本發(fā)明涉及負(fù)荷預(yù)測，更具體的說是涉及一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、綜合能源系統(tǒng)ies(integrated?energy?system，ies)能夠整合電力、熱力、冷能與可再生能源等，實(shí)現(xiàn)資源高效利用與互補(bǔ)。多元負(fù)荷預(yù)測作為ies規(guī)劃與運(yùn)行的關(guān)鍵技術(shù)，對提升能源系統(tǒng)可靠性與經(jīng)濟(jì)性意義重大。然而，因多種能源形式間存在復(fù)雜耦合關(guān)系，且用戶需求具有多樣性與不確定性，使得精準(zhǔn)負(fù)荷預(yù)測面臨嚴(yán)峻挑戰(zhàn)，故研究先進(jìn)的多元負(fù)荷預(yù)測方法，對優(yōu)化ies的調(diào)度與儲能管理極為關(guān)鍵。

2、傳統(tǒng)的負(fù)荷預(yù)測方法主要包括統(tǒng)計方法、機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。統(tǒng)計方法如回歸分析和時間序列分析在處理線性關(guān)系時表現(xiàn)良好，但在面對復(fù)雜非線性關(guān)系時力不從心。機(jī)器學(xué)習(xí)方法如支持向量機(jī)和隨機(jī)森林雖然提高了預(yù)測精度，但在處理多能源耦合和不確定性時仍顯不足。深度學(xué)習(xí)方法如lstm和cnn在負(fù)荷預(yù)測中取得了顯著進(jìn)展，但它們主要集中在點(diǎn)預(yù)測，未能有效量化預(yù)測不確定性，難以滿足ies對負(fù)荷概率分布的需求。

3、此外，現(xiàn)有方法往往忽視了不同能源負(fù)荷之間的相互影響，導(dǎo)致預(yù)測結(jié)果不夠準(zhǔn)確。

4、因此，如何開發(fā)一種能夠有效捕捉多能源耦合關(guān)系、量化預(yù)測不確定性的多元負(fù)荷概率預(yù)測方法及系統(tǒng)，成為當(dāng)前研究的熱點(diǎn)和難點(diǎn)。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法及系統(tǒng)，用于對多元負(fù)荷進(jìn)行預(yù)測。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、本發(fā)明一方面公開了一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法，包括以下步驟：

4、獲取多種具有明顯時間相關(guān)性的負(fù)荷數(shù)據(jù)，包括電力負(fù)荷數(shù)據(jù)、熱力負(fù)荷數(shù)據(jù)以及冷能負(fù)荷數(shù)據(jù)；

5、分別計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的相關(guān)性系數(shù)，并根據(jù)所述相關(guān)性系數(shù)確定關(guān)鍵環(huán)境影響因素；

6、根據(jù)所述負(fù)荷數(shù)據(jù)和關(guān)鍵環(huán)境影響因素構(gòu)建數(shù)據(jù)集，并將所述數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

7、構(gòu)建qr-tcn-lstm模型，并利用訓(xùn)練集對qr-tcn-lstm模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的qr-tcn-lstm模型；

8、利用訓(xùn)練好的qr-tcn-lstm模型進(jìn)行負(fù)荷概率預(yù)測，得到每種負(fù)荷數(shù)據(jù)在不同置信區(qū)間下的概率預(yù)測結(jié)果。

9、進(jìn)一步地，在計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的相關(guān)性系數(shù)步驟中，具體包括，計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的皮爾遜相關(guān)系數(shù)，作為最終的相關(guān)性系數(shù)。

10、進(jìn)一步地，構(gòu)建qr-tcn-lstm模型步驟中，所述qr-tcn-lstm模型包括tcn網(wǎng)絡(luò)層、lstm網(wǎng)絡(luò)層和分位數(shù)回歸預(yù)測層；

11、其中，所述tcn層用于接收訓(xùn)練集中的負(fù)荷數(shù)據(jù)和關(guān)鍵環(huán)境影響因素，輸出包含局部特征和時間依賴關(guān)系的特征序列；

12、所述lstm網(wǎng)絡(luò)層用于對tcn層輸出的特征序列進(jìn)行處理，得到lstm網(wǎng)絡(luò)層預(yù)測結(jié)果；

13、所述分位數(shù)回歸預(yù)測層接收lstm網(wǎng)絡(luò)層預(yù)測結(jié)果，并通過最小化pinball損失函數(shù)，得到每種負(fù)荷數(shù)據(jù)在不同置信區(qū)間下的最終概率預(yù)測結(jié)果。

14、進(jìn)一步地，所述pinball損失函數(shù)具體包括以下?lián)p失函數(shù)：

15、

16、其中，lq,t表示t時刻目標(biāo)分位數(shù)q的損失值，表示t時刻lstm網(wǎng)絡(luò)層預(yù)測結(jié)果的第q分位數(shù)，yt表示t時刻的真實(shí)值。

17、進(jìn)一步地，利用訓(xùn)練集對qr-tcn-lstm模型進(jìn)行訓(xùn)練步驟中，還包括：利用梯度下降法對qr-tcn-lstm模型的參數(shù)進(jìn)行優(yōu)化。

18、本發(fā)明還公開了一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測系統(tǒng)，包括：

19、數(shù)據(jù)采集模塊，用于采集多種具有明顯時間相關(guān)性的負(fù)荷數(shù)據(jù)，包括電力負(fù)荷數(shù)據(jù)、熱力負(fù)荷數(shù)據(jù)以及冷能負(fù)荷數(shù)據(jù)；

20、相關(guān)性系數(shù)計算模塊，用于分別計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的相關(guān)性系數(shù)，并根據(jù)所述相關(guān)性系數(shù)確定關(guān)鍵環(huán)境影響因素；

21、數(shù)據(jù)處理模塊，用于根據(jù)所述負(fù)荷數(shù)據(jù)和關(guān)鍵環(huán)境影響因素構(gòu)建數(shù)據(jù)集，并將所述數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

22、模型訓(xùn)練模塊，用于構(gòu)建qr-tcn-lstm模型，并利用訓(xùn)練集對qr-tcn-lstm模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的qr-tcn-lstm模型；

23、負(fù)荷預(yù)測模塊，用于利用訓(xùn)練好的qr-tcn-lstm模型進(jìn)行負(fù)荷概率預(yù)測，得到每種負(fù)荷數(shù)據(jù)在不同置信區(qū)間下的概率預(yù)測結(jié)果。

24、優(yōu)選的，上述相關(guān)性系數(shù)計算模塊中，通過計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的皮爾遜相關(guān)系數(shù)，作為最終的相關(guān)性系數(shù)。

25、優(yōu)選的，上述模型訓(xùn)練模塊中，構(gòu)建的qr-tcn-lstm模型包括tcn網(wǎng)絡(luò)層、lstm網(wǎng)絡(luò)層和分位數(shù)回歸預(yù)測層；

26、其中，所述tcn層用于接收訓(xùn)練集中的負(fù)荷數(shù)據(jù)和關(guān)鍵環(huán)境影響因素，輸出包含局部特征和時間依賴關(guān)系的特征序列；

27、所述lstm網(wǎng)絡(luò)層用于對tcn層輸出的特征序列進(jìn)行處理，得到lstm網(wǎng)絡(luò)層預(yù)測結(jié)果；

28、所述分位數(shù)回歸預(yù)測層接收lstm網(wǎng)絡(luò)層預(yù)測結(jié)果，并通過最小化pinball損失函數(shù)，得到每種負(fù)荷數(shù)據(jù)在不同置信區(qū)間下的最終概率預(yù)測結(jié)果。

29、優(yōu)選的，所述分位數(shù)回歸預(yù)測層最小化的pinball損失函數(shù)具體包括以下?lián)p失函數(shù)：

30、

31、其中，lq,t表示t時刻目標(biāo)分位數(shù)q的損失值，表示t時刻lstm網(wǎng)絡(luò)層預(yù)測結(jié)果的第q分位數(shù)，yt表示t時刻的真實(shí)值。

32、優(yōu)選的，所述模型訓(xùn)練模塊中還包括：利用梯度下降法對qr-tcn-lstm模型的參數(shù)進(jìn)行優(yōu)化。

33、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開提供了一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法及系統(tǒng)，具有以下有益效果：

34、本發(fā)明通過對多元負(fù)荷的特性進(jìn)行深入分析，識別關(guān)鍵特征并捕捉不同能源負(fù)荷之間的相互依賴關(guān)系，接著，通過訓(xùn)練好的qr-tcn-lstm捕獲負(fù)荷數(shù)據(jù)中的時間依賴性，并通過分位數(shù)回歸生成不同分位水平下的概率預(yù)測，在多元負(fù)荷的預(yù)測準(zhǔn)確性和泛化能力方面得到了顯著提升。

技術(shù)特征：

1.一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法，其特征在于，計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的相關(guān)性系數(shù)步驟中，具體包括，計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的皮爾遜相關(guān)系數(shù)，作為最終的相關(guān)性系數(shù)。

3.根據(jù)權(quán)利要求1所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法，其特征在于，構(gòu)建qr-tcn-lstm模型步驟中，所述qr-tcn-lstm模型包括tcn網(wǎng)絡(luò)層、lstm網(wǎng)絡(luò)層和分位數(shù)回歸預(yù)測層；

4.根據(jù)權(quán)利要求,3所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法，其特征在于，所述pinball損失函數(shù)具體包括以下?lián)p失函數(shù)：

5.根據(jù)權(quán)利要求1所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法，其特征在于，利用訓(xùn)練集對qr-tcn-lstm模型進(jìn)行訓(xùn)練步驟中，還包括：利用梯度下降法對qr-tcn-lstm模型的參數(shù)進(jìn)行優(yōu)化。

6.一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測系統(tǒng)，其特征在于，包括：

7.根據(jù)權(quán)利要求6所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測系統(tǒng)，其特征在于，所述相關(guān)性系數(shù)計算模塊中，通過計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的皮爾遜相關(guān)系數(shù)，作為最終的相關(guān)性系數(shù)。

8.根據(jù)權(quán)利要求6所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測系統(tǒng)，其特征在于，所述模型訓(xùn)練模塊中，構(gòu)建的qr-tcn-lstm模型包括tcn網(wǎng)絡(luò)層、lstm網(wǎng)絡(luò)層和分位數(shù)回歸預(yù)測層；

9.根據(jù)權(quán)利要求8所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測系統(tǒng)，其特征在于，所述分位數(shù)回歸預(yù)測層最小化的pinball損失函數(shù)具體包括以下?lián)p失函數(shù)：

10.根據(jù)權(quán)利要求6所述的一種基于qr-tcn-lstm的綜合能源系統(tǒng)多元負(fù)荷預(yù)測系統(tǒng)，其特征在于，所述模型訓(xùn)練模塊中還包括：利用梯度下降法對qr-tcn-lstm模型的參數(shù)進(jìn)行優(yōu)化。

技術(shù)總結(jié)
本發(fā)明公開了一種基于QR?TCN?LSTM的綜合能源系統(tǒng)多元負(fù)荷預(yù)測方法及系統(tǒng)，涉及負(fù)荷預(yù)測技術(shù)領(lǐng)域。其方法包括獲取多種具有明顯時間相關(guān)性的負(fù)荷數(shù)據(jù)，包括電力負(fù)荷數(shù)據(jù)、熱力負(fù)荷數(shù)據(jù)以及冷能負(fù)荷數(shù)據(jù)；分別計算每種負(fù)荷數(shù)據(jù)與環(huán)境影響因素之間的相關(guān)性系數(shù)，并根據(jù)所述相關(guān)性系數(shù)確定關(guān)鍵環(huán)境影響因素；根據(jù)所述負(fù)荷數(shù)據(jù)和關(guān)鍵環(huán)境影響因素構(gòu)建數(shù)據(jù)集，并將所述數(shù)據(jù)集劃分為訓(xùn)練集和測試集；構(gòu)建QR?TCN?LSTM模型，并利用訓(xùn)練集對QR?TCN?LSTM模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的QR?TCN?LSTM模型；利用訓(xùn)練好的QR?TCN?LSTM模型進(jìn)行負(fù)荷概率預(yù)測，得到每種負(fù)荷數(shù)據(jù)在不同置信區(qū)間下的概率預(yù)測結(jié)果。通過上述方法及系統(tǒng)，本發(fā)明提高了多元負(fù)荷的預(yù)測準(zhǔn)確性和泛化能力。

技術(shù)研發(fā)人員：張薇,戰(zhàn)泓伊,孫航,李盛義
受保護(hù)的技術(shù)使用者：東北電力大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15