基于MTL-GRU-Attention的综合能源系统多元负荷预测.pdf

电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 6 期2023 年 6 月Vol.35 No.6Jun.2023基于 MTL-GRU-Attention 的综合能源系统多元负荷预测岳伟民1，刘青荣1，阮应君2，钱凡悦2，孟华2（1.上海电力大学能源与机械工程学院，上海 201306；2.同济大学机械与能源工程学院，上海 200092）摘要：针对综合能源系统多元负荷预测问题，提出一种基于多任务学习、门控循环单元和注意力机制的多元负荷预测方法。首先，运用门控循环单元建立多任务学习的共享层，充分挖掘冷、热、电负荷之间的耦合特征；然后，利用贝叶斯优化算法实现门控循环单元最优超参数的自适应选择；最后，使用注意力机制实现子任务对共享层中重要特征的差异化提取，以增强关键信息的影响。以亚利桑那州立大学坦佩校区的实测负荷数据作为算例，结果表明所提模型具有更高的预测精度。关键词：多任务学习；门控循环单元；注意力机制；贝叶斯优化算法；综合能源系统中图分类号：TM715文献标志码：A文章编号：1003-8930（2023）06-0083-07DOI：10.19635/ki.csu-epsa.001121Multivariate Load Forecasting of Integrated Energy System Based on MTL-GRU-Attention MechanismYUE Weimin1，LIU Qingrong1，RUAN Yingjun2，QIAN Fanyue2，MENG Hua2（1.College of Energy and Mechanical Engineering，Shanghai University of Electric Power，Shanghai 201306，China；2.School of Mechanical Engineering，Tongji University，Shanghai 200092，China）Abstract:Aimed at the problem of multivariate load forecasting of an integrated energy system（IES），a multivariateload forecasting method based on multi-task learning（MTL），gated recurrent unit（GRU），and Attention mechanismis proposed.First，a shared layer of MTL is established by using GRUs，and the coupling characteristics between cold，heat，and electric loads are fully exploited.Then，the Bayesian optimization algorithm is used to realize the adaptive selection of optimal hyperparameters of GRU.Finally，the Attention mechanism is used to realize the differential extraction of important features in the shared layer by subtasks to enhance the influence of key information.The measuredload data of the Tempe Campus of Arizona State University is taken as an example，and results show that the proposedmodel has a higher prediction accuracy.Keywords:multi-task learning（MTL）；gated recurrent unit（GRU）；Attention mechanism；Bayesian optimization algorithm（BOA）；integrated energy system（IES）随着社会经济的快速发展，能源利用与环境保护的协调发展面临重大挑战1。在此基础上，构建清洁高效的综合能源系统 IES（integrated energysystem）以提高能源利用效率、减少碳排放成为当务之急2。IES作为一种基于多能利用、转换和传输技术的新型能源供应模式，通过多种能源形式的耦合，实现冷、热、电等负荷的灵活转换、高效分配和有机协调。准确的负荷预测是IES安全经济运行与优化管理的前提3。目前，针对单一负荷预测已取得较多成果。在电力负荷预测方面，以人工神经网络ANN（artificial neural network）4、支持向量回归 SVR（supportvector regression）5、长短期记忆 LSTM（long short-term memory）6神经网络等为代表的机器学习模型常被用于电力负荷预测。文献7使用SVR等机器学习方法完成两栋建筑的能耗预测。文献8提出了一种基于LSTM神经网络的短期电力负荷预测模型。在冷、热负荷预测方面，建筑能耗模拟软件、机器学习等数据挖掘方法都有一定程度的应用9。文献10利用TRNSYS软件对某区域供冷系统用户逐时动态冷负荷进行模拟。文献11使用 SVR 和ANN预测建筑暖通空调系统的能耗。然而，由于忽收稿日期：2022-06-01；修回日期：2022-09-16网络出版时间：2022-10-06 16：06：08基金项目：上海市双碳专项园区百千瓦级燃料电池综合能源系统关键技术研究与示范项目（21DZ1208800）岳伟民等：基于 MTL GRU Attention 的综合能源系统多元负荷预测电 力 系 统 及 其 自 动 化 学 报84第 6 期略了不同负荷之间的耦合特性，这些方法应用于IES多元负荷预测不能取得理想的效果2。因此，一些学者将多任务学习MTL（multitasklearning）引入 IES 多元负荷预测。文献12利用MTL 和深度信念网络 DBN（deep belief network）构建短期电、热、气负荷预测模型。文献13借助MTL中的权重共享机制和最小二乘支持向量机LSSVM（least squares support vector machine）来预测IES中的电、热、冷、气负荷。文献14提出一种基于MTL-LSTM的IES多元负荷预测。上述文献的预测结果表明，与单一负荷预测模型相比，考虑负荷之间耦合特性的MTL模型可以取得较好的预测结果。然而上述利用MTL构建的IES多元负荷预测的模型中仍然存在着两方面的不足：MTL预测模型中子任务对共享层中重要特征的差异化提取能力不足；模型构建中的超参数通常由人工经验进行选择，通用性差。因此，针对目前IES多元负荷预测中存在的问题，本文提出一种基于 MTL、门控循环单元 GRU（gated recurrent unit）和注意力（Attention）机制的综合能源系统多元负荷预测模型。首先，该模型将冷、热、电负荷历史数据、气象数据及日历规则等输入到基于MTL搭建的GRU深度学习模型中，通过信息共享的方式提取冷、热、电负荷间的复杂耦合特征，同时利用贝叶斯优化算法BOA（Bayesian optimization algorithm）实现GRU最优超参数的自适应选择；然后，使用注意力机制实现各个子任务对共享层中重要特征的差异化提取；最后，通过实际案例验证所提模型的有效性。1相关原理理论1.1门控循环单元作为 LSTM 的一种变体，GRU 在结构上与LSTM相似，不同之处在于LSTM有3个门结构，即输入门、遗忘门和输出门15，而GRU只有更新门和重置门两个门结构。GRU不仅保持了与LSTM几乎相同的预测效果，而且具有更简单的结构，计算速度也比LSTM快很多16。GRU的结构如图1所示。GRU的整个计算过程可表示为zt=()Wzht-1,xt+bz（1）rt=()Wrht-1,xt+br（2）ht=tanh(Wh(ht-1rt),xt+bh)（3）ht=(1-zt)ht+ztht-1（4）式中：xt为t时刻的输入；ht为隐藏状态在t时刻的输出；ht-1为在t-1时刻的隐藏状态；zt和rt为更新门和重置门；ht为t-1时刻的候选隐藏状态；（）和tanh（）为激活函数；Wz、Wr和Wh为权重系数矩阵；bz、br和bh为对应的偏置向量；表示哈达玛积。1.2注意力机制注意力机制通过模拟人脑中注意力资源分配，忽略无关信息放大重要特征，其本质在于加强关键信息对于模型输出结果的影响3。在IES短期负荷预测中，使用注意力机制实现各个子任务对共享层中重要特征的差异化提取。本文所采用的注意力机制的结构如图2所示，其中xt为GRU模型的输入，ht为GRU得到的隐藏层输出，t为注意力机制输出到隐藏层的注意力概率分布，y为经过注意力机制优化的GRU输出。注意力机制可表示为et=utanh(wht+b)（5）t=exp(et)j=1tej（6）st=t=1itht（7）式中：et、ej分别为由GRU输出向量在t、j时刻确定的注意力概率分布值；u和w为权重系数；b为偏置系数；st为注意力层在t时刻的输出。1.3多任务学习由于IES结构复杂，不同的能源系统需要通过能量转换元件（冷热电三联供、热泵等）的能量流形图 1GRU 结构Fig.1Structure of GRUhthtztxtrttanh1-图 2注意力机制Fig.2Attention mechanismyh0h1ht-1hthnx1xt-1xtxn1t-1tnht-1岳伟民等：基于MTL GRU Attention的综合能源系统多元负荷预测85第 35 卷式进行耦合。因此，IES输出的冷、热、电负荷数据中存在大量关于能量转换的共享信息。MTL通过获取多个相关问题的知识，能够有效利用IES的复杂能量转换共享信息17。MTL结构如图3所示。假设MTL模型有T个学习任务yt,t=1,2,T，并包含 1 组数据集xi,yi,1,yi,2,yi,t,yi,TNi=1，其中N为样本数。设预测函数为ft(x;sh,t):xyt，其中sh和t分别为不同任务共享的参数和任务相关的其他参数；损失函数为L(ft(xi;sh,t),yi,t)，则 MTL 的整体优化损失函数为mint=1TwtL(ft(xi;sh,t),yi,t)，其中wt为权重系数，本文设置电、冷、热负荷的权重系数分别为0.4、0.4和0.2。1.4贝叶斯优化算法BOA作为一种新兴的超参数优化方法，可以凭借较少的迭代次数获得满意的优化结果，其比网格搜索和随机搜索方法更有效18。在本文中BOA旨在候选集U找到满足下式的一组最优超参数集X*：X*=argmaxXUf(X)（8）式中：X为决策空间；f(X)为目标函数。BOA 首先应用高斯过程回归（GPR）计算前n个点的后验分布，获得每个参数在每个点的均值和方差。这里均值表示这一点的预期效果，均值越大，效果越好；方差表示这一点的不确定性，方差越大，不确定性越大。然而，只选择均值最大的点容易陷入局部最优，一些方差较大的点也可能具有全局最优解。为了避免出现局部最优，探索和开发被提出19。开发是根据后验分布在最有可能出现全局最优解的区域进行采样；探索是在未采样的区域进行采样。因此，为了平衡探索和开发，采样函数被提出20。本文选择期望改进 EI（expected improvement）函数作为采样函数，EI函数可表示为EI(x)=(x)-f(x)(Z)+(x)(Z)(x)00(x)=0（9）其中Z=(x)-f(x)-c(x)（10）式中：f(x)为目前最优值；x为目前最优值的点；(x)为平均值；(x)为标准差；(Z)为正态累积分布函数；参数c用于平衡开发和探索比例。2预测模型构建2.1模型构建流程基于MTL-GRU-Attention的IES多元负荷预测模型结构如图4所示，具体步骤如下。步骤1数据预处理。将模型的输入信息清洗并归一化，然后将其作为所提出模型的训练集、验证集和测试集。步骤2共享层构建。采用GRU构建MTL共享层，提取冷、热、电负荷之间耦合信息，并利用BOA实现GRU超参数的优化选择。步骤3输出层构建。在各个任务的输出层之前加入注意力层，实现不同子任务对共享层中重要特征的差异化选择，使模型能够更好地利用数据。注意力机制赋予GRU隐藏状态不同的概率权重，并关注与冷、热、电负荷相关的重要特征。2.2数据预处理受测量设备特性、能源供应约束等因素影响，负荷数据在采集或传输过程中可能会出现数据缺图 3MTL 结构Fig.3Structure of MTL输入x1输入x2输入xN输出图 4本文所提短期负荷预测模型Fig.4Short-term load forecasting model proposed inthis paper注意力层注意力层注意力层全连接层全连接层全连接层热负荷冷负荷电负荷基于GRU的多任务学习共享层历史电、冷/热负荷天气因素日类型模型初始化高斯过程回归最大采样函数值的（x，y）采样函数输出（x，y）（x，y）是否满足预设条件？是否-电 力 系 统 及 其 自 动 化 学 报86第 6 期失、异常波动等问题。如果直接使用原始数据，将会引起较多的干扰因素。因此，为了保证数据的准确性和完整性，将缺失值和异常值用该点前后对应时间点的平均值进行填充和替换。由于各个变量单位不同，数值范围跨度也较大，直接使用清洗后的数据进行预测，网络的整体映射效果可能会扭曲。因此，有必要对输入序列进行归一化。归一化可以防止训练过程中的梯度爆炸，提高网络训练的有效性。归一化计算公式为X=X-XminXmax-Xmin（11）式中：X为归一化后的数据；X为原始数据；Xmin和Xmax分别为序列中的最小值和最大值。2.3评价指标为了评估模型的预测性能，本文选取平均绝对百分比误差（MAPE）和均方根误差（RMSE）作为评价指标3。这两个评价指标可分别表示为RMSE=1Ni=1N(yi-yi)2（12）MAPE=1Ni=1N|yi-yiyi100%（13）式中：yi为实际负荷值；yi为预测负荷值；N为样本总数。3算例分析本文使用美国亚利桑那州立大学坦佩校区Campus Metabolism 网络平台提供的实测负荷数据21来验证所提预测模型的有效性。从该平台获取2019年1月1日00：002020年7月31日24：00的冷、热、电负荷数据，时间间隔为1 h，其中以2020年7月负荷数据为测试集，剩余数据的80%为训练集，20%为验证集。此外，坦佩校区对应时段的气象数据来源于美国国家气候资料中心网站22，具体数据如附图A-1所示。3.1输入/输出设置IES短期负荷预测除考虑冷、热、电负荷耦合关系外，还应考虑气象因素和日历规则3。因此，本文选择待预测 t 时刻前 72 h 的历史电、冷、热负荷数据，以及待预测 t 时刻的干球温度、湿球温度、相对湿度、大气压力与日历规则作为输入特征23，日历规则包括小时数和节假日数据。另外，设置待预测t时刻的冷、热、电负荷作为模型的输出。本文设置的输入特征如表1所示，输出数据格式如表2所示。3.2超参数选择当输入数据不够大时，3个隐藏层可以拟合神经网络的任意函数24，因此本文中的GRU模型包括3层隐藏层。在GRU模型训练过程中，使用Adam来更新权重和偏差，然而Adam的性能依赖于学习率、隐藏层中的神经元数量等超参数，因此通过BOA来识别这些超参数的最优值。隐藏层的神经元数量是一个重要的超参数，对模型的拟合效果有直接的影响。增加神经元个数可以增大模型的容量，但容易使模型出现过拟合，反之，若数量太少，则模型没有足够的学习能力。学习率的选择也至关重要，学习率决定了模型达到最优的速度。此外，Dropout也是一个关键的超参数，Dropout通过按照一定概率随机去除网络中的一些神经元来避免过拟合。因此，本文将GRU隐藏层的神经元个数、Dropout及学习率作为BOA的优化参数。此外，本文设置验证集的RMSE为BOA的优化指标。GRU的参数设置如表3所示。3.3预测结果为了验证本文提出的MTL-GRU-Attention模型在IES多元负荷预测中的优越性，本文设置3组对比模型，包括基于GRU的单一负荷预测模型、基于GRU-Attention 的单一负荷预测模型、基于 MTL-GRU的多元负荷预测模型。表 1输入特征Tab.1Input features输入节点17273144145216217218219220221222对应输入量t-72时刻的电负荷t-1时刻的电负荷t-72时刻的冷负荷t-1时刻的冷负荷t-72时刻的热负荷t-1时刻的热负荷t时刻的干球温度t时刻的湿球温度t时刻的相对湿度t时刻的大气压力t时刻的小时数t时刻的节假日数据表 2输出数据格式Tab.2Output data format输出节点123对应输入量t时刻的电负荷t时刻的冷负荷t时刻的热负荷岳伟民等：基于MTL GRU Attention的综合能源系统多元负荷预测87第 35 卷为保证实验公平，各模型均使用BOA选择超参数。各个模型的预测结果如图5所示，在测试集上的评价指标如表4所示。从图5可以看出，工作日的预测误差小于节假日的预测误差，节假日的能源需求具有较强的不确定性，缺乏一定的规律性数据。在预测精度方面，由表4可知，当使用GRU模型预测冷、热、电负荷时，GRU模型的RMSE、MAPE最高，预测效果最差。以电负荷预测为例，当采用GRU-Attention 模型时，RMSE、MAPE 分别降低了4.00%、2.30%；当采用 MTL-GRU 模型时，RMSE、MAPE分别降低了9.26%、11.36%。相比于3个对比模型，MTL-GRU-Attention 模型的 RMSE、MAPE最低，说明整体预测最准确。MTL-GRU-Attention模型基于GRU建立MTL共享层，学习电、冷、热负荷数据间的耦合特性，在单一负荷有较大波动时能够有效利用学习到的辅助耦合特征来减少预测误差。注意力机制实现各个子任务对共享层中重要特征的差异化提取，进一步提高了预测的准确性。经过耦合建模，冷负荷的预测精度提升最多，主要原因在于不同季节的制冷需求差异较大，单一负荷预测模型难以捕捉冷负荷的变化规律。因此，在MTL建模过程中，冷负荷获得了更多高质量的辅助耦合信息，提升了预测精度。4结论本文提出了一种基于MTL、GRU和注意力机制的综合能源系统多元负荷预测模型，选取亚利桑那州立大学坦佩校区的实测负荷数据进行案例研究，主要得到如下结论。表 3GRU 的参数设置Tab.3Parameter setting of GRU参数隐藏层数学习率神经元数量Dropout批次大小训练次数优化器损失函数取值范围3110-5，110-18，640，0.1，0.2，0.3，0.4，0.5128500AdamMSE（a）电负荷预测结果时间/h3530252015电负荷/MW0100真实值200300400500600700800GRUGRU-AttentionMTL-GRUMTL-GRU-Attention（b）电负荷预测结果局部放大时间/h2826242220电负荷/MW312318真实值324330336342348354360GRUGRU-AttentionMTL-GRUMTL-GRU-Attention（c）冷负荷预测结果时间/h706050403020冷负荷/MW0100真实值200300400500600700800GRUGRU-AttentionMTL-GRUMTL-GRU-Attention（d）冷负荷预测结果局部放大时间/h555045403530冷负荷/MW312318真实值324330336342348354360GRUGRU-AttentionMTL-GRUMTL-GRU-Attention（e）热负荷预测结果时间/h1.81.71.61.51.41.31.2热负荷/MW0100真实值200300400500600700800GRUGRU-AttentionMTL-GRUMTL-GRU-Attention（f）热负荷预测结果局部放大时间/h1.61.51.41.3热负荷/MW312318真实值324330336342348354360GRUGRU-AttentionMTL-GRUMTL-GRU-Attention图 5IES 负荷预测结果Fig.5Load forecasting results of IES表 4基于不同预测模型的测试集预测性能Tab.4Forecasting performance of test set based ondifferent forecasting models模型GRUGRU-AttentionMTL-GRUMTL-GRU-AttentionRMSE/MW电负荷0.9500.9120.8620.838冷负荷1.3251.2651.3371.189热负荷0.0540.0480.0520.048MAPE/%电负荷3.1333.0612.7772.742冷负荷2.9832.5832.7152.372热负荷3.1992.7672.8562.672-电 力 系 统 及 其 自 动 化 学 报88第 6 期（1）本文利用GRU构建MTL共享层来模拟IES多元负荷间的耦合特性，并应用BOA选择最优的GRU超参数。与单一负荷预测模型相比，所提预测模型有效提升了多元负荷的预测精度。（2）MTL-GRU-Attention模型通过使用注意力机制实现各个预测子任务对共享层中重要特征的差异化提取，有效地提升了模型性能。随着IES的不断发展，在未来的研究过程中应更加注重对多能耦合数据的挖掘，以进一步提高负荷预测的精度。参考文献：1朱继忠，董瀚江，李盛林，等（Zhu Jizhong，Dong Han-jiang，Li Shenglin，et al）.数据驱动的综合能源系统负荷预测综述（Review of data-driven load forecasting for integrated energy system）J.中国电机工程学报（Proceedings of the CSEE），2021，41（23）：7905-7923.2何桂雄，金璐，李克成，等（He Guixiong，Jin Lu，Li Kecheng，et al）.基于改进DaNN的综合能源系统多能负荷预测（Multi energy load forecasting of integrated energysystem based on improved DaNN）J.电 力 工 程 技 术（Electric Power Engineering Technology），2021，40（6）：25-33.3Niu Dongxiao，Yu Min，Sun Lijie，et al.Short-term multi-energy load forecasting for integrated energy systemsbased on CNN-BiGRU optimized by attention mechanismJ.Applied Energy，2022，313：118801.4Roman-Portabales A，Lopez-Nores M，Pazos-Arias J J.Systematic review of electricity demand forecast using ANN-based machine learning algorithmsJ.Sensors，2021，21（13）：4544.5Ko Chia-Nan，Lee Cheng-Ming.Short-term load forecasting using SVR（support vector regression）-based radialbasis function neural network with dual extended KalmanfilterJ.Energy，2013，49（1）：413-422.6田浩含，张智晟，于道林（Tian Haohan，Zhang Zhisheng，Yu Daolin）.基于改进LSTM的区域综合能源系统多元负荷短期预测研究（Research on multi-load short-termforecasting of regional integrated energy system based onimproved LSTM）J.电力系统及其自动化学报（Proceedings of the CSU-EPSA），2021，33（9）：130-137.7Wang Ran，Lu Shilei，Feng Wei.A novel improved modelfor building energy consumption prediction based on model integrationJ.Applied Energy，2020，262：114561.8Kong Weicong，Dong Zhaoyang，Jia Youwei，et al.Short-term residential load forecasting based on LSTM recurrentneural networkJ.IEEE Trans on Smart Grid，2019，10（1）：841-851.9栗然，孙帆，丁星，等（Li Ran，Sun Fan，Ding Xing，et al）.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（Ultra-short-term load forecasting method foruser-level integrated energy system considering multi-energy spatiotemporal coupling）J.电网技术（Power System Technology），2020，44（11）：4121-4131.10 张保民，张伟，金旭，等（Zhang Baomin，Zhang Wei，JinXu，et al）.基于TRNSYS的区域供冷系统冷负荷预测（Prediction of cooling load of district cooling systembased on TRNSYS）J.东北电力大学学报（Journal ofNortheast Electric Power University），2021，41（6）：105-110.11 Qian Fanyue，Gao Weijun，Yang Yongwen，et al.Potentialanalysis of the transfer learning model in short and medium-term forecasting of building HVAC energy consumptionJ.Energy，2020，193：116724.12 史佳琪，谭涛，郭经，等（Shi Jiaqi，Tan Tao，Guo Jing，etal）.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（Multi-task learning based on deep architecture for various types of load forecasting in regional energy system integration）J.电 网 技 术（Power SystemTechnology），2018，42（3）：698-706.13 Tan Zhongfu，De Gejirifu，Li Menglu，et al.Combined electricity-heat-cooling-gas load forecasting model for integrated energy system based on multi-task learning and leastsquare support vector machineJ.Journal of Cleaner Production，2020，248：119252.14 Zhang Ge，Bai Xiaoqing，Wang Yuxuan.Short-time multi-energy load forecasting method based on CNN-Seq2Seqmodel with attention mechanismJ.Machine Learningwith Applications，2021，5：100064.15 Hochreiter S，Schmidhuber J.Long short-term memoryJ.Neural Computation，1997，9（8）：1735-1780.16 Wang Xuan，Wang Shouxiang，Zhao Qianyu，et al.A multi-energy load prediction model based on deep multi-tasklearning and ensemble approach for regional integratedenergy systemsJ.International Journal of Electrical Power&Energy Systems，2021，126：106583.17 Zhang Yu，Yang Qiang.An overview of multi-task learningJ.National Science Review，2018，5（1）：30-43.18 Yang Li，Shami A.On hyperparameter optimization of machine learning algorithms：Theory and practiceJ.Neurocomputing，2020，415：295-316.19 缪凯（Miao Kai）.基于贝叶斯优化算法的长短期记忆网络短期负荷预测（Short-Term Load Forecasting Based on岳伟民等：基于MTL GRU Attention的综合能源系统多元负荷预测89第 35 卷Long Short-term Memory Network and Bayesian Optimization）D.北京：华北电力大学（Beijing：North ChinaElectric Power University），2021.20 Cheng Hangyang，Ding Xiangwu，Zhou Wuneng，et al.Ahybrid electricity price forecasting model with Bayesianoptimization for German energy exchangeJ.InternationalJournal of Electrical Power and Energy Systems，2019，110：653-666.21 张涌新，沈弘，马静（Zhang Yongxin，Shen Hong，MaJing）.综合能源系统负荷特性分析及应用研究（Loadcharacteristic analysis and application research on integrated energy system）J.电力建设（Electric Power Construction），2018，39（9）：18-29.22 吕忠麟，顾洁，孟璐（L Zhonglin，Gu Jie，Meng Lu）.基于耦合特征与多任务学习的综合能源系统短期负荷预测（Short-term load forecasting of integrated energy systembased on coupling features and multi-task learning）J.电力系统自动化（Automation of Electric Power Systems），2022，46（11）：58-66.23 王琛，王颖，郑涛，等（Wang Chen，Wang Ying，ZhengTao，et al）.基于ResNet-LSTM网络和注意力机制的综合能源系统多元负荷预测（Multi-energy load forecasting in integrated energy system based on ResNet-LSTMnetwork and attention mechanism）J.电 工 技 术 学 报（Transactions of China Electrotechnical Society），2022，37（7）：1789-1799.24 He Feifei，Zhou Jianzhong，Feng Zhongkai，et al.A hybridshort-term load forecasting model based on variationalmode decomposition and long short-term memory networksconsidering relevant factors with Bayesian optimization algorithmJ.Applied Energy，2019，237：103-116.作者简介：岳伟民（1998），男，硕士研究生，研究方向为综合能源系统负荷预测。Email：刘青荣（1976），女，博士，副教授，研究方向为综合能源系统负荷预测及优化调度。Email：阮应君（1973），男，通信作者，博士，副教授，研究方向为人工智能在综合能源系统优化运行中的应用。Email：附录 A附图 A-1IES 实际运行数据Fig.A-1Actual operation data of IES时间/h30.029.529.028.528.0大气压力/kPa02 000 4 000 6 000 8 000 10 00012 00014 00012080400相对湿度/%40200-20露点温度/50403020100温度/6420热负荷/MW806040200冷负荷/MW40302010电负荷/MW-