【技术实现步骤摘要】
本专利技术涉及综合能源预测，特别涉及一种基于二次解耦的综合能源多元负荷短期预测方法。
技术介绍
1、在传统的预测多元负荷时，容易产生倾向性的预测结果，如大幅提高了某一负荷的预测精度，但牺牲了其他负荷预测的准确性，导致最终预测结果的失衡。为了解决多元负荷预测中预测失衡的问题，研究者们提出了多任务学习(mtl)模型，mtl通过共享底层网络结构来同时训练多个相关任务，以期提升模型在所有任务上的性能。然而mtl也存在一个局限性，即它将所有输入的影响因素纳入模型中，而无法区分这些因素对多元负荷预测结果是正面的还是负面的，因此并没有从根本上解决预测不平衡的问题。随着研究的深入，mixture of experts(mmoe)模型被提出，mmoe通过为每个任务分配专门的专家网络，并利用门控机制，灵活控制不同专家的输出组合，以实现对各个任务的最佳适应。这一创新有效地缓解了任务间的负迁移问题，即一个任务的性能提升不再以牺牲另一个任务的表现为代价，使得mmoe在多元负荷预测中展现出了显著的优势。然而，尽管mmoe模型带来了诸多改善，但其网络构建和参数的交互机制是新的挑战。研究者们开始探索改进模型，例如，通过优化专家选择策略、改进门控机制或设计更高效的网络结构，研究者们致力于突破mmoe在网络构建和参数交互机制等方面的局限性。这些改进不仅有助于提升模型性能，还能降低计算资源的消耗，使得多任务学习在实际应用中变得更加高效和可行。
2、在多任务学习领域有两个常见的挑战。任务间性能不平衡现象，在多任务学习中，当各个任务之间的相关性较复杂时，可能
3、综上，现有技术当中，难以有效的捕捉多元负荷间的耦合性，且抗噪能力以及时间频率分辨率较差，并且预测精度较差，以及综合能源短期多元负荷预测技术中的准确性和平衡性不足。
技术实现思路
1、基于此，本专利技术的目的是提供一种基于二次解耦的综合能源多元负荷短期预测方法，以解决上述现有技术当中的不足。
2、本专利技术提供一种基于二次解耦的综合能源多元负荷短期预测方法，所述方法包括：
3、收集多元负荷数据集，并根据季节特征以及数据耦合关系将所述多元负荷数据集分为上半年数据集以及下半年数据集，基于所述上半年数据集以及所述下半年数据集重构所述多元负荷数据集中的冬季数据集以及夏季数据集，以进行一次解耦；
4、基于ttao-vmd对重构后的所述冬季数据集以及重构后的所述夏季数据集进行分解，以得到分解后的数据；
5、通过精细复合多尺度样本熵将所述分解后的数据划分为周期项以及趋势项，以进行二次解耦；
6、采用miv特征筛选对所述趋势项进行筛选，并采用lasso线性回归模型对筛选后的所述趋势项进行预测，得到趋势项预测结果；
7、采用progressive layered extraction多任务学习对所述周期项进行多元负荷预测，以得到周期项预测结果，并将所述趋势项预测结果以及所述周期项预测结果进行相加，以得到最终预测结果。
8、与现有技术相比，本专利技术的有益效果是：通过重构冬季数据集以及夏季数据集，进行第一次耦合，通过将分解后的数据划分为周期项以及趋势项，以进行二次解耦，从而能够有效的捕捉多元负荷件的耦合性，通过ttao-vmd对重构后的数据进行分解，能够实现非线性以及非平稳信号的精确分解，提升抗噪能力以及时间频率分辨率，通过精细复合多尺度样本熵进行划分，能够减少特征提取过程中的特征冗余以及数据噪声，提高预测精度，并且通过progressive layered extraction多任务学习对周期项进行多元负荷预测，能够有效提高预测准确性的同时兼顾平衡性。
9、进一步的，所述并根据季节特征以及数据耦合关系将所述多元负荷数据集分为上半年数据集以及下半年数据集的步骤包括：
10、将所述多元负荷数据集中的负荷序列划分为若干子序列；
11、采用随机掩码对若干所述子序列中的部分数据进行掩盖，以捕捉多元负荷间的耦合关系进行特征提取重构。
12、进一步的，所述基于所述上半年数据集以及所述下半年数据集重构所述多元负荷数据集中的冬季数据集以及夏季数据集的步骤包括：
13、所述多元负荷数据集包括春数据、夏数据、秋数据以及冬数据，对所述春数据、所述夏数据、所述秋数据以及所述冬数据进行排列，并根据季节特征以及数据耦合关系将所述春数据、所述夏数据、所述秋数据以及所述冬数据分为上半年数据及以及下半年数据集；
14、基于ptachtst提取所述多元负荷数据集中的多元负荷序列内的局部信息，并通过多头注意力机制挖掘所述多元负荷序列的时间依赖关系，以得到特征向量；
15、基于若干独立的注意力机制获取所述多元负荷序列的不同子空间的注意力分布；
16、基于bilstm对所述特征向量进行双向建模；
17、基于训练集对patchts本文档来自技高网...
【技术保护点】
1.一种基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述并根据季节特征以及数据耦合关系将所述多元负荷数据集分为上半年数据集以及下半年数据集的步骤包括：
3.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述基于所述上半年数据集以及所述下半年数据集重构所述多元负荷数据集中的冬季数据集以及夏季数据集的步骤包括：
4.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述基于TTAO-VMD对重构后的所述冬季数据集以及重构后的所述夏季数据集进行分解的步骤包括：
5.根据权利要求4所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述TTAO算法的中心频率的调整公式为：
6.根据权利要求5所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述分解过程中的所述目标函数的表达式为：
7.根据权利要求1所述的基于二次解耦的综合能源多元负荷
8.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述采用MIV特征筛选对所述趋势项进行筛选，并采用Lasso线性回归模型对筛选后的所述趋势项进行预测的步骤包括：
9.根据权利要求8所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述最小化L1范数惩罚的损失函数的表达式为：
10.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述采用Progressive Layered Extraction多任务学习对所述周期项进行多元负荷预测，以得到周期项预测结果的步骤包括：
...【技术特征摘要】
1.一种基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述并根据季节特征以及数据耦合关系将所述多元负荷数据集分为上半年数据集以及下半年数据集的步骤包括：
3.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述基于所述上半年数据集以及所述下半年数据集重构所述多元负荷数据集中的冬季数据集以及夏季数据集的步骤包括：
4.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述基于ttao-vmd对重构后的所述冬季数据集以及重构后的所述夏季数据集进行分解的步骤包括：
5.根据权利要求4所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在于，所述ttao算法的中心频率的调整公式为：
6.根据权利要求5所述的基于二次解...
【专利技术属性】
技术研发人员：屈志坚，孟延，侯新星，袁琛，李迪，邓芳明，伍志云，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：
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。