为提高综合能源系统(integrated energy system,IES)多元负荷预测的精确度,综合考虑多能源相互作用机理、多元负荷耦合特性及气象因素相关性,提出了一种基于多尺度特征提取的IES多元负荷短期联合预测方法。首先,通过最大互信息系数(maxi...为提高综合能源系统(integrated energy system,IES)多元负荷预测的精确度,综合考虑多能源相互作用机理、多元负荷耦合特性及气象因素相关性,提出了一种基于多尺度特征提取的IES多元负荷短期联合预测方法。首先,通过最大互信息系数(maximum information coefficient,MIC)研究多元负荷耦合特性及影响因素相关性,选择预测特征;其次,利用变分模态分解技术(variational mode decomposition,VMD)对输入特征进行分解,提升特征纯洁度;最后,采用卷积神经网络-双向长短期记忆神经网络(convolutional neural network-bidirectional long and short-term memory,CNN-BiLSTM)多任务学习模型进行纵向、横向特征选择,注意力(Attention)机制对重要特征差异化提取,实现多尺度特征提取,并利用雪消融优化器(snow ablation optmizer,SAO)对VMD和CNN-BiLSTM多任务学习模型进行超参数优化,以此实现IES多元负荷的联合预测。以美国亚利桑那州实测数据进行实验,结果表明,无论与单一预测方法还是与其他模型相比,所提联合预测方法的均方根误差更低、准确率更高,在IES多元负荷预测中具有更高的精确性和鲁棒性。展开更多
文摘为提高综合能源系统(integrated energy system,IES)多元负荷预测的精确度,综合考虑多能源相互作用机理、多元负荷耦合特性及气象因素相关性,提出了一种基于多尺度特征提取的IES多元负荷短期联合预测方法。首先,通过最大互信息系数(maximum information coefficient,MIC)研究多元负荷耦合特性及影响因素相关性,选择预测特征;其次,利用变分模态分解技术(variational mode decomposition,VMD)对输入特征进行分解,提升特征纯洁度;最后,采用卷积神经网络-双向长短期记忆神经网络(convolutional neural network-bidirectional long and short-term memory,CNN-BiLSTM)多任务学习模型进行纵向、横向特征选择,注意力(Attention)机制对重要特征差异化提取,实现多尺度特征提取,并利用雪消融优化器(snow ablation optmizer,SAO)对VMD和CNN-BiLSTM多任务学习模型进行超参数优化,以此实现IES多元负荷的联合预测。以美国亚利桑那州实测数据进行实验,结果表明,无论与单一预测方法还是与其他模型相比,所提联合预测方法的均方根误差更低、准确率更高,在IES多元负荷预测中具有更高的精确性和鲁棒性。