典型文献
基于耦合特征与多任务学习的综合能源系统短期负荷预测
文献摘要：
在区域型综合能源系统(IES)内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下,提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法.首先,从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量,提取不同能源负荷需求间的耦合特征,进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入,利用多任务学习的共享机制建立IES的负荷预测模型,使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴,以实现对负荷间耦合特征的充分挖掘和利用.以美国亚利桑那州立大学坦佩校区IES为例,通过预测结果精度对比和深度学习模型可解释性研究,证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度.
文献关键词：
综合能源系统;耦合特征;多任务学习;冷热电负荷;短期负荷预测
中图分类号：
作者姓名：
吕忠麟;顾洁;孟璐
作者机构：
上海交通大学电子信息与电气工程学院大数据工程技术研究中心,上海市 200240
文献出处：
引用格式：
[1]吕忠麟;顾洁;孟璐-.基于耦合特征与多任务学习的综合能源系统短期负荷预测)[J].电力系统自动化,2022(11):58-66
A类：
B类：
耦合特征,多任务学习,综合能源系统,短期负荷预测,区域型,型综合,IES,特征构造,冷热电负荷,短期预测,特征工程,特征挖掘,挖掘算法,特征变量,负荷需求,历史数据,外生变量,模型输入,共享机制,机制建立,负荷预测模型,能源预测,子任务,高维特征,长短期记忆神经网络,共享学习,互借,亚利桑那州立大学,校区,精度对比,深度学习模型,模型可解释性,可解释性研究
AB值：
0.275595
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
