CN119476713A 一种融合深度学习组合模型的综合能源系统短期多元负荷预测方法 （江苏理工学院）

号一种融合深度学习组合模型的综合能源系本发明公开了一种融合深度学习组合模型积神经网络提取多元负荷历史数据的多级空间利用自适应多策略灰狼优化算法实现双向门控21.一种融合深度学习组合模型的综合能源系统短期多元负荷预测方法，其特征在于：S1：获取综合能源系统的多元负荷历史数据和气S2：将多元负荷历史数据划分为训练集和测试集利用双向门控循环单元神经网络提取负荷历S4：利用自适应多策略灰狼优化算法实现双向门控2.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方设X表示气象数据，Y表示多元负荷历史数据，采用皮尔逊相关系3.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方4.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方5.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方单元的隐含层神经元个数利用自适应多策略灰狼优化算法确定，另外将Dropout层引入所6.如权利要求5所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方3双向门控循环单元由两个方向的门控循环单元构成，时间序列数据在7.如权利要求6所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方8.如权利要求5所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方init与afin分别为收敛因子的初始值；4ia/b/d为a9.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测方5[0005]本发明是为了解决上述现有技术存在的问题而提供一种融合深度学习组合模型6卷积神经网络中第1卷积层和第2卷积层的卷积核大小和数量根据任务需求和数据维度来i[0024]5.如权利要求1所述的融合深度学习组合模型的综合能源系统短期多元负荷预测环单元的隐含层神经元个数利用自适应多策略灰狼优化算法确定，另外将Dropout层引入7单元中沿相反方向计算，分别负责处理历史信息和未来信息，对于一个输入序列X＝x1,第i头注意力中查询矩阵与对应的权重矩阵的乘积；KWiK为第i头注意力中键矩阵与对应的[0042]进一步地，所述自适应多策略灰狼优化算法是对传统传统灰狼优化算法进行改89[0069]2)本发明方法利用串并行叠加的多尺度卷积神经网络和双向门控循环单元神经[0070]3)本发明方法利用自适应多策略灰狼优化算法对双向门控循环单元神经网络模第i头注意力中查询矩阵与对应的权重矩阵的乘积；KWiK为第i头注意力中键矩阵与对应的[0117]S4中：采用自适应多策略灰狼优化算法对双向门控循环单元的超参数(如隐含层[0143]为充分证明本发明所提深度学习组合模型和的自适应多策略优化算法的有效尺度卷积双向门控循环单元神经网络模型预测电热负荷，预测结果分别如图3和图4所示。计算误差得到电负荷平均绝对误差EMAE为15.2745，均方根误差ERMSE为15.24差EMAPE为1.5136热负荷平均绝对误差EMAE为20.2786，均方根误差ERMSE为30.2733和平均相对误差EMAPE