多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超...多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超短期多元负荷预测方法。构建基于最小平均包络熵的变分模态分解参数优化模型,将IES多元负荷分解为本征模态分量集合;基于统一信息系数法筛选多元负荷预测的日历、气象与负荷强相关特征;结合负荷本征模态分量集合、日历规则、气象环境与负荷数据,构建Bagging集成超短期多元负荷预测模型,并建立基于平均绝对百分比误差与决定系数的集成策略优化模型,进而得到最优集成策略与最终预测结果。以美国亚利桑那州立大学坦佩校区IES为对象展开仿真验证,结果表明,所提方法的电、热、冷负荷预测平均绝对百分比误差分别为1.9486%、2.0585%、2.5331%,相比其他预测方法具有更高准确率。展开更多
对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重...对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。展开更多
科技领域的衍生行业因普遍存在强时间约束的特性而累积了海量的高维时间序列数据,严峻的数据压力导致传统的数据建模预测方法受制于数据规模和属性维度。支撑高质量的服务对大数据智能预测技术提出了更高的要求,如何在数据层面上实现预...科技领域的衍生行业因普遍存在强时间约束的特性而累积了海量的高维时间序列数据,严峻的数据压力导致传统的数据建模预测方法受制于数据规模和属性维度。支撑高质量的服务对大数据智能预测技术提出了更高的要求,如何在数据层面上实现预测性能的提升是现阶段亟待解决的主要问题。针对上述问题,提出了针对多元时序数据的特征再抽象(Feature Re-Abstraction,FRA)算法,首先通过RobustSTL分解算法提取趋势性和季节性特征(Trend and Seasonality Features,TSFs),实现多元数据的特征二阶抽象,以“抽象即特征”替代传统“标签即特征”的提取策略,再通过Pearson相关系数的运算结果评估再抽象技术捕捉的TSFs与目标参数间的相关强度,证实TSF的数据价值。在FRA算法的基础上结合深度学习模型构建基于数据驱动的多元时序预测算法,通过预测效果验证FRA算法的有效性。实验结果表明,引入TSFs作为数据驱动模型的训练向量能够兼具数据降维、降噪及强相关特性地维持,从而避免模型过拟合并缓解模型欠拟合,提高时序预测算法的准确性和鲁棒性。展开更多
文摘多元负荷预测技术是保证综合能源系统(integrated energy system,IES)供需平衡与稳定运行的关键基石。但具有强随机性与波动性的IES负荷加剧了超短期多元负荷准确预测的难度。为此,提出考虑最小平均包络熵负荷分解的最优Bagging集成超短期多元负荷预测方法。构建基于最小平均包络熵的变分模态分解参数优化模型,将IES多元负荷分解为本征模态分量集合;基于统一信息系数法筛选多元负荷预测的日历、气象与负荷强相关特征;结合负荷本征模态分量集合、日历规则、气象环境与负荷数据,构建Bagging集成超短期多元负荷预测模型,并建立基于平均绝对百分比误差与决定系数的集成策略优化模型,进而得到最优集成策略与最终预测结果。以美国亚利桑那州立大学坦佩校区IES为对象展开仿真验证,结果表明,所提方法的电、热、冷负荷预测平均绝对百分比误差分别为1.9486%、2.0585%、2.5331%,相比其他预测方法具有更高准确率。
文摘对于用能数据不足的综合能源系统,借助相似系统的丰富数据可以为其建立高精度的多元负荷预测模型,然而,受数据安全等因素的限制,很多系统并不愿意共享自身数据。联邦学习为处理隐私保护下的少数据综合能源多元负荷预测问题提供了一个重要的思路,但是现有方法依然存在相似参与方识别精度不高等不足。鉴于此,本文提出一种融合联邦学习和长短期记忆网络(long short-term memory,LSTM)的少数据综合能源多元负荷预测方法(multitask learning based on shared dot product confidentiality under federated learning,MT-SDPFL)。首先,给出一种基于共享向量点积保密协议的相似参与方识别方法,用来从诸多可用的综合能源系统中选出最为相似的参与方;接着,使用参数共享联邦学习算法对选中的各参与方联合训练,结合LSTM和finetune技术建立每个参与方的多元负荷预测模型。将所提方法应用于多个实际能源系统,实验结果表明,该方法可以在数据稀疏的情况下取得高精度的多源负荷预测结果。
文摘科技领域的衍生行业因普遍存在强时间约束的特性而累积了海量的高维时间序列数据,严峻的数据压力导致传统的数据建模预测方法受制于数据规模和属性维度。支撑高质量的服务对大数据智能预测技术提出了更高的要求,如何在数据层面上实现预测性能的提升是现阶段亟待解决的主要问题。针对上述问题,提出了针对多元时序数据的特征再抽象(Feature Re-Abstraction,FRA)算法,首先通过RobustSTL分解算法提取趋势性和季节性特征(Trend and Seasonality Features,TSFs),实现多元数据的特征二阶抽象,以“抽象即特征”替代传统“标签即特征”的提取策略,再通过Pearson相关系数的运算结果评估再抽象技术捕捉的TSFs与目标参数间的相关强度,证实TSF的数据价值。在FRA算法的基础上结合深度学习模型构建基于数据驱动的多元时序预测算法,通过预测效果验证FRA算法的有效性。实验结果表明,引入TSFs作为数据驱动模型的训练向量能够兼具数据降维、降噪及强相关特性地维持,从而避免模型过拟合并缓解模型欠拟合,提高时序预测算法的准确性和鲁棒性。
