 36 （ 2 ）： 283 - 294 .

CHEN Long ， HAN Zhongyang ， ZHAO Jun ， et al . Summary of research on operation optimization methods of data-driven integrated energy system ［J］. Control and Decision ， 2021 ， 36 （ 2 ）： 283 - 294 .

LIU J Y ， SHI D L ， LI G N ， et al . Data-driven and association rule mining-based fault diagnosis and action mechanism analysis for building chillers ［J］. Energy and Buildings ， 2020 ， 216 ： 109957 .

YANG Y P ， LI X E ， YANG Z P ， et al . The application of cyber physical system for thermal power plants： Data-driven modeling ［J］. Energies ， 2018 ， 11 （ 4 ）： 11040690 .

LI X E ， WANG N L ， WANG L G ， et al . A data-driven model for the air-cooling condenser of thermal power plants based on data reconciliation and support vector regression ［J］. Applied Thermal Engineering ， 2018 ， 129 ： 1496 - 1507 .

杨挺，赵黎媛，王成山 . 人工智能在电力系统及综合能源系统中的应用综述［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 2 - 14 .

YANG Ting ， ZHAO Liyuan ， WANG Chenshan . Review on application of artificial intelligence in power system and integrated energy system ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 2 - 14 .

REYNOLDS J ， AHMAD M W ， REZGUI Y ， et al . Operational supply and demand optimisation of a multi-vector district energy system using artificial neural networks and a genetic algorithm ［J］. Applied Energy ， 2019 ， 235 ： 699 - 713 .

ANAND H ， NARANG N ， DHILLON J S . Multi-objective combined heat and power unit commitment using particle swarm optimization ［J］. Energy ， 2019 ， 172 ： 794 - 807 .

李玉凯，韩佳兵，于春浩，等 . 基于随机森林和长短期记忆网络多元负荷预测的综合能源三层规划调度［J］. 现代电力， 2021 ， 38 （ 6 ）： 695 - 703 .

LI Yukai ， HAN Jiabing ， YU Chunhao ， et al . Three-layer planning and dispatching of comprehensive energy based on multi-load forecasting of random forest and long-term and short-term memory network ［J］. Modern Electric Power ， 2021 ， 38 （ 6 ）： 695 - 703 .

欧阳斌，袁志昌，陆超，等 . 考虑源-荷-储多能互补的冷-热-电综合能源系统优化运行研究［J］. 发电技术， 2020 ， 41 （ 1 ）： 19 - 29 .

OUYANG Bin ， YUAN Zhichang ， LU Chao ， et al . Study on optimal operation of cold-heat-electricity integrated energy system considering multi-energy complementarity of source-load-storage ［J］. Power Generation Technology ， 2020 ， 41 （ 1 ）： 19 - 29 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Design of the integrated energy heating（cooling） system for a commercial and residential park and its economy analysis

Optimal scheduling strategy for REHMIS-IES based on SC-SAC algorithm

Multi-objective optimization of multi-energy supply for residential buildings in cold regions based on energy storage

Coordinated false data injection attacks against distributed economic dispatch of electricity-gas integrated energy system

Load forecasting for integrated energy systems based on CNN-BiLSTM-RF-KDE

Related Author

LIU Yuanyuan

LIU Fangfang

JIA Tianxiang

HAN Zhao

SHANG Yongqiang

JIANG Shu

PAN Lei

DING Yunfei

Related Institution

Huadian Zhengzhou Mechanical Design Institute Company Limited

State Grid Henan Skills raining Center

Shijiazhuang Huadian Heating Supply Group Company Limited

School of Civil Engineering，Henan University of Engineering

School of Control and Mechanical Engineering， Tianjin Chengjian University

AI脑图

AI问答

⁰