申请/专利权人：中国矿业大学

申请日：2023-05-08

公开（公告）日：2024-05-24

公开（公告）号：CN118074091A

主分类号：H02J3/00

分类号：H02J3/00;G06Q10/04;G06Q50/06;G06F18/10;G06F18/214;G06N3/0442;G06N3/0464;G06N3/048;G06N3/08;G06N20/20

优先权：

专利状态码：失效-发明专利申请公布后的撤回

法律状态：2024.07.12#发明专利申请公布后的撤回;2024.06.11#实质审查的生效;2024.05.24#公开

摘要：本发明公开了一种基于TPA‑MTL的多能负荷预测方法，所述方法包括：利用拉伊达准则对异常数据进行处理；采用皮尔逊相关性系数，定量分析负荷之间耦合关系；利用时间模式的注意力机制，为不同时刻的特征分配权值；将分配权值的时间特征作为多任务学习模型的输入，构建时间模式注意力机制的多任务综合能源负荷预测模型；采用集成学习思想将具有不同参数的预测模型结果集成得到最终的负荷预测结果。本方法为区域综合能源系统多能负荷预测提供了精准的预测结果，并有效提高了预测模型的鲁棒性能。

主权项：1.一种基于TPA-MTL的多能负荷预测方法，其特征在于，它包括利用拉伊达准则找出历史负荷数据中的异常值，并使用向后学习的策略剔除异常值、利用皮尔逊相关性系数定量分析负荷之间的耦合关系，确定预测模型的输入特征、使用时间模式的注意力机制为高维时间特征分配权值、将多任务学习模型作为预测模型、再利用集成学习策略对不同预测模型集成获取最终的预测结果，具体内容为：1.采用拉伊达准则找出负荷数据中的异常值采用拉伊达准则找出历史负荷数据中的异常值并剔除，减小异常值对模型鲁棒性能的影响，具体做法如下：区域综合能源系统的负荷数据在正常情况下具有一定的规律性，因此负荷数据服从正态分布，当数据服从正态分布时，数值分布在μ-3σ,μ+3σ中的概率为99.74％，其中，代表数据平均值，代表标准差。确定异常数据后，采用后向学习策略，使用前一时刻数据进行填充处理，尽量降低缺失值与异常值对负荷预测精准度与鲁棒性的影响。为了便于数据分析，以及特征处理，还需将数据进行归一化处理，将不同的负荷数据置于同一量纲，利用式对数据进行归一化处理。 2.采用皮尔逊相关性系数定量分析负荷间耦合关系负荷归一化后的数据记为其中，t代表时间，代表冷负荷数据，代表热负荷数据，代表电负荷数据，代表温度数据。计算它们的关联度，记为ρij，公式如下： 得到关联度矩阵如下： 3.时间模式注意力机制分配时间特征给定一个X＝{x1,x2...,xt-1}，其中xt表示第t时刻的负荷真实值，使用滑动窗口进行数据划分，因此对于预测任务，使用{xt-Δt,xt-Δt+1,...,xt-1}的负荷数据，对xt时刻进行预测，其中Δt表示滑动窗口大小。将数据输入LSTM层并获取隐含层状态H＝{ht-Δt,ht-Δt+1,....,ht-1}在通过LSTM是获取的隐含层状态H的行向量上应用CNN过滤器来增强模型的学习能力，公式如下： 其中表示第i行向量与第j个过滤器的卷积值，设T＝Δt。经过卷积神经网络过滤隐藏特征后，将通过时间模式注意力机制进行权值分配，评分函数如下： 其中是HC的第i行，注意力的权值αi公式表示如下： 这里值得注意的是，激活函数采用的是sigmoid，而不是softmax，这是因为存在多任负荷预测任务。完成此过程后，通过αi对HC的行向量进行加权，得到上下文向量公示如下： 经过以上步骤后，最终成功获取经过权值分配并加权的时序特征vt。4.多任务负荷预测模型多任务学习，是指利用不同任务之间的相关性，通过多种任务联合训练，达到提高每一任务学习性能的目的。具体内容如下：考虑一组负荷预测任务yk,t＝1,2,…,K和数据集这里，K为任务个数，I为数据样本个数，为第i个数据第k个任务的标签。考虑预测函数fkxi；θsh,θk:x→yk，其中，θsh为负荷预测任务的共享参数，θk为任务相关参数，那么，多任务学习的整体优化函数可以表示为： 式中，αk为任务权重系数，Lθsh,θk为损失函数，定义为 5.利用XGBoost集成学习策略获取最终预测结果选取三种不同参数的TPA-MTL模型进行训练，三种模型参数如下：模型1，注意层的LSTM的神经元个数为32，注意力层卷积层为2，卷积核16。多任务共享层为3，每层神经元个数均为64。训练优化算法为Adam，初始学习率为0.01。模型2，注意层的LSTM的神经元个数为64，注意力层卷积层为2，卷积核32。多任务共享层为2，每层神经元个数均为128。训练优化算法为Rmsprop，初始学习率为0.01。模型3，注意层的LSTM的神经元个数为32，注意力层卷积层为2，卷积核分别为16，32。多任务共享层为3，每层神经元个数分别为32，64，128。训练优化算法为Adam，初始学习率为0.01。训练出三种模型后，利用基于Boosting集成的XGBoost策略确定不同模型最终集成的权值α1,α2,α3，并进行集成，得到最终的负荷预测结果。本发明提出一种多能负荷预测方法，是一种基于TPA-MTL的多能负荷预测方法，其特点是，首先利用拉伊达准则找出历史负荷数据的异常值并使用向后学习策略对异常值进行处理；其次，运用皮尔逊相关性系数对不同负荷之间的耦合特性进行定量分析确定预测模型的输入特征；然后利用时间模式的注意力机制对不同时刻的时间特征进行权值分配；接着，将多任务学习模型作为预测模型完成对负荷的预测任务；最后，利用XGBoost集成策略对不同模型的预测结果进行集成得到最终的预测结果；工程实例表明本方法具有预测精度高，模型鲁棒性强的优点。

全文数据：

权利要求：

百度查询： 中国矿业大学 一种基于TPA-MTL的多能负荷预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD