廖清陽， 王 軍， 胡凱強(qiáng)， 宋 堯， 宗志亞， 范俊秋

(1. 貴州電網(wǎng)有限責(zé)任公司貴安供電局，貴州 貴安 550025; 2. 華南理工大學(xué)，廣東 廣州 510599)

0 引 言

能源互聯(lián)網(wǎng)系統(tǒng)集成多種能源存儲(chǔ)和轉(zhuǎn)換裝置，因此電、熱等能源系統(tǒng)存在緊密的聯(lián)系，呈現(xiàn)能源互聯(lián)的特點(diǎn)[1]。電、熱等負(fù)荷預(yù)測在能源調(diào)度、設(shè)備檢修等發(fā)揮關(guān)鍵作用。為完成負(fù)荷預(yù)測這一復(fù)雜的非線性問題，專家們提出一系列電、熱等負(fù)荷預(yù)測模型。例如，有專家應(yīng)用灰度關(guān)聯(lián)[2]、時(shí)空特征變量[3]理論開展電力負(fù)荷預(yù)測研究工作，并嘗試開展電、熱、冷負(fù)荷聯(lián)合預(yù)測工作[4]。

深度學(xué)習(xí)技術(shù)憑借優(yōu)異的特征表達(dá)能力在多領(lǐng)域發(fā)揮重大作用[5]。其中，雙向遞歸神經(jīng)網(wǎng)絡(luò)（bidirectional recurrent neural network，BiRNN）[6]可從前后兩個(gè)方向?qū)W習(xí)數(shù)據(jù)序列的時(shí)序信息，長短期記 憶 網(wǎng) 絡(luò) （ long and short term memory network，LSTM）[7]可學(xué)習(xí)數(shù)據(jù)序列的長期依賴信息，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）[8]可學(xué)習(xí)數(shù)據(jù)序列中局部區(qū)域的關(guān)鍵特征。在BiRNN方面，程換新等[9]應(yīng)用改進(jìn)粒子群算法優(yōu)化RNN，有效優(yōu)化電力負(fù)荷模型網(wǎng)絡(luò)權(quán)重參數(shù)。在LSTM方面，楊甲甲[10]應(yīng)用LSTM開展工業(yè)負(fù)荷短期預(yù)測研究，取得較好的預(yù)測結(jié)果；張建寰[11]分別應(yīng)用LSTM、門循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)、棧式自編碼器（SAE）構(gòu)建電力負(fù)荷預(yù)測模型，經(jīng)仿真確定三種預(yù)測模型具備一定的可行性，LSTM預(yù)測模型對(duì)于單因素預(yù)測精度較高；呂海燦等[12]提出基于Wide&DeepLSTM的短期電力負(fù)荷預(yù)測模型，可捕獲多維度和時(shí)序性電力負(fù)荷特征信息。在CNN方面，呂志星等[13]采用CNN開展用戶短期電力負(fù)荷預(yù)測研究，預(yù)測的誤差值百分比降低了約20%。史佳琪等[14]提出多元負(fù)荷預(yù)測模型，并驗(yàn)證其在實(shí)際環(huán)境中的有效性。對(duì)于電力負(fù)荷預(yù)測任務(wù)，存在較多的LSTM和CNN研究成果[15-16]，但神經(jīng)網(wǎng)絡(luò)的應(yīng)用價(jià)值還有待挖掘；同時(shí)，學(xué)者們主要提取單一能源負(fù)荷特征來開展電、熱等負(fù)荷預(yù)測研究，未考慮多能源的互聯(lián)狀態(tài)完成負(fù)荷預(yù)測任務(wù)。

本文應(yīng)用BiRNN和CNN并行網(wǎng)絡(luò)的特征提取優(yōu)勢開展電熱負(fù)荷聯(lián)合預(yù)測研究工作，提出基于深度并行CNN-BiLSTM的能源互聯(lián)網(wǎng)電熱負(fù)荷聯(lián)合預(yù)測模型。首先設(shè)計(jì)了三個(gè)電熱負(fù)荷聯(lián)合預(yù)測模型，再仿真確定較優(yōu)模型，研究并行網(wǎng)絡(luò)和聯(lián)合預(yù)測方式對(duì)模型性能的影響，對(duì)比分析本模型與同領(lǐng)域模型的負(fù)荷預(yù)測性能。

1 電負(fù)荷和熱負(fù)荷聯(lián)合預(yù)測模型

1.1 模型簡述

基于深度并行CNN-BiLSTM的能源互聯(lián)網(wǎng)電負(fù)荷和熱負(fù)荷聯(lián)合預(yù)測模型簡圖如圖1所示。

圖1 能源互聯(lián)網(wǎng)電負(fù)荷和熱負(fù)荷聯(lián)合預(yù)測模型簡圖

采用可表征電負(fù)荷和熱負(fù)荷序列信息的樣本作為負(fù)荷序列數(shù)據(jù)集；對(duì)于特征提取層，設(shè)計(jì)三個(gè)具備不同優(yōu)勢的網(wǎng)絡(luò)從負(fù)荷類序列數(shù)據(jù)集中捕獲關(guān)鍵負(fù)荷特征信息；對(duì)于預(yù)測層，應(yīng)用全局平均池化對(duì)不同尺寸的關(guān)鍵負(fù)荷特征作降采樣操作，再應(yīng)用一個(gè)全連接層統(tǒng)計(jì)負(fù)荷特征，預(yù)測電負(fù)荷和熱負(fù)荷值。

1.2 深度并行CNN-BiLSTM模塊

雙向長短期記憶網(wǎng)絡(luò)（bidirectional short and long term memory network，BiLSTM）可直接從數(shù)據(jù)序列中捕獲上下文依賴特征；CNN可通過靈活的多分支子網(wǎng)絡(luò)提取局部、大感受野、抽象的特征，且保留完整的特征信息，增強(qiáng)特征表達(dá)能力。因此，在特征提取層中采用BiLSTM，且為驗(yàn)證完整、大感受野、抽象的負(fù)荷特征對(duì)模型的貢獻(xiàn)，修改CNN的多分支子網(wǎng)絡(luò)，設(shè)計(jì)三個(gè)深度并行CNN-BiLSTM模塊。

三個(gè)深度并行CNN-BiLSTM模塊的頭部均應(yīng)用BiLSTM捕獲電負(fù)荷和熱負(fù)荷序列數(shù)據(jù)的長時(shí)間上下文依賴信息。BiLSTM[17]由BiRNN和LSTM兩部分構(gòu)成。BiRNN計(jì)算方式如公式（1）、公式（2）和公式（3）所示。

BiRNN先從負(fù)荷序列數(shù)據(jù)前后兩個(gè)方向同時(shí)捕獲負(fù)荷特征，再采用線性方式組合兩種負(fù)荷特征，有效提高模型對(duì)負(fù)荷序列數(shù)據(jù)的特征表達(dá)能力。但BiRNN不具備捕獲負(fù)荷序列中長期依賴關(guān)系的能力，因此應(yīng)用LSTM改進(jìn)計(jì)算方式，捕獲長期依賴信息。計(jì)算方式如公式（4）、公式（5）、公式（6）、公式（7）、公式（8）、公式（9）所示。

*——矩陣乘法；

·——點(diǎn)乘運(yùn)算。

結(jié)合BiRNN和LSTM的優(yōu)點(diǎn)即獲得BiLSTM。BiLSTM從負(fù)荷序列數(shù)據(jù)中捕獲雙向和長期依賴的多層次負(fù)荷特征信息，有利于模型的特征表達(dá)。

考慮負(fù)荷特征信息的完整性對(duì)模型的貢獻(xiàn)，設(shè)計(jì)深度并行CNN-BiLSTM模塊1，如圖2所示。

圖2 深度并行CNN-BiLSTM模塊1

對(duì)于深度并行CNN-BiLSTM模塊1的CNN部分，設(shè)計(jì)兩個(gè)分支子網(wǎng)絡(luò)。對(duì)于第一個(gè)子網(wǎng)絡(luò)，應(yīng)用卷積核維度為1、步長為1的卷積操作和ReLU非線性激活函數(shù)對(duì)負(fù)荷特征進(jìn)行線性和非線性變換，捕獲細(xì)致的局部性負(fù)荷特征；對(duì)于第二個(gè)子網(wǎng)絡(luò)，僅將輸入負(fù)荷特征直接引至輸出端，保留較完整的特征信息。

考慮大感受野負(fù)荷特征信息對(duì)模型的貢獻(xiàn)，設(shè)計(jì)深度并行CNN-BiLSTM模塊2，如圖3所示。

圖3 深度并行CNN-BiLSTM模塊2

對(duì)于CNN部分，設(shè)計(jì)兩個(gè)分支子網(wǎng)絡(luò)。對(duì)于第一個(gè)子網(wǎng)絡(luò)，應(yīng)用卷積操作和ReLU捕獲細(xì)致的負(fù)荷特征；對(duì)于第二個(gè)子網(wǎng)絡(luò)，依次應(yīng)用步長為1、步長為3的卷積操作期望捕獲更大感受野下的多維度特征信息。

在負(fù)荷特征信息的完整性和大感受野負(fù)荷特征信息的基礎(chǔ)上，同時(shí)考慮深層次網(wǎng)絡(luò)提取的抽象負(fù)荷特征對(duì)模型的貢獻(xiàn)，設(shè)計(jì)深度并行CNN-BiLSTM模塊3，如圖4所示。

圖4 深度并行CNN-BiLSTM模塊3

對(duì)于CNN部分，設(shè)計(jì)四個(gè)分支子網(wǎng)絡(luò)。對(duì)于第一個(gè)子網(wǎng)絡(luò)，僅應(yīng)用一個(gè)卷積操作捕獲細(xì)致的負(fù)荷特征；對(duì)于第二個(gè)子網(wǎng)絡(luò)，依次應(yīng)用步長為1、步長為3和步長為3的卷積操作捕獲大感受野、抽象的負(fù)荷特征；對(duì)于第三個(gè)子網(wǎng)絡(luò)，依次應(yīng)用步長為1、步長為3、步長為5的卷積操作捕獲抽象、多維度的負(fù)荷特征；對(duì)于第四個(gè)子網(wǎng)絡(luò)，保留經(jīng)BiLSTM處理的長期依賴的多層次負(fù)荷特征，避免梯度消失現(xiàn)象的出現(xiàn)；對(duì)于所有的卷積操作，均應(yīng)用ReLU對(duì)輸出值作非線性變換操作，迫使模型快速收斂。

1.3 仿真環(huán)境

為預(yù)測某一時(shí)刻的電負(fù)荷和熱負(fù)荷值，需從某個(gè)綜合能源系統(tǒng)園區(qū)中采集預(yù)測時(shí)刻前1小時(shí)內(nèi)的電負(fù)荷平均值、熱負(fù)荷平均值、溫度平均值、濕度平均值、風(fēng)速平均值、降雨量平均值、工作日/節(jié)假日（1/0）標(biāo)識(shí)值，將其組合為向量作為輸入數(shù)據(jù)序列。

為完成模型的仿真，共采集10000個(gè)小時(shí)的樣本數(shù)據(jù)集，依據(jù)比例8∶1∶1隨機(jī)劃分樣本數(shù)據(jù)到訓(xùn)練集、驗(yàn)證集和測試集中，則有8000個(gè)訓(xùn)練集、1000個(gè)驗(yàn)證集和1000個(gè)測試集。

應(yīng)用Tensorflow深度學(xué)習(xí)框架在Ubuntu16.04平臺(tái)上實(shí)現(xiàn)模型；應(yīng)用Xavier方法初始化所有卷積核權(quán)重，迫使權(quán)重符合零均值、單位方差的自然分布狀態(tài)；設(shè)置偏置值為0.02；設(shè)置學(xué)習(xí)率為0.0001。

2 訓(xùn)練階段仿真分析

2.1 批次樣本量仿真研究

對(duì)于模型特征提取層，設(shè)置應(yīng)用深度并行CNNBiLSTM模塊1的模型為電熱負(fù)荷聯(lián)合預(yù)測模型1，則應(yīng)用深度并行CNN-BiLSTM模塊2的模型為電熱負(fù)荷聯(lián)合預(yù)測模型2，應(yīng)用深度并行CNN-BiLSTM模塊3的模型為電熱負(fù)荷聯(lián)合預(yù)測模型3。應(yīng)用誤差值比作為本模型性能評(píng)價(jià)指標(biāo)，計(jì)算方法如公式（10）、公式（11）和公式（12）所示。

驗(yàn)證誤差值比比訓(xùn)練誤差值比具備更高的參考價(jià)值。

研究批次樣本量下模型負(fù)荷預(yù)測性能。合理的批次樣本量有利于獲得具備泛化性的損失值，從而增強(qiáng)模型泛化能力。設(shè)置批次樣本量分別為4、8、12、16、20，訓(xùn)練三個(gè)模型至800代，觀察驗(yàn)證綜合負(fù)荷誤差均值比，如圖5所示。

圖5 不同批次樣本量下的驗(yàn)證綜合負(fù)荷誤差均值比

對(duì)于各批次樣本量，模型1的驗(yàn)證綜合負(fù)荷誤差均值比明顯高于模型2和模型3，說明模型1從樣本數(shù)據(jù)中捕獲的負(fù)荷信息較少，不具備較好的電熱負(fù)荷預(yù)測能力；當(dāng)批次樣本量逐漸增加時(shí)，三個(gè)模型的驗(yàn)證綜合負(fù)荷誤差均值比首先快速降低，再稍有上升局勢，說明一定數(shù)量樣本量有利于模型統(tǒng)計(jì)具備代表性的損失值，促進(jìn)模型優(yōu)化參數(shù)；當(dāng)批次樣本量為16時(shí)，三個(gè)模型均具備最佳的驗(yàn)證綜合負(fù)荷誤差均值比，分別為 0.0627、0.0397和0.0314。

2.2 迭代次數(shù)仿真研究

研究迭代次數(shù)下模型負(fù)荷預(yù)測性能。結(jié)合驗(yàn)證負(fù)荷誤差和訓(xùn)練負(fù)荷誤差可觀察模型是否出現(xiàn)過擬合現(xiàn)象，應(yīng)用損失值可知模型收斂狀態(tài)，便于保存最佳的電熱負(fù)荷聯(lián)合預(yù)測模型。

當(dāng)批次樣本量為16時(shí)，模型1、模型2和模型3的訓(xùn)練、驗(yàn)證CLE均值如圖6、圖7、圖8所示，三個(gè)模型的損失值變化狀態(tài)如圖9所示。模型1的損失值始終高于模型2和模型3，說明模型1的綜合電荷預(yù)測值與真實(shí)值差值較大；在約600代后，模型1損失值波動(dòng)較小，到達(dá)收斂狀態(tài)，驗(yàn)證CLE均值為0.0627；在約700代后，模型2到達(dá)收斂狀態(tài)，驗(yàn)證 CLE均值為 0.0397；在約 600代后，模型3到達(dá)收斂狀態(tài)，具備最優(yōu)的驗(yàn)證CLE均值，為0.0205。

圖6 模型1的負(fù)荷誤差均值比

圖7 模型2的負(fù)荷誤差均值比

圖8 模型3的負(fù)荷誤差均值比

圖9 三個(gè)模型的損失值

綜上，在批次樣本量為16時(shí)，選擇訓(xùn)練至600代模型1、訓(xùn)練至700代模型2和訓(xùn)練至600代模型3開展后續(xù)研究。

3 測試階段仿真分析

3.1 CLE仿真分析

應(yīng)用CLE評(píng)測模型的電熱負(fù)荷預(yù)測性能。在測試樣本集上統(tǒng)計(jì)三個(gè)模型的和CLE的平均值，結(jié)果如圖10所示。

圖10 模型電熱負(fù)荷預(yù)測性能

應(yīng)用模型3預(yù)測某一周的電負(fù)荷和熱負(fù)荷，結(jié)果如圖11、圖12所示。

圖11 模型3的電負(fù)荷預(yù)測結(jié)果

圖12 模型3的熱負(fù)荷預(yù)測結(jié)果

對(duì)于電負(fù)荷和熱負(fù)荷的預(yù)測任務(wù)，模型3的預(yù)測結(jié)果僅在部分?jǐn)?shù)據(jù)突變區(qū)域與真實(shí)結(jié)果有略大差異，在其他數(shù)據(jù)區(qū)域皆逼近真實(shí)結(jié)果。說明電熱負(fù)荷聯(lián)合預(yù)測模型3具備較優(yōu)的預(yù)測性能。

3.2 串行與并行網(wǎng)絡(luò)仿真分析

研究并行子網(wǎng)絡(luò)結(jié)構(gòu)與串行網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測性能?；诒疚碾姛嶝?fù)荷聯(lián)合預(yù)測模型，對(duì)于特征提取層，設(shè)計(jì)串行CNN-BiLSTM模型，如圖13所示。

圖13 串行CNN-BiLSTM模型

在同樣的仿真環(huán)境中訓(xùn)練此串行電熱負(fù)荷聯(lián)合預(yù)測模型，并在測試集上統(tǒng)計(jì)和CLE平均值，如表1所示。

表1 串行和并行網(wǎng)絡(luò)模型電熱負(fù)荷預(yù)測性能

統(tǒng)計(jì)兩個(gè)模型的負(fù)荷誤差分布情況，箱線圖結(jié)果如圖14所示。

圖14 模型的CLE分布情況

模型3的CLE分布區(qū)域在4%以下；串行預(yù)測模型的CLE分布區(qū)域在6%以上，且存在兩個(gè)偏離較大的異常值。說明模型3可捕獲電熱負(fù)荷的強(qiáng)相關(guān)特征信息，有利于完成負(fù)荷 預(yù)測任務(wù)。

應(yīng)用模型3和串行預(yù)測模型預(yù)測同一周的電負(fù)荷和熱負(fù)荷，結(jié)果如圖15、圖16所示。

圖15 兩個(gè)模型的電負(fù)荷預(yù)測結(jié)果

圖16 兩個(gè)模型的熱負(fù)荷預(yù)測結(jié)果

模型3對(duì)于電負(fù)荷和熱負(fù)荷的預(yù)測數(shù)據(jù)僅在部分?jǐn)?shù)據(jù)突變區(qū)域與真實(shí)數(shù)據(jù)有略大差異；串行預(yù)測模型對(duì)于電負(fù)荷和熱負(fù)荷的預(yù)測數(shù)據(jù)與真實(shí)數(shù)據(jù)有較大差異，在熱負(fù)荷方面體現(xiàn)得最明顯。說明模型3的并行網(wǎng)絡(luò)結(jié)構(gòu)比串行網(wǎng)絡(luò)結(jié)構(gòu)具備更優(yōu)的負(fù)荷特征捕獲能力，有效增強(qiáng)模型的特征表達(dá)能力。

3.3 聯(lián)合預(yù)測與單負(fù)荷預(yù)測仿真分析

采用當(dāng)前模型3聯(lián)合預(yù)測電負(fù)荷和熱負(fù)荷值。為研究單負(fù)荷預(yù)測性能，對(duì)于模型3網(wǎng)絡(luò)，分別設(shè)置預(yù)測目標(biāo)為電負(fù)荷和熱負(fù)荷，并在相同環(huán)境中訓(xùn)練模型，測試負(fù)荷誤差均值比，結(jié)果如表2所示。

表2 聯(lián)合預(yù)測和單負(fù)荷預(yù)測階段的誤差均值比

對(duì)于電負(fù)荷和熱負(fù)荷，單負(fù)荷預(yù)測階段的負(fù)荷誤差均值比分別為 0.0597和 0.0692，均高于聯(lián)合預(yù)測階段的負(fù)荷誤差均值比。說明聯(lián)合預(yù)測方式可學(xué)習(xí)到電負(fù)荷和熱負(fù)荷的互聯(lián)信息，降低負(fù)荷誤差均值百分比約3%，具備較優(yōu)的預(yù)測性能。

研究單負(fù)荷預(yù)測和聯(lián)合負(fù)荷預(yù)測方式的模型訓(xùn)練和預(yù)測時(shí)長。對(duì)于訓(xùn)練階段，記錄模型在訓(xùn)練集中的負(fù)荷特征學(xué)習(xí)時(shí)長；對(duì)于預(yù)測階段，記錄模型在測試集中的電熱負(fù)荷預(yù)測時(shí)長。結(jié)果如表3所示。

表3 聯(lián)合預(yù)測和單負(fù)荷預(yù)測階段的訓(xùn)練和預(yù)測時(shí)長

與聯(lián)合預(yù)測方式相比，在訓(xùn)練階段，單負(fù)荷預(yù)測方式的電、熱負(fù)荷訓(xùn)練時(shí)長略小，但總訓(xùn)練時(shí)長很高；在測試階段，單負(fù)荷預(yù)測方式的總預(yù)測時(shí)長同樣很高。說明對(duì)于模型訓(xùn)練和預(yù)測過程，聯(lián)合預(yù)測方式下模型的訓(xùn)練時(shí)長和測試時(shí)長分別為4275 s和604 s，均約為單負(fù)荷預(yù)測方式下時(shí)長的一半，具備較高的效率。

3.4 模型綜合分析

研究聯(lián)合預(yù)測模型的負(fù)荷預(yù)測性能。經(jīng)調(diào)研，程換新等[9]、呂海燦等[12]、呂志星等[13]、史佳琪等[14]的負(fù)荷預(yù)測模型應(yīng)用了深度學(xué)習(xí)中典型的RNN、LSTM和CNN等技術(shù)，獲得較好的結(jié)果，因此復(fù)現(xiàn)對(duì)應(yīng)模型，分別稱為RNN-Net、LSTM-Net、CNN-Net、Shi-Net， 其 中RNN-Net、LSTM-Net、CNN-Net為電負(fù)荷預(yù)測模型，Shi-Net為多元負(fù)荷預(yù)測模型。稱本文模型為BiLSTMCNN-Net。仿真所有模型在本文數(shù)據(jù)集下的誤差值百分比。其中RNN-Net、LSTM-Net、CNN-Net是單負(fù)荷預(yù)測模型，所以將它們依次在電負(fù)荷序列數(shù)據(jù)集（電負(fù)荷平均值、溫度平均值、濕度平均值、風(fēng)速平均值、降雨量平均值、工作日/節(jié)假日（1/0）標(biāo)識(shí)值）、熱負(fù)荷序列數(shù)據(jù)集（熱負(fù)荷平均值、溫度平均值、濕度平均值、風(fēng)速平均值、降雨量平均值、工作日/節(jié)假日（1/0）標(biāo)識(shí)值）下訓(xùn)練并獲得測試結(jié)果；Shi-Net和本文的BiLSTMCNN-Net均為聯(lián)合預(yù)測模型，所以將Shi-Net在電、熱負(fù)荷序列數(shù)據(jù)集下訓(xùn)練并獲得測試結(jié)果。仿真結(jié)果如表4所示。

表4 模型負(fù)荷預(yù)測結(jié)果的誤差均值比

觀察可知，RNN-Net、LSTM-Net、CNN-Net、Shi-Net的平均值分別為 0.0575、0.0424、0.0457、0.0431，平均值分別為 0.1312、0.1390、0.1053、0.0375；RNN-Net、LSTM-Net、CNN-Net原為電負(fù)荷預(yù)測模型，Shi-Net原為多元負(fù)荷預(yù)測模型，LSTMNet的均值較低，為0.0424，但它們的均值遠(yuǎn)高于Shi-Net；Shi-Net的均值和CLE均值較低，分別為 0.0375和 0.0474；BiLSTMCNN-Net擁有最低的、、CLE均值。說明當(dāng)前的電負(fù)荷預(yù)測模型不適用于熱負(fù)荷預(yù)測任務(wù)；多元負(fù)荷預(yù)測模型Shi-Net具備較好的電、熱負(fù)荷預(yù)測性能，但仍差于本文的BiLSTMCNN-Net。

綜合分析，本文的聯(lián)合預(yù)測模型較全面提取電負(fù)荷、熱負(fù)荷的特征信息，具備較好的應(yīng)用價(jià)值。

4 結(jié)束語

本文提出了能源互聯(lián)網(wǎng)電負(fù)荷和熱負(fù)荷聯(lián)合預(yù)測模型，得出結(jié)論：

1）研究各模型負(fù)荷預(yù)測能力。模型1、模型2和模型 3的 CLE 均值分別為 0.0627、0.0498和0.0311，說明模型3通過四個(gè)并行子網(wǎng)絡(luò)同時(shí)捕獲完整、大感受野、抽象的負(fù)荷特征，對(duì)電、熱負(fù)荷的預(yù)測誤差均值比分別為0.0315和0.0301。將模型3作為最終的能源互聯(lián)網(wǎng)電熱負(fù)荷聯(lián)合預(yù)測模型。

2）研究模型的并行網(wǎng)絡(luò)與聯(lián)合預(yù)測方式優(yōu)勢。由四個(gè)并行子網(wǎng)絡(luò)組成的電熱負(fù)荷聯(lián)合預(yù)測模型的負(fù)荷誤差均值比低于串行網(wǎng)絡(luò)模型約3%，說明并行網(wǎng)絡(luò)有利于模型捕獲多層次負(fù)荷特征信息；電熱負(fù)荷聯(lián)合預(yù)測模型的負(fù)荷誤差均值比低于單負(fù)荷預(yù)測模型約3%，且其訓(xùn)練和預(yù)測時(shí)間均約為單負(fù)荷預(yù)測模型的一半，說明聯(lián)合預(yù)測方式可保持較高的效率學(xué)習(xí)電熱負(fù)荷互聯(lián)信息，增強(qiáng)模型的特征表達(dá)能力。

3）分析同領(lǐng)域模型負(fù)荷預(yù)測性能。將本文模型與領(lǐng)域內(nèi)典型的 RNN-Net、LSTM-Net、CNN-Net、Shi-Net在相同條件下開展仿真分析，可知LSTMNet的均值較低，為 0.0424；Shi-Net的均值和 CLE 均值較低，分別為 0.0375和 0.0474；本文模型的均值、均值和CLE均值最高，分別為 0.0315、0.0301、0.0311。說明本文模型適用于電負(fù)荷、熱負(fù)荷聯(lián)合預(yù)測任務(wù)。