参考文献著录格式(GB_T7714-2015).pdfVIP

曲坤宁基于WHO-AGRU-MTL的综合能源系统多元负荷预测2024年第5期

(2)在预测模型方面,构建基于多任务学习的energysystems[J].ScienceChinaInformationSciences,2021,64

多元负荷联合预测模型（AGRU-MTL）,GRU用于(9):5-27.

[3]

ZhangL,WenJ,LiY,etal.Areviewofmachinelearningin

捕捉序列数据的时间依赖性，Attention有助于模型

buildingloadprediction[J].AppliedEnergy,2021,285:116452.

关注重要的历史信息，而MTL则允许模型同时学习

[4]方娜，陈浩，邓心.基于VMD-ARIMA-DBN的短期电力负荷

多个相关任务，从而提高预测的准确性和泛化性预测[J].电力系统及其自动化学报，2023,35（6)：59-65.

能。这种结合了多个技术的模型可以更好地适应[5]丁施尹，谭锡林，叶萌，等.含高比例分布式光伏的母线负荷

复杂的多元负荷数据,并提供更可靠的预测结果。预测方法[J].可再生能源，2021,39(1):117-122.

[6]李承周，王宁玲，窦潇潇，等.多能源互补分布式能源系统集

（3）通过设置多个对比实验，结果显示本文预

成研究综述及展望[J/0L].中国电机工程学报，2023,43（18)：

测模型（WHO-ACRU-MTL)相比其他预测模型的7127-7149.

RMSE平均降低69.93%MAPE降低了62.10%，模

[7]

孙庆凯，王小君，张义志，等.基于LSTM和多任务学习的综合

型耗费时间平均缩短了37.95%，表明本文所提出能源系统多元负荷预测[J].电力系统自动化，2021,45（5)：

的模型具备较高的预测精度和较快的运行效率。63-70.

本研究成果不仅为当前电力系统提供了有力[8]NiuD,YuM,SunL,etal.Short-termmulti-energyload

forecastingforintegratedenergysystemsbasedonCNN-BiGRU

的解决方案，还为未来复杂的综合能源系统提供了

optimizedbyattentionmechanism[JJ.AppliedEnergy,2022,

一个可行的方法，以实现更智能、高效和可持续的313:118801.

能源管理。这将有助于应对未来能源挑战,满足不[