CN119231529B 基于二次解耦的综合能源多元负荷短期预测方法 （华东交通大学）

基于二次解耦的综合能源多元负荷短期预本发明提供一种基于二次解耦的综合能源2收集多元负荷数据集，并根据季节特征以及数据耦合关所述基于所述上半年数据集以及所述下半年数据集重构所述多元负荷数据集中的冬基于PtachTST提取所述多元负荷数据集中的多元负荷序列内的局部信息，并通过基于若干独立的注意力机制获取所述多元负荷序列的不同子空间的基于训练集对PatchTST_BiLSTM进行训练，以得到训练后的PatchTST_B基于测试集对所述训练后的PatchTST_BiLSTM进行重构，以得到最终通过精细复合多尺度样本熵将所述分解后的数据划分为周期项以及趋势采用MIV特征筛选对所述趋势项进行筛选，并采用Lasso线性回采用ProgressiveLayeredExtraction多任务学习对所述周期项进行多元负荷预测，2.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在将所述多元负荷数据集中的负荷序列划分为若干子序列；采用随机掩码对若干所述子序列中的部分数据进行掩盖，以捕捉多元3.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在根据引入动态调谐机制后的TTAO算法对重构后的所述冬季数据集以及重构后的所述4.根据权利要求3所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在3;;5.根据权利要求4所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在;式中，l表示分解过程中的所述目标函数的表达式，uz(t)表示第k个本征模态函数，值。6.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在基于精细复合多尺度样本熵并采用细粒度的尺度对所述分解后的数据进行相似性阈7.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在通过MIV模型并基于电负荷、热负荷以及冷负荷对所述趋势项中的气象数据以及日历采用Lasso线性回归模型并通过最小化L1范数惩罚的损失函数以剔除所述MIV值中的8.根据权利要求7所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在4;9.根据权利要求1所述的基于二次解耦的综合能源多元负荷短期预测方法，其特征在基于ProgressiveLayeredExtraction并采用多层专家网络以及门控网络提取所述采用全连接层作为可学习的权重矩阵，并通过Softmax函数为每一层所述专家网络分整合分配权重候的每一层所述专家网络所提取的所述5是正面的还是负面的，因此并没有从根本上解决预测不平衡的问题。随着研究的深入，负迁移现象则是指多任务学习的效果不如单独训练各个任务的效果，不如独立预测各负6PatchTST数据分割可以将IES多元负荷的时间序列分割为很多数据块，通过掩码捕捉可以[0006]本发明提供一种基于二次解耦的综合能源多元负荷短期预测方法，所述方法包[0008]基于TTAO_VMD对重构后的所述冬季数据集以及重构后的所述夏季数据集进行分[0011]采用ProgressiveLayeredExtraction多任务学习对所述周期项进行多元负荷7[0025]根据引入动态调谐机制后的TTAO算法对重构后的所述冬季数据集以及重构后的8[0036]基于精细复合多尺度样本熵并采用细粒度的尺度对所述分解后的数据进行相似[0039]通过MIV模型并基于电负荷、热负荷以及冷负荷对所述趋势项中的气象数据以及[0040]采用Lasso线性回归模型并通过最小化L1范数惩罚的损失函数以剔除所述MIV值j表示第i个样本的预测值，表示所述MIV模型的回归系数，i表示第i个特征对应的回归[0045]基于ProgressiveLayeredExtraction并采用多层专家网络以及门控网络提取[0046]采用全连接层作为可学习的权重矩阵，并通过Softmax函数为每一层所述专家网[0048]图1为本发明实施例中的基于二次解耦的综合能源多元负荷短期预测方法的流程[0050]图3为本发明实施例中的采用Lasso线性回归模型预测以及ProgressiveLayered9[0064]S15，基于若干多头注意力机制获取所述多元负荷序列的不同子空间的注意力分[0066]S17，基于训练集对PatchTST_BiLSTM进行训练，以得到训练后的PatchTST_[0073]S22，根据引入动态调谐机制后的TTAO算法对重构后的所述冬季数据集以及重构[0088]S3，通过精细复合多尺度样本熵将所述分解后的数据划[0090]S31，基于精细复合多尺度样本熵并采用细粒度的尺度对所述分解后的数据进行解后的数据分为周期项以及趋势项；[0093]值得说明的是，过精细复合多尺度样本熵将分解后的数据划分为周期项和趋势[0097]S42，采用Lasso线性回归模型并通过最小化L1范数惩罚的损失函数以剔除所述imnyiijaimnyiija表示第个样本的预测值，表示所述MIV模型的回归系数，表示第个特征对应的回归[0106]S51，基于ProgressiveLayeredExtraction并采用多层专家网络以及门控网络热负荷数据，数据颗粒度为1h，数据长度为8784条，将数据分为上下半年，分别放入型对第T个数据点的预测结果，Ar表示第T个样本的实f；位置信息，时间编码则是为了给模型提供数据的时间戳信息。将编码后彼此相互独立的token输送至Transformer编码器中，基于Transformer的多头注意力机制建立全局依赖关成N=(L-p)/s个子序列作为token进行特征提取。这种对负荷数据进行子序列划分的[0124]传统的信号分解方法如VMD使用固定的调谐参数进行分解，而这些参数在处理非的核心在于通过时变参数调谐和自适应优化策略来动态[0125]假设需要分解的X(t)，TTAO优化算法通过动态调整中心频率W(t)和带宽参数,其中，uz(t)是第k个本步长的增减。再引入精细复合多尺度样本熵(RefinedCompositeMultiscaleSample[0136]在趋势项中考虑到天气因素与日历规则构成的影响因子太多,对最终的预测结[0141]