基于综合能源数据处理和多任务深度学习的负荷预测方法技术

本发明专利技术涉及基于综合能源数据处理和多任务深度学习的负荷预测方法，采用MMoE网络构建多任务模型，利用多个专家子网和门控单元实现对共享信息的合理分配，保证每个任务均能获得最有效的信息；通过SGDR优化器改善模型训练时的学习率调整策略，更好地搜寻全局最优解，加速模型收敛；构建BiLSTM模型能够更好地挖掘负荷数据过去和未来的深度时序特征，并加入注意力机制实现模型对于共享特征不同程度的关注，体现不同子任务对共享特征的差异化选择，从而有效提升综合能源负荷预测精度。有效提升综合能源负荷预测精度。有效提升综合能源负荷预测精度。

【技术实现步骤摘要】
基于综合能源数据处理和多任务深度学习的负荷预测方法


[0001]本专利技术属于综合能源负荷预测
，尤其是基于综合能源数据处理和多任务深度学习的负荷预测方法。

技术介绍

[0002]综合能源系统（integrated energy system，IES）基于多种能源生产、存储的装置及能量调度管理，能够实现可再生能源的充分消纳和多种能源供需间的灵活转换，是满足不断增长的能源需求的重要研究方向。准确的负荷预测是 IES 安全经济运行与优化管理的基础，考虑到区域型 IES 体量较小、负荷波动性强、对短期负荷预测精度要求高，在负荷预测中需要更加注重对数据所蕴含的不同能源负荷间关联关系的充分挖掘和预测技术的提高。
[0003]在综合能源系统中，多种能源网之间通过能量转换设备互相耦合，如电锅炉可将电能转换为热能，燃气锅炉可将天然气转换为热能，电转气（Power to Gas, P2G）技术可将电能转换为天然气，冷热电联产（ Combined Cooling Heating and Power, CCHP）系统机组可将天然气转换为电能和热能等，再本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于综合能源数据处理和多任务深度学习的负荷预测方法，其特征在于：包括以下步骤：步骤1、获取考虑对综合能源系统冷、热及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；步骤2、构建MMoE多任务学习模型，将历史冷热电负荷特征数据及影响因素特征数据输入到多任务学习模型中；步骤3、构建SGDR优化器，对MMoE模型进行训练，由多任务学习模型的若干个专家子网的输出得到共享特征数据；步骤4、构建三个BiLSTM神经网络模型，在BiLSTM模型后构建注意力机制AM模型，形成BiLSTM
‑
AM，利用步骤2中MMoE模型的专家子网的输出和冷、热、电负荷标签对三个BiLSTM
‑
AM网络进行训练，最终得到MMoE
‑
BiLSTM
‑
AM模型；步骤5、将待预测时刻对应的历史冷热电负荷特征数据和影响因素特征数据输入到训练好的MMoE
‑
BiLSTM
‑
AM模型，得到冷热电负荷预测结果。2.根据权利要求2所述的基于综合能源数据处理和多任务深度学习的负荷预测方法，其特征在于：所述步骤1中影响因素特征包括：冷热电负荷有密切关联的气象因素特征和时间特征，其中气象因素特征通过皮尔逊相关系数进行分析，时间特征为待预测负荷对应的时间数据。3.根据权利要求3所述的基于综合能源数据处理和多任务深度学习的负荷预测方法，其特征在于：所述气象因素特征通过皮尔逊相关系数进行分析的具体实现为：其中，为皮尔逊相关系数；、为两个特征向量；为、的协方差；和为和的标准差。4.根据权利要求2所述的基于综合能源数据处理和多任务深度学习的负荷预测方法，其特征在于：所述步骤1中历史冷热电负荷特征库包括：包括被预测时刻前M个时间步长的冷、热及电负荷数据，影响因素特征库为待预测时刻对应的气象特征和时间特征。5.根据权利要求1所述的基于综合能源数据处理和多任务深度学习的负荷预测方法，其特征在于：所...

【专利技术属性】
技术研发人员：魏然，邓欣宇，黄旭，王小璇，韩斌，李宇，李艳，刘延博，杨喆，高强伟，刘超，杨国朝，赵长伟，刘伟，刘扬，骈瑞珺，
申请(专利权)人：国家电网有限公司国网天津市电力公司城东供电分公司，
类型：发明
国别省市：