[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

说明书

本发明公开了一种基于迁移学习(Transferlearning,TL)、深度学习(Deep learning,DL)和多任务学习(Multi task learning,MTL)的综合能源系统(Integrated energy system,IES)运行工况识别与性能预测方法，属于综合能源系统领域。针对IES运行工况识别与性能预测的问题，提出了一种基于TL、DL和MTL的IES运行工况识别与性能预测方法，利用基于相关性分析的特征提取方法和TL解决了缺乏用于在线训练的高质量数据的问题，TL主要采用联合分布适配(JointDistribution Adaptation，JDA)共同适配表征源域与目标域的边缘与条件分布，并将适配后的数据共享到多任务学习中；并利用多任务联合训练，建立基于GRU神经网络组的运行工况识别与性能预测的模型，该模型有效降低了模型参数规模及运算时间，并且具有较高的准确性和较好的泛化性能。

技术领域

本发明所属的技术领域为综合能源系统领域，具体为一种基于迁移学习(Transfer learning,TL)、深度学习(Deep learning,DL)和多任务学习(Multi tasklearning,MTL)的综合能源系统(Integrated energy system,IES)运行工况识别与运行性能预测方法。

背景技术

近年来，综合能源系统(Integrated energy system,IES)逐渐成为能源领域的研究及应用热点。IES的发展在提高能源效率、减少碳排放和增加可再生能源的渗透三方面起到了巨大推动作用。但是，由于IES易受到新能源以及综合需求响应的不确定性的影响，其工况变化频繁。当IES不能随工况变化及时准确地调整控制系统的设定值时，常常会造成单个/互联IES控制性能下降，影响IES运行安全。因此，目前需要对IES进行运行工况识别和控制性能预测，进一步提高IES运行控制性能，实现能源的高效利用。

随着大数据技术和人工智能的日益发展，基于深度学习的数据驱动建模方法备受国内外学者的青睐，并被广泛应用到模式识别、预测等方面。当利用数据驱动方法研究运行工况识别及运行性能预测时，关键是需要具备完整的、高质量的数据。然而，在现实情况中常常出现由于传感器失效、网络通信中断等造成数据缺失的问题，因此在进行IES运行工况识别及运行性能预测时需要使用特征提取、迁移学习或者小样本学习等方法，来提高IES运行工况识别和运行性能预测的准确性。

迁移学习从相关领域中迁移标注数据或者知识结构，完成或改进目标领域中的任务，一方面提高了模型的初始性能，另一方面使得模型收敛得更好、更快；同样的，多任务学习通过使用来自其它相关学习任务的有用信息来缓解数据不足的问题，在数据稀缺的情况下，不仅可以获得更好的泛化性能，还能同时完成多个任务。门控循环单元(Gatedrecurrent unit,GRU)神经网络具有较强的提取时间特征的能力，可以提高IES运行工况识别及运行性能预测的精度和速度。

本发明针对综合能源系统运行工况识别与运行性能预测问题，提出了一种基于迁移学习、深度学习和多任务学习的综合能源系统运行工况识别与运行性能预测方法。在分别采集了IES及其仿真系统的数据，并进行数据预处理和特征提取后，通过基于JDA的迁移学习共同适配源域与目标域的边缘和条件分布，获得大量可用于在线训练的数据，提高了后续多任务学习阶段中模型的精度和收敛速度。利用多任务学习改善模型的泛化能力。随后，引入有监督的多任务联合训练以最优化联合性能指标为目标，高效地同时完成了IES运行工况识别和运行性能预测两项任务。

发明内容

本发明的目的是针对精度和效率要求日益增长的IES运行工况与运行性能预测问题，提出了一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与运行性能预测方法；利用相关性分析对数据进行特征提取后，再通过基于JDA的迁移学习将源域和目标域的数据都利用了起来，解决了高质量数据不足的问题；利用包含运行工况识别模型和运行性能预测模型的多任务学习从输入数据中学习共享知识，防止两个模型过拟合，提高两个模型的泛化能力；最后，加入有监督的多任务联合训练环节，进一步提高了运行工况识别模型和运行性能预测模型的识别和预测精度。