基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测

朱丽; 侯靖轩; 李子睿

doi:10.19705/j.cnki.issn2096-5125.20240279

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测

综合能源系统关键技术 | 更新时间：2025-12-19

- 基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测
- 基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测
- 全球能源互联网 2025年8卷第5期页码：662-674
- 作者机构：
  
  1. 天津大学建筑学院
  2. 天津大学国家储能技术产教融合创新平台
  3. APEC可持续能源中心
- 作者简介：
- 基金信息：
- DOI：10.19705/j.cnki.issn2096-5125.20240279
  中图分类号： TP18;TK01
- 纸质出版：2025
- 稿件说明：
移动端阅览
朱丽, 侯靖轩, 李子睿. 基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测[J]. 全球能源互联网, 2025,8(5):662-674.

朱丽, 侯靖轩, 李子睿. 基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测[J]. 2025, 8(5): 662-674.
朱丽, 侯靖轩, 李子睿. 基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测[J]. 全球能源互联网, 2025,8(5):662-674. DOI： 10.19705/j.cnki.issn2096-5125.20240279.

朱丽, 侯靖轩, 李子睿. 基于TCN-TPA-BiLSTM模型和多任务学习的综合能源系统多元负荷预测[J]. 2025, 8(5): 662-674. DOI： 10.19705/j.cnki.issn2096-5125.20240279.

摘要

负荷预测是综合能源系统(integrated energy system，IES)高效运行的前提，面对综合能源系统多元负荷强耦合相关性、强随机性的特点，单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单一模型的不足，提出一种基于TCN-TPA-BiLSTM组合模型和多任务学习框架的IES多元负荷超短期协同预测方法。首先对负荷间耦合相关性、负荷时间相关性和负荷影响因素进行分析以构建模型输入，再通过变分模态分解将负荷数据分解为一定数量的模态以降低非平稳性，最后以TCN-TPA-BiLSTM组合模型作为多任务学习框架的共享层进行预测。通过实际数据进行验证和对比，结果表明该方法能够充分发挥模型各部分优势，相较于其他模型也获得了更优的结果。

Abstract

关键词

Keywords

references

Peng Gao,Yang Yang,Fei Li,Jiaxin Ge,Qianqian Yin,Ruikun Wang.Research on integrated decision making of multiple load combination forecasting for integrated energy system[J].Energy,2024.

Zang Haixiang,Xu Ruiqi,Cheng Lilin,Ding Tao,Liu Ling,Wei Zhinong,Sun Guoqiang.Residential load forecasting based on LSTM fusing self-attention mechanism with pooling[J].Energy,2021.

Song Jiancai,Zhang Liyi,Xue Guixiang,Ma YunPeng,Gao Shan,Jiang QingLing.Predicting hourly heating load in a district heating system based on a hybrid CNN-LSTM model[J].Energy & Buildings,2021.

Chen Biyun,Wang Yifeng.Short-Term Electric Load Forecasting of Integrated Energy System Considering Nonlinear Synergy Between Different Loads[J].IEEE ACCESS,2021.

Shun-Yao Shih,Fan-Keng Sun,Hung-yi Lee.Temporal pattern attention for multivariate time series forecasting[J].Machine Learning,2019(8-9).

余强,韩静娴,杨子梁,宋济东,杨德昌,齐海杰,于芃.基于改进双重压缩和激励与多头特征注意力机制的电-热负荷协同预测[J].电力自动化设备,2025(03).

肖龙,张靖,阚超,何宇,敖炫,李博文,古庭赟,刘影.基于变分模态分解和组合深度神经网络的综合能源系统多元负荷预测[J].电网技术,2025(10).

李云松,张智晟.基于ATT-TCGNN的综合能源系统多元负荷短期预测[J].电工电能新技术,2024(09).

高晨元,田建艳,姬政雄,杨立志.基于门控循环单元残差连接网络与多任务学习的园区综合能源系统多元负荷预测[J].电网技术,2025(05).

张玉敏,孙猛,吉兴全,叶平峰,杨明,蔡富东.基于模态分解与多任务学习模型的综合能源系统多元负荷短期预测[J].高电压技术,2025(07).

李鹏,罗湘淳,孟庆伟,朱明晓,陈继明.基于Spearman相关性阈值寻优和VMD-LSTM的用户级综合能源系统超短期负荷预测[J].全球能源互联网,2024(04).

阳少杰,里鹏,李帅,周晓锋.基于多尺度时间卷积网络的多模态过程故障诊断方法[J].计算机应用与软件,2024(06).

孙毅,鲍荟谕,郑顺林,彭杰,李雪城,程鹏申.基于数据分解与知识蒸馏的多能负荷与碳排放联合预测模型[J].中国电机工程学报,2025(20).

葛众,隆交凤,李健,解通.结合CNN与软共享机制的综合能源系统多元负荷预测[J].电力建设,2024(12).

丁斌,邢志坤,王帆,袁博,王翠影,鲁尔奇.考虑多元负荷需求响应的综合智慧能源系统协同优化调度[J].全球能源互联网,2022(06).

刘杰,金勇杰,田明.基于VMD和TCN的多尺度短期电力负荷预测[J].电子科技大学学报,2022(04).

王渝红,史云翔,周旭,曾琦,方飚,毕悦.基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测[J].高电压技术,2022(05).

孙蓉,李强,罗海峰,窦迅,邓叶航.基于自适应移动平滑与时间卷积网络误差修正的风电功率预测[J].全球能源互联网,2022(01).

李翠省,廖英英,刘永强.基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断[J].振动与冲击,2022(01).

朱继忠,董瀚江,李盛林,陈梓瑜,骆腾燕.数据驱动的综合能源系统负荷预测综述[J].中国电机工程学报,2021(23).

栗然,孙帆,丁星,韩怡,刘英培,严敬汝.考虑多能时空耦合的用户级综合能源系统超短期负荷预测方法[J].电网技术,2020(11).

陶凯,吴定会.基于VMD-JAYA-LSSVM的短期风电功率预测[J].控制工程,2021(06).

史佳琪,谭涛,郭经,刘阳,张建华.基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J].电网技术,2018(03).

唐贵基,王晓龙.参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J].西安交通大学学报,2015(05).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于Spearman相关性阈值寻优和VMD-LSTM的用户级综合能源系统超短期负荷预测

计及碳减排与数据中心余热回收的电-热-氢综合能源系统多目标优化调度

考虑多重不确定性的综合能源系统与加氢站主从博弈鲁棒定价策略

基于改进DDPG的含PCH综合能源系统低碳经济运行策略

基于树状高斯过程的综合能源系统低碳经济规划全局敏感性分析