多尺度特征提取與非線性融合的綜合能源系統多元負荷短期預測

付文龍，章軒瑞，張海榮，劉嘉睿，繆書唯，李 丹

（1. 三峽大學電氣與新能源學院，宜昌 443002；2. 三峽大學梯級水電站運行與控制湖北省重點實驗室，宜昌 443002；3. 中國長江電力股份有限公司，宜昌 443133）

近年來，伴隨我國國民經濟的飛速發展，社會能源需求量與日俱增，環境問題日益凸顯，為保障社會經濟的可持續發展，構建以“雙碳”為目標、清潔高效安全的綜合能源系統IES（integrated energy system）是實現現代電力系統綠色低碳轉型發展的必然趨勢。IES 不同于傳統能源系統的單一形式，其集成了電、熱、冷等多個能源系統，通過多種能源間的相互耦合及協調運行實現多能互補[1]，有效提高各類能源的綜合利用效率，減少碳排放，對生態環境保護有著積極促進作用。而多元負荷短期預測是IES 安全穩定運行與經濟優化管理的重要前提，因此實現高效準確的多元負荷短期預測對IES具有重要意義[2]。

傳統的短期多元負荷預測方法分為數學統計方法和機器學習方法。數學統計方法建模簡單、計算效率高，在處理線性數據時效果較好，但對于非線性數據仍存在局限性[3]。相對地，機器學習方法由于具有一定的魯棒性和非線性擬合能力，在短期負荷預測領域占據著主導地位，并取得了良好的預測效果，例如支持向量回歸[4]、極限學習機[5]、隨機森林[6]等。然而，由于目前分布式新能源的大量入網，以及IES 中多元負荷存在一定的耦合關系，導致IES的負荷波動更加復雜多變。而深度學習作為機器學習的發展分支，因其具有更強大的學習與非線性問題處理能力，相較于傳統機器學習方法能更好地從數據中提取與挖掘出復雜的非線性特征[7]，近年來逐漸被學者們應用到IES短期負荷預測中。常見的深度學習模型包括長短期記憶LSTM（long short-term memory）網絡[8]、門控循環單元GRU（gated recurrent unit）[9]和時間卷積網絡TCN（temporal convolutional network）[10]等。另外，為降低原始負荷數據的非線性與非平穩性，以及提高模型整體預測精度，信號分解算法逐漸被應用于該領域。文獻[11]采用經驗模態分解對負荷數據進行分解，以降低原始數據的非平穩性，同時利用k均值（k-means）聚類方法對分解后各分量進行聚類，并分析了不同聚類數對預測效果的影響。文獻[12]提出了一種混合模態分解技術，將自適應噪聲改進完全集合經驗模態分解和變分模態分解相結合，以削弱原始負荷序列的非線性特征，從而提高模型的預測精度。然而，相關研究表明，使用信號分解算法對原始數據進行預處理可能會泄露部分所要預測的目標信息[13]，使得在測試集上測試出的模型預測精度與實際精度存在差異。

此外，為克服單一預測模型泛化性能較弱、適用范圍有限的問題，基于多模型融合的混合預測方法被大量提出，并取得了較好的預測效果。此類方法大多通過賦予各模型相應權重并加權求和得到最終預測結果的方式，來提高總體模型的預測精度和泛化能力。文獻[14]利用誤差倒數法對LSTM 和極限梯度提升樹的預測結果進行加權組合，以降低單一預測模型的誤差。文獻[15]提出了一種多模型融合預測方法，將反向傳播神經網絡BPNN（back propagation neural network）、LSTM、GRU、結合長短期記憶網絡的卷積神經網絡CNNLSTM（convolutional neural network combined with long short- term memory）的預測結果進行加權求和，并采用改進的鯨魚優化算法對融合權重進行尋優。文獻[16]將負荷、溫度、日期及節假日信息等作為輸入特征，分別輸入到LSTM 及輕梯度提升機，然后采用最優加權組合法確定權重系數，加權得出最終的預測值。但上述預測方法本質上還是將各模型預測結果進行簡單的線性加權組合，且模型在每個預測時間步上的權重均相同，這樣無法充分發揮出各模型的優勢。

針對上述問題，本文提出一種基于嵌入式分解ED（embedded decomposition）、多尺度TCN-Attention 即MTA（multiscale TCN-Attention）與自適應非線性融合ANF（adaptive nonlinear fusion）的IES多元負荷短期預測方法（ED-MTA-ANF）。首先，采用皮爾遜相關系數對多元負荷數據及氣象數據進行關聯因子優選，篩選出對多元負荷影響較大的氣象因素作為模型的輸入；然后，通過ED模塊將輸入的時間序列分解為周期分量和趨勢分量，并將分解后得到的輸入矩陣并行送入到具有不同尺度卷積核的TCN中，以提取不同時間尺度下的特征信息；接著，將多尺度TCN 輸出的特征向量輸入到各自對應的注意力（Attention）機制中，以進一步對全局信息進行學習與融合；最后，通過ANF 模塊自動將各Attention 機制輸出的電、冷、熱負荷預測值進行自適應非線性融合，得到最終多元負荷預測結果。本文的創新點如下。

（1）提出一種嵌入式分解方法，使其融入到預測模型內部。通過這種方法，分解過程不僅能避免未來信息泄露問題，還能降低輸入序列的復雜度，提高模型的預測精度。

（2）提出一種多尺度TCN 模塊，在該模塊中通過將不同卷積核大小的TCN并行運行，使得總體模型能夠更好地捕捉與提取不同時間尺度下IES多元負荷序列的時序特征。

（3）提出一種自適應非線性融合方法，將MTA分支對每個時間步輸出的預測值賦予不同的權重，并進行非線性融合，以加強模型對復雜問題的非線性建模能力，增強在實際工程問題中的可應用性。

1 嵌入式分解模塊

許多研究在數據預處理階段采用經驗模態分解、變分模態分解等信號分解方法對原始數據進行整體性分解。而原始數據中包含了訓練數據和測試數據，在實際問題中，由于測試數據是未知的，信號分解方法無法直接對未知數據進行分解，這使其在實際應用中受到一定限制。此外，對測試數據進行分解會給訓練過程帶來未知信息，致使信息泄露，從而導致預測精度虛高[14]。

為了解決這一問題，參考文獻[17]的相關方法，本文提出了一種嵌入式分解模塊，以避免現有的采用信號分解方法的預測模型所面臨的數據泄露問題。該模塊嵌入到整個模型內部，主要由平均池化層實現。平均池化層沿時間維度方向對訓練集和驗證集中作為模型輸入數據的Xtrain和Xvalid做平均池化操作，其移動步長為1，得到各原始序列的趨勢分量D。之后各原始序列減去趨勢分量得到周期分量C，因而避免了將訓練集和驗證集中代表預測信息的Ytrain和Yvalid泄露到模型的訓練過程。對于訓練好的模型，在測試集上進行測試時，該模塊只針對測試集中作為模型輸入數據的Xtest進行分解，并不會對測試集中代表預測信息的Ytest進行相應操作，因此作為預測信息的Ytest同樣不會泄露到模型的輸入中。

此外，對于輸入序列X={x1,…,xs,…,xn} ，n為輸入序列中元素總個數，為使經平均池化操作后得到的趨勢分量D與X中的元素個數一致，在池化操作前，本文對X兩端進行填充操作，填充后得到新序列為，其中x1左端的填充值均與x1相同，xn右端的填充值均與xn相同。Xnew的平均池化操作、趨勢分量D和周期分量C可分別表示為

式中：Ds為輸入序列X中第s個元素的平均池化結果，即趨勢分量D中第s個元素；l為池化核大小；為第s個池化窗口內的第i個元素；Cs為周期分量C中第s個元素。

對于包含m維變量的多元時間序列來說，每維變量被分解為趨勢分量和周期分量兩個子序列，因而得到2m個子序列。這些子序列被重構為輸入矩陣，分別送入由MTA構建的3個分支中。

2 MTA 架構

2.1 多尺度TCN 模塊

TCN 是傳統卷積神經網絡CNN（convolutional neural network）的一種變體。相關研究表明，TCN在大多數時間序列預測任務中均優于循環神經網絡，如今得到廣泛應用[18]。TCN 主要由多個帶有殘差連接的殘差模塊構成，每個殘差模塊由多個因果膨脹卷積層組成。由于單個TCN 對不同時間尺度的信息提取能力依然存在一定限制，因此本文在單一TCN模型的基礎上提出了一種多尺度TCN模塊，使得總體模型能對IES多元負荷序列挖掘出更多時間尺度上的特征信息，以加強總體模型的學習與預測性能。該模塊由3 個不同卷積核大小的TCN 并行組成，其中大尺度卷積核的TCN用來捕捉長周期局部信息，小尺度卷積核的TCN用來捕捉短周期局部信息，每個TCN 都包含兩個殘差模塊，多尺度TCN模塊的結構如圖1所示。

圖1 多尺度TCN 模塊結構Fig.1 Structure of multiscale TCN module

2.1.1 因果膨脹卷積

因果膨脹卷積由因果卷積和膨脹卷積兩部分組成。因果卷積解決了傳統卷積在時間序列預測任務上存在的“信息泄露”問題，即在預測當前時刻信息時只能利用歷史時刻的信息，而不能利用未來時刻的信息。而擴張卷積解決了傳統卷積感受野具有局限性的問題，通過引入膨脹率d來控制輸入數據的采樣間隔，使得網絡能夠靈活調整其感受野的大小。對于卷積核f:(f0,f1,…,fk- 1) 和輸入X={x1,x2,…,xn}來說，因果膨脹卷積的運算過程可表示為

式中：F(s) 表示對輸入序列X中第s個元素的卷積運算結果；k為卷積核大小；fi為卷積核中的第i個向量；d為膨脹率；xs-(d·i)為第s個元素及s之前的歷史數據。

3 層因果膨脹卷積的結構如圖2 所示，白色方塊為0 值填充，作用是保證輸入、輸出序列的長度一致。由圖2可知，第T個時間步的輸出值yT僅由xT和T時間步之前的歷史值進行卷積運算得到，并且網絡能以較少的層數獲得較大感受野。

圖2 3 層因果膨脹卷積結構Fig.2 Structure of three-layer causal dilated convolution

2.1.2 殘差模塊

殘差模塊能夠很好地解決深度學習網絡由于層數加深而帶來的性能退化問題，其核心思想是引入殘差連接跳過一個或多個隱藏層。殘差模塊的結構如圖3所示。在每層因果膨脹卷積后，加入relu 激活函數層、標準化層和正則化層，連續兩次堆疊構成一個殘差模塊。輸入張量通過非線性投射與最后一層的輸出張量構成殘差連接，并作為下一個殘差模塊的輸入[19]。

圖3 殘差模塊結構Fig.3 Structure of residual module

2.2 Attention 機制

Attention 機制允許輸入序列中任意兩點之間進行無障礙的跨距離信息傳播，具有較強的全局學習能力，是全局時序特征提取的關鍵，因此本文將其與第2.1 節中的多尺度TCN 模塊相結合，Attention機制的輸出矩陣可表示為

式中：Q為查詢矩陣；K為鍵矩陣；V為值矩陣；d0為K矩陣的維度；Attention( ) 為Attention機制的輸出。

為學習到更加豐富的特征信息，本文采用多頭注意力以同時考慮不同特征子空間對輸出的影響，具體過程[20]可表示為

式中：headi表示第i頭注意力；h為多頭自注意力機制中頭的個數；WQi、WKi、WVi分別為第i頭注意力中Q、K、V所對應的可學習權重矩陣；concat( ) 為將多頭注意力機制的輸出進行拼接；MultiHead( )為多頭注意力機制最終的輸出。

此外，由于Attention 機制采用并行計算方式，使得其對數據的位置信息缺乏敏感度，因此本文在使用多頭注意力的基礎上，采用位置編碼以加強其對時序信息相對位置的學習與提取能力[21]。位置編碼的表達式為

式中：PE(p,2i)和PE(p,2i+1)分別為輸入序列中第p個時間步在2i維度和2i+1 維度上的位置信息；p為輸入序列中的第p個時間步；i的取值范圍為為嵌入維度。

最后，本文在Attention 機制模塊與自適應非線性融合模塊之間加入一層全連接層，其輸入為Attention 機制輸出與對應TCN 輸出進行殘差連接后的歸一化矩陣Y2，其中矩陣Y2可表示為

式中：Y1為對應TCN 輸出的隱式特征矩陣；Layernorm( ) 表示進行歸一化操作。

全連接層將矩陣Y2投射至輸出矩陣O中，作為第3 節自適應非線性融合模塊的輸入。這一過程可由如下公式計算得到：

式中：b2和b3為偏置；W2、W3為可學習權重矩陣；relu ( ) 為激活函數。

3 自適應非線性融合模塊

本文提出了一種自適應非線性融合方法，其主要思想是將權重矩陣進行非線性化操作，使得總體模型能夠非線性地融合3 個不同尺度TCN-Attention 分支的輸出，以此得到比單分支更好的預測結果。傳統的融合方法通常為簡單的線性加權融合。與傳統方法相比，本文所提的自適應非線性融合方法主要有以下特點：

（1）能夠為每個時間步實現自適應權重融合，使得模型可以更加靈活地考慮到不同時間步下的權重；

（2）通過加入激活函數對MTA 分支的預測輸出進行非線性融合，從而加強對IES 多元負荷的預測性能；

（3）自適應非線性融合模塊參與整個模型訓練中損失值的反向梯度傳播過程，自動和神經網絡的訓練過程進行交互，并學習得到最優權重值。

具體來說，假設第j個TCN-Attention 分支的輸出結果為vj={vj1,…,vji,…,vjt} ，其中vji為輸出結果中第i個時間步的向量，包含電、熱、冷負荷3 個預測值，t為預測的總步長，這樣3 個不同尺度TCNAttention分支的輸出結果可以用矩陣V來表示，即

相應地，每個時間步被分配1 個權重aji，則權重矩陣A可表示為

最終的融合預測結果可表示為

式中：R為模型最終的預測結果；sum表示將3個分支模型在進行非線性權重融合后相加；?表示兩個矩陣對應位置的元素相乘，即矩陣之間的Hadamard積；dropout(A) 表示將矩陣A中元素按照給定比例隨機置0，以防止過擬合。

4 基于ED-MTA-ANF 的IES 短期多元負荷預測模型

4.1 基于ED-MTA-ANF 預測模型構建

本文所提模型ED-MTA-ANF 的預測流程如圖4 所示，其主要由嵌入式分解模塊、MTA 架構和自適應非線性融合模塊3 部分構成。首先嵌入式分解模塊將輸入的原始負荷序列及經皮爾遜相關性分析篩選出的氣象因素序列分解為周期分量和趨勢分量；然后，將分解后得到的輸入矩陣并行送入具有不同尺度卷積核的TCN中，進行多尺度時序特征提取；其次，將不同尺度TCN 輸出的特征向量輸入到各自對應的Attention機制中，進行全局特征信息學習與融合；最后，將各Attention 機制輸出的電、冷、熱負荷預測值通過全連接層投射至自適應非線性融合模塊，該模塊自動地將3 個Attention 機制模塊各自輸出的電、熱、冷負荷預測值分別進行自適應非線性融合，得到最終的電、熱、冷負荷預測結果。

圖4 ED-MTA-ANF 預測流程Fig.4 Flow chart of ED-MTA-ANF forecasting

4.2 評價指標

為衡量模型的預測性能，采用均方根誤差RMSM（root mean squared error）、平均絕對誤差MAE（mean absolute error）及平均相對誤差MAPE（mean absolute percentage error）對模型的預測結果進行誤差分析。評價指標越小表明模型的預測誤差越小，模型的性能越好。3 種評價指標的表達式分別為

式中：N為預測樣本的數量；yi為第i個樣本的實際值；為第i個樣本的預測值。

5 算例分析

5.1 實驗數據及平臺

為驗證所提模型的有效性，算例采用美國亞利桑那州立大學提供的坦佩校區IES 實測負荷數據[22]，該系統是一個園區型IES，主要包含電負荷、冷負荷與熱負荷3種形式的能源，其中電負荷為學校的電燈、電子設備和風扇所消耗的能量，單位為千瓦（kW）；冷負荷為學校用來冷卻建筑物中的水和空氣所消耗的能量，單位為冷卻噸（Ton，1 Ton =3.517 kW）；熱負荷為學校用來加熱建筑物里的水和空氣所消耗的能量，單位為百萬英熱單位/小時（MMBtu/h，1 MMBtu/h = 1.054 615 GJ/h）。選取該校區從2020年12月1日00：00—2021年11月30日23：00 的電、冷、熱負荷數據及溫室氣體排放數據，記錄數據的時間粒度為1 h。當地的氣象數據來自美國國家可再生能源實驗室[23]，包含云類型、露點、地表反射率、風速、降雨量、風向、濕度、溫度、氣壓、太陽天頂角、水平總輻射和散射輻射，每類實驗數據總共有8 760個點。

此外，為驗證所提模型的泛化性，本文對不同季節分別進行實驗。將收集的所有數據按照四季劃分為4 組，每組數據按照7∶1∶2 的比例劃分為訓練集、驗證集和測試集。

所有實驗在Intel（R）i7-10750H CPU @2.60GHz、GTX1650Ti和16 GB RAM實驗平臺下完成。

5.2 數據預處理

考慮到IES多元負荷在一定程度上會受到氣象因素的影響，本文將當地氣象因素也作為模型的輸入，但是過多氣象因素的輸入會導致信息冗余及模型精度下降。因此在模型訓練之前，采用皮爾遜相關系數分析氣象因素與多元負荷之間的關聯程度，篩選出對多元負荷影響較大的氣象因素。通過皮爾遜相關系數得到IES多元負荷與氣象因素間的相關程度如表1所示。

表1 多元負荷與氣象因素間的皮爾遜相關系數Tab.1 Person correlation coefficient between multivariate load and meteorological factors

由表1 可知，電負荷與冷負荷、電負荷與熱負荷、冷負荷與熱負荷的相關系數分別為0.92、-0.69和-0.72，這說明電、冷負荷間具有較強的正相關性，而電、冷負荷均與熱負荷呈現較強的負相關，因此將多元負荷數據同時作為預測模型的輸入，能使模型充分學習到電、冷、熱負荷間的耦合特性。此外，選取相關系數的絕對值大于0.3的氣象因素視為主要影響因素，并將其也作為模型的輸入特征以輔助預測。由表1可知，篩選出的主要氣象因素為溫室氣體排放、露點、地表反射率、降雨量、溫度和氣壓。

為減小各類數據由于量綱的不同而對模型預測帶來不利影響，對電、冷、熱負荷及氣象因素進行歸一化處理，即

式中：x為原始數據；xmin為最小的樣本值；xmax為最大的樣本值；為歸一化處理后的樣本值。

為將數據集轉換為適合神經網絡的輸入形式，采用滑動窗口對數據集進行處理，每168 h 的數據作為一個窗口，窗口每次向前滑動24個時間步，每個時間步的間隔為1 h。同一窗口內前144 h 的數據作為預測模型的輸入，預測后24 h 的數據，即用前7天的實測數據對后1天24 h內的電、冷、熱負荷進行預測，預測步數為24步。

5.3 實驗設計

為驗證所提模型（ED-MTA-ANF）在IES多元負荷預測中具有較高精度與較強泛化性，設計2組實驗進行評估分析。其中，實驗1將所提模型與單一模型進行對比；實驗2 對所提模型進行消融實驗，即在所提模型的基礎上逐步去掉相應模塊，得到3個所提模型的變體模型，并將變體模型與所提模型進行比較。此外，為進一步驗證ANF模塊的有效性，在實驗中加入基于優化算法加權的對比模型。

在實驗1 中，將所提模型與BPNN、LSTM 和TCN 這3 個不同類型的對照模型進行比較，以驗證所提模型的有效性和泛化性。實驗2 將所提模型分別與去掉嵌入式分解模塊的模型（MTA-ANF）、去掉MTA 架構的模型（ED-TA-ANF）、去掉自適應非線性融合的模型（ED-MTA）和基于粒子群優化PSO（particle swarm optimization）算法優化權重的融合模型（ED-MTA-PSO）進行比較，根據預測結果來評估所提模型中ED 模塊、MTA 架構和ANF 模塊的有效性。其中，通過設置相同TCN卷積核尺度來構建ED-TA-ANF模型；通過對3個TCN-Attention分支的輸出進行平均加權以構建ED-MTA模型；通過采用PSO 優化3 個TCN-Attention 分支的輸出權重來構建ED-MTA-PSO模型。

5.4 模型超參數設置

本文采用小批次梯度下降法訓練模型，批次大小為32，優化器為Adam，損失函數為MSE，訓練輪數為50輪，初始學習率為0.001，每當驗證集上的均方誤差MSE（mean squared error）連續兩次未減小時，學習率調整為當前學習率的0.75 倍，隨機種子設為固定值42。實驗模型的超參數見表2。

表2 模型超參數Tab.2 Hyperparameters of models

5.5 實驗結果分析

5.5.1 所提模型與單一模型的性能比較

為展現所提模型ED-MTA-ANF 的優越性和泛化性，在實驗1 中將所提模型與BPNN、LSTM 和TCN3種單一模型進行實驗對比。以冬季數據的預測結果為例進行詳細分析，各模型評價指標及預測曲線分別如表3和圖5所示，而春季、夏季和秋季的預測結果分別如表4～表6 所示。為更清楚地觀察到所提模型和對比模型的預測性能，每條預測曲線展示了連續3天的預測值。

表3 冬季各模型評價指標Tab.3 Evaluation indexes of each model in winter

表4 春季各模型評價指標Tab.4 Evaluation indexes of each model in spring

表5 夏季各模型評價指標Tab.5 Evaluation indexes of each model in summer

表6 秋季各模型評價指標Tab.6 Evaluation indexes of each model in autumn

表7 冬季消融實驗各模型評價指標Tab.7 Evaluation indexes of each model in winter ablation experiments

圖5 冬季2 月16 日—2 月18 日IES 負荷預測結果Fig.5 Forecasting results of IES load from February 16 to February 18 in winter

從圖5 可以看出，ED-MTA-ANF 的預測曲線在所有對比模型中最接近真實值，在真實值附近波動范圍最小，這說明所提模型具有較好的預測性能和擬合能力。從表3可以看出，ED-MTA-ANF的預測指標RMSM、MAE、MAPE在電、冷、熱負荷預測中均為最小值，電、冷、熱負荷預測的RMSM分別為364.68 kW、134.07 Ton、0.31 MMBtu/h；電、冷、熱負荷預測的MAE 分別為280.51 kW、98.44 Ton、0.24 MMBtu/h；電、冷、熱負荷預測的MAPE 分別為0.31%、3.25%、2.37%。相較于單一模型BPNN 和LSTM，ED-MTAANF在電負荷預測中RMSM、MAE、MAPE分別降低了47.03% 、47.88% 、48.94% 和31.90% 、32.00% 、32.15%；ED-MTA-ANF在冷負荷預測中RMSM、MAE、MAPE分別降低了47.17%、49.85%、47.75%和32.00%、32.00%、32.00%；ED-MTA-ANF 在熱負荷預測中RMSM、MAE、MAPE 分別降低了46.55%、47.82%、49.03%和31.11%、33.33%、32.67%。此外，TCN 對電負荷預測的RMSM、MAE、MAPE 分別為490.59 kW、373.68 kW、2.56% ；TCN 對冷負荷預測的RMSM、MAE、MAPE分別為177.53 Ton、131.09 Ton、4.31%；TCN對熱負荷預測的RMSM、MAE、MAPE分別為0.41 MMBtu/h、0.32 MMBtu/h、3.15%。而加入本文提出的相關模塊后，電負荷預測的RMSM、MAE、MAPE 分別降低了25.66%、24.93%、25.00%；冷負荷預測的RMSM、MAE、MAPE 分別降低了24.47%、24.91%、24.59%；熱負荷預測的RMSM、MAE、MAPE 分別降低了24.39%、25.00%、24.76%。實驗結果驗證了所提模型的有效性和優越性。

此外，由表4～表6也能夠得到相似的結論，EDMTA-ANF 在春季、夏季和秋季的對比實驗中各項模型評價指標均最小，對電、冷、熱負荷的預測性能均最優，從而進一步驗證了所提模型的泛化性，即適用于所有季節的IES多元負荷短期預測。因此在實際應用中，所提模型能在不同季節提供較為準確的短期負荷預測結果，可以幫助能源供應商和城市管理者更好地參與和協調綜合能源系統中電、冷、熱能源的供應和分配。

5.5.2 消融實驗

為驗證所提模型ED-MTA-ANF 中每個模塊的有效性，將模型MTA-ANF、ED-TA-ANF、ED-MTA、ED-MTA-PSO與所提模型進行對比。其中，通過與MTA-ANF進行對比驗證ED模塊的有效性；通過與ED-TA-ANF 對比驗證MTA 架構的有效性；通過與ED-MTA 和ED-MTA-PSO 對比驗證ANF 模塊的有效性。冬、春、夏、秋季的實驗結果如表8～表10 所示，本文對冬季的預測結果進行詳細分析，實驗結果如圖6所示。

表8 春季消融實驗各模型評價指標Tab.8 Evaluation indexes of each model in spring ablation experiments

表9 夏季消融實驗各模型評價指標Tab.9 Evaluation indexes of each model in summer ablation experiments

表10 秋季消融實驗各模型評價指標Tab.10 Evaluation indexes of each model in autumn ablation experiments

圖6 冬季2 月23 日—2 月25 日IES 負荷預測結果Fig.6 Forecasting results of IES load from February 23 to February 25 in winter

從圖6 可以看出，ED-MTA-ANF 的預測曲線在所有對比模型中與真實值最接近，擬合程度最優，這說明所提模型與對照模型相比具有更好的預測性能，驗證了所提模型各模塊的有效性。由表7可知，相較于所提模型ED-MTA-ANF，對照模型MTAANF、ED-TA-ANF、ED-MTA 和ED-MTA-PSO 的預測性能均在一定程度上有所下降。

以指標RMSM 為例進行詳細分析，對比MTAANF 與ED-MTA-ANF 的預測結果可知，MTA-ANF預測電、冷、熱負荷的RMSM 分別為487.59 kW、170.53 Ton 和0.40 MMBtu/h，而加入ED 模塊后，其RMSM 分別降低了25.21%、21.38%和22.50%，這表明加入ED 模塊能在避免信息泄露的基礎上，降低輸入序列的復雜度及模型的學習難度，有效提高模型的預測精度。對比ED-TA-ANF和ED-MTAANF 的預測結果可以看出，加入MTA 架構后模型的RMSM 分別降低了11.60 kW、8.67 Ton 和0.01 MMBtu/h，這說明MTA架構能綜合考慮不同時間尺度下IES 多元負荷序列的時序特征，并對其進行有效挖掘與學習，在一定程度上提升了模型的預測準確度。而與ED-MTA 和ED-MTA-PSO 的預測結果相比，ED-MTA-ANF 的RMSM 分別下降了22.50%、16.13%、16.22%和12.26%、8.80%、11.42%，這表明ANF 模塊由于對每個預測時間步都分配了相應的融合權重并且進行了非線性融合，因此能夠更好地兼顧各分支的預測優勢，對于3 個不同尺度TCNAttention 分支輸出能夠更加有效地融合，從而大幅提高所提模型的預測性能，驗證了所提ANF模塊的有效性。

綜合分析表7～表10可知，ED模塊和ANF模塊能為所提模型提供的性能增益較大，而MTA 架構能為所提模型提供的性能增益較小。以電負荷為例，所提模型ED-MTA-ANF 在四季上的RMSM、MAE、MAPE 比MTA- ANF 分別降低了15.59%、14.72% 和19.74% 。 類似地，ED- MTA- ANF 的RMSM、MAE、MAPE 相較于ED-MTA 和ED-MTAPSO 分別降低了15.95% 、15.47% 、17.17% 和12.40%、13.03%、13.19%。而與ED-TA-ANF 相比，ED-MTA-ANF的RMSM、MAE、MAPE只平均降低了3.44%、3.69%和4.23%。

綜上所述，本文所提模型各模塊對模型的整體預測性能都能提供不同程度的提升，使得所提模型ED-MTA-ANF在IES多元負荷短期預測中具有更優越的預測精度。

6 結 論

本文對所提模型ED-MTA-ANF 的內部結構及模型構建進行了詳細描述，通過實驗算例驗證了所提模型在IES多元負荷短期預測上的有效性和泛化性，主要結論如下。

（1）采用嵌入式分解方法，在避免信息泄露的基礎上，降低了輸入時間序列的復雜性及模型的學習難度，有效提升了模型的預測精度。

（2）所提MTA 架構能夠綜合考慮不同時間尺度下IES 多元負荷序列的時序特征信息，并對其進行有效提取及全局信息融合，使得模型能更好地挖掘出多元負荷序列在不同時間尺度下的時序依賴關系，使模型的預測性能有所提升。

（3）采用自適應非線性融合方法能夠對MTA架構中3個分支進行有效融合，通過參與模型的訓練過程，自適應地更新分配給每個時間步的融合權重矩陣，并且進行非線性融合，增強了總體模型的非線性建模能力與預測性能。

（4）與傳統單一預測模型BPNN、LSTM 和TCN相比，本文所提模型ED-MTA-ANF在不同季節數據集上均取得了較好的預測效果，RMSM、MAE、MAPE 均為最低，驗證了所提模型具有較強的預測性能和泛化能力。

（5）在實際應用中，本文所提模型在IES多元負荷短期預測領域具有更高的準確性。根據不同季節下的負荷預測結果，能夠更好地對該系統中的電、冷、熱能源制定與修正短期內的調控和分配策略，從而提高系統中能源的綜合利用效率，減少碳排放和不必要能源成本的浪費。例如在負荷預測結果較大的季節提前調整能源供應結構，以應對高負荷需求，而在負荷預測結果較小的季節則可以提前采取節能措施，減少能源消耗等。

IES 多元負荷除了會受到氣象因素的影響外，還會受到節假日及各種能源價格的影響，因此將在后續研究中對上述兩種因素進行更加全面的考慮，以期預測方法更貼近實際工程需求。