【技术实现步骤摘要】
本专利技术涉及能源负荷预测，尤其涉及一种负荷协同预测方法、系统及存储介质。
技术介绍
1、根据现有的规划报告，多能源综合优化工程，电、热、冷、气、水等基础设施整体规划，综合能源系统(integrated energy system)是新一代能源系统的建设需要。ies中可再生能源的高渗透率也给电力系统调度带来了额外的挑战，如何控制，运行及优化ies以提高能源利用效率、减少碳排放成为当务之急。ies的负荷预测是系统运行和调度的基础。作为ies需求分配的先决条件、负荷预测可以经济合理地安排不同类型能源的转换，为ies规划和运行设计提供重要数据支持，保障电网安全稳定运行。显然，ies的负荷预测不能像传统电力系统那样局限于单一负荷。制冷、制热、电力和其他多重负载必须作为一个整体来考虑。且ies系统中的电负荷与热负荷具有较高的相关性，电-热-冷协同预测也有助于提高预测精度，因此，电-热-冷协同预测是必要且有意义的
2、现有的负荷预测方法中，一些深度学习方法应用较为广泛，性能相较于传统的学习方法有较大提升，例如反向传播神经网络(bpnn)，循环神经网络(rnn)，transformer等，其中rnn的变体长短期神经网络(lstm)在时间序列预测中表现较为优异。而针对多负荷协同预测，多任务学习(mtl)的应用十分广泛，但绝大部分的mtl为硬参数共享，导致各负荷中并相关性较低的部分用于训练同一模型阻碍模型性能提升，甚至在某些场景不如单负荷预测，软参数共享搭配注意力机制可能效果更优异；而在其它深度学习的应用领域中，以加入辅助任务来提升模
3、在此背景下，开发一种基于双向长短期神经网络并通过注意力机制实现自适应的辅助任务加权学习的负荷协同预测方法，针对三种负荷其中一种负荷，以另外两种负荷针作为预测辅助任务的来提升预测性能是有必要且可行的。
技术实现思路
1、本专利技术提供一种负荷协同预测方法、系统及存储介质，用以解决现有综合能源系统负荷预测精度低的问题。
2、本专利技术提供一种负荷协同预测方法，包括：
3、对历史负荷数据进行采集，并对所述历史负荷数据进行处理；
4、采集相应时间段的天气特征数据，选择各负荷相关的天气特征数据作为输入特征；
5、将处理后的历史负荷数据和相关的天气特征数据输入至预设的预测模型中，通过所述预测模型针对一种负荷，以其它两种负荷的预测作为辅助任务的形式对单一负荷进行预测。
6、根据本专利技术提供的一种负荷协同预测方法，所述对历史负荷数据进行采集，并对所述历史负荷数据进行处理，具体包括：
7、采集待预测区域的历史电力负荷时序曲线，并对历史负荷数据进行异常值检测；
8、基于异常值检测结果通过线性插值的方式对异常值进行替换，获得去噪后的历史负荷数据。
9、根据本专利技术提供的一种负荷协同预测方法，所述采集相应时间段的天气特征数据，选择各负荷相关的天气特征数据作为输入特征，具体包括：
10、通过皮尔逊法计算历史天气数据与去噪后的各种负荷数据之间相关性，得到各天气特征与各种负荷的相关性系数；
11、挑选天气特征计算得出的相关性系数排序后，选择前三的天气数据与相应负荷构成各负荷的数据集。
12、根据本专利技术提供的一种负荷协同预测方法，所述将处理后的历史负荷数据和相关的天气特征数据输入至预设的预测模型中，具体包括：
13、将各负荷的数据集进行最大最小归一化处理，归一化后对数据进行打包处理；
14、将设定时间段内的数据分别打包为输入集合和输出集合，以窗口滚动的形式构成成对的输入输出，将打包后的数据分割，数据集中设定月份作为测试集，其余为训练集；
15、将训练集输入至预测模型中进行训练，训练后通过测试集进行测试。
16、根据本专利技术提供的一种负荷协同预测方法，所述预测模型构建过程为：
17、基于双向长短期神经网络构建多任务学习模型，其中热负荷预测任务和冷负荷预测任务作为电负荷预测任务的辅助任务，并在此基础上设计针对该模型设计注意力机制实现软参数共享；
18、基于所述多任务学习模型，利用网格搜索法针对其中的超参数进行优化；
19、在训练以及优化的过程中，在训练集中采取时间序列滑动交叉验证法评估模型的性能，并采用亚当算法下降梯度，以均方绝对百分比误差作为评价以及训练指标训练模型，并采用训练完的模型在测试集中测试其性能，完成预测模型的构建。
20、根据本专利技术提供的一种负荷协同预测方法，所述基于所述多任务学习模型，利用网格搜索法针对其中的超参数进行优化，具体包括：
21、对学习率、训练批次以及训练轮数进行优化；
22、并且多任务学习的目标函数为三个预测任务的损失加权求和，各个任务的权重同样使用加权求和进行优化。
23、本专利技术还提供一种负荷协同预测系统，所述系统包括：
24、数据采集模块，用于对历史负荷数据进行采集，并对所述历史负荷数据进行处理；
25、天气特征融合模块，用于采集相应时间段的天气特征数据，选择各负荷相关的天气特征数据作为输入特征；
26、预测模块，用于将处理后的历史负荷数据和相关的天气特征数据输入至预设的预测模型中，通过所述预测模型针对一种负荷，以其它两种负荷的预测作为辅助任务的形式对单一负荷进行预测。
27、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述负荷协同预测方法。
28、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述负荷协同预测方法。
29、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述负荷协同预测方法。
30、本专利技术提供的一种负荷协同预测方法、系统及存储介质，通过基于双向长短期神经网络并通过注意力机制实现自适应的辅助任务加权学习的负荷协同预测，能够提高综合能源系统中多负荷协同预测的精度，针对多负荷协同预测使用多任务学习硬参数共享时各负荷中并相关性较低的部分用于训练同一模型阻碍模型性能提升的问题，采取将三种负荷其中一种负荷作为主任务，以另外两种负荷针作为预测辅助任务的多任务学习的方法，并针对该种设计提出一种注意力机制，从而提升预测性能。
本文档来自技高网...【技术保护点】
1.一种负荷协同预测方法，其特征在于，包括：
2.根据权利要求1所述的负荷协同预测方法，其特征在于，所述对历史负荷数据进行采集，并对所述历史负荷数据进行处理，具体包括：
3.根据权利要求1所述的负荷协同预测方法，其特征在于，所述采集相应时间段的天气特征数据，选择各负荷相关的天气特征数据作为输入特征，具体包括：
4.根据权利要求1所述的负荷协同预测方法，其特征在于，所述将处理后的历史负荷数据和相关的天气特征数据输入至预设的预测模型中，具体包括：
5.根据权利要求1所述的负荷协同预测方法，其特征在于，所述预测模型构建过程为：
6.根据权利要求5所述的负荷协同预测方法，其特征在于，所述基于所述多任务学习模型，利用网格搜索法针对其中的超参数进行优化，具体包括：
7.一种负荷协同预测系统，其特征在于，所述系统包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述负荷协同预测方法。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。