[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

说明书

本发明公开了深度特征指导两阶段迁移学习的综合能源源—荷预测方法，涉及综合能源多元负荷预测技术领域，获取温度、季节、节假日、风速、云层密度、光照强度、电价和现行政策影响因素并转换为数据格式；获取园区的光伏、风电、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；通过温度、季节和节假日三种因素，使用电负荷、热负荷和冷负荷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，采用迁移学习策略，获得最终的预测模型。

技术领域

本发明属于综合能源多元负荷预测技术领域，具体涉及深度特征指导两阶段迁移学习的综合能源源—荷预测方法。

背景技术

精确的多元负荷短期预测是区域综合能源系统运行及调度优化的基础，对系统的需求侧分析也具有重要意义，如图1所示，目前实际工业园区、商业中心、居民楼宇等典型区域综合能源系统(Integrated Energy Systems，IES)的能源服务商普遍需要向其用户提供电、热、冷等多种用能需求，明显受到气象条件、人类活动以及建筑特性等因素影响，在气象条件方面，由于气温变化，南北方在冷热负荷需求上表现出明显的季节性、地域性差异，在人类活动方面，不同的社会行为会对IES用能特性产生影响，例如居民楼宇IES，工作日时居民普遍外出，系统负荷多为刚性负荷；而非工作日时居民活动频繁，致使用能设备灵活多样，用能需求呈现出随机性、不确定性，同时不同的系统功能定位也是影响用能特性的重要原因，工业区往往电力负荷占主导地位，冷热负荷辅助，共同服从生产进度安排；生活区电热负荷则往往与人的活动密切相关，不同类型负荷间表现出一定的耦合特性，IES用能特性决定了某一用能需求变化时必将引起能源服务商对其余类型用能需求的调整；负荷预测作为IES用能需求管理与优化调度的首要前提，倘若仍采用传统单一负荷预测方法则难以兼顾不同用能需求间的差异性、随机性及耦合性，无法确保负荷预测精度。同时鉴于IES在长时间运行过程中大量能量转换耦合信息被保存于IES能源服务商数据库中，但这些隐藏在数据中的能量转换特性很难通过建立详细的数学模型进行特征提取与总结。

发明内容

针对现有技术的不足，本发明的目的在于提供深度特征指导两阶段迁移学习的综合能源源—荷预测方法，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。

优选地，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；