[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

说明书

本发明涉及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，包括如下步骤：S1、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；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、得到冷热电负荷预测结果。本发明能够避免弱相关信息对子任务的干扰，实现了更好的预测效果。

技术领域

本发明属于信综合能源技术领域，涉及综合能源负荷预测方法，尤其是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。

背景技术

随着我国经济社会发展，对能源需求持续增长，能源问题成为关乎国家安全战略与可持续发展能力的重要议题。传统供能系统中，冷、热、电等功能系统彼此运行独立，缺乏协调，能源利用率低，能源供应可靠性差，因此能源供应消费环节逐渐朝着综合能源系统方向发展。综合能源系统充分利用多种能源形式之间互补效应，显著提高了能源的利用效率，并通过能源间的动态转化使得能源供应环节的不确定性大大降低，能源供应平顺性提高，从而提高了整个系统的安全性。

针对综合能源系统开展多元负荷预测对系统运行优化意义重大。一方面，依据多元负荷预测结果可以合理配置多种形式的能源，提高能源利用效率及系统运行的经济性；另一方面，还可以依据负荷预测结果制定需求响应计划，实现能源供需平衡，提高系统运行的可靠性。目前的多能负荷预测主要从时间、空间维度建模不同能源消耗之间的复杂关联性，主要的预测方法有循环神经网络、深度信念网络、长短期记忆神经网络以及双向长短时记忆网络等，验证了深度学习网络在解决多元负荷预测问题的有效性。

相比传统的电力负荷预测，综合能源系统中冷、热、电负荷间的联系日益密切，若对不同能源形式进行单独建模、预测，则忽略了多元负荷间的耦合特性，使预测效果受限。因此，已有研究一般通过考虑多元负荷间的耦合关系来提升预测效果，其方法主要分为统计学方法和深度学习方法。统计学方法是基于统计理论对多元负荷的耦合关系展开分析，例如VAR模型、多元线性回归模型和不确定性分析理论。然而，统计学方法存在建模复杂的问题，在特征变量和影响因素较多时难以对其耦合关系进行全面地建模，因此深度学习方法中的多任务学习策略逐渐成为近几年的研究热点。多任务学习策略是对冷、热、电等预测任务共同构建一个深度学习模型，并设置多个子任务，实现对多元负荷的预测。与多任务学习策略相配合的深度学习网络主要有长短时记忆网络、深度置信网络、门控循环单元网络等。多任务学习可以利用特征间的耦合特性提升所有子任务的训练效果，并且具有建模简单的优势。然而，目前使用的多任务学习策略均基于参数硬共享机制，该机制对所有任务强制进行信息共享，无法考虑子任务间相关性的差异，当部分子任务耦合关系较弱时，模型效果难以达到最佳水平。

综上所述，利用多元负荷的耦合特性，结合先进深度学习网络和多任务学习策略是实现多元负荷准确预测的关键。已有基于参数硬共享机制的多任务学习方法，容易受到子任务弱相关性的干扰，影响任务的学习效果。

因此如何避免弱相关信息对子任务的干扰，实现了更好的预测效果是本领域技术人员亟待解决的技术难题。

经检索，未发现与本发明相同或相近似的现有技术的公开文献。

发明内容

本发明的目的在于克服现有技术的不足，提出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，能够避免弱相关信息对子任务的干扰，实现了更好的预测效果。

本发明解决其现实问题是采取以下技术方案实现的：

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，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；