一种基于GRU-MTL的电冷热负荷联合预测方法及系统与流程

一种基于gru
‑
mtl的电冷热负荷联合预测方法及系统
技术领域
1.本发明属于综合能源系统多元负荷预测技术领域，尤其涉及一种基于gru
‑
mtl的电冷热负荷联合预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.作为能源系统的重要组成部分，传统的电力系统、热力系统等是单独规划、单独设计和独立运行的，割裂了不同类型能源之间的耦合，很大程度上限制了能源系统运行的灵活性。
4.综合能源系统(integrated energy system，ies)作为新一代能源系统的重要组成，涵盖了供电、供冷、供热等能源系统，集成了多种形式的供能、能量转换和储能设备，在源、网、荷等不同环节实现了不同类型能源的耦合。随着多种能源系统的耦合性增强，大规模可再生能源的接入，能源生产和消费日益市场化，这些转变对用能预测的准确性提出了更高的要求。
5.综合能源系统的负荷具有多元性，包含电负荷、冷负荷和热负荷等，精确的多元负荷短期预测是综合能源系统运行及调度的基础，保证其预测精度尤为重要。目前关于电力系统短期负荷预测的研究较多，预测模型具有较高的预测精度，并已广泛应用于电力系统调度运行中。相较于此，由于电负荷、冷负荷和热负荷具有较强的时变性和耦合性，相关影响因素众多，在对电负荷、冷负荷和热负荷进行预测时没有充分考虑三者之间的耦合性来进行综合建模，对模型的预测精度会产生影响。


技术实现要素：

6.为了解决上述背景技术中存在的技术问题，本发明提供一种基于gru
‑
mtl的电冷热负荷联合预测方法及系统，其在进行电冷热负荷联合预测时，能够充分模拟负荷与负荷之间以及负荷与多种输入特征之间的耦合特性，提高电冷热负荷联合预测精度，从而很好的解决了上述背景中提到的电冷热负荷联合预测中存在的耦合特性问题。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供一种基于gru
‑
mtl的电冷热负荷联合预测方法。
9.一种基于gru
‑
mtl的电冷热负荷联合预测方法，包括：
10.将电负荷历史数据、冷负荷历史数据、热负荷历史数据、气象历史数据以及日历信息输入训练好的电冷热负荷预测模型，得到待预测的电负荷数据、冷负荷数据和热负荷数据；
11.其中，所述电冷热负荷预测模型包括：采用gru神经网络搭建多任务学习mtl的共享学习层。
12.本发明的第二个方面提供一种基于gru
‑
mtl的电冷热负荷联合预测系统。
13.一种基于gru
‑
mtl的电冷热负荷联合预测系统，包括：
14.预测模块，其被配置为：将电负荷历史数据、冷负荷历史数据、热负荷历史数据、气象历史数据以及日历信息输入训练好的电冷热负荷预测模型，得到待预测的电负荷数据、冷负荷数据和热负荷数据；
15.模型构建模块，其被配置为：所述电冷热负荷预测模型包括：采用gru神经网络搭建多任务学习mtl的共享学习层。
16.本发明的第三个方面提供一种计算机可读存储介质。
17.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于gru
‑
mtl的电冷热负荷联合预测方法中的步骤。
18.本发明的第四个方面提供一种计算机设备。
19.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于gru
‑
mtl的电冷热负荷联合预测方法中的步骤。
20.与现有技术相比，本发明的有益效果是：
21.本发明可以有效地解决电冷热负荷联合预测中存在的负荷与负荷之间以及负荷与多种输入特征之间的耦合特性问题，从而提高了电冷热负荷联合预测的精度。
22.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
23.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
24.图1是本发明基于gru
‑
mtl的电冷热负荷联合预测方法的框架图。
具体实施方式
25.下面结合附图与实施例对本发明作进一步说明。
26.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
27.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
28.需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，
这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
29.近年来，现有的负荷预测方法主要分为传统方法、机器学习方法和深度学习方法。传统的预测方法如卡尔曼滤波等，仅适用于小规模数据，对数据稳定性要求较高；传统的机器学习方法如支持向量回归等，虽然与传统方法相比有一定的改进，但不能记住长时间序列信息，预测精度有限；深度学习方法中最广泛使用的长短期记忆神经网络，也因其无法较好的模拟多元负荷间的耦合性导致预测效果不佳。
30.由于综合能源系统多元负荷受各种因素影响，呈现出不确定性和非线性特点，系统的电冷热等多元负荷不仅与自身的历史数据有关，负荷与负荷之间以及负荷与多种输入特征之间的耦合特性对多元负荷预测的精度也产生着不可忽略的影响。故针对此问题，本发明提出了基于gru和mtl相结合的电冷热负荷联合预测方法。其中，多任务学习结构通过使用共享学习机制并行训练多个负荷预测任务，充分利用隐含在多个相关任务里的特征信息从而提高泛化能力，进而解决多元负荷预测中存在的耦合性问题；又考虑到电冷热负荷联合预测研究中输入特征数据集不是非常大的情况，故将多任务学习结构与lstm的变种gru神经网络相结合进行电冷热多元负荷预测，提高了预测精度。
31.多任务学习(mtl)作为迁移学习的一种，因其隐层参数硬共享机制的存在，可以在预测电、冷、热负荷三个子任务之间共享网络的隐藏层，模拟三个子任务输入特征间的耦合特性，在网络靠近输出的部分开始分叉得到三个子任务的目标值即电、冷、热负荷的预测值。相比于单一使用lstm或者gru模型进行多任务输出，mtl可以将多个任务在浅层共享表示，降低网络过拟合风险，提升网络泛化效果，从而提高预测精度。
32.下面通过多个实施例，描述本发明的实施方式：
33.实施例一
34.如图1所示，本实施例提供了一种基于gru
‑
mtl的电冷热负荷联合预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。本实施例中，该方法包括以下步骤：
35.将电负荷历史数据、冷负荷历史数据、热负荷历史数据、气象历史数据以及日历信息输入训练好的电冷热负荷预测模型，得到待预测的电负荷数据、冷负荷数据和热负荷数据；
36.其中，所述电冷热负荷预测模型包括：采用gru神经网络搭建多任务学习mtl的共享学习层。
37.作为一种或多种实施方式，所述电冷热负荷预测模型训练的过程包括：
38.构建输入特征集和输出特征集，所述输入特征集中的输入样本与输出特征集中的
输出样本一一对应；
39.将输入特征集中的输入样本输入电冷热负荷预测模型中，将模型输出的预测电负荷数据、冷负荷数据和热负荷数据与输出特征集中对应的输出样本进行对比，计算损失函数；
40.根据损失函数逐代调整电冷热负荷预测模型的超参数，直到迭代到达预设的次数，得到训练好的电冷热负荷预测模型。
41.具体的，本实施例首先划分输入特征集和输出特征集，对输入特征的历史数据集进行异常值处理、缺失值处理、以及归一化处理等数据预处理操作，然后将预处理后的数据集输入到本发明所设计的gru
‑
mtl电冷热负荷预测模型中，对其进行网络结构超参数选择、网络模型训练、网络参数调优以及模型性能评估等操作，最后得出电冷热负荷的联合预测结果。
42.本发明的具体方案如下：
43.(1)输入、输出特征集划分
44.作为一种或多种实施方式，所述输入特征集包括：电负荷历史数据、冷负荷历史数据、热负荷历史数据、气象历史数据以及日历信息；所述输出特征集包括：预测的电负荷数据、冷负荷数据和热负荷数据；气象历史数据包括：温度历史数据、湿度历史数据、风速历史数据以及压力历史数据。
45.具体的，输入特征集、输出特征集是决定模型表现能力的关键。其中输入特征往往是影响电冷热负荷联合预测的各种属性，针对电冷热负荷联合预测问题划分输入特征时需要确定必要的相关信息，如历史数据、天气信息和日历信息等。因此本实施例选择电负荷历史数据、冷负荷历史数据、热负荷历史数据、温度数据、湿度数据、风速数据、压力数据和日历信息等数据共同作为输入特征集。而输出特征集则为待预测时刻的电负荷数据、冷负荷数据和热负荷数据。
46.(2)数据预处理
47.作为一种或多种实施方式，在将电负荷历史数据、冷负荷历史数据、热负荷历史数据、气象历史数据以及日历信息输入训练好的电冷热负荷预测模型之前还包括：对电负荷历史数据、冷负荷历史数据、热负荷历史数据和气象历史数据进行异常值处理、缺失值处理、以及归一化处理。
48.具体的，首先，鉴于数据集在测量、传输、存储过程中易出现异常情况，倘若直接舍弃该部分样本，会大大削减所建立的gru
‑
mtl电冷热负荷预测模型的可用信息，降低模型预测性能。因此对数据集进行缺失值填充和异常值辨识，以保证数据集的完整性和优质性。
49.其次在确定输入特征集和输出特征集后，需要对其进行归一化处理，以防止变量间数量级差异较大影响模型预测精度。因此本实施例使用min
‑
max标准化方法，对原始数据进行线性变换，使结果值映射到[0，1]之间。变换函数如下：
[0050][0051]
其中，max为输入特征样本数据的最大值，min为输入特征样本数据的最小值，x为当前输入特征样本数据。
[0052]
(3)gru
‑
mtl电冷热负荷联合预测模型
[0053]
由于电冷热负荷联合预测时负荷与负荷之间以及负荷与多种输入特征之间的耦合特性问题的存在，故本实施例将门控循环单元(gate recurrent unit，gru)与多任务学习(multi
‑
task learning，mtl)结合在一起，搭建了电冷热负荷联合预测模型。mtl在处理一个问题时可以通过使用共享层进行学习并获得其他相关子任务所提供的辅助耦合信息，可以有效模拟电冷热负荷联合预测中输入特征间的耦合特性，进而达到提高模型输出精度与增强泛化能力的目的。mtl包含一组任务y
t
(t∈t)和数据集合其中t为任务个数，n为数据样本个数，为第i个数据点的第t个任务的标签。定义预测函数为f
t
(x；θ
sh
，θ
t
)：x
→
y
t
，其中θ
sh
为不同任务共享的参数，θ
t
为任务相关的参数，则mtl的整体优化损失函数可定义如下：
[0054][0055]
式中：α
t
为任务的权重系数；为损失函数，定义为为损失函数，定义为
[0056]
作为一种或多种实施方式，所述电冷热负荷预测模型中mtl采用参数硬共享的学习模式。使用mtl构建电冷热负荷联合预测模型的关键在于学习模式的选择和共享学习层的构建。
[0057]
1)mtl按特征共享方式可将学习模式分为硬共享机制和软共享机制。其中硬共享机制是多个子任务共同使用同一特征共享层，特征参数完全相同；软共享机制是每一个子任务都有自己的特征参数，不同子任务间需要进行必要的正则化处理才能达到信息共享的目的。相比之下，硬共享机制在特征参数、模型结构上更加简单，针对所要构建的电冷热负荷联合预测模型这种参数繁多、结构复杂的情况更不易产生过拟合问题，模型泛化能力也更强。同时考虑到软共享机制比较适用于不具有紧密关系的任务，而并不适用于解决电冷热负荷联合预测这种具有复杂耦合性的问题。故本发明在电冷热负荷联合预测模型结构设计中采用参数硬共享的学习模式。
[0058]
2)在共享学习层构建过程中，考虑到电冷热负荷联合预测研究中输入特征数据集不是非常大的情况，为保证预测精度，故采用gru神经网络来搭建共享学习层。gru在每个神经元内部设置了重置门和更新门，其具体计算过程如下。
[0059]
更新门：
[0060]
z
t
＝σ(w
(z)
x
t
u
(z)
h
t
‑1)
[0061]
重置门：
[0062]
r
t
＝σ(w
(r)
x
t
u
(r)
h
t
‑1)
[0063]
当前记忆内容：
[0064]
h
′
t
＝tanh(wx
t
r
t
⊙
uh
t
‑1)
[0065]
当前时间步的最终记忆：
[0066]
h
t
＝z
t
⊙
h
t
‑1 (1
‑
z
t
)
⊙
h
′
t
[0067]
式中，z
t
、r
t
分别为当前时间步更新门和重置门的门控信息，x
t
为当前时间步的输
入信息，h
t
‑1为上一时间步的最终记忆，w、u为权重矩阵，h
′
t
、h
t
分别为当前记忆内容和当前时间步的最终记忆，σ为sigmoid激活函数。
[0068]
(4)模型构建
[0069]
作为一种或多种实施方式，所述电冷热负荷预测模型构建的过程包括：
[0070]
采用网格寻优法确定电冷热负荷预测模型的超参数，基于电冷热负荷预测模型的超参数，结合多任务学习mtl和gru神经网络构建电冷热负荷预测模型。
[0071]
具体的，首先采用网格寻优法确定gru
‑
mtl电冷热负荷联合预测模型的超参数，根据gru
‑
mtl电冷热负荷联合预测模型超参数建立gru
‑
mtl电冷热负荷联合预测模型；然后将输入特征数据集输入到所建模型中，进行网络模型训练，直至迭代到预设次数为止。通过多个隐含层逐层将原始数据集中的低维特征转化为高维特征，使模型学习到隐含映射关系。采用adam优化算法将验证集特征量输入训练后的gru
‑
mtl网络中，将输出的电冷热负荷联合预测结果与真实值进行对比并计算损失函数，依据损失函数逐代调整网络参数；最后使用均方误差(mse)、均方根误差(rmse)和平均绝对误差(mae)作为模型评价指标，其具体表达式如下：
[0072][0073][0074]
所选用的三类误差函数作为评价指标时，值越小证明预测结果越好。
[0075]
实施例二
[0076]
本实施例提供了一种基于gru
‑
mtl的电冷热负荷联合预测系统。
[0077]
一种基于gru
‑
mtl的电冷热负荷联合预测系统，包括：
[0078]
预测模块，其被配置为：将电负荷历史数据、冷负荷历史数据、热负荷历史数据、气象历史数据以及日历信息输入训练好的电冷热负荷预测模型，得到待预测的电负荷数据、冷负荷数据和热负荷数据；
[0079]
模型构建模块，其被配置为：所述电冷热负荷预测模型包括：采用gru神经网络搭建多任务学习mtl的共享学习层。
[0080]
实施例三
[0081]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于gru
‑
mtl的电冷热负荷联合预测方法中的步骤。
[0082]
实施例四
[0083]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于gru
‑
mtl的电冷热负荷联合预测方法中的步骤。
[0084]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储
介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0085]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0086]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0087]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0088]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0089]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。