[发明专利]深度特征指导两阶段迁移学习的综合能源源—荷预测方法

权利要求书

1.深度特征指导两阶段迁移学习的综合能源源—荷预测方法，其特征在于，方法包括以下步骤：

获取目标园区的源侧和荷侧的影响因素并转换为数据格式；其中，所述影响因素包括：温度、季节、节假日、风速、云层密度、光照强度、电价、气价和相关政策；

获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据，并对历史数据进行清洗处理；

构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型，时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值进行预测；

基于温度、季节和节假日三种影响因素，使用电负荷、热负荷和冷负荷的历史数据对时间序列预测模型进行训练，获得初级模型；

在初级模型的基础上，考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素，使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练，获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型。

2.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法，其特征在于，在初级模型的基础上，考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素，使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练，获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型，包括以下步骤：

在初级模型的基础上，采用迁移学习策略，考虑光照强度和云层密度影响因素，使用光伏发电的历史数据进行迁移训练获得最终的光伏发电预测模型，以对未来预设时间段的光伏出力进行预测；

在初级模型的基础上，考虑风速影响因素，使用风机发电的历史数据进行迁移训练获得最终的风机发电预测模型，以对未来预设时间段的风机出力进行预测；

在初级模型的基础上，考虑相关政策和电价影响因素，使用电负荷的历史数据进行迁移训练获得最终的电负荷预测模型，以对未来预设时间段的电负荷进行预测；

在初级模型的基础上，考虑电价和气价影响因素，使用热负荷的历史数据进行迁移训练获得最终的热负荷预测模型，以对未来预设时间段的热负荷进行预测；

在初级模型的基础上，考虑电价影响因素，使用冷负荷的历史数据进行迁移训练获得最终的冷负荷预测模型，以对未来预设时间段的冷负荷进行预测。

3.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法，其特征在于，所述获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据，并对历史数据进行清洗处理的过程包括以下步骤：

根据目标园区在历史预设时间段内的历史运行信息，获取历史预设时间段内目标园区的光伏发电、风机、电负荷、热负荷和冷负荷的历史数据，并分别表示为：

其中，P_PV表示目标园区的光伏发电的历史数据的时间序列，为t_i时刻光伏发电的功率，P_W表示目标园区的风机发电的历史数据的时间序列，为t_i时刻风机发电的功率，P_E表示目标园区的电负荷的历史数据的时间序列，为t_i时刻电负荷功率，P_C表示目标园区的冷负荷的历史数据的时间序列，为t_i时刻冷负荷数据，P_H表示目标园区的热负荷的历史数据的时间序列，为t_i时刻热负荷数据，其中i＝1,2,...,n；

对P_PV、P_W、P_E、P_C和P_H序列数据进行清洗处理，首先计算窗口长度为n的序列局部均值P_{PV(W、E、C、H)}，公式如下：

其中x为窗口起始点，i为距离窗口起始点的位置，P_{PV(W、E、C、H)_tx+1}为_tx+i时刻的光伏发电功率值、风机发电功率值、电负荷功率值、冷负荷值、热负荷值。