基于量子加权多层级GRU神经网络的综合能源 系统多元负荷短期预测

针对综合能源系统多元负荷短期预测问题,提出一种基于量子加权多层级GRU(quantum weighted multi hierarchy gated recurrent unit, QWMHGRU)神经网络的多元负荷短期预测模型。采用最大信息系数对多元负荷间和负荷与天气因素间的相关性进行分析,选取模型输入量。然后改进GRU的门控结构,形成多层级门控循环单元(multi hierarchy gated recurrent unit, MHGRU),并将量子加权神经元引入MHGRU,构成QWMHGRU多变量负荷预测模型。仿真算例结果表明,QWMHGRU多元负荷预测模型在夏季和冬季的权重平均精度均可达97%以上,相比MHGRU、QWGRU和GRU模型具有更高的预测精度。     

基于MMoE-TCN的综合能源系统短期多元负荷预测

准确的短期多元负荷预测是确保综合能源系统可靠经济运行的必要前提。针对现有模型预测精确度不高的问题,本文提出一种基于改进最大信息系数相关性分析和MMoE-TCN多任务学习的负荷预测方法。首先,采用改进的最大信息系数相关性分析方法筛选目标预测负荷的特征序列集。然后,建立基于参数软共享机制的MMoE多任务学习模型,通过专家子网和门控单元合理分配子任务的共享特征信息,挖掘多元负荷间的耦合特性,进而使用时间卷积神经网络构建子任务模型,用于负荷预测。最后,使用IES公开数据集进行算例分析,其误差均低于MTL-TCN、MTL-LSTM和LSTM模型,验证了本文所提方法有较高的预测准确度。     

基于特征加权Stacking集成学习的净负荷预测方法

当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为“净负荷”)进行预测研究。由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测。为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差。最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。     

基于特征加权Stacking集成学习的净负荷预测方法

当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为“净负荷”)进行预测研究。由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测。为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差。最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。     

基于MTL-GRU-Attention的综合能源系统多元负荷预测

针对综合能源系统多元负荷预测问题,提出一种基于多任务学习、门控循环单元和注意力机制的多元负荷预测方法。首先,运用门控循环单元建立多任务学习的共享层,充分挖掘冷、热、电负荷之间的耦合特征;然后,利用贝叶斯优化算法实现门控循环单元最优超参数的自适应选择;最后,使用注意力机制实现子任务对共享层中重要特征的差异化提取,以增强关键信息的影响。以亚利桑那州立大学坦佩校区的实测负荷数据作为算例,结果表明所提模型具有更高的预测精度。     

基于Stacking集成学习的无缝钢管连轧电耗预测

无缝钢管生产作为高能耗行业的典型代表,其节能降耗一直都备受关注。通过预测电耗,企业可以找到节能降耗的有效途径,从而减少生产过程中的电能消耗,提升生产效率。为提高无缝钢管连轧电耗预测精度,采用一种改进的Stacking集成学习模型对电耗进行预测。首先,对采集到的电耗数据进行预处理,并基于嵌入法采用XGBoost和LightGBM进行特征选择;然后,采用随机搜索和贝叶斯优化结合的方法对基学习器开展超参数优化,在Stacking集成模型的首层中,选择LightGBM、ET和MLP作为基学习器;最后,根据基学习器在数据上的预测表现来赋予它们相应的权重,同时将原数据集也加入元学习器训练。结果表明：改进的Stacking集成学习模型具有最好的预测效果,其R2为0.975 7,预测精度比单一基学习器和传统的Stacking集成学习模型都要高,证明了所提方法的有效性。     

基于LSTM和多任务学习的综合能源系统多元负荷预测

随着综合能源利用技术的不断发展与用户用能需求的多元化,现有单一负荷预测方法难以反映多元负荷间的耦合特性,精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提.基于此,提出一种以长短时记忆神经网络作为共享层的多任务学习负荷预测方法,经由共享层模拟多元负荷间的耦合特性,进而达到提升预测精度的目的.首先,以"硬共...     

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

针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。     

基于重构误差和极端模式识别的综合能源系统短期负荷预测

综合能源系统的运行场景存在极端模式,且含有异常数据,亟剧增加了综合能源负荷预测的难度。该文提出基于极端模式识别和误差重构的综合能源系统极端模式短期负荷预测方法,通过极端模式的识别,异常数据的检测,提高综合能源负荷预测的精度。首先,基于最小累积距离的综合能源负荷数据聚类,识别系统的极端模式;然后,利用深度学习模型的残差和聚类误差进行误差重构,检测异常数据;最后,采用改进的Stacking集成学习方法,进行极端模式的综合能源负荷预测。将所提方法应用于典型的综合能源系统,并与已有方法比较,实验结果表明,所提方法能够很好地解决极端模式的综合能源系统短期负荷预测问题。     

基于XGBoost-MTL的综合能源系统多元负荷预测

精确的多元负荷预测是综合能源系统(integrated energy system,IES)优化调度和稳定运行的前提。针对IES中多元负荷之间耦合关系复杂以及影响负荷预测的因素众多等问题,文中提出一种基于极限梯度提升(extreme gradient boosting,XGBoost)与多任务学习(multi task learning,MTL)的多元负荷预测方法。首先通过XGBoost重要度排序得到各影响因素对于多元负荷的贡献度,依据贡献度来选取影响负荷预测的关键性因素作为预测模型的输入,保证了输入特征对于多元负荷预测有效的修正作用;其次以门控循环单元(gated recurrent unit,GRU)作为共享层来搭建MTL预测模型,各子任务通过共享信息来有效利用各负荷之间复杂的耦合关系;最后以上海某综合能源站的负荷数据为例对文中所提模型的有效性进行验证。结果表明:该模型能够适应实际综合能源系统中各类负荷的变化,有效提高预测精度并减少训练时间。     

基于改进DaNN的综合能源系统多能负荷预测

随着能源革命的推进及双碳目标的提出,综合能源系统越发受到广大研究者的重视,对综合能源系统进行高效的规划和控制离不开精准的多能负荷预测。基于上述需求,引入迁移学习理论,提出一种改进领域自适应神经网络（DaNN）负荷预测模型对综合能源系统中的冷、热、电负荷进行统一建模与预测。首先,通过历史数据分别构筑冷、热、电负荷特征图,随后输入改进DaNN的参数共享卷积层和全连接层;其次,基于冷、热、电负荷联合预测的特点改进传统神经网络的损失函数,加入最大均值差异指标,并优化训练模型;最后,通过3个各自独立的全连接层分别输出冷、热、电负荷的预测值。通过采用实际算例验证并与基准模型对比可知,所提改进DaNN模型能够有效提高综合能源多能负荷预测精度。     

An explainable framework for load forecasting of a regional integrated energy system based on coupled features and multi-task learning

To extract strong correlations between different energy loads and improve the interpretability and accuracy for load forecasting of a regional integrated energy system (RIES), an explainable framework for load forecasting of an RIES is proposed. This includes the load forecasting model of RIES and its interpretation. A coupled feature extracting strat egy is adopted to construct coupled features between loads as the input variables of the model. It is designed based on multi-task learning (MTL) with a long short-term memory (LSTM) model as the sharing layer. Based on SHapley Additive exPlanations (SHAP), this explainable framework combines global and local interpretations to improve the interpretability of load forecasting of the RIES. In addition, an input variable selection strategy based on the global SHAP value is proposed to select input feature variables of the model. A case study is given to verify the effectiveness of the proposed model, constructed coupled features, and input variable selection strategy. The results show that the explainable framework intuitively improves the interpretability of the prediction model.     

基于Prophet算法和Blending集成学习的实时负荷中期预测

目前的中期负荷预测一般未考虑负荷实时状态,而负荷数据的非线性、季节性、随机性、时序性特征将影响实时负荷的中期预测。构建一个实时负荷中期预测的框架,采用Prophet算法提取负荷数据的季节性部分,采用Blending集成学习对负荷数据的非季节部分进行滚动预测,将季节性部分和非季节性部分合成中期负荷实时数据。爱尔兰电力系统的算例结果验证了模型的有效性和稳定性。     

基于GRU-TGTransformer的综合能源系统多元负荷短期预测

综合能源系统的多元负荷短期预测,对系统的优化调度和经济运行至关重要。多元负荷之间耦合关系紧密,Transformer作为一种完全建立在自注意力机制上的模型,能很好地分析多元负荷之间的内在联系。传统Transformer模型针对自然语言类问题而设计,难以直接应用于多元负荷预测。为此,提出一种GRU-TGTransformer(GRU-Talkinghead-Gated residuals-Transformer)模型。该模型采用门控循环单元代替原有的词嵌入及位置编码环节,对输入数据进行特征融合,取得具备相对位置信息的高维特征数据。通过在多头自注意力环节引入交流机制,提高多头自注意力的表达效果。为进一步强化网络结构,在残差连接中引入门控单元,提高模型在时序预测问题上的稳定性。以美国亚利桑那州立大学坦佩校区的综合能源系统为算例,通过对所提出模型与传统模型之间进行对比分析,证明所提出的模型具有更高的预测精度。     

基于MMoE多任务学习和长短时记忆网络的综合能源系统负荷预测

精确的多元负荷预测是实现综合能源系统优化调度与经济运行的关键技术。在考虑多元负荷相关性的基础上,提出一种基于MMoE多任务学习和长短时记忆网络(LSTM)的多元负荷预测方法。利用皮尔逊相关系数分析冷热电负荷及气象因素存在的强相关性和弱相关性;构建MMoE多任务学习模型,利用专家子网和门控单元学习多元负荷间耦合特性的差异;使用LSTM构建子任务模型,对多元负荷进行预测。利用公开数据集进行性能验证,结果表明所提基于MMoE多任务学习和LSTM的模型能够有效提升多元负荷预测精度。     

基于联邦学习的综合能源系统集成需求响应机制

随着能源集成技术的发展,需求响应已经逐渐进化到集成需求响应(IDR),同时用户对于隐私保护的关注也日益增长。针对拥有冷热电设备和负荷的配电网侧综合能源系统,建立了多能源耦合交互模型,以反映不同能源消费行为之间的相互影响,并以运行成本最低为目标,以设备出力特性和多能源负荷特性为约束,设计了IDR优化模型。为了保护用户隐私,提出了联邦学习(FL)架构,重写IDR模型并将其置于该FL架构中进行迭代计算。仿真结果表明所提计算方法与不考虑耦合的传统需求响应方案相比,具有较好的成本优势;与其他分布式需求响应算法相比,计算效率也有所提升。     

考虑运行状态信息的综合能源系统图强化学习优化调度

“双碳”背景下,异质能源的耦合加剧迫使综合能源系统(integrated energy system, IES)拓扑朝着更复杂、更灵活的方向不断演变。然而,现有优化调度方法对非欧网络拓扑知识及其异质潮流约束考虑不足。针对这一问题,提出一种基于图强化学习的综合能源系统优化调度方法。首先,基于图理论在保证节点多样状态的情况下,将异质能源网络拓扑转换为网络图模型。其次,通过建立基于真实图映射的状态-动作-奖励的框架,利用图强化学习的方法学习图模型的非欧拓扑信息,将异质潮流知识加入系统节点运行状态,从而实现IES的安全优化调度。最后,利用某工业园区的真实数据进行仿真验证,所提方法相对于传统方法有效缓解了节点电压越限的问题。结果表明,所提方法能够在考虑IES真实拓扑运行状态信息和异质潮流安全的情况下实现IES的优化调度。     

基于最大信息系数的变压器过热故障特征选择

改良三比值法只关注若干个气体浓度比值,信息利用不充分,而且气体浓度的随机误差对故障诊断结果有影响,因此文中将变压器故障特征气体扩充为单种气体增长率、多种气体比值和相对浓度等62个故障特征,通过具有稳健性的最大信息系数提取与变压器故障状态相关度高的故障特征。同时为了避免筛选特征之间的冗余性,采用相关系数筛选冗余性小的特征组合,并采用距离相关系数和多种分类器进行检验。结果表明与油中溶解气体相比,筛选特征集合与变压器过热故障状态联系更加紧密,且针对过热故障类型的诊断精度,筛选特征集合在样本类别不平衡时性能更优,突破了单一分类器性能上限。