基于深度学习的综合能源系统多元负荷预测方法及系统

本发明属于综合能源系统，涉及一种基于深度学习的综合能源系统多元负荷预测方法及系统，尤其是通过特征分离-融合和多任务学习的方法考虑不同能源系统之间的耦合关系以及不同负荷序列的时空相关性对冷、热、电负荷的影响的方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、随着社会经济快速发展，能源利用与环境保护之间的矛盾愈发尖锐，综合能源系统(integrated energy system，ies)作为满足能源需求增长的重要研究方向，受到国内外研究者的广泛关注。传统能源系统能源利用形式粗放，忽略了能源的二次利用和不同类型能源间的互补转换，导致能源利用率低、系统可靠性差、灵活性不足，已无法适应时代发展的要求。综合能源系统内部包含多种能源供给、转换和存储设备，多种异质能流在能源供给、转换、分配等各个环节耦合交互，实现了能源的梯级利用，大幅度提高能源利用效率的同时保证了系统运行的经济性、灵活性和可靠性。

3、在能源供给侧，新能源发电量逐年提升；在用能侧，电动汽车、需求侧响应等新因素不断增多；导致综合能源系统源荷不确定性大幅度增加，严重威胁综合能源系统的安全稳定运行。负荷预测是能量管理系统的重要组成部分，对综合能源系统的经济调度与优化运行有重要意义。传统负荷预测方法可以分为两类：时间序列法和机器学习法。其中传统的时间序列法虽然在预测过程中有效利用了负荷序列的时序相关性，但挖掘数据非线性关系的能力不足。机器学习方法改善了传统时间序列法对非线性关系挖掘不足的缺点，但随着综合能源系统规模不断扩大，机器学习存在大规模数据处理困难问题。

4、目前针对单一类型负荷预测的研究已经取得了许多成果，但针对基于深度学习的综合能源系统多元负荷预测的研究仍然较少，并且大多数直接套用电力系统中的电力负荷预测方法，没有考虑多能负荷之间的复杂耦合关系，导致预测精度无法满足要求。相较于单类型能源系统，综合能源系统结构更加复杂，多种能源通过不同的能源转换设备交叉耦合。因此在预测过程中，除了要考虑负荷序列自身的时空相关性以外，还须充分考虑多能源系统之间的耦合关系对负荷预测的影响。

5、在现有研究中，研究者没有考虑不同负荷影响因素之间的差异性，将不同类型的输入特征作统一处理，导致特征提取阶段获得大量无用信息，严重影响预测精度和模型效率。

技术实现思路

1、本发明为了解决上述问题，提出了一种基于深度学习的综合能源系统多元负荷预测方法及系统，本发明可以有效利用多能负荷之间的时空相关性与不同能源系统的耦合交互关系提高多元负荷预测精度。

2、根据一些实施例，本发明采用如下技术方案：

3、一种基于深度学习的综合能源系统多元负荷预测方法，包括以下步骤：

4、对多能历史负荷进行重构，将原始序列数据转换为二维数据图，使数据在水平和竖直两个方向上分别具有时间相关性和空间相关性；

5、对卷积神经网络模型进行改进，在同一卷积层内设置并行的不同尺度的卷积核，从多个尺度提取多能负荷的高维抽象特征，利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；

6、融合提取结果和外部影响因素，得到融合后的时间序列数据；

7、采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能系统之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到各个负荷预测结果。

8、作为可选择的实施方式，所述多能历史负荷包括冷、热、电历史负荷数据，所述外部影响因素数据为日期类型、温度、天气、湿度和电价波动中的若干。

9、作为可选择的实施方式，所述多尺度并行卷积神经网络模型，在同一卷积层内设置并行的三个不同尺度的卷积核；

10、其中卷积层用于对负荷数据局部特征进行提取，采用最大池化的方式压缩卷积层输出的局部特征，保留关键信息。

11、作为进一步限定的实施方式，所述多尺度并行卷积神经网络模型选择rule函数作为激活函数。

12、作为进一步限定的实施方式，卷积阶段的特征提取包括两个方面：横向提取短序列局部时序特性和纵向提取多能负荷空间耦合特征。

13、作为可选择的实施方式，融合提取结果和外部影响因素的具体过程包括，将特征融合层的动态输出按时间步长与原始负荷数据结合。

14、作为可选择的实施方式，以长短期记忆神经网络为共享层的多任务学习框架采用隐层参数的硬共享机制，在所有子任务之间共享隐藏层。

15、作为可选择的实施方式，由不同结构的全连接网络分别解释提取时序特征，得到冷、热、电负荷预测结果。

16、一种基于深度学习的综合能源系统多元负荷预测系统，包括：

17、数据重构模块，被配置为对多能历史负荷进行重构，将原始序列数据转换为二维数据图，使数据在水平和竖直两个方向上分别具有时间相关性和空间相关性；

18、提取模块，被配置为对卷积神经网络模型进行改进，在同一卷积层内设置并行的三个不同尺度的卷积核，从多个尺度提取多能负荷的高维抽象特征，利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；

19、融合模块，被配置为融合提取结果和外部影响因素，得到融合后的时间序列数据；

20、预测模块，被配置为采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能系统之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到冷、热和电负荷预测结果。

21、一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述方法中的步骤。

22、一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的方法中的步骤。

23、与现有技术相比，本发明的有益效果为：

24、(1)本发明采用分离—融合的特征处理方法，根据输入特征之间的差异性，将输入特征分为两类，进行差异化处理。建立特征融合层，将基于多尺度并行的卷积神经网络输出的高维时空特征向量按时间断面与外部影响因素融合作为原始负荷数据的补充，得到更具表征力的高维输入矩阵。

25、(2)本发明将历史负荷数据重构为三通道的二维数据图，将时序信息和空间信息整合，使原始负荷数据在水平和竖直两个方向分别具有时间相关性和空间相关性。同时弥补lstm在长时间循环过程中对周期性关注不足的缺点。

26、(3)本发明基于多尺度并行的改进卷积神经网络，在同一卷积层内设置三种不同尺度的卷积核，并行卷积操作，对原始数据中的隐藏特征进行多尺度提取，在高维空间内融合形成更具表现力的特征向量，从而避免在特征筛选过程中遗漏局部重要特征。

27、(4)本发明采用三种不同结构的fcn网络，对特征提取器输出的特征进行解释，能够适应不同负荷的波动特征。

技术特征：

1.一种基于深度学习的综合能源系统多元负荷预测方法，其特征是，包括以下步骤：

2.如权利要求1所述的一种基于深度学习的综合能源系统多元负荷预测方法，其特征是，所述多能历史负荷包括冷、热、电历史负荷数据，所述外部影响因素数据为日期类型、温度、天气、湿度和电价波动中的若干。

3.如权利要求1所述的一种基于深度学习的综合能源系统多元负荷预测方法，其特征是，所述多尺度并行卷积神经网络模型，在同一卷积层内设置并行的三个不同尺度的卷积核；

4.如权利要求3所述的一种基于深度学习的综合能源系统多元负荷预测方法，其特征是，所述多尺度并行卷积神经网络模型选择rule函数作为激活函数。

5.如权利要求3所述的一种基于深度学习的综合能源系统多元负荷预测方法，其特征是，卷积阶段的特征提取包括两个方面：横向提取短序列局部时序特性和纵向提取多能负荷空间耦合特征。

6.如权利要求1所述的一种基于深度学习的综合能源系统多元负荷预测方法，其特征是，融合提取结果和外部影响因素的具体过程包括，将特征融合层的动态输出按时间步长与原始负荷数据结合。

7.如权利要求1所述的一种基于深度学习的综合能源系统多元负荷预测方法，其特征是，以长短期记忆神经网络为共享层的多任务学习框架采用隐层参数的硬共享机制，在所有子任务之间共享隐藏层；

8.一种基于深度学习的综合能源系统多元负荷预测系统，其特征是，包括：

9.一种计算机可读存储介质，其特征是，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述方法中的步骤。

10.一种终端设备，其特征是，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述方法中的步骤。

技术总结
本发明提供了一种基于深度学习的综合能源系统多元负荷预测方法及系统，对多能历史负荷进行重构，将原始序列数据转换为二维数据图，使数据在水平和竖直两个方向上分别具有时间相关性和空间相关性；利用改进后的多尺度并行卷积神经网络模型提取多能负荷的空间相关性和序列的局部依赖关系；融合提取结果和外部影响因素，得到融合后的时间序列数据；采用以长短期记忆神经网络为共享层的多任务学习框架挖掘多能系统之间的耦合关系和融合后的时间序列的时序特性，解释提取时序特征，得到各个负荷预测结果。本发明可以有效利用多能负荷之间的时空相关性与不同能源系统的耦合交互关系提高多元负荷预测精度。

技术研发人员：李珂,牟宇宸,杨帆,张承慧
受保护的技术使用者：山东大学
技术研发日：
技术公布日：2024/1/13