随着向新型能源体系的转型加速,亟待开展对多元负荷用户的复杂用能特性分析的深入研究。提出了一种综合考量电、冷、热多元负荷耦合特性的用户用能特性标签库构建技术及用户画像方法。首先运用快速相关性滤波算法剔除高冗余低相关特征,...随着向新型能源体系的转型加速,亟待开展对多元负荷用户的复杂用能特性分析的深入研究。提出了一种综合考量电、冷、热多元负荷耦合特性的用户用能特性标签库构建技术及用户画像方法。首先运用快速相关性滤波算法剔除高冗余低相关特征,并通过随机森林和递归式特征消除算法精选出具有强区分能力的用能特征。在聚类阶段,改进的自适应三支密度峰值聚类算法(three-way adaptive density peak clustering,3W-ADPC)通过结合自适应近邻搜索和三支聚类算法提升负荷聚类效果。实证结果表明,所提方法具备在计算效率和聚类精度上的双重优势,能够精准揭示多元负荷用户综合用能特性和深层次信息,证实所提方法在多元负荷用户行为研究中的实用价值。展开更多
负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单...负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单一模型的不足,提出一种基于TCN-TPABiLSTM组合模型和多任务学习框架的IES多元负荷超短期协同预测方法。首先对负荷间耦合相关性、负荷时间相关性和负荷影响因素进行分析以构建模型输入,再通过变分模态分解将负荷数据分解为一定数量的模态以降低非平稳性,最后以TCN-TPA-BiLSTM组合模型作为多任务学习框架的共享层进行预测。通过实际数据进行验证和对比,结果表明该方法能够充分发挥模型各部分优势,相较于其他模型也获得了更优的结果。展开更多
多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超...多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超短期多元负荷预测方法。构建基于最小平均包络熵的变分模态分解参数优化模型,将IES多元负荷分解为本征模态分量集合;基于统一信息系数法筛选多元负荷预测的日历、气象与负荷强相关特征;结合负荷本征模态分量集合、日历规则、气象环境与负荷数据,构建Bagging集成超短期多元负荷预测模型,并建立基于平均绝对百分比误差与决定系数的集成策略优化模型,进而得到最优集成策略与最终预测结果。以美国亚利桑那州立大学坦佩校区IES为对象展开仿真验证,结果表明,所提方法的电、热、冷负荷预测平均绝对百分比误差分别为1.9486%、2.0585%、2.5331%,相比其他预测方法具有更高准确率。展开更多
为提高综合能源系统(integrated energy system,IES)多元负荷预测的精确度,综合考虑多能源相互作用机理、多元负荷耦合特性及气象因素相关性,提出了一种基于多尺度特征提取的IES多元负荷短期联合预测方法。首先,通过最大互信息系数(maxi...为提高综合能源系统(integrated energy system,IES)多元负荷预测的精确度,综合考虑多能源相互作用机理、多元负荷耦合特性及气象因素相关性,提出了一种基于多尺度特征提取的IES多元负荷短期联合预测方法。首先,通过最大互信息系数(maximum information coefficient,MIC)研究多元负荷耦合特性及影响因素相关性,选择预测特征;其次,利用变分模态分解技术(variational mode decomposition,VMD)对输入特征进行分解,提升特征纯洁度;最后,采用卷积神经网络-双向长短期记忆神经网络(convolutional neural network-bidirectional long and short-term memory,CNN-BiLSTM)多任务学习模型进行纵向、横向特征选择,注意力(Attention)机制对重要特征差异化提取,实现多尺度特征提取,并利用雪消融优化器(snow ablation optmizer,SAO)对VMD和CNN-BiLSTM多任务学习模型进行超参数优化,以此实现IES多元负荷的联合预测。以美国亚利桑那州实测数据进行实验,结果表明,无论与单一预测方法还是与其他模型相比,所提联合预测方法的均方根误差更低、准确率更高,在IES多元负荷预测中具有更高的精确性和鲁棒性。展开更多
对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重...对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。展开更多
精确高效的多元负荷短期预测对于综合能源系统的运行控制与调度具有重要意义。为了改善负荷预测效果,提出一种量子加权遗忘门与输入门结合的长短期记忆(Quantum weighted coupled input and forget gate long short-term memory,QWCIFGL...精确高效的多元负荷短期预测对于综合能源系统的运行控制与调度具有重要意义。为了改善负荷预测效果,提出一种量子加权遗忘门与输入门结合的长短期记忆(Quantum weighted coupled input and forget gate long short-term memory,QWCIFGLSTM)神经网络模型。在模型结构方面,将长短期记忆(Long short-term memory,LSTM)神经网络中的遗忘门和输入门结合起来,形成遗忘门与输入门结合长短期记忆(Coupled input and forget gate long short-term memory,CIFGLSTM)神经网络,从而减少了网络参数,优化了网络结构;在模型构成方面,采用量子加权神经元替代传统神经元,构建了QWCIFGLSTM神经网络预测模型。量子加权神经元具有较强的数据处理能力和并行计算能力,可以有效提高负荷预测的精度。通过算例仿真验证,所构建的模型相较于基于反向传播(Back propagation,BP)的神经网络预测模型、传统LSTM神经网络预测模型和遗忘门与输入门结合的长短期记忆神经网络预测模型,具有更好的预测效果。展开更多
文摘随着向新型能源体系的转型加速,亟待开展对多元负荷用户的复杂用能特性分析的深入研究。提出了一种综合考量电、冷、热多元负荷耦合特性的用户用能特性标签库构建技术及用户画像方法。首先运用快速相关性滤波算法剔除高冗余低相关特征,并通过随机森林和递归式特征消除算法精选出具有强区分能力的用能特征。在聚类阶段,改进的自适应三支密度峰值聚类算法(three-way adaptive density peak clustering,3W-ADPC)通过结合自适应近邻搜索和三支聚类算法提升负荷聚类效果。实证结果表明,所提方法具备在计算效率和聚类精度上的双重优势,能够精准揭示多元负荷用户综合用能特性和深层次信息,证实所提方法在多元负荷用户行为研究中的实用价值。
文摘负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单一模型的不足,提出一种基于TCN-TPABiLSTM组合模型和多任务学习框架的IES多元负荷超短期协同预测方法。首先对负荷间耦合相关性、负荷时间相关性和负荷影响因素进行分析以构建模型输入,再通过变分模态分解将负荷数据分解为一定数量的模态以降低非平稳性,最后以TCN-TPA-BiLSTM组合模型作为多任务学习框架的共享层进行预测。通过实际数据进行验证和对比,结果表明该方法能够充分发挥模型各部分优势,相较于其他模型也获得了更优的结果。
文摘多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超短期多元负荷预测方法。构建基于最小平均包络熵的变分模态分解参数优化模型,将IES多元负荷分解为本征模态分量集合;基于统一信息系数法筛选多元负荷预测的日历、气象与负荷强相关特征;结合负荷本征模态分量集合、日历规则、气象环境与负荷数据,构建Bagging集成超短期多元负荷预测模型,并建立基于平均绝对百分比误差与决定系数的集成策略优化模型,进而得到最优集成策略与最终预测结果。以美国亚利桑那州立大学坦佩校区IES为对象展开仿真验证,结果表明,所提方法的电、热、冷负荷预测平均绝对百分比误差分别为1.9486%、2.0585%、2.5331%,相比其他预测方法具有更高准确率。
文摘为提高综合能源系统(integrated energy system,IES)多元负荷预测的精确度,综合考虑多能源相互作用机理、多元负荷耦合特性及气象因素相关性,提出了一种基于多尺度特征提取的IES多元负荷短期联合预测方法。首先,通过最大互信息系数(maximum information coefficient,MIC)研究多元负荷耦合特性及影响因素相关性,选择预测特征;其次,利用变分模态分解技术(variational mode decomposition,VMD)对输入特征进行分解,提升特征纯洁度;最后,采用卷积神经网络-双向长短期记忆神经网络(convolutional neural network-bidirectional long and short-term memory,CNN-BiLSTM)多任务学习模型进行纵向、横向特征选择,注意力(Attention)机制对重要特征差异化提取,实现多尺度特征提取,并利用雪消融优化器(snow ablation optmizer,SAO)对VMD和CNN-BiLSTM多任务学习模型进行超参数优化,以此实现IES多元负荷的联合预测。以美国亚利桑那州实测数据进行实验,结果表明,无论与单一预测方法还是与其他模型相比,所提联合预测方法的均方根误差更低、准确率更高,在IES多元负荷预测中具有更高的精确性和鲁棒性。
文摘对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。
文摘精确高效的多元负荷短期预测对于综合能源系统的运行控制与调度具有重要意义。为了改善负荷预测效果,提出一种量子加权遗忘门与输入门结合的长短期记忆(Quantum weighted coupled input and forget gate long short-term memory,QWCIFGLSTM)神经网络模型。在模型结构方面,将长短期记忆(Long short-term memory,LSTM)神经网络中的遗忘门和输入门结合起来,形成遗忘门与输入门结合长短期记忆(Coupled input and forget gate long short-term memory,CIFGLSTM)神经网络,从而减少了网络参数,优化了网络结构;在模型构成方面,采用量子加权神经元替代传统神经元,构建了QWCIFGLSTM神经网络预测模型。量子加权神经元具有较强的数据处理能力和并行计算能力,可以有效提高负荷预测的精度。通过算例仿真验证,所构建的模型相较于基于反向传播(Back propagation,BP)的神经网络预测模型、传统LSTM神经网络预测模型和遗忘门与输入门结合的长短期记忆神经网络预测模型,具有更好的预测效果。
