基于多任务学习的综合能源系统多元负荷预测方法

技术领域

本发明涉及综合能源系统多元负荷预测领域，具体为一种基于多任务学习和LSTM的综合能源系统多元负荷预测方法。

背景技术

在当前全球传统能源日益稀缺且碳排放量已对环境造成污染的大背景下，如何系统性地节能减排已经成为了全球能源行业共同研究的课题。综合能源系统的出现为解决可再生能源弃置等系列能源问题提供了一种途径，IES是集能源转换、存储、分配、输送等功能的多能流异质耦合系统，能够同时满足电、气、热、冷负荷的需求。而IES负荷预测作为IES运行管理和优化调度的首要考虑因素，因此对综合能源系统进行准确的负荷预测具有重要意义和实际应用价值。

单一的传统能源系统设计规划方法都忽略了异质能源间的耦合关系，这大大限制了系统的灵活性，已不再社会当今社会，必须将各个能源单一供能的模式转型为多种异质能源联合供能模式才能为今后的社会发展提供可行的出路。目前，传统的负荷预测方法虽然有计算速度快等优点且具有一定成效，但是随着能源行业的不断发展，用能需求受到诸多因素影响，如气象、经济、日类型等，这导致无法建立精确的数学模型，从而使预测的结果不理想。人工智能方法在进行预测分析时无需建立精确的模型就能较好的拟合出影响因素和负荷之间的非线性关系，因此被用于能源负荷预测。目前IES的负荷预测方法普遍是对模型参数与结构进行优化，在处理不同形式用能耦合问题上仍存在一定的局限，因此本发明提出一种基于多任务学习的综合能源系统多元负荷预测方法。

发明内容

(一)发明的目的

本发明的目的在于解决目前综合能源系统中负荷预测不够准确的问题，提供一种基于多任务学习的综合能源系统多元负荷预测方法。主要是通过设置输入/输出特征集，将各类负荷的组成以及必要的相关信息确定；然后对确定好的特征数据进行预处理，包括对缺失值进行填充、异常值辨识以及归一化处理；接着对样本数据集进行划分，分为训练集和验证集；最后采用离线训练配合在线应用的方式构建基于多任务学习和LSTM的综合能源系统多元负荷预测模型，并使用平均绝对值误差MAE和R

(二)技术方案

为了实现上述目的，本发明的方法所采用的技术方案是：通过对输入/输出特征集的合理选取，使负荷预测结果更为准确；然后对得到的数据集进行预处理，以消除数据在测量、传输以及存储过程中出现的异常情况；接着将数据集进行划分为训练集和验证集，以便后续模型训练；最后采用离线训练配合在线应用的方式构建模型，模型结构采用多任务学习配合LSTM，评价指标为平均绝对值误差MAE和R

输入/输出特征集是决定模型表现能力的关键。其中输入特征往往是影响负荷预测的各种属性，针对IES多元负荷预测问题设置输入特征时首先需要确定各类负荷的组成以及必要的相关信息，如环境因子、节假日信息等，本发明选择环境因子、日类型信息、多元负荷数据等共同作为输入特征x，而输出特征y则为待测时刻实际多元负荷数据，输入特征x与输出特征y共同构成多元负荷预测问题的样本{x,y}。

数据在测量、传输、存储过程中易出现异常情况，倘若直接舍弃该部分样本，会大大削减建立预测模型的可用信息，降低模型预测性能。因此本发明采用缺失值填充和异常值辨识，以保证数据集的完整性和优质性，并对最终数据集进行归一化处理，以防止变量间数量级差异较大影响模型预测精度。

鉴于深度学习模型构建与训练需要大量的计算资源，宜采用高性能服务器，故本文采用离线训练配合在线应用的方式构建IES电、热、冷多元负荷预测神经网络模型。首先通过高性能服务器对模型进行离线构建和训练，然后将训练好的模型复制到对应的用户侧计算机或终端设备中进行在线应用。其中，离线训练阶段主要是通过LSTM加上多任务学习多个输入特征和多元负荷间的映射关系；在线应用主要是将当前时刻的特征输入训练好的LSTM 加上多任务学习模型中快速得到下一时刻的多元负荷预测结果，最后采用平均绝对值误差 MAE和R

(三)有益效果

本发明的有益效果为：通过多任务学习对综合能源系统多元负荷间关联性进行学习，实现对综合能源系统多元负荷更为准确的预测，可以有利于综合能源系统的运行管理和优化调度。同时通过离线训练配合在线应用的方式构建IES电、热、冷多元负荷预测神经网络模型可以大大节省训练时间；最终采用平均绝对值误差MAE和R

附图说明：

图1是基于多任务学习的综合能源系统多元负荷预测方法

建立流程图。

具体实施方式：

设置良好的输入数据集，本发明采用的输入数据集包括电、热、冷历史负荷数据、气象数据以及日类型数据。

然后对数据集进行缺失值处理和异常值辨识，最后对数据集进行归一化处理：

式中x

对预处理完毕的数据集进行划分，分为训练集和测试集。

接下来进行网络建模，先依据所建立模型特征确定部分超参数，然后对剩余超参数采用随机追踪法，利用不同超参数子空间对网络收敛速度影响程度不同，选择不同的搜索范围，以加快参数选择效率。

然后对网络模型进行训练，将多维特征向量作为输入，负荷预测数值作为输出，自底向上训练网络，直至迭代到预设次数为止。通过多个隐含层逐层将原始数据集中的低维特征转化为高维特征，使模型学习到隐含映射关系。

再对网络参数进行调优，采用Adam优化算法将验证集特征量输入训练后的LSTM-MTL网络中，将输出的多元负荷预测结果与真实值进行对比并计算损失函数，依据损失函数逐代调整网络参数。

最后对网络性能进行评估，鉴于所构建多元负荷预测模型在同一时间需要对多个子任务进行预测分析，因此本文选用平均绝对值误差MAE和R

式中：n为样本数量，y

网络输出精度的评价利用R

式中：

至此，已经结合附图描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本说明书发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。