CN114676941A - 园区综合能源系统电-热负荷联合自适应预测方法及装置 - Google Patents

园区综合能源系统电-热负荷联合自适应预测方法及装置 Download PDF

Info

Publication number
CN114676941A
CN114676941A CN202210596819.3A CN202210596819A CN114676941A CN 114676941 A CN114676941 A CN 114676941A CN 202210596819 A CN202210596819 A CN 202210596819A CN 114676941 A CN114676941 A CN 114676941A
Authority
CN
China
Prior art keywords
day
load
electric
thermal load
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210596819.3A
Other languages
English (en)
Other versions
CN114676941B (zh
Inventor
徐晶
刘聪
张梁
李娟�
李桂鑫
迟福建
张章
崔荣靖
刘英英
王哲
孙阔
李广敏
刘勍
宋关羽
于川航
冀浩然
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210596819.3A priority Critical patent/CN114676941B/zh
Publication of CN114676941A publication Critical patent/CN114676941A/zh
Application granted granted Critical
Publication of CN114676941B publication Critical patent/CN114676941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及园区综合能源系统电‑热负荷联合自适应预测方法及装置，通过多任务学习框架学习多元负荷的耦合关系，采用CNN‑LSTM‑Attention网络分别提取电热负荷的特征，结合日前的天气信息作为共享层；同时损失函数考虑到电热负荷的不确定性差异，对不同任务赋予动态权重，来权衡多任务学习总体的损失大小，进一步提高负荷预测的准确性；在过渡季预测偏差大时，以MMD来分别衡量电热负荷以及天气的数据分布差异，采用迁移学习固定模型底层网络参数，并对相应的顶层网络参数进行微调，解决园区综合能源系统负荷预测模型的自适应性问题，为园区综合能源系统的精细化调度优化提供依据。

Description

园区综合能源系统电-热负荷联合自适应预测方法及装置
技术领域
本发明属于新能源发电领域，尤其涉及园区综合能源系统电-热负荷联合自适应预测方法及装置。
背景技术
21世纪以来，随着我国经济建设的飞速发展，化石燃料的逐渐枯竭，使用化石燃料带来的环境污染问题日益突出，如何开发和利用可再生能源、促进能源转型成为全球各国亟待解决的难题。综合能源系统(Integrated Energy System, IES)打破了传统能源系统单独运行、分产分供的用能模式，强调多种形式能源的协调运行、联合调度，在灵活满足用户不同品位能源需求的前提下，极大地提高了能源利用效率，促进了可再生能源消纳，成为实现双碳目标的重要助力。其中，园区型综合能源系统（Community Integrated EnergySystem, CIES）作为IES的关键子集，具有运行方式灵活、低碳高效等特点，已经得到广泛应用。
CIES负荷预测是CIES能量管理的重要方面，高准确性的电热负荷预测不仅可以为CIES制定日前调度计划提供决策依据，还可以合理分配不同时段各能源耦合设备的出力，安排各个设备的生产启停，制定合理的生产和检修计划，维持供电供热的安全稳定，从而在保障用户多能需求的前提下，降低发电成本，增加经济效益。因此，精确的负荷预测已经成为CIES优化调度与运行控制的首要前提，就预测的时间尺度来看，短期预测（日前预测）对于CIES制定日前的各个设备出力计划，实现经济最优最为重要。
按功能划分，CIES一般可分为商业区、居民住宅区、工业园区、学校等场所，因此CIES可以看成是由多个用户级综合能源系统组成，电动汽车作为目前新型负荷的典型代表，正广泛与分布式可再生能源共同接入电力系统，以消纳CIES发电并提高电网运行稳定性，但大量电动汽车的充放电会加大CIES负荷的不确定性，并对CIES的安全运行产生显著影响。由于用户用能行为兼具规律性和不确定性，且用户用能需求趋于多元化，进一步使得多元负荷具有更大的波动性和随机性，用户用能行为的不确定性在于单个用户单元的用能行为变化以及不同用户单元的用能习惯差异，进而影响地区多类能源的供需平衡。同时，气候条件的改变（温度等）、人类的社会行为（工作日/周末等）、CIES的功能定位（工业园区/住宅区等）也是造成CIES负荷预测困难的原因。因此，相比于规模较大的单一能源统，用户用能行为的变化会对CIES整体负荷水平产生更加明显的影响。综上，不同于传统的系统级电力负荷预测，CIES的负荷预测具有以下特点：1）CIES多类负荷由于存在深度耦合关系，往往具有较高的相关性，预测模型需要考虑多元负荷间的相关性；2）CIES的规模较小，用户用能随机性大，CIES负荷不确定性更高；3）CIES负荷随季节变化明显，尤其在过渡季，受天气影响较大；4）CIES以电力系统为核心，热负荷需求受天气影响较大，加上存在热惯性和热储能，电热负荷的不确定性程度存在差异。
对于CIES的负荷预测，现有研究主要考虑电热负荷的耦合关系，在电热负荷的协同预测方面，由于多任务学习（MTL）通过使用共享表示并行训练多个任务，可以利用隐含在多个相关任务的特定领域信息来提高泛化能力，提升对不同任务的泛化认知，因此目前不少研究以多任务学习为基本框架，基于各种深度学习网络进行预测。但现有研究大多只关注CIES预测对象自身的历史变化规律，侧重于解决多元负荷耦合关系，而忽略了CIES负荷本身具有明显的季节性的固有特征。在对CIES负荷的季节性研究方面，由于CIES的用能特性在供暖/冷期是相似的，在季节过渡期间，负荷变化主要表现为用量上的差异，因此如何将供冷/暖期负荷特性迁移到过渡季模型中，在此基础上融入过渡季节的数据，以快速有效地建立负荷预测的动态模型，提高负荷预测的精度和效率，成为一个亟待解决的问题。迁移学习能将之前的任务中学到的已知部分共有特征迁移到新的任务中，在此基础上融入新的任务的数据，更加快速有效地学习新任务，是针对这一问题的主流机器学习方法，有望解决CIES负荷预测中，尤其是在季节过渡时出现的可参考样本少、与之前数据分布差异大的问题。但现有关于迁移学习在负荷预测中的应用研究，大多是重点解决小样本问题，而没有考虑负荷本身的季节变化，同时对单一类型的负荷预测进行研究，割裂了电热负荷的耦合关系，没有考虑电热负荷间的内在联系；最后，对多元负荷的不确定程度差异的研究相对空白。
发明内容
本发明的目的在于针对上述问题，克服现有技术的不足，提供一种园区综合能源系统电-热负荷联合自适应预测方法，预测模型以多任务学习为主体框架，采用CNN-LSTM-Attention网络分别提取电热负荷的特征，结合日前的天气信息作为共享层；同时损失函数考虑到电热负荷的不确定性差异，对不同任务赋予动态权重，来权衡多任务学习总体的损失大小，进一步提高负荷预测的准确性；在预测偏差大时，以MMD来分别衡量电热负荷以及天气数据的数据分布差异，采用迁移学习固定模型底层网络参数，并对相应的顶层网络参数进行微调，使得模型能自适应地学习负荷的动态变化。
本发明解决其技术问题是采取以下技术方案实现的：
园区综合能源系统电-热负荷联合自适应预测方法，包括如下步骤：
获取园区综合能源系统电负荷历史数据集
Figure 100002_DEST_PATH_IMAGE001
、热负荷历史数据集
Figure 27324DEST_PATH_IMAGE002
、环境温度历史 数据集
Figure 100002_DEST_PATH_IMAGE003
，并以上述数据集作为初始源域数据集
Figure 606073DEST_PATH_IMAGE004
；并设定日前预测的电负荷精度阈 值
Figure 100002_DEST_PATH_IMAGE005
、热负荷精度阈值
Figure 119094DEST_PATH_IMAGE006
、核函数宽度参数
Figure 100002_DEST_PATH_IMAGE007
、源域天数
Figure 517714DEST_PATH_IMAGE008
、目标域天数
Figure 100002_DEST_PATH_IMAGE009
；其中， 园区综合能源系统电负荷包括园区居民用电负荷和园区电动汽车充电桩负荷；
建立改进后的深度多任务学习网络模型，并利用初始源域数据集
Figure 899017DEST_PATH_IMAGE004
对该模型 进行训练，获得预测日
Figure 473218DEST_PATH_IMAGE010
的电-热负荷日前预测模型；
利用预测日
Figure 45888DEST_PATH_IMAGE010
的电-热负荷日前预测模型对预测日第
Figure 72750DEST_PATH_IMAGE010
天进行负荷预测，得到第
Figure 398689DEST_PATH_IMAGE010
天 电、热负荷预测数据
Figure 100002_DEST_PATH_IMAGE011
、
Figure 686451DEST_PATH_IMAGE012
，并与第
Figure 72433DEST_PATH_IMAGE010
天的实际电、热负荷数据
Figure 100002_DEST_PATH_IMAGE013
、
Figure 445646DEST_PATH_IMAGE014
进 行比较，获得第
Figure 575276DEST_PATH_IMAGE010
天的电负荷预测误差
Figure 100002_DEST_PATH_IMAGE015
和热负荷预测误差
Figure 451965DEST_PATH_IMAGE016
；
将第
Figure 274427DEST_PATH_IMAGE010
天的电负荷预测误差
Figure 275881DEST_PATH_IMAGE015
、热负荷预测误差
Figure 304142DEST_PATH_IMAGE016
分别与电负荷精度阈 值
Figure 707442DEST_PATH_IMAGE005
、热负荷精度阈值
Figure 559860DEST_PATH_IMAGE006
进行比较，若
Figure 100002_DEST_PATH_IMAGE017
且
Figure 251873DEST_PATH_IMAGE018
， 则将预测日
Figure 113518DEST_PATH_IMAGE010
的电-热负荷日前预测模型直接沿用为第
Figure 100002_DEST_PATH_IMAGE019
天的电-热负荷日前预测模型， 并进行后续的园区综合能源系统电-热负荷日前预测；否则，获取第
Figure 105745DEST_PATH_IMAGE019
天前
Figure 863486DEST_PATH_IMAGE009
天的电负 荷、热负荷、环境温度历史数据作为新的目标域数据集
Figure 839532DEST_PATH_IMAGE020
，第
Figure 849076DEST_PATH_IMAGE019
天前第
Figure 100002_DEST_PATH_IMAGE021
至 第
Figure 65118DEST_PATH_IMAGE009
天的电负荷、热负荷、环境温度历史数据作为新的源域数据集
Figure 400284DEST_PATH_IMAGE022
，分别获取新 的源域与新的目标域电负荷、热负荷和环境温度数据的数据分布差异值
Figure 100002_DEST_PATH_IMAGE023
、
Figure 191523DEST_PATH_IMAGE024
和
Figure 100002_DEST_PATH_IMAGE025
，根据电、热负荷迁移学习策略，以新的目标域数据集
Figure 863813DEST_PATH_IMAGE020
为训练集，对预测日
Figure 96211DEST_PATH_IMAGE010
的电-热负荷日前预测模型进行调整，获得第
Figure 195754DEST_PATH_IMAGE019
天的电-热负荷日前预测模型，并进行后 续的园区综合能源系统电-热负荷日前预测。
进一步的，所述改进后的深度多任务学习网络模型包括热负荷特征提取通道、电负荷特征提取通道、共享层、第一全连接层、第二全连接层、第三全连接层，所述热负荷特征提取通道、电负荷特征提取通道、第一全连接层分别将热负荷特征、电负荷特征、环境温度数据输入至共享层，共享层的共享特征分别经过第二全连接层、第三全连接层输出至输出层，输出电负荷和热负荷预测值的标幺值。
进一步的，所述共享层还包括损失函数层，损失函数如下：
Figure 146392DEST_PATH_IMAGE026
其中，
Figure 100002_DEST_PATH_IMAGE027
为训练集中的输入样本，
Figure 858259DEST_PATH_IMAGE028
为改进后的深度多任务学习网络模型，
Figure 100002_DEST_PATH_IMAGE029
、
Figure 679584DEST_PATH_IMAGE030
为训练集中各个样本对应的电、热负荷标签值，
Figure 100002_DEST_PATH_IMAGE031
为
Figure 684449DEST_PATH_IMAGE028
的网络可训练变量，
Figure 856805DEST_PATH_IMAGE032
、
Figure 100002_DEST_PATH_IMAGE033
为两 个可训练变量。
进一步的，新的源域与新的目标域电负荷、热负荷和环境温度数据的数据分布差 异值
Figure 870897DEST_PATH_IMAGE023
、
Figure 812308DEST_PATH_IMAGE024
和
Figure 660179DEST_PATH_IMAGE025
采用最大均值差异进行获取，具体表达式如下：
Figure 444464DEST_PATH_IMAGE034
其中，
Figure 100002_DEST_PATH_IMAGE035
、
Figure 872034DEST_PATH_IMAGE036
分别表示新的源域数据集
Figure 556700DEST_PATH_IMAGE022
和新的目标域数据集
Figure 575472DEST_PATH_IMAGE020
中 的电负荷、热负荷或环境温度数据，
Figure 100002_DEST_PATH_IMAGE037
表示
Figure 50315DEST_PATH_IMAGE035
的数据个数，
Figure 812735DEST_PATH_IMAGE038
表示
Figure 728738DEST_PATH_IMAGE036
的数据个数，
Figure 100002_DEST_PATH_IMAGE039
、
Figure 511886DEST_PATH_IMAGE040
表示
Figure 146130DEST_PATH_IMAGE035
中的第
Figure 100002_DEST_PATH_IMAGE041
、
Figure 40137DEST_PATH_IMAGE042
个数，
Figure 100002_DEST_PATH_IMAGE043
、
Figure 545067DEST_PATH_IMAGE044
表示
Figure 266161DEST_PATH_IMAGE036
中的第
Figure 122122DEST_PATH_IMAGE041
、
Figure 226344DEST_PATH_IMAGE042
个数，
Figure 100002_DEST_PATH_IMAGE045
为核函数；
Figure 710415DEST_PATH_IMAGE045
的表达式如下：
Figure 241890DEST_PATH_IMAGE046
其中，
Figure 709781DEST_PATH_IMAGE007
为核函数宽度参数。
进一步的，根据电、热负荷迁移学习策略，以新的目标域数据集
Figure 352115DEST_PATH_IMAGE020
为训练 集，对预测日
Figure 831638DEST_PATH_IMAGE010
的电-热负荷日前预测模型进行调整，获得第
Figure 658648DEST_PATH_IMAGE019
天的预测模型的方法为：
若同时满足
Figure 100002_DEST_PATH_IMAGE047
、
Figure 958042DEST_PATH_IMAGE048
、
Figure 100002_DEST_PATH_IMAGE049
，直接将预测日
Figure 761657DEST_PATH_IMAGE010
的电-热负荷 日前预测模型沿用为第
Figure 361266DEST_PATH_IMAGE019
天的电-热负荷日前预测模型；其中
Figure 359177DEST_PATH_IMAGE050
、
Figure 100002_DEST_PATH_IMAGE051
、
Figure 145868DEST_PATH_IMAGE052
为电负荷动态 数据分布差异阈值、热负荷动态数据分布差异阈值、温度动态数据分布差异阈值；
若
Figure 100002_DEST_PATH_IMAGE053
且
Figure 989059DEST_PATH_IMAGE054
，则以新的目标域数据集
Figure 708753DEST_PATH_IMAGE020
为训练集，将预 测日
Figure 611987DEST_PATH_IMAGE010
的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的电负荷通 道第二全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 151553DEST_PATH_IMAGE019
天的电-热负荷日前 预测模型；
若
Figure 939380DEST_PATH_IMAGE053
且
Figure 100002_DEST_PATH_IMAGE055
，则以新的目标域数据集
Figure 608521DEST_PATH_IMAGE020
为训练集，将预 测日
Figure 823602DEST_PATH_IMAGE010
的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的热负荷通 道第三全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 116043DEST_PATH_IMAGE019
天的电-热负荷日前 预测模型；
若
Figure 566616DEST_PATH_IMAGE056
，则以新的目标域数据集
Figure 995323DEST_PATH_IMAGE020
为训练集，将预测日
Figure 381305DEST_PATH_IMAGE010
的电-热负 荷日前预测模型中的其他参数固定，仅对温度数据输入所经过的第一全连接层、共享层至 输出层之间的第二全连接层、第三全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 20097DEST_PATH_IMAGE019
天的电-热负荷日前预测模型。
进一步的，电负荷动态数据分布差异阈值
Figure 884148DEST_PATH_IMAGE050
、热负荷动态数据分布差异阈值
Figure 432941DEST_PATH_IMAGE051
、 温度动态数据分布差异阈值
Figure 114458DEST_PATH_IMAGE052
的获取方法为：
在新的源域数据集
Figure 100002_DEST_PATH_IMAGE057
最后N天的电负荷、热负荷或温度数据各个小时的历 史数据基础上，分别乘以一个均匀分布在
Figure 584754DEST_PATH_IMAGE058
,
Figure 100002_DEST_PATH_IMAGE059
]、
Figure 610085DEST_PATH_IMAGE060
、
Figure 100002_DEST_PATH_IMAGE061
的随机数，作为仿真的目标域，获取
Figure 606860DEST_PATH_IMAGE062
与仿真的目标域的MMD值，将其作为第
Figure 100002_DEST_PATH_IMAGE063
天的电负荷动态数据分布差异阈值
Figure 69065DEST_PATH_IMAGE064
、热负荷动态 数据分布差异阈值
Figure 100002_DEST_PATH_IMAGE065
、温度动态数据分布差异阈值
Figure 151291DEST_PATH_IMAGE066
。
进一步的，所述M、N的取值范围分别为：20≤M≤30、3≤N≤5。
园区综合能源系统电-热负荷联合自适应预测装置，包括：
数据获取模块，用于获取园区综合能源系统电负荷历史数据集
Figure 100002_DEST_PATH_IMAGE067
、热负荷历史数据 集
Figure 747357DEST_PATH_IMAGE068
、环境温度历史数据集
Figure 100002_DEST_PATH_IMAGE069
，并以上述数据集作为初始源域数据集
Figure 739584DEST_PATH_IMAGE062
；并设定日前预 测的电负荷精度阈值
Figure 638270DEST_PATH_IMAGE070
、热负荷精度阈值
Figure 100002_DEST_PATH_IMAGE071
、核函数宽度参数
Figure 709256DEST_PATH_IMAGE007
、源域天数
Figure 984380DEST_PATH_IMAGE072
、目 标域天数
Figure 100002_DEST_PATH_IMAGE073
；
预测日
Figure 690168DEST_PATH_IMAGE063
的电-热负荷日前预测模型建立模块，用于建立改进后的深度多任务学习 网络模型，并利用初始源域数据集
Figure 25334DEST_PATH_IMAGE062
对该模型进行训练，获得预测日
Figure 347731DEST_PATH_IMAGE063
的电-热负荷日 前预测模型；
预测误差获取模块，用于利用预测日
Figure 426545DEST_PATH_IMAGE063
的电-热负荷日前预测模型对预测日第
Figure 393364DEST_PATH_IMAGE063
天 进行负荷预测，得到第
Figure 758487DEST_PATH_IMAGE063
天电、热负荷预测数据
Figure 443546DEST_PATH_IMAGE074
、
Figure 100002_DEST_PATH_IMAGE075
，并与第
Figure 794893DEST_PATH_IMAGE063
天的实际电、热 负荷数据
Figure 251106DEST_PATH_IMAGE076
、
Figure 100002_DEST_PATH_IMAGE077
进行比较，获得第
Figure 662496DEST_PATH_IMAGE063
天的电负荷预测误差
Figure 959485DEST_PATH_IMAGE078
和热负荷预测误 差
Figure 100002_DEST_PATH_IMAGE079
；
第
Figure 848943DEST_PATH_IMAGE080
天的电-热负荷日前预测模型获取模块，用于将第
Figure 914988DEST_PATH_IMAGE063
天的电负荷预测误差
Figure 497280DEST_PATH_IMAGE078
、热负荷预测误差
Figure 156931DEST_PATH_IMAGE079
分别与电负荷精度阈值
Figure 974714DEST_PATH_IMAGE070
、热负荷精度阈值
Figure 36211DEST_PATH_IMAGE071
进行比较，若
Figure 100002_DEST_PATH_IMAGE081
且
Figure 149923DEST_PATH_IMAGE082
，则将预测日
Figure 31291DEST_PATH_IMAGE063
的电-热负荷日前预测 模型直接沿用为第
Figure 793711DEST_PATH_IMAGE080
天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电- 热负荷日前预测；否则，获取第
Figure 834348DEST_PATH_IMAGE080
天前
Figure 24021DEST_PATH_IMAGE073
天的电负荷、热负荷、环境温度历史数据作为新 的目标域数据集
Figure 100002_DEST_PATH_IMAGE083
，第
Figure 986161DEST_PATH_IMAGE080
天前第
Figure 286692DEST_PATH_IMAGE084
至第
Figure 322781DEST_PATH_IMAGE073
天的电负荷、热负荷、环境温度历 史数据作为新的源域数据集
Figure 542410DEST_PATH_IMAGE057
，分别获取新的源域与新的目标域电负荷、热负荷和 环境温度数据的数据分布差异值
Figure 100002_DEST_PATH_IMAGE085
、
Figure 132791DEST_PATH_IMAGE086
和
Figure 100002_DEST_PATH_IMAGE087
，根据电、热负荷迁移学习策略， 以新的目标域数据集
Figure 329024DEST_PATH_IMAGE083
为训练集，对预测日
Figure 219620DEST_PATH_IMAGE063
的电-热负荷日前预测模型进行调整， 获得第
Figure 751095DEST_PATH_IMAGE080
天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电-热负荷日前 预测。
一种计算设备，包括：
一个或多个处理单元；
存储单元，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行如上所述的园区综合能源系统电-热负荷联合自适应预测方法。
一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码被处理器执行时实现如上所述园区综合能源系统电-热负荷联合自适应预测方法的步骤。
本发明的优点和积极效果是：
本发明的一种园区综合能源系统电-热负荷联合自适应预测方法，立足于解决园区综合能源系统负荷预测中的负荷随机性强、季节性明显、负荷间不确定程度差异大、预测模型的自适应性等问题，通过多任务学习框架学习多元负荷的耦合关系，采用CNN-LSTM-Attention网络分别提取电热负荷的特征，结合日前的天气信息作为共享层；同时损失函数考虑到电热负荷的不确定性差异，对不同任务赋予动态权重，来权衡多任务学习总体的损失大小，进一步提高负荷预测的准确性；在过渡季预测偏差大时，以MMD来分别衡量电热负荷以及天气的数据分布差异，采用迁移学习固定模型底层网络参数，并对相应的顶层网络参数进行微调，解决园区综合能源系统负荷预测模型的自适应性问题，为园区综合能源系统的精细化调度优化提供依据。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本发明范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
图1是本发明的改进后的深度多任务学习网络模型结构图；
图2是本发明的一维卷积神经网络结构示意图；
图3是本发明的长短期记忆神经网络结构示意图；
图4是本发明的注意力机制模块示意图；
图5是本发明的动态源域目标域划分示意图；
图6是本发明的电、热负荷迁移学习策略示意图；
图7（a）是国网客服中心北方园区算例不同模型预测电负荷MPAE结果对比图；
图7（b）是国网客服中心北方园区算例不同模型预测电负荷RMSE结果对比图；
图7（c）是国网客服中心北方园区算例不同模型预测热负荷MPAE结果对比图；
图7（d）是国网客服中心北方园区算例不同模型预测热负荷RMSE结果对比图。
具体实施方式
首先，需要说明的是，以下将以示例方式来具体说明本发明的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本发明形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，仍然可在这些技术特征(或其等同物) 之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本发明的更多其他实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明涉及的园区综合能源系统电-热负荷联合自适应预测方法，包括如下步骤：
步骤1、获取园区综合能源系统电负荷历史数据集
Figure 218986DEST_PATH_IMAGE067
、热负荷历史数据集
Figure 595740DEST_PATH_IMAGE068
、环境温 度历史数据集
Figure 340842DEST_PATH_IMAGE069
，并以上述数据集作为初始源域数据集
Figure 167853DEST_PATH_IMAGE062
；并设定日前预测的电负荷 精度阈值
Figure 998406DEST_PATH_IMAGE070
、热负荷精度阈值
Figure 444431DEST_PATH_IMAGE071
、核函数宽度参数
Figure 903094DEST_PATH_IMAGE007
、源域天数
Figure 776372DEST_PATH_IMAGE072
、目标域天数
Figure 94221DEST_PATH_IMAGE073
；其中，园区综合能源系统电负荷包括园区居民用电负荷和园区电动汽车充电桩负荷；
步骤2、建立改进后的深度多任务学习网络模型，并利用初始源域数据集
Figure 343936DEST_PATH_IMAGE062
对 该模型进行训练，获得预测日
Figure 424150DEST_PATH_IMAGE063
的电-热负荷日前预测模型；
其中，利用初始源域数据集
Figure 468330DEST_PATH_IMAGE062
对该模型进行训练的具体训练步骤如下：
（a）对源域数据集
Figure 7895DEST_PATH_IMAGE004
进行预处理：清理无效数据，填补缺失数据；其中，缺失数 据采用前一天同一时刻的历史数据代替；
（b）对源域数据集
Figure 920357DEST_PATH_IMAGE004
中的电负荷历史数据集
Figure 494557DEST_PATH_IMAGE001
、热负荷历史数据集
Figure 709638DEST_PATH_IMAGE002
、环境温 度历史数据集
Figure 861134DEST_PATH_IMAGE003
分别进行min-max标准化处理；
Min-max标准化计算公式如下：
Figure 187073DEST_PATH_IMAGE088
（1）
式中，数据类型
Figure DEST_PATH_IMAGE089
，
Figure 209255DEST_PATH_IMAGE090
表示与数据类型
Figure 860817DEST_PATH_IMAGE090
对应的电负荷数据集
Figure 374975DEST_PATH_IMAGE001
、热负荷 数据集
Figure 504605DEST_PATH_IMAGE002
、环境温度数据集
Figure 410987DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE091
表示
Figure 702291DEST_PATH_IMAGE090
中第
Figure 562800DEST_PATH_IMAGE041
个数据，
Figure 496121DEST_PATH_IMAGE092
表示标准化后的值，
Figure DEST_PATH_IMAGE093
表示标准 化后的数值区间，这里取
Figure 492896DEST_PATH_IMAGE094
；
（c）对标准化后的源域数据集
Figure 220680DEST_PATH_IMAGE004
进行训练样本的划分，单个训练样本的输入 数据为预测日前7天的电、热负荷历史数据和预测日的环境温度数据，维度分别为7×24、1 ×24；单个训练样本的标签为预测日的电、热负荷数据，维度均为1×24；形成训练集
Figure DEST_PATH_IMAGE095
；
（d）基于训练集
Figure 37327DEST_PATH_IMAGE095
，对改进后的深度多任务学习网络模型进行训练，得到园区 综合能源系统预测日
Figure 508759DEST_PATH_IMAGE063
的电-热负荷日前预测模型。
上述的改进后的深度多任务学习网络模型的具体结构为：所述改进后的深度多任务学习网络模型包括热负荷特征提取通道、电负荷特征提取通道、共享层、第一全连接层、第二全连接层、第三全连接层，所述热负荷特征提取通道、电负荷特征提取通道、第一全连接层分别将热负荷特征、电负荷特征、环境温度数据输入至共享层，共享层的共享特征分别经过第二全连接层、第三全连接层输出至输出层，输出电负荷和热负荷预测值的标幺值。
具体的，如附图1所示：
①：样本中的电、热负荷数据通过一维卷积神经网络输入，分别提取电、热负荷的时序特征；其中，电、热负荷样本的输入维度均为7×24；
一维卷积神经网络的输入数据维度为[time_steps,dimensions]，其中time_steps表示输入数据的总时间步长，dimensions表示每个时间步上的特征数。一维卷积神经网络结构示意图如附图2所示，卷积计算过程如下所示：
Figure 392664DEST_PATH_IMAGE096
（2）
式中，
Figure DEST_PATH_IMAGE097
表示卷积核总个数，
Figure 884825DEST_PATH_IMAGE003
为给定的步长大小，
Figure 860871DEST_PATH_IMAGE098
为与卷积核进行卷积运算的第
Figure DEST_PATH_IMAGE099
个时步的向量，
Figure 463891DEST_PATH_IMAGE100
为第
Figure 841783DEST_PATH_IMAGE097
个卷积核的第
Figure 911370DEST_PATH_IMAGE041
个的权值参数向量，
Figure DEST_PATH_IMAGE101
为与
Figure 968188DEST_PATH_IMAGE100
对应的偏置参数，
Figure 781423DEST_PATH_IMAGE102
为第
Figure 13821DEST_PATH_IMAGE097
个卷积核第
Figure 877478DEST_PATH_IMAGE042
次卷积运算后的结果；
②：将一维卷积神经网络的输出输入至长短期记忆神经网络（Long short-term memory, LSTM），再经过注意力机制层输出电、热负荷的特征；其中，一维卷积神经网络的输 出维度仍为
Figure DEST_PATH_IMAGE103
。
LSTM的内部结构如附图3所示，单个结构单元由遗忘门、输入门和输出门三种类型 的门组成，LSTM单元使用当前时刻的输入
Figure 156013DEST_PATH_IMAGE104
、上一时刻的隐藏状态
Figure DEST_PATH_IMAGE105
和细胞状态
Figure 241781DEST_PATH_IMAGE106
作为 当前时刻LSTM单元的输入，
Figure DEST_PATH_IMAGE107
和
Figure 922161DEST_PATH_IMAGE108
被保留用于下一时刻的输入；遗忘门的公式表示为：
Figure 599130DEST_PATH_IMAGE110
（3）
式中，
Figure DEST_PATH_IMAGE111
表示sigmoid函数，输出范围是[0,1]，
Figure 630540DEST_PATH_IMAGE112
表示遗忘上一层隐藏细胞状态的 概率，
Figure DEST_PATH_IMAGE113
和
Figure 880518DEST_PATH_IMAGE114
分别是遗忘门的权重矩阵和偏置。输入门的公式表示为：
Figure DEST_PATH_IMAGE115
（4）
Figure 556350DEST_PATH_IMAGE116
（5）
式中，
Figure DEST_PATH_IMAGE117
和
Figure 997695DEST_PATH_IMAGE118
分别为输入门的权重矩阵和偏置，
Figure DEST_PATH_IMAGE119
为激活函数，
Figure 516401DEST_PATH_IMAGE120
和
Figure DEST_PATH_IMAGE121
分别为
Figure 943972DEST_PATH_IMAGE119
内的权重矩阵和偏置。细胞状态更新公式表示为：
Figure 864523DEST_PATH_IMAGE122
（6）
式中，
Figure DEST_PATH_IMAGE123
为Hadamard积。输出门的公式表示为：
Figure 352136DEST_PATH_IMAGE124
（7）
Figure DEST_PATH_IMAGE125
（8）
式中，
Figure 602813DEST_PATH_IMAGE126
和
Figure DEST_PATH_IMAGE127
分别为输出门的权重矩阵和偏置；
③：环境温度数据通过第一全连接层输入，其输出与注意力机制层输出的电、热负荷特征一起，输入至共享层作为共享特征；其中，环境温度数据输入维度为1×24；
注意力机制层的输入为LSTM激活函数输出的特征向量，LSTM输出维度仍为
Figure 224287DEST_PATH_IMAGE103
，其示意图如附图4所示，具体实现为：
Figure 874711DEST_PATH_IMAGE128
（9）
Figure DEST_PATH_IMAGE129
（10）
Figure 657860DEST_PATH_IMAGE130
（11）
Figure DEST_PATH_IMAGE131
（12）
式中，
Figure 760945DEST_PATH_IMAGE132
表示第
Figure 186110DEST_PATH_IMAGE041
个时刻第
Figure 956620DEST_PATH_IMAGE042
个输出特征，
Figure 51615DEST_PATH_IMAGE003
为总的时刻数，
Figure DEST_PATH_IMAGE133
为
Figure 268095DEST_PATH_IMAGE132
的注意力得分， 为
Figure 231372DEST_PATH_IMAGE132
对应的权重，
Figure 856388DEST_PATH_IMAGE134
为代替
Figure 122284DEST_PATH_IMAGE132
的输出特征向量；
④：共享层的共享特征，分别经过电负荷通道的第二全连接层和热负荷通道的第三全连接层输出至输出层，输出电负荷和热负荷预测值的标幺值；
⑤：在④的模型基础上添加损失函数层，损失函数设计如下：
Figure DEST_PATH_IMAGE135
（13）
其中，
Figure 324596DEST_PATH_IMAGE027
为训练集中的输入样本（即训练集
Figure 232509DEST_PATH_IMAGE095
样本中的输入数据），
Figure 836665DEST_PATH_IMAGE028
表示 改进后的深度多任务学习网络模型，
Figure 539042DEST_PATH_IMAGE029
、
Figure 369595DEST_PATH_IMAGE030
为训练集中各个样本对应的电、热负荷标签值 （训练集
Figure 815620DEST_PATH_IMAGE095
样本中的标签值），
Figure 772818DEST_PATH_IMAGE031
为
Figure 646096DEST_PATH_IMAGE028
的网络可训练变量，
Figure 963945DEST_PATH_IMAGE032
、
Figure 807136DEST_PATH_IMAGE033
为两个可训练变量。
步骤3、在第
Figure 526830DEST_PATH_IMAGE010
天开始前，采用预测日
Figure 571010DEST_PATH_IMAGE063
的电-热负荷日前预测模型进行日前预测，输 入预测日前7天的电、热负荷实际值和预测日天气预报的环境温度数据，得到第
Figure 235209DEST_PATH_IMAGE010
天电、热负 荷预测数据
Figure 23037DEST_PATH_IMAGE011
、
Figure 597238DEST_PATH_IMAGE012
。
步骤4：在第
Figure 671373DEST_PATH_IMAGE010
天运行结束后，记录第
Figure 698235DEST_PATH_IMAGE010
天的实际电、热负荷数据
Figure 289753DEST_PATH_IMAGE013
、
Figure 344559DEST_PATH_IMAGE014
，并计 算第
Figure 730541DEST_PATH_IMAGE010
天的电负荷预测误差
Figure 244699DEST_PATH_IMAGE015
和热负荷预测误差
Figure 233383DEST_PATH_IMAGE016
；预测误差采用平均绝对偏差 百分比（MPAE）进行计算，计算方式如下：
Figure 516597DEST_PATH_IMAGE136
（14）
其中，
Figure 339060DEST_PATH_IMAGE039
为第
Figure 199568DEST_PATH_IMAGE041
个小时的实际负荷值，
Figure DEST_PATH_IMAGE137
第
Figure 867310DEST_PATH_IMAGE041
个小时的预测负荷值。
步骤5：若
Figure 129664DEST_PATH_IMAGE017
且
Figure 857449DEST_PATH_IMAGE018
，则将步骤3中预测日
Figure 346199DEST_PATH_IMAGE063
的电-热 负荷日前预测模型直接沿用为第
Figure 440800DEST_PATH_IMAGE019
天的预测模型，并转至步骤8；否则进行步骤6；其中，
Figure 698606DEST_PATH_IMAGE005
和
Figure 597292DEST_PATH_IMAGE006
分别为设定的日前预测的电负荷精度阈值和热负荷精度阈值；
步骤6：将第
Figure 432393DEST_PATH_IMAGE019
天前
Figure 707517DEST_PATH_IMAGE009
天的各类型历史数据作为新的目标域数据集
Figure 85408DEST_PATH_IMAGE020
， 前第
Figure 154996DEST_PATH_IMAGE021
至第
Figure 477392DEST_PATH_IMAGE009
天的各类型历史数据作为新的源域数据集
Figure 25048DEST_PATH_IMAGE022
，分别计算源域与 目标域电负荷、热负荷和环境温度数据的数据分布差异值
Figure 116501DEST_PATH_IMAGE023
、
Figure 451930DEST_PATH_IMAGE024
和
Figure 402568DEST_PATH_IMAGE025
；其中，
Figure 19495DEST_PATH_IMAGE008
、
Figure 965454DEST_PATH_IMAGE009
为设置的源域、目标域天数；源域目标域的划分如附图5所示。
源域与目标域各类型数据的数据分布差异，采用最大均值差异（Maximum mean discrepancy, MMD）进行计算，具体计算如下：
Figure 376844DEST_PATH_IMAGE138
（15）
Figure 549199DEST_PATH_IMAGE046
（16）
其中，
Figure 828871DEST_PATH_IMAGE035
、分别表示新的源域数据集
Figure 770282DEST_PATH_IMAGE022
和新的目标域数据集
Figure 352573DEST_PATH_IMAGE020
中的 某一类型（电负荷、热负荷或环境温度）数据，
Figure 136858DEST_PATH_IMAGE037
表示
Figure 95587DEST_PATH_IMAGE035
的数据个数，
Figure 157084DEST_PATH_IMAGE038
表示
Figure 533445DEST_PATH_IMAGE036
的数据个数，
Figure 414813DEST_PATH_IMAGE039
、
Figure 770708DEST_PATH_IMAGE040
表示
Figure 421133DEST_PATH_IMAGE035
中的第
Figure 204281DEST_PATH_IMAGE041
、
Figure 838524DEST_PATH_IMAGE042
个数，
Figure 998110DEST_PATH_IMAGE043
、
Figure 768620DEST_PATH_IMAGE044
表示
Figure 129194DEST_PATH_IMAGE036
中的第
Figure 611254DEST_PATH_IMAGE041
、
Figure 449897DEST_PATH_IMAGE042
个数，
Figure 74913DEST_PATH_IMAGE045
为核函数，
Figure 731022DEST_PATH_IMAGE007
为核函数宽度参数。
步骤7：利用步骤6）计算得到的
Figure 74279DEST_PATH_IMAGE023
、
Figure 982192DEST_PATH_IMAGE024
和
Figure 586349DEST_PATH_IMAGE025
，根据电、热负荷迁移学习 策略，以新的目标域数据集
Figure 288725DEST_PATH_IMAGE020
为训练集，对第
Figure 119278DEST_PATH_IMAGE010
天的预测模进行微调，得到第
Figure 158778DEST_PATH_IMAGE019
天 的预测模型。
步骤8：令
Figure DEST_PATH_IMAGE139
，返回步骤3），进行后续的园区综合能源系统电-热负荷日前预 测。
如附图6所示，根据电、热负荷迁移学习策略，以新的目标域数据集
Figure 758387DEST_PATH_IMAGE083
为训 练集，对预测日
Figure 631665DEST_PATH_IMAGE063
的电-热负荷日前预测模型进行调整，获得第
Figure 396902DEST_PATH_IMAGE080
天的预测模型的方法 为：
场景7.1：若同时满足
Figure 115459DEST_PATH_IMAGE140
、
Figure DEST_PATH_IMAGE141
、
Figure 694208DEST_PATH_IMAGE142
，直接将预测日
Figure 738387DEST_PATH_IMAGE063
的 电-热负荷日前预测模型沿用为第
Figure 543532DEST_PATH_IMAGE080
天的电-热负荷日前预测模型；其中
Figure 190414DEST_PATH_IMAGE064
、
Figure 764615DEST_PATH_IMAGE065
、
Figure 979696DEST_PATH_IMAGE066
为电 负荷动态数据分布差异阈值、热负荷动态数据分布差异阈值、温度动态数据分布差异阈值；
场景7.2：若
Figure DEST_PATH_IMAGE143
且
Figure 600033DEST_PATH_IMAGE144
，则以新的目标域数据集
Figure 191551DEST_PATH_IMAGE083
为训练 集，将预测日
Figure 620259DEST_PATH_IMAGE063
的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的 电负荷通道第二全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 366760DEST_PATH_IMAGE080
天的电-热负 荷日前预测模型；
场景7.3：若
Figure 146497DEST_PATH_IMAGE143
且
Figure DEST_PATH_IMAGE145
，则以新的目标域数据集
Figure 135182DEST_PATH_IMAGE083
为训练 集，将预测日
Figure 418395DEST_PATH_IMAGE063
的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的 热负荷通道第三全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 975279DEST_PATH_IMAGE080
天的电-热负 荷日前预测模型；
场景7.4：若
Figure 101367DEST_PATH_IMAGE146
，则以新的目标域数据集
Figure 503529DEST_PATH_IMAGE083
为训练集，将预测日
Figure 906829DEST_PATH_IMAGE063
的电-热负荷日前预测模型中的其他参数固定，仅对温度数据输入所经过的第一全连接层、 共享层至输出层之间的第二全连接层、第三全连接层参数进行训练，完成参数微调，所得模 型作为第
Figure 24826DEST_PATH_IMAGE080
天的电-热负荷日前预测模型。
其中，
Figure 982418DEST_PATH_IMAGE064
、
Figure 719430DEST_PATH_IMAGE065
、
Figure 600405DEST_PATH_IMAGE066
为动态数据分布差异阈值，由新的源域数据集
Figure 499091DEST_PATH_IMAGE062
、电负荷精 度阈值
Figure 475137DEST_PATH_IMAGE070
、热负荷精度阈值
Figure 609315DEST_PATH_IMAGE071
计算得到：
在新的源域数据集
Figure 721627DEST_PATH_IMAGE057
最后N天的电负荷、热负荷或温度数据各个小时的历 史数据基础上，分别乘以一个均匀分布在
Figure 56794DEST_PATH_IMAGE058
,
Figure 254557DEST_PATH_IMAGE059
]、
Figure DEST_PATH_IMAGE147
、
Figure 926847DEST_PATH_IMAGE148
的随机数，作为仿真的目标域，计算
Figure 159245DEST_PATH_IMAGE062
与仿真的目标域的MMD值，将其作为第
Figure 524367DEST_PATH_IMAGE063
天的电负荷动态数据分布差异阈值
Figure 475006DEST_PATH_IMAGE064
、热负荷动态 数据分布差异阈值
Figure 91932DEST_PATH_IMAGE065
、温度动态数据分布差异阈值
Figure 178837DEST_PATH_IMAGE066
；
需要说明的是，所述M、N的取值范围分别为：20≤M≤30、3≤N≤5。
本发明的园区综合能源系统电-热负荷联合自适应预测方法，充分考虑了园区综合能源系统电-热负荷间的耦合关系和不确定性程度的差异，利用迁移学习，在获得新的实测数据后，对模型进行滚动更新和修正，使得模型能够不断学习负荷的季节性变化。
实施例2
本实施例利用实施例1中的园区综合能源系统电-热负荷联合自适应预测方法（Model-5），在国网客服中心北方园区的实际数据上进行了仿真实验，并将结果与如下模型的结果进行了对比：
Model-1：Model-1的结构与Model-5相同，但由历史数据训练初始化后，不进行模型参数的调整，直接用于后续的负荷预测；
Model-2：Model-2的结构与Model-5相同，随时间推移，每天进行重新训练，其训练集随着预测日后移，不断添加新的历史数据，剔除时间最远的历史数据，保持训练集样本数不变；
Model-3：Model-3采用最常见的LSTM模型进行预测单一类型负荷的预测，模型参数随时间推移动态更新，更新方式与Model-5相同；
Model-4：除了损失函数外，其余部分均与Model-5相同。
结果与不带迁移的多任务学习（Model-1）、滚动预测的多任务学习（Model-2）、带迁移的单任务LSTM模型（Model-3）、不考虑不确定性程度差异的带迁移的多任务学习（Model-4）的结果进行了对比。其中，Model-2的训练集随着预测日后移，不断添加新的历史数据，剔除时间最远的历史数据，保持训练集样本数不变。Model-1、Model-2、Model-4的模型均采用附图1所示的模型。
评价指标采用常见的平均绝对偏差百分比（MPAE）和均方根误差（RMSE），计算如下：
Figure DEST_PATH_IMAGE149
（17）
其中，
Figure 685166DEST_PATH_IMAGE039
为第
Figure 857522DEST_PATH_IMAGE041
个小时的实际负荷值，
Figure 402773DEST_PATH_IMAGE137
第
Figure 344184DEST_PATH_IMAGE041
个小时的预测负荷值；
所有模型构建及训练在TenserFlow深度学习框架下进行，硬件平台采用IntelCore i7 CPU，集成开发环境采用Pycharm 2020.3。
北方园区数据集的采集时间为2019.10.1-2020.6.30，训练集采用2019.10.1- 2020.2.12之间的数据，测试集采用2020.2.13-2020.4.14之间的数据（2020.4.14后该园区 停止供热）。输入相关参数：日前预测的电负荷精度阈值
Figure 192054DEST_PATH_IMAGE005
、热负荷精度阈值
Figure 710760DEST_PATH_IMAGE006
分别取8和12，源域设置天数
Figure 669489DEST_PATH_IMAGE150
，目标域设置天数
Figure DEST_PATH_IMAGE151
，核函数宽度参数
Figure 465407DEST_PATH_IMAGE152
。单个 样本的输入数据为预测日前七天的电热负荷数据（维度为2
Figure DEST_PATH_IMAGE153
7
Figure 343233DEST_PATH_IMAGE153
24）、预测日当天的温度数 据（维度为1
Figure 224601DEST_PATH_IMAGE153
24），输出为预测日当天的电热负荷值（维度为2
Figure 344610DEST_PATH_IMAGE153
1
Figure 995035DEST_PATH_IMAGE153
24）。在训练集上多次试 验后确定初始模型最优超参数。
园区供暖期的不同方法预测结果评价指标对比如附图7（a）、7（b）、7（c）、7（d）所示，供暖期的具体统计结果如附表1所示：Model-1的预测效果最差；Model-2在气候变化平稳时期，预测性能较好，但在过渡季季节环境温度变化剧烈时，不能很快地捕捉到负荷动态变化；Model-3在季节变化时也能很快学习到负荷的动态变化，但在少部分时段会出现大的偏差，这是由于单任务模型没有考虑同一时刻电热负荷的关系，容易出现过拟合现象，泛化能力不够，稳定性更差。
该园区的电热负荷相关系数为0.64，两者不确定性程度存在较大差异，电负荷的日曲线比较规律，不确定性程度小，而热负荷的不确定性程度则大很多。结合附图7（a）、7（b）可知，对于电负荷，是否考虑负荷不确定性程度差异的模型预测性能表现相当，这是由于电负荷曲线更为规律，损失函数中相应的权重占比大，因此不会轻易进行有关电负荷的参数的调整。由附图7（c）、7（d）可知，Model-5在热负荷预测性能上具有明显提升，尤其是在热负荷的RMSE上，其RMSE明显低于其他模型。由附表1可知，本发明所提模型（Model-5）在各个方面的预测性能均优越于其他方法，对于不确定性程度大的任务的性能提升尤为明显。
表1 不同方法预测结果对比
Figure 184708DEST_PATH_IMAGE154
综上，本发明提出的一种园区综合能源系统电-热负荷联合自适应预测方法能有效对CIES的电、热负荷进行日前预测。
实施例3
基于相同的发明创造原理，本实施例提供一种园区综合能源系统电-热负荷联合自适应预测装置，包括：
数据获取模块，用于获取园区综合能源系统电负荷历史数据集
Figure 943585DEST_PATH_IMAGE067
、热负荷历史数据 集
Figure 244116DEST_PATH_IMAGE068
、环境温度历史数据集
Figure 749047DEST_PATH_IMAGE069
，并以上述数据集作为初始源域数据集
Figure 234255DEST_PATH_IMAGE062
；并设定日前预 测的电负荷精度阈值
Figure 90216DEST_PATH_IMAGE070
、热负荷精度阈值
Figure 194438DEST_PATH_IMAGE071
、核函数宽度参数
Figure 85033DEST_PATH_IMAGE007
、源域天数
Figure 475563DEST_PATH_IMAGE072
、目 标域天数
Figure 818820DEST_PATH_IMAGE073
；
预测日
Figure 461154DEST_PATH_IMAGE063
的电-热负荷日前预测模型建立模块，用于建立改进后的深度多任务学习 网络模型，并利用初始源域数据集
Figure 566776DEST_PATH_IMAGE062
对该模型进行训练，获得预测日
Figure 269152DEST_PATH_IMAGE063
的电-热负荷日 前预测模型；
预测误差获取模块，用于利用预测日
Figure 99705DEST_PATH_IMAGE063
的电-热负荷日前预测模型对预测日第
Figure 670364DEST_PATH_IMAGE063
天 进行负荷预测，得到第
Figure 269972DEST_PATH_IMAGE063
天电、热负荷预测数据
Figure 143250DEST_PATH_IMAGE074
、
Figure 320154DEST_PATH_IMAGE075
，并与第
Figure 304290DEST_PATH_IMAGE063
天的实际电、热 负荷数据
Figure 23985DEST_PATH_IMAGE076
、
Figure 192798DEST_PATH_IMAGE077
进行比较，获得第
Figure 732364DEST_PATH_IMAGE063
天的电负荷预测误差
Figure 254612DEST_PATH_IMAGE078
和热负荷预测误 差
Figure 451981DEST_PATH_IMAGE079
；
第
Figure 667062DEST_PATH_IMAGE080
天的电-热负荷日前预测模型获取模块，用于将第
Figure 959503DEST_PATH_IMAGE063
天的电负荷预测误差
Figure 285442DEST_PATH_IMAGE078
、热负荷预测误差
Figure 838783DEST_PATH_IMAGE079
分别与电负荷精度阈值
Figure 224765DEST_PATH_IMAGE070
、热负荷精度阈值
Figure 597978DEST_PATH_IMAGE071
进行比较，若
Figure 727608DEST_PATH_IMAGE081
且
Figure 276401DEST_PATH_IMAGE082
，则将预测日
Figure 833284DEST_PATH_IMAGE063
的电-热负荷日前预测 模型直接沿用为第
Figure 959372DEST_PATH_IMAGE080
天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电- 热负荷日前预测；否则，获取第
Figure 892693DEST_PATH_IMAGE080
天前
Figure 295993DEST_PATH_IMAGE073
天的电负荷、热负荷、环境温度历史数据作为新 的目标域数据集
Figure 384297DEST_PATH_IMAGE083
，第
Figure 873047DEST_PATH_IMAGE080
天前第
Figure 610059DEST_PATH_IMAGE084
至第
Figure 867865DEST_PATH_IMAGE073
天的电负荷、热负荷、环境温度历 史数据作为新的源域数据集
Figure 891184DEST_PATH_IMAGE057
，分别获取新的源域与新的目标域电负荷、热负荷和 环境温度数据的数据分布差异值
Figure 867230DEST_PATH_IMAGE085
、
Figure 142354DEST_PATH_IMAGE086
和
Figure 254667DEST_PATH_IMAGE087
，根据电、热负荷迁移学习策略， 以新的目标域数据集
Figure 448887DEST_PATH_IMAGE083
为训练集，对预测日
Figure 646651DEST_PATH_IMAGE063
的电-热负荷日前预测模型进行调整， 获得第
Figure 725465DEST_PATH_IMAGE080
天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电-热负荷日前 预测。
另外，本实施例还提供一种计算设备，包括：
一个或多个处理单元；
存储单元，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行上述的园区综合能源系统电-热负荷联合自适应预测方法；需要说明的是，计算设备可包括但不仅限于处理单元、存储单元；本领域技术人员可以理解，计算设备包括处理单元、存储单元并不构成对计算设备的限定，可以包括更多的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
还提供一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码被处理器执行时实现上述的园区综合能源系统电-热负荷联合自适应预测方法的步骤；需要说明的是，可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合；可读介质上包含的程序可以用任何适当的介质传输，包括，但不限于无线、有线、光缆，RF等等，或者上述的任意合适的组合。例如，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java，C++等，还包括常规的过程式程序设计语言，诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行，或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN) 或广域网(WAN)连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

Claims (9)

1.园区综合能源系统电-热负荷联合自适应预测方法，其特征在于，包括如下步骤：
获取园区综合能源系统电负荷历史数据集
Figure DEST_PATH_IMAGE001
、热负荷历史数据集
Figure 834667DEST_PATH_IMAGE002
、环境温度历史数据 集
Figure DEST_PATH_IMAGE003
，并以上述数据集作为初始源域数据集
Figure 486229DEST_PATH_IMAGE004
；并设定日前预测的电负荷精度阈值
Figure DEST_PATH_IMAGE005
、热负荷精度阈值
Figure 62703DEST_PATH_IMAGE006
、核函数宽度参数
Figure DEST_PATH_IMAGE007
、源域天数
Figure 316967DEST_PATH_IMAGE008
、目标域天数
Figure DEST_PATH_IMAGE009
；其中，园 区综合能源系统电负荷包括园区居民用电负荷和园区电动汽车充电桩负荷；
建立改进后的深度多任务学习网络模型，并利用初始源域数据集
Figure 426612DEST_PATH_IMAGE004
对该模型进行 训练，获得预测日
Figure 717916DEST_PATH_IMAGE010
的电-热负荷日前预测模型；
利用预测日
Figure 250529DEST_PATH_IMAGE010
的电-热负荷日前预测模型对预测日第
Figure 777325DEST_PATH_IMAGE010
天进行负荷预测，得到第
Figure 915045DEST_PATH_IMAGE010
天电、热 负荷预测数据
Figure DEST_PATH_IMAGE011
、
Figure 767464DEST_PATH_IMAGE012
，并与第
Figure 725056DEST_PATH_IMAGE010
天的实际电、热负荷数据
Figure DEST_PATH_IMAGE013
、
Figure 321122DEST_PATH_IMAGE014
进行比 较，获得第
Figure 47769DEST_PATH_IMAGE010
天的电负荷预测误差
Figure DEST_PATH_IMAGE015
和热负荷预测误差
Figure 41396DEST_PATH_IMAGE016
；
将第
Figure 548600DEST_PATH_IMAGE010
天的电负荷预测误差
Figure 417199DEST_PATH_IMAGE015
、热负荷预测误差
Figure 263932DEST_PATH_IMAGE016
分别与电负荷精度阈值
Figure 864678DEST_PATH_IMAGE005
、热负荷精度阈值
Figure 187075DEST_PATH_IMAGE006
进行比较，若
Figure DEST_PATH_IMAGE017
且
Figure 734731DEST_PATH_IMAGE018
，则 将预测日
Figure 560605DEST_PATH_IMAGE010
的电-热负荷日前预测模型直接沿用为第
Figure DEST_PATH_IMAGE019
天的电-热负荷日前预测模型，并 进行后续的园区综合能源系统电-热负荷日前预测；否则，获取第
Figure 66672DEST_PATH_IMAGE019
天前
Figure 109321DEST_PATH_IMAGE009
天的电负荷、 热负荷、环境温度历史数据作为新的目标域数据集
Figure 195089DEST_PATH_IMAGE020
，第
Figure 813152DEST_PATH_IMAGE019
天前第
Figure DEST_PATH_IMAGE021
至第
Figure 552438DEST_PATH_IMAGE009
天的电负荷、热负荷、环境温度历史数据作为新的源域数据集
Figure 255952DEST_PATH_IMAGE022
，分别获取新的源 域与新的目标域电负荷、热负荷和环境温度数据的数据分布差异值
Figure DEST_PATH_IMAGE023
、
Figure 473306DEST_PATH_IMAGE024
和
Figure DEST_PATH_IMAGE025
，根据电、热负荷迁移学习策略，以新的目标域数据集
Figure 539351DEST_PATH_IMAGE020
为训练集，对预测日
Figure 918380DEST_PATH_IMAGE010
的电-热负荷日前预测模型进行调整，获得第
Figure 312452DEST_PATH_IMAGE019
天的电-热负荷日前预测模型，并进行后 续的园区综合能源系统电-热负荷日前预测。
2.根据权利要求1所述的园区综合能源系统电-热负荷联合自适应预测方法，其特征在于：所述改进后的深度多任务学习网络模型包括热负荷特征提取通道、电负荷特征提取通道、共享层、第一全连接层、第二全连接层、第三全连接层，所述热负荷特征提取通道、电负荷特征提取通道、第一全连接层分别将热负荷特征、电负荷特征、环境温度数据输入至共享层，共享层的共享特征分别经过第二全连接层、第三全连接层输出至输出层，输出电负荷和热负荷预测值的标幺值。
3.根据权利要求2所述的园区综合能源系统电-热负荷联合自适应预测方法，其特征在于：所述共享层还包括损失函数层，损失函数如下：
Figure 366121DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
为训练集中的输入样本，
Figure 162039DEST_PATH_IMAGE028
为改进后的深度多任务学习网络模型，
Figure DEST_PATH_IMAGE029
、
Figure 243127DEST_PATH_IMAGE030
为训 练集中各个样本对应的电、热负荷标签值，
Figure DEST_PATH_IMAGE031
为
Figure 249130DEST_PATH_IMAGE028
的网络可训练变量，
Figure 542708DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
为两个可训 练变量。
4.根据权利要求2或3所述的园区综合能源系统电-热负荷联合自适应预测方法，其特 征在于：新的源域与新的目标域电负荷、热负荷和环境温度数据的数据分布差异值
Figure 521028DEST_PATH_IMAGE023
、
Figure 976280DEST_PATH_IMAGE024
和
Figure 79365DEST_PATH_IMAGE025
采用最大均值差异进行获取，具体表达式如下：
Figure 749205DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
、
Figure 519715DEST_PATH_IMAGE036
分别表示新的源域数据集
Figure 473765DEST_PATH_IMAGE022
和新的目标域数据集
Figure 126463DEST_PATH_IMAGE020
中的电 负荷、热负荷或环境温度数据，
Figure DEST_PATH_IMAGE037
表示
Figure 293002DEST_PATH_IMAGE035
的数据个数，
Figure 449177DEST_PATH_IMAGE038
表示
Figure 715073DEST_PATH_IMAGE036
的数据个数，
Figure DEST_PATH_IMAGE039
、
Figure 120647DEST_PATH_IMAGE040
表示
Figure 559718DEST_PATH_IMAGE035
中的 第
Figure DEST_PATH_IMAGE041
、
Figure 868602DEST_PATH_IMAGE042
个数，
Figure DEST_PATH_IMAGE043
、
Figure 695613DEST_PATH_IMAGE044
表示
Figure 995007DEST_PATH_IMAGE036
中的第
Figure 300086DEST_PATH_IMAGE041
、
Figure 430853DEST_PATH_IMAGE042
个数，
Figure DEST_PATH_IMAGE045
为核函数；
Figure 632028DEST_PATH_IMAGE045
的表达式如下：
Figure 684297DEST_PATH_IMAGE046
其中，
Figure 760444DEST_PATH_IMAGE007
为核函数宽度参数。
5.根据权利要求4所述的园区综合能源系统电-热负荷联合自适应预测方法，其特征在 于：根据电、热负荷迁移学习策略，以新的目标域数据集
Figure 214559DEST_PATH_IMAGE020
为训练集，对预测日
Figure 789897DEST_PATH_IMAGE010
的 电-热负荷日前预测模型进行调整，获得第
Figure 188517DEST_PATH_IMAGE019
天的预测模型的方法为：
若同时满足
Figure DEST_PATH_IMAGE047
、
Figure 976345DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
，直接将预测日
Figure 409600DEST_PATH_IMAGE010
的电-热负荷日前 预测模型沿用为第
Figure 359102DEST_PATH_IMAGE019
天的电-热负荷日前预测模型；其中
Figure 979439DEST_PATH_IMAGE050
、
Figure DEST_PATH_IMAGE051
、
Figure 570957DEST_PATH_IMAGE052
为电负荷动态数据 分布差异阈值、热负荷动态数据分布差异阈值、温度动态数据分布差异阈值；
若
Figure DEST_PATH_IMAGE053
且
Figure 360184DEST_PATH_IMAGE054
，则以新的目标域数据集
Figure 215007DEST_PATH_IMAGE020
为训练集，将预测日
Figure 853799DEST_PATH_IMAGE010
的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的电负荷通道第 二全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 514588DEST_PATH_IMAGE019
天的电-热负荷日前预测 模型；
若
Figure 266643DEST_PATH_IMAGE053
且
Figure DEST_PATH_IMAGE055
，则以新的目标域数据集
Figure 213739DEST_PATH_IMAGE020
为训练集，将预测日
Figure 684035DEST_PATH_IMAGE010
的电-热负荷日前预测模型中的其他参数固定，仅对共享层至输出层之间的热负荷通道第 三全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 476410DEST_PATH_IMAGE019
天的电-热负荷日前预测 模型；
若
Figure 145289DEST_PATH_IMAGE056
，则以新的目标域数据集
Figure 607494DEST_PATH_IMAGE020
为训练集，将预测日
Figure 627403DEST_PATH_IMAGE010
的电-热负荷日 前预测模型中的其他参数固定，仅对温度数据输入所经过的第一全连接层、共享层至输出 层之间的第二全连接层、第三全连接层参数进行训练，完成参数微调，所得模型作为第
Figure 456425DEST_PATH_IMAGE019
天的电-热负荷日前预测模型。
6.根据权利要求5所述的园区综合能源系统电-热负荷联合自适应预测方法，其特征在 于：电负荷动态数据分布差异阈值
Figure 183073DEST_PATH_IMAGE050
、热负荷动态数据分布差异阈值
Figure 206393DEST_PATH_IMAGE051
、温度动态数据分 布差异阈值
Figure 448018DEST_PATH_IMAGE052
的获取方法为：
在新的源域数据集
Figure DEST_PATH_IMAGE057
最后N天的电负荷、热负荷或温度数据各个小时的历史数 据基础上，分别乘以一个均匀分布在
Figure 457562DEST_PATH_IMAGE058
,
Figure DEST_PATH_IMAGE059
]、
Figure 694509DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE061
的随机数，作为仿真的目标域，获取
Figure 826413DEST_PATH_IMAGE062
与仿真的目标域的MMD 值，将其作为第
Figure DEST_PATH_IMAGE063
天的电负荷动态数据分布差异阈值
Figure 24176DEST_PATH_IMAGE064
、热负荷动态数据分布差异阈值
Figure DEST_PATH_IMAGE065
、 温度动态数据分布差异阈值
Figure 463510DEST_PATH_IMAGE066
。
7.园区综合能源系统电-热负荷联合自适应预测装置，其特征在于，包括：
数据获取模块，用于获取园区综合能源系统电负荷历史数据集
Figure DEST_PATH_IMAGE067
、热负荷历史数据集
Figure 758225DEST_PATH_IMAGE068
、环境温度历史数据集
Figure DEST_PATH_IMAGE069
，并以上述数据集作为初始源域数据集
Figure 998713DEST_PATH_IMAGE062
；并设定日前预测的 电负荷精度阈值
Figure 542827DEST_PATH_IMAGE070
、热负荷精度阈值
Figure DEST_PATH_IMAGE071
、核函数宽度参数
Figure 894174DEST_PATH_IMAGE007
、源域天数
Figure 840133DEST_PATH_IMAGE072
、目标域 天数
Figure DEST_PATH_IMAGE073
；
预测日
Figure 251523DEST_PATH_IMAGE063
的电-热负荷日前预测模型建立模块，用于建立改进后的深度多任务学习网络 模型，并利用初始源域数据集
Figure 955037DEST_PATH_IMAGE062
对该模型进行训练，获得预测日
Figure 202085DEST_PATH_IMAGE063
的电-热负荷日前预 测模型；
预测误差获取模块，用于利用预测日
Figure 940234DEST_PATH_IMAGE063
的电-热负荷日前预测模型对预测日第
Figure 991367DEST_PATH_IMAGE063
天进行 负荷预测，得到第
Figure 510073DEST_PATH_IMAGE063
天电、热负荷预测数据
Figure 999960DEST_PATH_IMAGE074
、
Figure DEST_PATH_IMAGE075
，并与第
Figure 795878DEST_PATH_IMAGE063
天的实际电、热负荷 数据
Figure 673704DEST_PATH_IMAGE076
、
Figure DEST_PATH_IMAGE077
进行比较，获得第
Figure 555072DEST_PATH_IMAGE063
天的电负荷预测误差
Figure 645388DEST_PATH_IMAGE078
和热负荷预测误差
Figure DEST_PATH_IMAGE079
；
第
Figure 295812DEST_PATH_IMAGE080
天的电-热负荷日前预测模型获取模块，用于将第
Figure 16643DEST_PATH_IMAGE063
天的电负荷预测误差
Figure 745827DEST_PATH_IMAGE078
、热负荷预测误差
Figure 577517DEST_PATH_IMAGE079
分别与电负荷精度阈值
Figure 82448DEST_PATH_IMAGE070
、热负荷精度阈值
Figure 36497DEST_PATH_IMAGE071
进行比较，若
Figure DEST_PATH_IMAGE081
且
Figure 892458DEST_PATH_IMAGE082
，则将预测日
Figure 590155DEST_PATH_IMAGE063
的电-热负荷日前预测 模型直接沿用为第
Figure 11909DEST_PATH_IMAGE080
天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电- 热负荷日前预测；否则，获取第
Figure 12226DEST_PATH_IMAGE080
天前
Figure 886642DEST_PATH_IMAGE073
天的电负荷、热负荷、环境温度历史数据作为新 的目标域数据集
Figure DEST_PATH_IMAGE083
，第
Figure 856872DEST_PATH_IMAGE080
天前第
Figure 133132DEST_PATH_IMAGE084
至第
Figure 939238DEST_PATH_IMAGE073
天的电负荷、热负荷、环境温度历 史数据作为新的源域数据集
Figure 300949DEST_PATH_IMAGE057
，分别获取新的源域与新的目标域电负荷、热负荷和 环境温度数据的数据分布差异值
Figure DEST_PATH_IMAGE085
、
Figure 215816DEST_PATH_IMAGE086
和
Figure DEST_PATH_IMAGE087
，根据电、热负荷迁移学习策略， 以新的目标域数据集
Figure 940058DEST_PATH_IMAGE083
为训练集，对预测日
Figure 282178DEST_PATH_IMAGE063
的电-热负荷日前预测模型进行调整， 获得第
Figure 131185DEST_PATH_IMAGE080
天的电-热负荷日前预测模型，并进行后续的园区综合能源系统电-热负荷日前 预测。
8.一种计算设备，其特征在于：包括：
一个或多个处理单元；
存储单元，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行如权利要求1至6中任一项所述的方法。
9.一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，其特征在于，所述程序代码被处理器执行时实现如权利要求1至6任意一项所述方法的步骤。
CN202210596819.3A 2022-05-30 2022-05-30 园区综合能源系统电-热负荷联合自适应预测方法及装置 Active CN114676941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210596819.3A CN114676941B (zh) 2022-05-30 2022-05-30 园区综合能源系统电-热负荷联合自适应预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210596819.3A CN114676941B (zh) 2022-05-30 2022-05-30 园区综合能源系统电-热负荷联合自适应预测方法及装置

Publications (2)

Publication Number Publication Date
CN114676941A true CN114676941A (zh) 2022-06-28
CN114676941B CN114676941B (zh) 2022-09-30

Family

ID=82080203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210596819.3A Active CN114676941B (zh) 2022-05-30 2022-05-30 园区综合能源系统电-热负荷联合自适应预测方法及装置

Country Status (1)

Country Link
CN (1) CN114676941B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116360342A (zh) * 2023-02-13 2023-06-30 广东工业大学 一种机床热误差预测建模方法
CN117148026A (zh) * 2023-10-31 2023-12-01 国网天津市电力公司经济技术研究院 一种电气自动化供电系统检测装置及方法
CN117669839A (zh) * 2024-02-01 2024-03-08 山东赛马力发电设备有限公司 一种综合能源系统分布式负荷预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110490385A (zh) * 2019-08-22 2019-11-22 广东电网有限责任公司 一种综合能源系统中电负荷和热负荷的联合预测方法
CN113591368A (zh) * 2021-06-29 2021-11-02 中国电力科学研究院有限公司 一种综合能源系统多能负荷预测方法及系统
CN113609762A (zh) * 2021-07-27 2021-11-05 山东大学 一种基于gru-mtl的电冷热负荷联合预测方法及系统
CN113962364A (zh) * 2021-10-22 2022-01-21 四川大学 一种基于深度学习的多因素用电负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110490385A (zh) * 2019-08-22 2019-11-22 广东电网有限责任公司 一种综合能源系统中电负荷和热负荷的联合预测方法
CN113591368A (zh) * 2021-06-29 2021-11-02 中国电力科学研究院有限公司 一种综合能源系统多能负荷预测方法及系统
CN113609762A (zh) * 2021-07-27 2021-11-05 山东大学 一种基于gru-mtl的电冷热负荷联合预测方法及系统
CN113962364A (zh) * 2021-10-22 2022-01-21 四川大学 一种基于深度学习的多因素用电负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
江晶晶 等: "贫乏信息下基于深度迁移学习的智慧建筑负荷预测方法", 《电气技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116360342A (zh) * 2023-02-13 2023-06-30 广东工业大学 一种机床热误差预测建模方法
CN117148026A (zh) * 2023-10-31 2023-12-01 国网天津市电力公司经济技术研究院 一种电气自动化供电系统检测装置及方法
CN117148026B (zh) * 2023-10-31 2024-03-12 国网天津市电力公司经济技术研究院 一种电气自动化供电系统检测装置及方法
CN117669839A (zh) * 2024-02-01 2024-03-08 山东赛马力发电设备有限公司 一种综合能源系统分布式负荷预测方法及系统
CN117669839B (zh) * 2024-02-01 2024-04-30 山东赛马力发电设备有限公司 一种综合能源系统分布式负荷预测方法及系统

Also Published As

Publication number Publication date
CN114676941B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
Li et al. Photovoltaic power forecasting with a hybrid deep learning approach
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN112186743B (zh) 一种基于深度强化学习的动态电力系统经济调度方法
CN109711620B (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN114676941B (zh) 园区综合能源系统电-热负荷联合自适应预测方法及装置
Tan et al. Multi-objective energy management of multiple microgrids under random electric vehicle charging
Ge et al. Data-driven spatial-temporal prediction of electric vehicle load profile considering charging behavior
CN114091879A (zh) 基于深度强化学习的多园区能源调度方法和系统
Xu et al. Data-driven game-based pricing for sharing rooftop photovoltaic generation and energy storage in the residential building cluster under uncertainties
Nazir et al. Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT)
CN112215428A (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
Zhong et al. An Orderly EV Charging Scheduling Method Based on Deep Learning in Cloud‐Edge Collaborative Environment
Zhang et al. Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach
Sen Time series prediction based on improved deep learning
Pu et al. A novel GRU-TCN network based Interactive Behavior Learning of multi-energy Microgrid under incomplete information
CN114723230A (zh) 面向新能源发电和储能的微电网双层调度方法及系统
El-Azab et al. Seasonal electric vehicle forecasting model based on machine learning and deep learning techniques
Alharbi et al. Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks
Kim et al. A deep-learning framework for forecasting renewable demands using variational auto-encoder and bidirectional long short-term memory
Ding et al. A statistical upscaling approach of region wind power forecasting based on combination model
Yang et al. Day‐ahead wind power combination forecasting based on corrected numerical weather prediction and entropy method
Ma et al. Residential high-power load prediction based on optimized LSTM network
Wei et al. An attention-based cnn-gru model for resident load short-term forecast

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant