【技术实现步骤摘要】
本专利技术涉及负荷预测，具体涉及一种综合能源系统多元负荷预测方法。
技术介绍
1、近年来，伴随我国国民经济的飞速发展，社会能源需求量与日俱增，环境问题日益凸显，为保障社会经济的可持续发展，构建以“双碳”为目标、清洁高效安全的综合能源系统是实现现代电力系统绿色低碳转型发展的必然趋势。综合能源系统不同于传统能源系统的单一形式，其集成了电、热、冷等多个能源系统，通过多种能源间的相互耦合以及协调运行实现多能互补，有效提高各类能源的综合利用效率，减少碳排放，对生态环境保护有着积极促进作用。而多元负荷短期预测是综合能源系统安全稳定运行与经济优化管理的重要前提，因此实现高效准确的多元负荷短期预测对综合能源系统具有重要意义，如文献[1]：鲁斌，霍泽健，俞敏.基于lstnet-skip的综合能源系统多元负荷超短期预测[j].中国电机工程学报，2023，49(6)：2273-2284.中的记载。
2、传统的短期多元负荷预测方法分为数学统计方法和机器学习方法。数学统计方法建模简单，计算效率高，在处理线性数据时效果较好，但对于非线性数据仍存在局限性。相对地，机器学习方法由于具有一定的鲁棒性和非线性拟合能力，在短期负荷预测领域占据着主导地位并取得了良好的预测效果。
3、然而，由于现如今分布式新能源的大量入网以及综合能源系统中多元负荷存在一定的耦合关系，导致综合能源系统的负荷波动更加复杂多变，传统机器学习方法已不能满足需求，而深度学习作为机器学习的发展分支，因其具有强大的学习和非线性问题处理能力，能更好地从数据中提取到复杂的非线性特
4、另外，为降低原始负荷数据的非线性与非平稳性，提高模型整体预测精度，信号分解算法逐渐被广泛应用于该领域。然而，有相关研究表明，使用信号分解算法对原始数据进行预处理可能会泄露部分所要预测的目标信息，使得在测试集上测试出的模型预测精度与实际精度存在差异。除此之外，为克服单一预测模型泛化性能较弱、适用范围有限的问题，基于多模型融合的混合预测方法被大量提出，其大多通过赋予各模型相应权重并加权求和得到最终预测结果的方式，来提高总体模型的预测精度和泛化能力。但该类预测方法本质上还是将各模型预测结果进行了简单的线性组合，可能难以满足当今复杂多变的综合能源系统多元负荷预测需求。
技术实现思路
1、为克服现有技术存在的不足，本专利技术提出一种综合能源系统多元负荷预测方法，该方法在信号分解技术的基础上提出一种嵌入式分解模块ed，以此来解决采用分解方法带来的信息泄露问题；另外，引入一种多尺度tcn-attention架构mta，在该架构中通过将不同卷积核大小的tcn并行运行，并与attention机制相连接，使得总体模型能够更好地捕捉与提取不同时间尺度下的综合能源系统多元负荷时序信息。除此之外，提出一种自适应非线性融合方法anf，将多尺度tcn-attention分支的输出进行有效融合，以加强模型对复杂问题的非线性建模能力，增强在实际工程问题中的可应用性。
2、本专利技术采取的技术方案为：
3、一种综合能源系统多元负荷预测方法，包括以下步骤：
4、步骤1：获取综合能源系统的多元负荷历史数据和气象数据，对多元负荷历史数据以及气象数据进行关联因子优选，筛选出对多元负荷影响较大的关联因子；
5、步骤2：将步骤1筛选出的关联因子和多元负荷历史数据划分为训练集、验证集和测试集三个部分，并进行归一化处理；
6、步骤3：采用嵌入式分解模块将步骤2处理后的数据进行分解，得到周期分量和趋势分量；步骤4：提出一种基于多尺度tcn-attention架构mta与自适应非线性融合方法anf的负荷预测模型mta-anf，对步骤3得到的周期分量和趋势分量进行预测，并采用训练集对mta-anf模型进行训练；
7、步骤5：采用验证集对步骤4训练好的mta-anf模型进行验证，检验模型是否训练到最优状态；
8、步骤6：将测试集数据输入到训练好的mta-anf模型中，得到最终的多元负荷预测结果；步骤7：采用平均绝对误差mae、均方根误差rmse和平均相对误差mape这三个评价指标对预测结果进行误差分析。
9、所述步骤1中，设x表示气象数据，y表示多元负荷历史数据，采用皮尔逊相关系数对多元负荷历史数据以及气象数据进行关联因子优选，筛选出对多元负荷影响较大的气象因素，皮尔逊相关系数的表达式如下：
10、
11、式中：xi表示第i个时刻的气象数据；yi表示第i个时刻的多元负荷历史数据；n表示样本数量；cov(x,y)表示x和y的协方差；σx、σy分别表示x和y的标准差；
12、所述步骤2中，归一化处理的具体计算公式为：
13、
14、式中：x表示原始样本数据；xmin表示最小的样本值；xmax表示最大的样本值；表示归一化处理后的样本值；
15、所述步骤3中，嵌入式分解模块ed的工作过程，包括以下步骤：
16、步骤s3.1：对于输入到嵌入式分解模块ed中的关联因子和多元负荷序列，假设其中一列样本数为n的时间序列为x＝{x1…xs…xn}，为使经平均池化操作后得到的趋势分量t与x长度一致，对x两端进行填充操作，填充后得到的新序列xnew＝{x1-(k-1)/2…x1…xn…xn+(k-1)/2}，其中，x1左端的填充值均与x1相同，xn右端的填充值均与xn相同；
17、步骤s3.2：对填充后的新序列xnew进行平均池化操作，具体过程公式如下所示：
18、
19、t＝{t1,t2…ts…tn}
20、式中：t为趋势分量；ts为趋势分量t中第s个元素；k为池化核大小；xs-(k-1)/2+i为一个池化窗口内的第i个元素；
21、步骤s3.3：将原序列x减去趋势分量t得到周期分量p：
22、p＝x-t＝{p1,p2…ps…pn}
23、式中：ps为周期分量p中第s个元素；
24、所述步骤4中，mta-anf模型的构建，包括以下步骤：
25、步骤s4.1：将得到的趋势分量和周期分量，分别送入到多尺度tcn模块中，以提取不同时间尺度下的特征信息，如图1所示；对于多尺度tcn模块，该模块由三个不同卷积核大小的tcn并行组成，其中：大尺度卷积核的tcn用来捕捉长周期局部信息；小尺度卷积核的tcn用来捕捉短周期局部信息；中尺度卷积核的tcn用来捕捉介于长周期和短周期之间的局部信息；
26、每个多尺度tcn模块都包含两个残差模块，每个残差模块主要由多个因果膨胀卷积层组成，因本文档来自技高网...
【技术保护点】
1.一种综合能源系统多元负荷预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述一种综合能源系统多元负荷预测方法，其特征在于：还包括步骤7：采用平均绝对误差MAE、均方根误差RMSE和平均相对误差MAPE这三个评价指标对预测结果进行误差分析。
3.根据权利要求1所述一种综合能源系统多元负荷预测方法，其特征在于：所述步骤1中：设X表示气象数据，Y表示多元负荷历史数据，采用皮尔逊相关系数对多元负荷历史数据以及气象数据进行关联因子优选，筛选出对多元负荷影响较大的气象因素，皮尔逊相关系数的表达式如下：
4.根据权利要求1所述一种综合能源系统多元负荷预测方法，其特征在于：所述步骤2中，归一化处理的具体计算公式为：
5.根据权利要求1所述一种综合能源系统多元负荷预测方法，其特征在于：所述步骤3包括以下步骤：
6.根据权利要求1所述一种综合能源系统多元负荷预测方法，其特征在于：所述步骤4中，MTA-ANF模型的构建，包括以下步骤：
7.根据权利要求2所述一种综合能源系统多元负荷预测方法，其特征在于：所述步骤7中，三个
...【技术特征摘要】
1.一种综合能源系统多元负荷预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述一种综合能源系统多元负荷预测方法，其特征在于：还包括步骤7：采用平均绝对误差mae、均方根误差rmse和平均相对误差mape这三个评价指标对预测结果进行误差分析。
3.根据权利要求1所述一种综合能源系统多元负荷预测方法，其特征在于：所述步骤1中：设x表示气象数据，y表示多元负荷历史数据，采用皮尔逊相关系数对多元负荷历史数据以及气象数据进行关联因子优选，筛选出对多元负荷影响较大的气象因素，皮尔逊...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。