[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

说明书

本发明公开了一种基于多任务学习的综合能源系统多元负荷预测方法包括：基于多任务学习(MTL)的综合能源系统(IES)搭建多元负荷预测模型；采用门控循环单元(GRU)构建多任务学习共享层，利用贝叶斯优化算法(BOA)实现GRU超参数的优化选择；利用Attention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。本发明提供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，所提供的多任务学习模型可以有效提升IES冷热电负荷的预测精度。

技术领域

本发明涉及综合能源系统多元负荷预测领域，尤其涉及一种基于多任务学习的综合能源系统多元负荷预测方法。

背景技术

随着社会经济的快速发展，能源利用与环境保护的协调发展面临重大挑战。由于分布不均、利用效率低、环境污染等缺点，独立规划、运行的传统单一能源系统已不能满足绿色用能、低碳环保的需要。在此基础上，强调多能源互补和清洁高效的综合能源系统(integrated energy system，IES)应运而生。IES作为一种基于多能利用、转换和传输技术的新型能源供应模式，通过冷、热、电等多种能源形式的耦合，实现多种能源类型的灵活转换、高效分配和有机协调。准确的负荷预测是IES安全经济运行与优化管理的的前提。

目前，针对单一负荷预测已取得较多成果。在电力负荷预测方面，多元线性回归(MLP)、整合移动平均自回归模型(ARIMA)、人工神经网络(ANN)、支持向量回归(SVR)、长短时记忆神经网络(LSTM)等常被用于电力负荷预测。Nie H等人使用ARIMA模型预测负荷的线性基本部分，然后使用SVR预测负荷的非线性敏感部分。Kong W等人提出了一种基于LSTM网络的短期电力负荷预测框架，并在一组真实的公共住宅智能电表数据上进行了测试，取得了较高的预测精度。在冷/热负荷预测方面，建筑能耗模拟软件、机器学习等数据挖掘方法都有一定程度的应用。张保民等人利用TRNSYS软件对某区域供冷系统用户逐时动态冷负荷进行模拟。Ling J等人采用反向传播神经网络(BPNN)模型和支持向量回归(SVR)模型来预测建筑热负荷需求。HuangY等人使用蚁群优化算法(ACO)和小波神经网络(WNN)预测住宅建筑冷负荷和热负荷的值。然而，由于忽略了不同能量之间的耦合特性，这些方法不能直接应用于IES多元负荷预测。

因此，本发明提出一种基于多任务学习的综合能源系统多元负荷预测模型。首先，该模型将冷热电负荷历史数据、气象数据及日历规则等输入到基于MTL搭建的GRU深度学习模型中，通过信息共享的方式提取多元负荷间的复杂耦合特征，同时利用BOA实现GRU超参数的优化选择。接着，使用Attention实现各个子任务对共享特征中重要信息的差异化选择。最后，通过实际案例验证所提模型的有效性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有的综合能源系统多元负荷预测模型大多是单一预测模型，忽略了不同能量之间的耦合特性，限制了预测精度的进一步提升。

为解决上述技术问题，本发明提供如下技术方案：一种基于多任务学习的综合能源系统多元负荷预测方法，包括：

基于多任务学习(MTL)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(GRU)构建多任务学习共享层，利用贝叶斯优化算法(BOA)实现GRU超参数的优化选择；

利用Attention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。