[发明专利]一种基于多任务学习的综合能源系统多元负荷预测方法

权利要求书

1.一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于，包括：

基于多任务学习的综合能源系统搭建多元负荷预测模型；

采用门控循环单元构建多任务学习共享层，利用贝叶斯优化算法实现门控循环单元超参数的优化选择；

利用注意力机制实现不同子任务对共享层中重要特征的差异化提取，实现精准预测负荷值。

2.如权利要求1所述的一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于：所述多任务学习是一种经典的归纳迁移机制，包括：

一组任务

y^t(t∈T)

数据集

其中，T和N分别代表任务和数据样本的数量，表示第i个数据点的第t个任务的标签。

3.如权利要求2所述的一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于还包括：

所述预测函数定义为

f^t(x；θ^sh,θ^t):x→y^t

其中，θ^sh代表不同任务共享的参数，θ^t是任务相关参数。

MTL的整体优化损失函数定义为

其中，w^t代表权重系数，是损失函数。

4.如权利要求1所述的一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于：将模型的输入信息归一化并作为所提出模型的训练集、验证集和测试集。

5.如权利要求2所述的一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于：所述归一化公式表示为：

其中，X是标准化前的数据，X′是对应的归一化数据，X_min和X_max是序列中的最小值和最大值。

6.如权利要求1所述的一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于：所述，门控循环单元的整个过程表示为：

z_t＝σ(W^(z)x_t+U^(z)h_t-1)

r_t＝σ(W^(r)x_t+U^(r)h_t-1)

其中，x_t是隐藏层在时间t的输入，h_t是当前层在时间t的输出，h_t-1是在时间t-1的输出，z_t和r_t是更新门和重置门，表示前一时刻的输入x_t和输出h_t-1的集合。σ和tanh表示激活函数；U^(z)和W^(z)是更新门中的训练参数矩阵，U^(r)和W^(r)是复位门中的训练参数矩阵，U和W是获取过程中的训练参数矩阵。

7.如权利要求5所述的一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于：贝叶斯优化算法，包括：

设X＝x₁,x₂,…x_n为一组超参数组合，f(x)为超参数x的目标函数，所述贝叶斯优化原理表示为：

。

8.如权利要求6所述的一种基于多任务学习的综合能源系统多元负荷预测方法，其特征在于：所述算法还包括：

选择一个均值大的点作为采样点称为开发，选择一个方差大的点作为采样点称为探索；选择期望改进函数(EI)作为采样函数，表示为：

其中，f(x*)为当前最大值，μ为平均值，σ为标准差，Φ为正态累积分布函数，c用于平衡开发和探索比例。