考虑气象变化的多任务与单任务联合学习在综合能源系统多能负荷预测中的应用

为解决综合能源系统(IES)中因气象波动、季节耦合变化及多能交互作用导致的负荷预测精度下降问题，研究人员提出了一种融合气象变化率特征的多任务学习(MTL)与单任务学习(STL)联合预测框架。通过RapidMIC筛选主导气象特征，结合加权相关性分析量化气象对负荷的非线性影响，并采用HU-DWA损失函数优化策略实现任务动态权重分配。实验表明，电/冷/热负荷预测MAPE分别稳定在1.068%-3.022%、1.877%-5.331%和1.697%-3.999%，为IES经济调度提供了高精度预测工具。

　　

在全球能源转型背景下，综合能源系统(Integrated Energy Systems, IES)通过电-冷-热多能协同成为提升能效的关键。然而，2021年欧洲能源危机中，极端热浪导致制冷需求激增，传统预测模型因未能动态捕捉气象变化率而引发调度延误，暴露出多能负荷预测的三大痛点：气象敏感性导致的波动加剧、季节耦合效应未被量化、以及多任务学习(Multi-task Learning, MTL)中任务失衡引发的精度衰减。这些缺陷使得负荷预测误差每增加1%，冷却系统能耗上升2.3%，燃气轮机效率下降1.8%，直接推高年运营成本5%-10%。

为突破这些瓶颈，中国的研究团队在《Expert Systems with Applications》发表研究，提出MTL-STL联合预测框架。该研究首先从美国亚利桑那州立大学(ASU)和中国甘肃工业园区的IES中获取电/冷/热负荷及气象数据，通过计算负荷变化率与气象变化率，采用快速最大信息系数(RapidMIC)筛选主导气象因子；进而融合Pearson、Spearman和RapidMIC的加权相关性分析，量化气象对负荷的线性/非线性影响；最后构建MTL-TCN-GRU模型，并引入同方差不确定性(Homoscedastic Uncertainty, HU)与动态权重平均(Dynamic Weight Averaging, DWA)优化损失函数，实现任务权重自适应分配。

多能源负荷特性分析
通过分析ASU校园IES的运营数据，发现电负荷受日间办公活动主导呈现双峰特征，冷负荷与气温呈强非线性相关，而热负荷在冬季表现出滞后于气温变化的特性。这验证了多能负荷的时空耦合差异，为后续分季节建模提供依据。

基于气象变化率的特征挖掘
提出负荷变化率(ΔL_t/L_t-1)和气象变化率(ΔW_t/W_t-1)的量化方法。夏季数据显示，气温变化率对冷负荷的影响强度是电负荷的2.7倍，而湿度变化率对热负荷的Spearman相关系数达0.82，揭示气象因子的季节性主导效应。

多能负荷预测模型构建
MTL模块采用TCN捕捉气象因子的长期趋势，GRU提取负荷序列的短期波动；STL模块通过TCN-GRU-Attention预测总负荷作为桥梁变量。在ASU数据集的冬季验证中，MTL-STL联合模型将电负荷预测MAPE从4.12%降至2.35%，显著优于单一MTL或STL模型。

损失函数优化策略
HU算法根据任务噪声自动分配初始权重，DWA则实时监控损失变化率动态调整。实验表明，该策略使冷负荷（高波动性任务）的权重在夏季训练中提升37%，有效缓解了传统MTL中电负荷主导的问题。

研究结论表明，该框架在ASU和甘肃工业园区的跨区域验证中展现出普适性：电/冷/热负荷的年均MAPE分别稳定在2.12%、3.84%和2.76%，较传统方法精度提升9.567%以上。特别是通过气象变化率特征的引入，夏季冷负荷的峰值预测误差降低15.3%，解决了极端天气下的调度滞后问题。这项研究不仅为IES提供了首个融合气象动态变化与多任务平衡的预测工具，其HU-DWA权重优化机制更为复杂系统中的多目标协同建模提供了范式转移。