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
为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分...为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分模态和样本熵将多元负荷序列同步分解重构出高、中、低3种频段的模态分量;其次,构建基于多头注意力机制的多任务学习混合预测模型动态分配耦合特征,对于复杂度较高的中高频序列,采用单编码器-多解码器结构的多任务Transformer模型充分挖掘负荷波动信息,对于低频序列,基于双向门控循环单元网络提取平稳分量特征。最后,将各分量预测结果叠加得到多元负荷最终预测结果。基于美国亚利桑那州立大学Tempe校区的多元负荷数据进行测试,结果表明:所提方法电、冷、热负荷平均绝对百分比误差分别为0.61%、0.80%及0.83%,相比其他模型具有更高的求解精度和计算效率。展开更多
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。
文摘为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分模态和样本熵将多元负荷序列同步分解重构出高、中、低3种频段的模态分量;其次,构建基于多头注意力机制的多任务学习混合预测模型动态分配耦合特征,对于复杂度较高的中高频序列,采用单编码器-多解码器结构的多任务Transformer模型充分挖掘负荷波动信息,对于低频序列,基于双向门控循环单元网络提取平稳分量特征。最后,将各分量预测结果叠加得到多元负荷最终预测结果。基于美国亚利桑那州立大学Tempe校区的多元负荷数据进行测试,结果表明:所提方法电、冷、热负荷平均绝对百分比误差分别为0.61%、0.80%及0.83%,相比其他模型具有更高的求解精度和计算效率。
