[发明专利]基于多任务学习策略和深度学习的综合能源负荷预测方法

权利要求书

1.一种基于多任务学习策略和深度学习的综合能源负荷预测方法，其特征在于：包括如下步骤：

S1、获取考虑对综合能源系统冷、热、电负荷产生影响的影响因素特征，形成历史冷热电负荷特征库及影响因素特征库；

S2、构建MMoE多任务学习模型，利用步骤S1中得到的历史冷热电负荷特征数据和影响因素特征数据对MMoE多任务学习模型进行训练，并由MMoE模型中若干个专家子网输出特征共享、提取的结果；

S3、构建三个LSTM神经网络模型，利用步骤S2中MMoE模型中若干个专家子网输出的特征共享、提取的结果以及冷、热、电负荷标签对三个LSTM网络进行训练，最终得到MMoE-LSTM模型；

S4、将待预测时刻对应的历史冷热电负荷特征数据和影响因素特征数据输入到训练好的MMoE-LSTM模型，得到冷热电负荷预测结果。

2.根据权利要求1所述的一种基于多任务学习策略和深度学习的综合能源负荷预测方法，其特征在于：所述步骤S1中的影响因素特征包括：与冷热电负荷有密切关联的气象因素特征和时间因素特征。

3.根据权利要求2所述的一种基于多任务学习策略和深度学习的综合能源负荷预测方法，其特征在于：所述气象因素特征通过皮尔逊相关系数进行分析，分别计算温度、湿度、露点、气压等气象因素特征与冷、热、电负荷的皮尔逊相关系数，并取相关系数较高的气象因素作为影响因素特征；所述时间因素特征为待预测负荷对应的时间数据。

4.根据权利要求1所述的一种基于多任务学习策略和深度学习的综合能源负荷预测方法，其特征在于：所述步骤S1中的历史冷热电负荷特征库包括被预测时刻前M个时间步长的冷、热、电负荷数据；所述步骤S1中的影响因素特征库为待预测时刻对应的气象因素特征和时间因素特征。

5.根据权利要求1所述的一种基于多任务学习策略和深度学习的综合能源负荷预测方法，其特征在于：所述步骤S2所构建的MMoE多任务学习模型需设定任务数为3，专家子网个数一般取4～8，多任务损失函数权重比为1:1:1，激活函数为“Relu”，优化器为“Adam”，损失函数为平均绝对误差。

6.根据权利要求1所述的一种基于多任务学习策略和深度学习的综合能源负荷预测方法，其特征在于：所述步骤S3所构建的LSTM神经网络模型个数为3个，分别对应冷、热、电负荷的预测任务，每个LSTM神经网络模型包含两层LSTM层和一层全连接层，全连接层的神经元数目为1，用于输出负荷预测结果，激活函数为“Relu”，优化器为“Adam”，损失函数为平均绝对误差。