针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长...针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。展开更多
近年来,基于深度强化学习的综合能源系统(integrated energy system,IES)优化调度已取得阶段性进展。然而,随着IES系统结构、规模、技术等层面的持续发展,传统深度强化学习训练时间漫长和设计复杂度高等弊端逐渐显露。为此,提出一种面向...近年来,基于深度强化学习的综合能源系统(integrated energy system,IES)优化调度已取得阶段性进展。然而,随着IES系统结构、规模、技术等层面的持续发展,传统深度强化学习训练时间漫长和设计复杂度高等弊端逐渐显露。为此,提出一种面向IES能量优化调度的生成对抗模仿学习方法。首先,IES智能体通过模仿具备高奖励回馈的专家调度策略自适应学习动作探索过程,避免盲目探索造成的时间与算力浪费。其次,基于生成对抗理论,增设判别器网络辨别生成策略与专家策略之间的差异,以此作为内部奖励函数辅助神经网络参数更新,避免人工设置奖励的主观偏好和经验限制对IES调度结果的影响。最后,电-热耦合系统算例分析结果表明:训练过程中所提方法的收敛速度较传统深度强化学习算法提升了52%,收敛效果提升了10%,同时使IES智能体获得了接近专家调度经验的决策能力;在线应用时无需依赖对外界环境的准确预测和精确建模,即可实现快速实时决策。展开更多
负荷预测是综合能源系统(integrated energy system,IES)能量管理和优化调度的基础,其预测精度直接关系到系统的整体运行性能。提出了一种基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测模型。首先对Transformer...负荷预测是综合能源系统(integrated energy system,IES)能量管理和优化调度的基础,其预测精度直接关系到系统的整体运行性能。提出了一种基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测模型。首先对Transformer网络和多任务学习结构的基本原理进行了介绍;然后通过基于随机森林的特征选择步骤提取反映负荷特性和变化规律的典型指标,构建多任务学习输入特征,基于Transformer网络构建多任务学习权值共享层,并通过全连接层输出多能负荷的预测值;最后通过实际园区微能源系统的数据验证所提方法和算法的有效性,结果表明本文所提模型可以充分学习电-热耦合特征,提高负荷预测的精度。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
文摘针对气象因素对多元负荷变化的灵敏度差异及多元负荷间耦合强度的差异导致多任务学习(multi-tasklearning,MTL)预测模型精度受限的问题,该文提出一种MTL和单任务学习(single-tasklearning,STL)组合的多元负荷预测方法。首先使用基于长短期记忆(long and short-term memory,LSTM)网络的MTL模型提取多元负荷间的耦合信息进行初步预测;然后采用基于前置双重注意力长短期记忆(dual attention before LSTM,DABLSTM)网络的STL模型减少输入噪声进行二次预测;同时将初步的预测值输入STL模型,使得STL模型可以考虑未来的时序信息;最后,通过全连接层对两个模型的预测结果进行融合得到最终的预测结果。实验结果表明,所提组合模型相比单一的MTL和STL模型具有更高的预测精度。
文摘近年来,基于深度强化学习的综合能源系统(integrated energy system,IES)优化调度已取得阶段性进展。然而,随着IES系统结构、规模、技术等层面的持续发展,传统深度强化学习训练时间漫长和设计复杂度高等弊端逐渐显露。为此,提出一种面向IES能量优化调度的生成对抗模仿学习方法。首先,IES智能体通过模仿具备高奖励回馈的专家调度策略自适应学习动作探索过程,避免盲目探索造成的时间与算力浪费。其次,基于生成对抗理论,增设判别器网络辨别生成策略与专家策略之间的差异,以此作为内部奖励函数辅助神经网络参数更新,避免人工设置奖励的主观偏好和经验限制对IES调度结果的影响。最后,电-热耦合系统算例分析结果表明:训练过程中所提方法的收敛速度较传统深度强化学习算法提升了52%,收敛效果提升了10%,同时使IES智能体获得了接近专家调度经验的决策能力;在线应用时无需依赖对外界环境的准确预测和精确建模,即可实现快速实时决策。
文摘负荷预测是综合能源系统(integrated energy system,IES)能量管理和优化调度的基础,其预测精度直接关系到系统的整体运行性能。提出了一种基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测模型。首先对Transformer网络和多任务学习结构的基本原理进行了介绍;然后通过基于随机森林的特征选择步骤提取反映负荷特性和变化规律的典型指标,构建多任务学习输入特征,基于Transformer网络构建多任务学习权值共享层,并通过全连接层输出多能负荷的预测值;最后通过实际园区微能源系统的数据验证所提方法和算法的有效性,结果表明本文所提模型可以充分学习电-热耦合特征,提高负荷预测的精度。
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。
