一种基于GRU-MTL的电冷热负荷联合预测方法及系统与流程

技术特征：
1.一种基于gru
‑
mtl的电冷热负荷联合预测方法，其特征在于，包括：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；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。2.根据权利要求1所述的基于gru
‑
mtl的电冷热负荷联合预测方法，其特征在于，所述电冷热负荷预测模型构建的过程包括：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。3.根据权利要求1所述的基于gru
‑
mtl的电冷热负荷联合预测方法，其特征在于，所述电冷热负荷预测模型训练的过程包括：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；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；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。4.根据权利要求3所述的基于gru
‑
mtl的电冷热负荷联合预测方法，其特征在于，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。5.根据权利要求1所述的基于gru
‑
mtl的电冷热负荷联合预测方法，其特征在于，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。6.根据权利要求1所述的基于gru
‑
mtl的电冷热负荷联合预测方法，其特征在于，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。7.根据权利要求1
‑
6任一项所述的基于gru
‑
mtl的电冷热负荷联合预测方法，其特征在于，所述气象历史数据包括：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。8.一种基于gru
‑
mtl的电冷热负荷联合预测系统，其特征在于，包括：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；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。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1
‑
7中任一项所述的基于gru
‑
mtl的电冷热负荷联合预测方法中的步骤。10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1
‑
7中任一项所述的基于gru
‑
mtl的电冷热负荷联合预测方法中的步骤。

技术总结
本发明属于综合能源系统多元负荷预测技术领域，提供了一种基于GRU


技术研发人员：孙波 解维建 李建靖
受保护的技术使用者：山东大学
技术研发日：2021.07.27
技术公布日：2021/11/4