一种综合能源系统运行工况识别与运行性能预测方法技术方案

本发明专利技术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。且具有较高的准确性和较好的泛化性能。且具有较高的准确性和较好的泛化性能。

【技术实现步骤摘要】
一种综合能源系统运行工况识别与运行性能预测方法


[0001]本专利技术所属的
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 task learning,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。

技术介绍

[0002]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。
[0003]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。
[0004]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(Gated recurrent 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。
[0005]本专利技术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。

技术实现思路

[0006]本专利技术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。
[0007]本专利技术实现上述目的的技术方案是：通过数据预处理、基于相关性分析的特征提取以及基于JDA的迁移学习获取大量的高质量数据，在分别建立基于GRU神经网络组的运行工况识别模型和运行性能预测模型基础上，引入有监督的多任务联合训练环节，其主要步骤如下：
[0008]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；
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]进一步的，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。
[0014]进一步的，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。
[0015]进一步的，所述步骤(3)中，联合分布适配(Joint Distribution Adaptation,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。
[0016]进一步的，所述步骤(4)中，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。
[0017]进一步的，所述步骤(5)中，提出的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。
[0018]进一步的，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中的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由单个样本在所有时刻的损失表示。
[0019]本专利技术的有益效果：提出一种针对IES运行工况识别与性能预测问题的新模型，通过相关性分析特征提取与IES及其仿真系统运行工况密切相关的深层特征，然后采用了一种基于JDA的迁移学习提高了后续多任务学习阶段中模型的精度和收敛速度，通过多任务学习提升了两个模型的泛化能力。最后，通过有监督的多任务联合训练进本文档来自技高网...

【技术保护点】

【技术特征摘要】
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 Di...

【专利技术属性】
技术研发人员：张建华，姚祎，许洪华，刘慧丽，周冬旭，王永岳，马钎雄，
申请(专利权)人：国网江苏省有限公司南京供电分公司，
类型：发明
国别省市：