[发明专利]园区综合能源系统电-热负荷联合自适应预测方法及装置

权利要求书

1.园区综合能源系统电-热负荷联合自适应预测方法，其特征在于，包括如下步骤：

获取园区综合能源系统电负荷历史数据集E、热负荷历史数据集H、环境温度历史数据集T，并以上述数据集作为初始源域数据集Ω_source；并设定日前预测的电负荷精度阈值R_electric、热负荷精度阈值R_heating、核函数宽度参数λ、源域天数M、目标域天数N；其中，园区综合能源系统电负荷包括园区居民用电负荷和园区电动汽车充电桩负荷；

建立改进后的深度多任务学习网络模型，并利用初始源域数据集Ω_source对该模型进行训练，获得预测日t的电-热负荷日前预测模型；其中，所述改进后的深度多任务学习网络模型包括热负荷特征提取通道、电负荷特征提取通道、共享层、第一全连接层、第二全连接层、第三全连接层，所述热负荷特征提取通道、电负荷特征提取通道、第一全连接层分别将热负荷特征、电负荷特征、环境温度数据输入至共享层，共享层的共享特征分别经过第二全连接层、第三全连接层输出至输出层，输出电负荷和热负荷预测值的标幺值；

利用预测日t的电-热负荷日前预测模型对预测日第t天进行负荷预测，得到第t天电、热负荷预测数据并与第t天的实际电、热负荷数据进行比较，获得第t天的电负荷预测误差和热负荷预测误差

将第t天的电负荷预测误差热负荷预测误差分别与电负荷精度阈值R_electric、热负荷精度阈值R_heating进行比较，若且则将预测日t的电-热负荷日前预测模型直接沿用为第t+1天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电-热负荷日前预测；否则，获取第t+1天前N天的电负荷、热负荷、环境温度历史数据作为新的目标域数据集Ω_targetnew，第t+1天前第M+N至第N天的电负荷、热负荷、环境温度历史数据作为新的源域数据集Ω_sourcenew，分别获取新的源域与新的目标域电负荷、热负荷和环境温度数据的数据分布差异值和根据电、热负荷迁移学习策略，以新的目标域数据集Ω_targetnew为训练集，对预测日t的电-热负荷日前预测模型进行调整，获得第t+1天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电-热负荷日前预测；

其中，根据电、热负荷迁移学习策略，以新的目标域数据集Ω_targetnew为训练集，对预测日t的电-热负荷日前预测模型进行调整，获得第t+1天的预测模型的方法为：

若同时满足直接将预测日t的电-热负荷日前预测模型沿用为第t+1天的电-热负荷日前预测模型；其中为电负荷动态数据分布差异阈值、热负荷动态数据分布差异阈值、温度动态数据分布差异阈值；

若且则以新的目标域数据集Ω_targetnew为训练集，将预测日t的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的电负荷通道第二全连接层参数进行训练，完成参数微调，所得模型作为第t+1天的电-热负荷日前预测模型；

若且则以新的目标域数据集Ω_targetnew为训练集，将预测日t的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的热负荷通道第三全连接层参数进行训练，完成参数微调，所得模型作为第t+1天的电-热负荷日前预测模型；

若则以新的目标域数据集Ω_taregtnew为训练集，将预测日t的电-热负荷日前预测模型中的其他参数固定，仅对温度数据输入所经过的第一全连接层、共享层至输出层之间的第二全连接层、第三全连接层参数进行训练，完成参数微调，所得模型作为第t+1天的电-热负荷日前预测模型。

2.根据权利要求1所述的园区综合能源系统电-热负荷联合自适应预测方法，其特征在于：所述共享层还包括损失函数层，损失函数如下：

其中，x为训练集中的输入样本，f^W()为改进后的深度多任务学习网络模型，y₁、y₂为训练集中各个样本对应的电、热负荷标签值，W为f^W()的网络可训练变量，σ₁、σ₂为两个可训练变量。