随着经济的不断发展,能源结构调整加快,社会的快速发展对能源的需求标准逐步提升,综合能源系统数量与规模都日益增大,其能效管控变得越来越重要。综合能源系统是利用煤炭、太阳能、天然气等多种不同能源以来满足冷、热、电等不同的负荷需求的一种能源系统。综合能源系统最大的特点就是各子系统之间存在一定的耦合性,能够实现不同种类能源之间的互相补给。但随着新能源等技术的迅猛发展,加快促进了可再生能源的利用,加上需求侧负荷的不确定,给综合能源系统的能效管控带来了极大挑战。随着能源互联网的发展,能源大数据样本的逐步积累,而传统的预测方法在进行大量数据预测时存在一定的局限性,前期对样本需要大量的标记工作并且还难以反映数据内在规律,在这种情况下,深度学习算法基于大数据的自动挖掘特征能力的优越性在这种背景下就得以体现,其通过神经网络的叠加加大模型对样本数据特征提取的能力,将避免繁重的前期数据标记分类工作,大大提高算法学习的性能。加上云计算等技术发展助力下计算机运算能力的提升,给在处理大样本数据具有先天优势的深度学习算法应用到综合能源系统能效管控中提供了可能。本文充分考虑这些了因素,在并网不售电的原则上,提出了基于深度学习的综合能源系统能效提升策略。深度学习算法可以针对时下综合能源系统能效管控中可再生能源的输出功率和负荷的预测方法存在的主要问题,结合能源大数据,进而分析综合能源系统运行过程中的不确定参数,对综合能源系统中的需求侧冷、热、电负荷以及可再生能源供能的不确定性进行预测,为做出一个科学的决策方案提供参考。这样一方面可以提高综合能源系统中能源的利用率,通过有效协调各子系统来提高设备的利用率,减少资金浪费,改善或消除现有问题;另一方面,能够帮助综合能源公司充分了解综合能源系统的运行情况,做好应对措施,尽最大可能得降低成本以节约能源,故而综合能源服务商可以更好结合综合能源系统供能情况,并且从满足用户差异化需求产品的制定到未来能源市场的博弈各方面都有了更精确的数据支撑。因此,本文在此的背景下,首先确定了衡量综合能源系统整体能效的指标,选取经济性和基于能源品位折算的能耗总量两个指标来进行综合能源系统的能效分析,并对综合能源系统中的常规设备进行建模。然后构建了基于深度学习的预测架构,在预处理了超过100,000后确定了多负荷预测和光伏出力预测的超参数,接着提出了基于此深度学习架构下的综合能源系统能效提升模型,结合深度学习预测的光伏出力以及冷、热、电负荷数据,来修正能效提升模型中需求侧负荷量参数以及能源供给量参数。最后再利用粒子群优化算法对综合能源系统进行优化配置,并利用EMA模型和SVM模型对基于深度学习模型的能效提升策略进行对比。本文提出基于深度学习的综合能源系统能效提升模型,弥补了常规静态模型的不足,模型利用深度学习的精准预测特点,深度挖掘能源大数据的特征,将需求侧的负荷曲线以及发电侧光伏出力曲线进行中长期预测,对现有的综合能源系统的能效优化模型中的不确定参数进行了修正。并且在预测时不仅考虑了温度等常规因素,考虑到北方城市经常出现雾霾、浮尘等特殊的天气情况,还将天气状况描述转化为数字向量作为深度学习模型的输入变量。最终分析结果表明,基于大数据的深度学习模型的自动特征提取大数据样本的能力弥补了传统预测模型的不足,通过多层复杂神经网络叠加而形成的的自主学习模型,能够免去前期对数据特征构造的繁琐步骤。实验证明,深度学习模型在综合能源能效管控中具有一定的应用前景,通过对综合能源系统中不确定参数的精准预测,能够有效的促进综合能源系统的整体能效提升。引入深度学习模型对综合能源系统优化运行模型中稳定性较低的参数进行预测,将对提高综合能源系统能效有一定的促进作用。