[发明专利]一种综合能源系统运行工况识别与运行性能预测方法

权利要求书

1.一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：包括以下步骤：

步骤(1)：分别采集IES及其仿真系统的数据，并进行数据预处理；

步骤(2)：将处理后的有关IES及其仿真系统的多源异构信息进行数据集成，并通过相关性分析的特征提取方法，分别获得与IES及其仿真系统运行工况密切相关的目标域数据集和源域数据集；

步骤(3)：利用基于JDA的迁移学习在降维过程中共同适配源域与目标域的边缘和条件分布；

步骤(4)：将适配后的数据和目标域数据一起共享至多任务学习中，同时进行IES运行工况识别和运行性能预测两个任务模型的训练，并计算相应的分类性能指标和预测性能指标；

步骤(5)：由步骤4)中的分类性能指标和预测性能指标组成联合性能指标，并通过有监督的多任务联合训练，最优化联合性能指标，从而同时实现IES运行工况识别和运行性能的预测。

2.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(1)中，采集到的数据为IES及其仿真系统的知识、数据及图像等多源异构信息，对采集到的数据进行预处理，包括：补缺失值、平滑或删除离群点、纠正数据的不一致，实现数据清洗。

3.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(2)中，利用相关性分析分别从集成后的IES及其仿真系统相关数据中提取与IES及其仿真系统运行工况密切相关的深层特征。

4.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(3)中，联合分布适配(Joint DistributionAdaptation,JDA)通过经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)来评价源域和目标域数据的分布差异，在降维过程中共同适配源域与目标域的边缘和条件分布，并利用主成分分析算法(Principal Component Analysis,PCA)进行数据重构。

5.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：适配后的数据是通过步骤3)中的迁移学习补充的与IES运行工况密切相关的源域数据，多任务模型分别是：一种基于GRU神经网络组的运行工况识别模型和一种基于GRU神经网络组的运行性能预测模型，多个任务共同从输入数据中学习共享知识，共同优化运行工况识别模型和预测模型的性能，防止模型过拟合，提高运行工况识别模型和预测模型两个模型的泛化能力。

6.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(5)中，提出有监督的多任务联合训练算法采用了改进的反向传播BPTT(Back-propagation through time，BPTT)算法，以最优化联合性能指标为目标，反向更新两组GRU神经网络的网络参数，从而实现更高精度的IES运行工况智能识别与运行性能预测。

7.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：联合性能指标为各个任务性能指标的线性加权，其中分类性能指标和预测性能指标均用单个样本在所有时刻的损失表示。