区域综合能源系统的多元负荷预测方法、装置及存储介质与流程

本发明属于综合能源系统，主要涉及一种区域综合能源系统的多元负荷预测方法、装置及存储介质。

背景技术：

1、在应对能源危机与环境危机交织的双重挑战下，传统的以电力为核心的集中供应模式在应对日益复杂的能源形态和多元化的能源利用趋势时，已显现出其局限性。因此，区域综合能源系统应运而生，通过整合并利用多种能源形式，提高了能源间的耦合性，为源、网、荷、储的协同控制提供了新的解决路径，显著提升了能源使用效率与系统运行灵活性。

2、在区域综合能源系统的运营与管理中，负荷预测作为需求侧管理的关键环节，对于优化资源配置、提升系统运行效率具有重大意义。传统的负荷预测方法，如基于统计学的回归分析、指数平滑等，以及基于机器学习的支持向量机、多层感知器等，虽各具特色，但均存在其固有的局限性。统计方法在处理非线性或非稳态数据时，其预测精度往往受到较大影响；而机器学习方法虽然在一定程度上解决了非线性问题，但仍需依赖人工进行特征筛选，这在一定程度上影响了预测结果的客观性和准确性。

3、深度学习作为机器学习领域的新兴分支，以其强大的特征学习和处理能力，为负荷预测提供了新的可能。然而，目前基于深度学习的区域综合能源系统多元负荷预测研究尚处于起步阶段，多数研究仍聚焦于单一能源类型的预测，未能充分考虑到多能负荷之间的复杂耦合关系，导致预测精度难以达到实际应用的要求。

4、实际上，区域综合能源系统的结构复杂，多种能源形式通过不同的转换设备相互关联，形成了复杂的耦合关系。因此，在进行负荷预测时，除了考虑负荷数据本身的时间序列特性外，还需深入挖掘不同能源类型之间的耦合信息。然而，许多现有模型难以提取不同类型负荷之间的耦合信息。在构建输入特征时，并未考虑不同输入特征之间的差异，也未对其进行统一处理，这导致特征提取器输出大量冗余信息，影响了预测结果的准确性。

技术实现思路

1、本发明为了解决上述问题，提出了一种区域综合能源系统的多元负荷预测方法、装置及存储介质，本发明可以提高区域综合能源系统多元负荷预测精度，并降低预测的复杂度。

2、为实现上述目的，本发明采用如下技术方案：

3、一种面向区域综合能源系统的电热冷多元负荷预测方法包括以下步骤：

4、s1.采集区域综合能源系统的运行数据和历史气象数据作为原始数据集，采用皮尔逊相关系数pcc对电、热、冷负荷以及气象因素进行相关性分析，以筛选出相关性较强的特征，并对筛选后的数据进行预处理；

5、s2.根据静态图像的分布模式，将一维电、热、冷负荷序列数据转换为三维像素矩阵形式；

6、s3.根据多元负荷和气象数据信息值的差异，分别使用改进的cnn和全连接层提取高维特征，然后将提取的高维特征矩阵合并；

7、s4.采用基于lstm-mtl的多元负荷预测模型得到各个负荷预测结果，其中，电、热、冷负荷间的耦合采用硬共享机制；

8、s5.采用平均绝对百分比误差、标准均方根误差和平均准确率对模型的预测效果进行整体评价。

9、所述步骤s1采用皮尔逊相关系数pcc筛选出相关性较强的特征，对筛选后的数据进行预处理，所述的数据进行预处理是指一化处理，将所有属性转换为相同的尺度和范围，pcc和数据归一化的计算公式分别为：

10、

11、

12、式中，u为负荷变量，v为为气象因素变量，ruv为变量u、v的皮尔逊相关系数，ui为变量u第i个数据样本，vi为变量v第i个数据样本，变量u样本的平均值，为变量v样本的平均值，n为样本总数，xi为第i个原始数据，为归一化后的第i个数据，xmin为原始数据中的最小值，xmax为原始数据中的最大值；原始数据包含各种气象数据(如温度、湿度等)、电热冷历史负荷数据。

13、所述步骤2的过程是将电、热和冷负荷分别置于三个独立的通道中，并将它们垂直堆叠，形成一个三通道像素矩阵，如下所示：

14、

15、式中，e为电负荷，h为热负荷，c为冷负荷；m为一天中的不同时刻，n为时间步长。在同一通道中，负荷的水平分布反映了一天中不同时刻负荷之间的时间关系，而垂直分布则反映了相邻天同一时刻负荷的周期性。不同通道反映了各种负荷之间的交叉相关性。

16、所述步骤s3使用改进的cnn对多元负荷像素矩阵提取高维特征的过程为：

17、s31.基于不同尺度的卷积核，独立提取不同时间尺度的负荷特征，卷积之后加入批量归一化层、激活函数层，得到一组特征图；

18、s32.采用eca注意力机制对特征图进行融合；

19、s33.利用最大池化层对生成的特征图进行压缩，并通过全连接层调整输出维度。

20、所述步骤s32中的eca注意力机制通过对不同尺度卷积特征通道之间的相互依存关系进行明确建模，提高了网络生成特征的质量，并允许网络执行特征重新校准，从而有选择地强调有效特征，抑制无用特征，其过程为：

21、1)对输入的特征层进行全局平局池化后进行一维卷积运算；

22、2)使用sigmoid激活函数将卷积后的值固定在[0,1]之间，得到输入特征层每一个通道的权值；

23、3)将得到的权值与输入特征层相乘。

24、所述步骤s4的基于lstm-mtl的多元负荷预测模型由输入层、lstm共享层、全连接层和输出层组成，将提取道德多元负荷和气象数据特征合并后输入到lstm共享层进行特征共享，接着通过独享的全连接层生成每个负荷预测任务的输出。

25、所述步骤s4中lstm-mtl的多元负荷预测模型的长短期记忆神经网络lstm单元包含遗忘门、输入门和输出门，其数学模型如下：

26、遗忘门：

27、ft＝σ(wf·[ht-1,xt]+bf)

28、输入门：

29、

30、

31、it＝σ(wi·[ht-1,xt]+bi)

32、输出门：

33、ot＝σ(wo·[ht-1,xt]+bo)

34、ht＝ot·tanh(ct)

35、式中，ft是遗忘门t时刻的输出状态，it是输入门t时刻的输出状态，ot是输出门t时刻的输出状态；xt为t时刻的样本数据；是神经元t时刻的即时状态，ct是神经元t时刻的长期状态；ht是神经元t时刻的隐藏状态，ht-1是神经元t-1时刻的隐藏状态；wf和bf分别为遗忘门对应的权重系数矩阵和偏置项；wi和bi分别为输入门对应的权重系数矩阵和偏置项；wo和bo分别为输出门对应的权重系数矩阵和偏置项；wc和bc分别为神经元对应的权重系数矩阵和偏置项；σ(·)和tanh(·)分别是sigmoid激活函数和双曲正切激活函数。

36、所述步骤s5采用平均绝对百分比误差、标准均方根误差和平均准确率对模型的预测效果进行整体评价，它们的计算公式如下：

37、平均绝对百分比误差：

38、

39、标准均方根误差：

40、

41、平均准确率：

42、

43、式中，mape为平均绝对百分比误差，rmse为标准均方根误差，ma为平均准确率，yi代表实际值，yi′代表预测值。

44、相应的，本发明提出一种使用面向区域综合能源系统的电热冷多元负荷预测方法的装置，包括：

45、数据存储模块，被配置为存储多元历史负荷以及历史气象数据；

46、特征选择模块，被配置为采用皮尔逊相关系数pcc来分析多元负荷功率与气象因素之间的相关关系，经特征选择后的气象数据保存在数据存储模块；

47、数据重构模块，被配置为对多元历史负荷进行重构，将原始电、热和冷负荷序列数据转换为三维像素矩阵形式，经重构后的多元历史负荷数据保存在数据存储模块；

48、特征提取模块，被配置为采用改进cnn对数据存储模块的多元负荷像素矩阵进行高维特征提取，采用全连接层对数据存储模块中经特征选择后的气象数据进行特征提取；

49、与特征提取模块连接的负荷预测模块，被配置为采用基于lstm-mtl的多元负荷预测模型得到各个负荷预测结果。

50、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的面向区域综合能源系统的电热冷多元负荷预测方法的步骤。

51、有益效果：

52、1、本发明方法根据信息值的差异，将输入特征分为两组进行差异化处理。然后将提取的两类特征合并输入lstm-mtl模型，以防止特征提取过程中出现特征冗余和过多的数据噪声。

53、2、本发明方法采用改进的cnn对历史负荷数据进行多尺度特征提取，通过使用不同尺度的卷积核来实现多尺度特征提取，并使用eca注意力机制允许网络执行特征重新校准，有选择地强调有效特征，抑制无用特征，深入挖掘数据中隐藏的高维抽象信息，充分挖掘其信息价值潜力。

54、3、本发明方法提供了一种基于lstm-mtl的区域能源系统电热冷负荷预测方法，运用lstm建立多任务学习的共享层，通过共享层模拟电、热、冷负荷间的耦合特性，有效提高了预测精度。