一种基于负荷特性差异及耦合关联的多元负荷预测方法及存储介质与流程

本发明涉及园区综合能源系统多元负荷预测，具体地，涉及一种基于负荷特性差异及耦合关联的多元负荷预测方法及存储介质。

背景技术：

1、当下园区综合能源系统在源、网、荷各环节的能量耦合关系不断加深，加之新型负荷的不确定性因素不断增多，并且其对园区综合能源系统的高效稳定运行起着重要影响。园区综合能源系统的复杂性与多元性要求对负荷进行准确预测，以保障电力系统的稳定运行和有效管理。在这一背景下，提高多元负荷预测精度成为园区负荷稳定的关键技术之一。

2、侯健敏等提出了一种基于综合相关性指标与sa-bigru的综合能源系统多元负荷预测方法，该研究聚焦于提高模型的适应性，通过综合相关性指标对不同负荷类型进行建模，以sa-bigru作为主要模型，通过多任务学习框架，使得模型能够更好地捕捉负荷之间的关联性，从细致的特征建模出发，为提高多元负荷预测的准确性提供了有力支持。秦烁等在研究中提出了一种基于多任务学习和单任务学习组合模型的综合能源系统多元负荷预测方法，通过结合多任务学习和单任务学习的思想，构建了一个组合模型，旨在更好地捕捉不同负荷类型的特征，法充分考虑了任务之间的关联性，通过协同学习提高了模型的整体性能和泛化能力，为提高多元负荷预测的鲁棒性提供了有效途径。付文龙等提出了一种多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测方法，通过引入多尺度特征提取方法，充分考虑负荷数据的时空特性，在任务之间引入非线性融合技术，有效地结合了不同任务学习到的信息，提高了预测的准确性，对于综合考虑负荷的多样性具有积极意义，为多元负荷预测的提升开辟了新的方向。马传杰等采用了xgboost-mtl的方法进行综合能源系统多元负荷预测，该方法利用梯度提升树模型，通过多任务学习框架共享模型参数，充分考虑不同负荷类型之间的关联性，xgboost作为基础模型，通过多任务学习进一步提高了负荷预测的准确性，在实现较高精度的同时，为基于集成学习的多元负荷预测提供了有力支持。王力成等提出了一种基于知识-数据混合驱动的综合能源系统多元负荷预测方法，通过结合领域知识和数据驱动的特点，在多任务学习框架下实现了知识与数据的有效融合，对于提高模型的泛化性能，尤其在数据不足情况下表现突出，为多元负荷预测提供了一种创新的思路。

3、现有的基于多任务学习的多元负荷预测方法虽然一定程度上学习到了各类负荷之间的耦合关系，但是也由于没有考虑到各类负荷之间的差异性，从而可能导致多元负荷预测精确度的降低。

技术实现思路

1、针对现有技术中存在的问题，本发明提供了一种基于负荷特性差异及耦合关联的多元负荷预测方法及存储介质，在学习到各个负荷数据的耦合关系的同时，区分各个负荷数据，以此提升多元负荷预测的精确度。

2、为实现上述技术目的，本发明采用如下技术方案：一种基于负荷特性差异及耦合关联的多元负荷预测方法，具体包括如下步骤：

3、步骤1、收集园区综合能源系统的历史多元负荷数据，对历史多元负荷数据进行清洗和归一化，得到标准历史多元负荷数据；

4、步骤2、将标准历史多元负荷数据基于woa-vmd算法进行模态分解，得到最优的模态分量；

5、步骤3、构建负荷特性差异及耦合关联的多元负荷预测模型，将最优的模态分量依次输入多元负荷预测模型中训练多元负荷预测模型，直至联合优化损失函数收敛，完成对多元负荷预测模型的训练；

6、步骤4、实时采集园区综合能源系统的多元负荷数据，采用步骤1的方法进行清洗和归一化后，基于woa-vmd算法进行模态分解，得到最优的模态分量，输入训练好的多元负荷预测模型中，预测出带有负荷分类标签的负荷分量，将预测的负荷分量求和得到负荷预测值。

7、进一步地，步骤2包括如下子步骤：

8、步骤2.1、将vmd算法中的二次惩罚因子和模态数量作为鲸鱼种群位置向量，以包络熵作为适应度函数计算每头鲸鱼的适应度，初始化鲸鱼种群位置向量，并设置最大迭代次数；

9、步骤2.2、将鲸鱼种群位置向量中的每头鲸鱼个体计算每头鲸鱼个体的适应度，将适应度最小对应的鲸鱼个体位置向量作为最优解；

10、步骤2.3、产生随机数p，若p≥0.5，使用螺旋攻击策略更新每头鲸鱼个体的位置；否则，若|a|≥1，使用搜索策略更新每头鲸鱼个体的位置；否则，使用包围猎物策略更新每头鲸鱼个体的位置；

11、步骤2.4、重复步骤2.2-2.3，直至达到最大迭代次数，输出适应度最小对应的鲸鱼个体位置，并利用乘法交替方向法更新vmd算法中的模态分量、模态分量的中心频率和拉格朗日算子，得到最优的模态分量。

12、进一步地，所述适应度函数ep的计算过程为：

13、

14、其中，n表示概率分布序列的采样点数，i表示n的索引，ε(i)表示第i个采样点的熵值，a(i)表示vmd算法分解的模态分量经hibert解调后的包络信号。

15、进一步地，使用螺旋攻击策略更新每头鲸鱼个体的位置的具体过程为：

16、

17、其中，表示第t次迭代下适应度最小对应的鲸鱼个体位置向量，表示鲸群与猎物之间距离，表示第t次迭代下鲸鱼个体位置向量，b为常数，l为[-1,1]间的随机数。

18、进一步地，使用搜索策略更新每头鲸鱼个体的位置的具体过程为：

19、

20、其中，表示第t次迭代下从当前种群中随机选取的鲸鱼个体位置向量，表示搜索代理到目标食物的距离，表示第一系数向量，表示[0,1]间的随机向量；表示第二系数向量，a表示收敛因子，表示[0,1]间的随机向量。

21、进一步地，使用包围猎物策略更新每头鲸鱼个体的位置的具体过程为：

22、

23、其中，表示第t次迭代下适应度最小对应的鲸鱼个体位置向量，表示第二系数向量，a表示收敛因子，表示[0,1]间的随机向量；表示搜索代理到目标食物的距离，表示第一系数向量，表示[0,1]间的随机向量。

24、进一步地，步骤3中多元负荷预测模型由时间卷积网络tcn、lstm网络和dnn网络组成，所述时间卷积网络tcn的输入为最优的模态分量，所述时间卷积网络tcn的输出端分别与lstm网络的输入端、dnn网络的输入端连接；所述时间卷积网络tcn用于提取时序深层特征，所述lstm网络用于预测负荷分量，所述dnn网络用于进行负荷分类。

25、进一步地，步骤3中时序深层特征的提取过程具体为：

26、o＝activation(x+f(x))

27、其中，o表示提取的时序深度特征，activation()表示激活函数，x表示输入的模态分量，f(x)表示对输入的模态分量进行膨胀卷积的过程。

28、进一步地，所述联合优化损失函数e(θ)的计算过程为：

29、e(θ)＝βece(θ)+(1-β)emse(θ)

30、其中，θ表示多元负荷预测模型中的待优化参数，ece(θ)表示lstm网络中的损失函数，β表示ece(θ)的权重，emse(θ)表示dnn网络中的损失函数，1-β表示emse(θ)的权重。

31、进一步地，本发明还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序使计算机执行所述的基于负荷特性差异及耦合关联的多元负荷预测方法。

32、与现有技术相比，本发明具有如下有益效果：本发明于负荷特性差异及耦合关联的多元负荷预测方法采用woa-vmd算法对园区综合能源系统中的各类负荷提取模态分量，一方面在负荷数据有限的情况下，将数据进行vmd分解，能够丰富负荷的数据信息；另一方面，vmd分解中的二次惩罚因子和模态数量如果选取不得当，会造成频带信息丢失，反之，会导致信息冗余，从而使得分解出的模态分量不能精准地表述出原始负荷数据信息，影响多元负荷预测模型的预测效果，因此本发明利用woa算法对vmd算法中的二次惩罚因子和模态数量进行寻优，并以包络熵为适应度函数，以确保vmd分解得到的模态分量能够最大化地保留到原始负荷数据的信息；同时，本发明通过构建负荷特性差异及耦合关联的多元负荷预测模型，多元负荷预测模型由用时间卷积网络tcn、lstm网络和dnn网络组成，通过时间卷积网络tcn对分解出的模态分量进行时序特征提取，以提高负荷预测的精确度，并将提取的时序特征用于lstm的时序预测和dnn的向量分类，从而学习到分量之间的耦合关联，实现更加精准的多元负荷预测。