(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210955307.1 (22)申请日 2022.08.10 (71)申请人 湘潭大学 地址 411105 湖南省湘潭市雨湖区湘潭大 学 (72)发明人 谭貌　廖骋臣　王陆陆　苏永新　 陈颉　陈才学　任宇玲　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于负荷参与因子的综合能源系统多 元负荷预测方法 (57)摘要 本发明公开了一种基于负荷参与因子的综 合能源系统多元负荷预测方法， 该方法包括以下 步骤： 数据采集与预处理； 计算负荷参与因子； 替 换负荷数据； 构造样本序列； 构建多元负荷预测 模型； 多元负荷预测。 本发明通过负荷参与因子 提取多元负荷与总体负荷之间的隐匿信息， 建立 神经网络模 型挖掘多元负荷之间的耦合特性， 提 高了多元负荷预测的精确度。 此外提出了负荷参 与因子应用准则， 提高了预测方法在不同应用场 景的泛化能力。 权利要求书1页 说明书6页 附图1页 CN 115375017 A 2022.11.22 CN 115375017 A 1.一种基于多任务学习的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： 步骤一， 数据采集与预处理： 获取多元负荷历史数据， 将多元负荷数据统一量纲后累加 作为总负荷数据， 并进行 数据预处 理， 得到预处 理后的历史负荷数据； 步骤二， 计算负荷参与因子： 根据预处 理后的历史负荷数据， 计算负荷参与因子； 步骤三， 替换负荷数据： 根据负荷参与因子数值以及多元负荷与总负荷之间的相关性 大小制定负荷参与 因子应用准则， 对满足该准则的负荷数据使用负荷参与 因子进行替换， 得到处理后负荷数据； 步骤四， 构造样本序列： 将步骤三处理后负荷数据归一化， 并采用自相关分析选取时间 步长， 得到样本序列。 步骤五， 构建多元负荷预测模型： 构建多任务学习神经网络， 将样本序列输入所述神经 网络进行训练， 得到多元负荷预测模型； 步骤六， 多元负荷预测： 对在线采集的多元负荷数据采用步骤一至四中同样的数据处 理方法构 造样本序列， 输入至多 元负荷预测模型， 并将预测模 型输出数据还原， 得到多元负 荷预测结果。 2.根据权利要求1所述的综合 能源系统多元负荷预测方法， 其特征在于， 所述步骤一中 进行数据预处 理包括： 缺失值 填充， 异常值去除。 3.根据权利要求1所述的综合 能源系统多元负荷预测方法， 其特征在于， 所述步骤二中 计算负荷参与因子的具体方法为： 对任意时刻的任意负荷类型， 该类负荷在总负荷中的占 比即为负荷参与因子 。 4.根据权利要求1所述的综合 能源系统多元负荷预测方法， 其特征在于， 所述步骤三中 的负荷参与因子应用准则为： (1)该类负荷与总负荷之间相关性系数的绝对值大于 (2)该类负荷的负荷参与因子取值大于 δ。 其中 为设定的相关性阈值， δ 为设定的负荷参与因子阈值。 如果同时满足上述两条准则， 则认为该类负荷满足负荷参与因子应用准则。 5.根据权利要求1所述的综合 能源系统多元负荷预测方法， 其特征在于， 步骤六将数据 还原的具体步骤为： (1)对模型输出的多元负荷数据、 总负荷数据进行反归一 化处理； (2)对应用负荷参与因子的负荷类型， 将反归一化后的负荷数据乘以总负荷数据， 得到 负荷预测结果； 对未应用负荷参与因子的负荷类型， 直接使用反归一化后的负荷数据作为 预测结果。权　利　要　求　书 1/1 页 2 CN 115375017 A 2一种基于负荷参与因 子的综合能源系统多元负荷预测方 法 技术领域 [0001]本发明涉及综合能源系统负荷预测领域， 特别涉及一种基于负荷参与因子的综合 能源负荷预测方法。 背景技术 [0002]综合能源系统以电力系统为核心， 在水平上实现电、 冷、 热等多种物理特性能源的 “多源互补 ”， 在垂直上实现 “源网‑负荷‑储”高度协调,有利于可再生能源的充分利用和不 可再生能源的梯级利用。 负荷预测作为综合能源系统用能管理和优化调度的首要前提,可 以经济合理地 安排各类能源的转 化,保持电网运行的安全稳定， 提高经济效益和社会效益。 [0003]目前传统的负荷预测方法主要以传统方法、 传统机器学习方法、 前沿机器学习方 法为主。 传统方法主要以时间序列法、 回归分析法等为代表,虽然在短期单一负荷预测上具 有一定成效,但随着综合能源系统的不断发展,系统内部结构逐渐复杂,用能需求同时受到 多种因素 的共同影响,导致传统方法难以建立精准的数学模型,难以实现对非线性关系 数 据的准确预测。 而以决策树、 随机森林、 支持向量回归等为代表的传统的机器学习方法无需 建立复杂的数学模型,便可取得不错的预测效果。 但随着可再生能源接入、 需求侧响应等因 素加入,综合能源系统需要对多种不同物理特性的负荷同时进行预测,传统机器学习 方法 遭遇到了瓶颈。 以深度学习为核心的前沿机器学习方法通过多层非线性映射逐层学习隐藏 特征,不仅对于非线性复杂结构具有强大的解释能力且无需建立复杂的数学模型便可取得 较好的预测结果。 [0004]然而， 目前的负荷预测模型没有提取多元负荷与总体负荷需求之间的隐匿信息， 且大多数预测是只针对各类能源负荷的单独预测， 忽略了综合能源系统中各能源之 间的耦 合特性， 割裂了能源系统之间的耦合关系。 发明内容 [0005]为了解决上述背景涉及的问题， 本发明所使用的技术方案是： 一种基于负荷参与 因子的综合能源系统多元负荷预测方法， 包括以下步骤: [0006]步骤一， 数据采集与预处理： 获取多元负荷历史数据， 将多元负荷数据统一量纲后 累加作为总负荷数据， 并进行 数据预处 理， 得到预处 理后的历史负荷数据； [0007]步骤二， 计算负荷参与因子： 根据预处 理后的历史负荷数据， 计算负荷参与因子； [0008]步骤三， 替换负荷数据： 根据负荷参与因子数值以及多元负荷与总负荷之间的相 关性大小制定负荷参与因子应用准则， 对满足该准则的负荷数据使用负荷参与因子进 行替 换， 得到处 理后负荷数据； [0009]步骤四， 构造样本序列： 将步骤三 处理后负荷数据归一化， 并采用自相关分析选取 时间步长， 得到样本序列。 [0010]步骤五， 构建多元负荷预测模型： 构建多任务学习神经网络， 将样本序列输入所述 神经网络进行训练， 得到多元负荷预测模型；说　明　书 1/6 页 3 CN 115375017 A 3