一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法

本发明涉及综合能源系统规划与运行分析，具体来说，特别涉及一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法。

背景技术：

1、区域综合能源系统（regional integrated energy system,ries）作为能源互联网的关键物理载体，通过深度融合电力、天然气、冷热能等多元异质能源，打破了各供能子系统间独立规划、割裂运行的壁垒，显著提升了能源梯级利用效率和系统灵活性。

2、在ries的规划与运行中，多元负荷预测扮演着先导和基石的角色。由于电、冷、热负荷在ries内部通过能量转换环节呈现出极强的强时空耦合特性，高精度的负荷预测直接决定了能量调度决策的科学性。然而，现有的多元负荷预测技术在实际应用中仍面临以下关键瓶颈：（1）输入特征的高维冗余与非线性耦合问题。多元负荷受气象环境、日历效应及系统内部热惯性等多源因素共同驱动。传统的特征分析方法如皮尔逊相关系数多局限于线性依赖度量，难以捕捉能源数据中普遍存在的强非线性关联。此外，现有研究往往在特征筛选中偏向于单纯的数据驱动或专家经验，前者易受噪声干扰产生过拟合，后者则缺乏定量数据支撑，难以构建兼顾物理机理与统计显著性的特征集。（2）多能耦合机理的挖掘不足。现有的单一负荷预测方法通常将电、冷、热负荷视为彼此割裂的独立对象进行建模，严重忽视了异质负荷背后共有的驱动规律和互补特性。尽管部分研究尝试利用多变量输入，但大多仅停留在数据的简单组合层面，未能从模型架构上实现对多元负荷深层时空耦合特征的协同提取，导致模型在面对负荷剧烈波动时的泛化能力有限。（3）预测结果的不确定性风险难以量化。随着分布式能源大规模接入，源荷双侧的随机性显著增强。传统的确定性点预测仅能给出负荷的平均水平，无法反映未来负荷波动的真实分布特征。而在概率预测领域，现有的参数化方法强行假设负荷误差服从特定的正态分布，这与实际数据中常见的尖峰、厚尾及异方差特性不符，导致生成的预测区间在关键时刻往往覆盖失效或范围冗余，难以满足高可靠性的风险调度需求。

3、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、有鉴于此，本发明提供一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，以解决上述提及的问题。

2、为了解决上述问题，本发明采用的具体技术方案如下：

3、一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，包括以下步骤：

4、s1、采集综合能源系统的原始多源数据，并通过自适应加权修正得到标准化的候选特征序列和目标负荷序列，其中，自适应加权修正采用基于多能物理耦合与气象波动感知的动态自适应加权修正方法进行修正；

5、s2、采用多分辨率奇异谱分析法对候选特征序列进行去冗余平滑处理，结合时间滑动窗口的最大互信息系数算法计算特征客观相关性测算值，并利用基于客观数据先验反馈调整的改进层次分析法计算特征主观权重系数，将特征客观相关性测算值与特征主观权重系数进行加权融合，得到多元负荷预测输入特征集；

6、s3、利用变分模态分解法，将目标负荷序列解耦为本征模态函数分量，并与多元负荷预测输入特征集一同输入至多任务transformer模型中，并通过构建联合损失函数进行多任务transformer模型训练；

7、s4、基于训练好的多任务transformer模型输出各个目标分位点的预测值，根据预设的置信水平构建预测区间的上下界，生成区域综合能源系统负荷的多元负荷概率预测区间。

8、本发明的有益效果为：

9、1、本发明针对区域综合能源系统多元负荷预测中面临的输入特征高维冗余、多能时空耦合机理难以精准表征以及不确定性风险难以准确量化等难题，综合考虑气象日历等多源驱动因素及异质负荷的波动特性，提出了一种基于主客观融合特征优选与深度学习的短期概率预测方法，为区域综合能源系统的多能协同优化、精细化调度与风险管控提供了坚实的数据支撑与科学的决策依据。

10、2、本发明构建了一套从多源异构数据特征提纯、非平稳序列解耦，到深度时空耦合特征提取，最终实现多维不确定性风险生成的系统化建模框架；旨在通过主客观融合的筛选机制锁定关键驱动因子，利用多任务学习架构深度刻画电、冷、热负荷间的物理交互机理，在显著提升确定性点预测精度的基础上，有效克服传统参数化预测对分布假设的依赖，实现预测可靠性与区间敏锐度的统筹优化，为区域综合能源系统的精细化多能协同调度、旋转备用优化及运行风险防御提供科学、稳健的量化决策支撑。

11、3、本发明基于区域综合能源系统多元负荷及气象日历的历史数据，结合ahp-mic主客观融合策略进行高质量特征提纯与vmd非平稳序列自适应解耦，利用构建的多任务transformer硬参数共享架构深度挖掘电、冷、热负荷间潜在的全局时空依赖与物理耦合规律，同时融合非参数化多任务联合分位数回归技术，实现了对该区域多元负荷在多种置信水平下的高可靠概率预测区间生成；该方法有效克服了传统参数化模型对分布假设的依赖，在保证预测区间高覆盖率的前提下显著收窄了区间宽度，实现了预测可靠性与敏锐度的性能权衡优化，为综合能源系统的旋转备用容量配置及弹性调度体系构建提供了精细化的技术支持。

1.一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s1包括以下步骤：

3.根据权利要求2所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s12包括以下步骤：

4.根据权利要求3所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s124包括以下步骤：

5.根据权利要求2所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s2包括以下步骤：

6.根据权利要求5所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s23包括以下步骤：

7.根据权利要求5所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s24包括以下步骤：

8.根据权利要求1所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s3包括以下步骤：

9.根据权利要求8所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s31包括以下步骤：

10.根据权利要求1所述的一种基于主客观特征优选与深度学习的区域综合能源系统多元负荷概率预测方法，其特征在于，所述s4包括以下步骤：