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。     

基于综合相关性指标与SA-BiGRU的综合能源系统多元负荷预测

短期负荷预测为综合能源系统安全稳定运行提供保障,但负荷波动的不确定性及多种能量相互耦合增大了预测难度。基于此,提出一种基于综合相关性指标和SA-BiGRU的综合能源系统多元负荷预测模型。考虑到不同气象因素对多元负荷的影响,采用综合相关性指标计算气象因素与负荷间的相关性,提出多元负荷三项耦合乘积挖掘能源间交叉耦合关系,并构建特征矩阵作为预测模型输入。同时,利用自适应k-means将原始输入数据划分为不同负荷场景,降低预测复杂度;在双向门控循环单元网络中引入自注意力机制,为输入特征赋予不同权重,从而增强模型对重要特征的区分能力。最后,采用算例与现有模型进行对比分析,结果表明所提出的多元负荷预测方法具有更高的预测精度和更短的预测时间。     

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。     

基于改进LSTM的区域综合能源系统多元负荷短期预测研究

冷热电负荷短期预测是区域综合能源系统优化调度的基础.针对区域综合能源系统多元负荷关联性和非线性的特点,本文构建了基于改进的长短期记忆神经网络的区域综合能源系统多元负荷短期预测模型,该模型采用灰色关联度法分析多元负荷之间和气象因素之间的耦合性,以此为依据,在改进长短期记忆神经网络预测模型中加入注意力层和dropout层,注意力机制可赋予模型隐含层不同的权重,dropout层可对模型正则化,并采用粒子群优化算法对预测模型参数进行优化.算例仿真结果表明,本文提出的预测模型具有较好的预测精度.     

基于耦合特征与多任务学习的综合能源系统短期负荷预测

在区域型综合能源系统（IES）内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下,提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法。首先,从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量,提取不同能源负荷需求间的耦合特征,进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入,利用多任务学习的共享机制建立IES的负荷预测模型,使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴,以实现对负荷间耦合特征的充分挖掘和利用。以美国亚利桑那州立大学坦佩校区IES为例,通过预测结果精度对比和深度学习模型可解释性研究,证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度。     

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。     

基于抽样卷积交互网络和改进Informer的多元负荷预测方法

针对多元负荷之间耦合关系复杂、波动性和随机性较强的特点，以及已有模型无法兼顾数据的充分挖掘和高效计算的现状，提出了一种基于抽样卷积交互网络和改进Informer的多元负荷预测模型。模型利用抽样卷积交互网络降低多元负荷数据的排列熵，使多元负荷更容易被预测；利用改进稀疏自注意力模块同时提取多元负荷在时间上的时序特征和空间上的耦合特征。通过算例分析可知：所建立的模型既能充分挖掘多元负荷的耦合关系和时序关系，相较于其他模型具有更低误差；能高效训练，相较于传统注意力模型具有更快的训练和预测速度。     

基于ResNet-LSTM网络和注意力机制的综合能源系统多元负荷预测

综合能源系统中多种负荷之间可能存在复杂的、较强的相互耦合关系.相对于对各类负荷进行单一独立的预测,直接开展多元负荷预测能够进一步挖掘负荷之间的内在联系,提高预测准确度.该文提出一种基于ResNet-LSTM网络和注意力机制的多任务学习模型,用于拟合多能负荷之间的空间耦合关系和时间耦合关系.首先,采用多层ResNet作为...     

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。     

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

为提高综合能源系统多元负荷短期预测的精度，提出一种基于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。首先，采用皮尔逊相关系数对气象数据进行关联因子优选；然后，通过嵌入式分解模块将输入的时间序列分解为周期分量和趋势分量，并将分解后得到的输入矩阵并行送入到具有不同尺度卷积核的时间卷积网络中，进行多尺度特征提取；接着，将多尺度时间卷积网络输出的特征向量输入到各自对应的注意力机制，以进行全局信息的学习与融合；最后，采用自适应非线性融合模块对各注意力机制的输出进行非线性融合，得到最终多元负荷预测结果。实验结果表明，所提方法具有较好的预测性能及泛化性。     

基于VMD-MTL-TCN的综合能源系统多元负荷预测

<正>考虑到综合能源系统多元负荷序列的高度不确定和强波动性,提出了一种变分模态分解（VMD）组合多任务学习时序卷积神经网络的预测方法。利用VMD削弱多元负荷序列的波动性,通过多任务学习机制构建特征共享层,并行预测电、冷、热负荷。与TCN和MTLTCN相比,所提模型在电、冷、热负荷预测上更准确可靠,验证了所提模型的有效性。     

基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。     

基于时间模式注意力机制的GRU短期负荷预测

针对新能源时代负荷数据随机性更强及负荷预测误差较大的问题,提出一种基于时间模式注意力机制的门控循环单元神经网络短期负荷预测方法。首先,采用自适应白噪声的完整经验模态分解对负荷数据进行处理,得到若干个频率范围不同的本征模函数。其次,通过最大互信息系数进行相关性分析筛选特征,优化输入数据的特征维度。然后,构建基于时间模式注意力机制的门控循环单元神经网络预测模型进行负荷预测,采用自回归算法优化线性特征提取能力,得到预测结果。最后,通过实例分析证明了所提模型有助于负荷预测精度的提升。     

基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测方法

负荷预测是综合能源系统（integrated energy system, IES）能量管理和优化调度的基础,其预测精度直接关系到系统的整体运行性能。提出了一种基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测模型。首先对Transformer网络和多任务学习结构的基本原理进行了介绍;然后通过基于随机森林的特征选择步骤提取反映负荷特性和变化规律的典型指标,构建多任务学习输入特征,基于Transformer网络构建多任务学习权值共享层,并通过全连接层输出多能负荷的预测值;最后通过实际园区微能源系统的数据验证所提方法和算法的有效性,结果表明本文所提模型可以充分学习电-热耦合特征,提高负荷预测的精度。     

基于DWT-Informer的台区短期负荷预测

电力负荷预测是确保电力系统安全高效运行的关键任务,针对台区短期电力负荷预测这一关键问题,该文章研究了电气特性数据处理和Informer模型优化的新方法。文章通过离散小波变换（DWT）对电流数据进行降噪处理,同时使用Prophet模型提取时序特征优化输入数据;并采用Informer的稀疏自注意力机制和自注意力蒸馏,增强了模型的特征捕捉和预测速度。实例数据验证表明,经过DWT和Prophet特征处理后的模型在各项相同的指标下均优于原始模型,验证了DWT-Informer模型在数据预处理和模型优化方面均取得了显著的性能提升。     

集成机器学习预测算法的短期负荷预测

为了提供与电力负荷相匹配的稳定高效的能源，减少电能因难以储存而造成的浪费，提出一种基于注意力机制、一维卷积神经网络和长短期记忆网络并行结合的负荷预测模型。首先，对山西省某市的负荷特征数据预处理；然后将数据并行输入到模型中进行训练，对模型优化进而获得更准确的短期预测能力；最后将所提模型与其他预测模型在不同的时间步长下进行预测对比。结果表明，所提方法在预测中具有更高的准确率和一定的普适性。     

基于VaR和集成神经网络分位数回归的短期负荷概率预测

短期负荷预测在电力系统规划与运行中起着重要作用。提出一种融合注意力机制和分位数回归的混合卷积双向长短期神经网络短期负荷概率预测模型。首先,利用相关性分析选取合适的天气变量和历史负荷。其次,通过Copula模型计算出风险阈值,该值被用于构造峰值二进制指示输入特征。接着,将所选特征集输入到卷积双向长短期神经网络预测模型,引入注意力机制给予数据不同关注。然后,采用核密度估计对负荷进行概率预测。最后,使用平均绝对百分比误差和均方根误差对模型预测性能进行评估。仿真结果表明,该模型具有更高的预测精度。     

基于改进Autoformer模型的短期电力负荷预测

针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。     

基于自适应图注意力网络的短期用户负荷预测

为提高短期用户负荷预测精度,提出了一种基于自适应图注意力网络(adaptive graph attention network, AGAT)的短期用户负荷预测模型。首先,针对用户负荷存在规模小、波动性强的问题,通过门控机制结合多个大小不同的扩张卷积核来构造时序特征提取层,从多个尺度上提取用户负荷的高维时序特征。同时,考虑到不同用户负荷间潜在的动态相关性,使用马氏距离构造动态图学习层,生成动态图邻接矩阵。然后,采用图注意力网络根据动态图邻接矩阵将用户负荷的高维时序特征进行信息汇聚。最后,通过全连接层输出用户负荷预测值。为验证AGAT模型的有效性,采用UCI电力负荷数据集进行预测实验,分别与多种基线模型比较。实验结果表明,所提模型预测指标优于各基线模型,有助于提高短期用户负荷预测精度。