基于Transformer算法的園區(qū)綜合能源需求預測

尹宇晨，劉宇杭，馬愿謙*，雷一

（1.浙江理工大學 信息科學與工程學院，杭州 310018； 2.清華四川能源互聯(lián)網(wǎng)研究院，成都 610200）

0 引言

隨著全球經(jīng)濟的快速發(fā)展，人們對多元能源的需求持續(xù)增加，如冷熱負荷需求。因此各國電力消費和需求呈現(xiàn)不同程度的快速增長［1］。但由于電能的存儲特性，目前仍無法長時間儲存電力資源，所以既要滿足生產(chǎn)生活所需的電能，又要避免產(chǎn)生不必要的浪費。提高電力企業(yè)供電保持動態(tài)平衡的能力，否則居民日常生活、工業(yè)生產(chǎn)將受到嚴重影響。所以綜合能源需求預測［2］在現(xiàn)代電力系統(tǒng)安全穩(wěn)定經(jīng)濟運行中發(fā)揮愈來愈重要的作用。有效的綜合能源需求預測可為一個地區(qū)電力系統(tǒng)發(fā)展規(guī)劃做出指導，實現(xiàn)綜合能源的高效生產(chǎn)及利用［3-4］，同時保證電網(wǎng)的可靠運行和安全穩(wěn)定。

伴隨著園區(qū)多種能源形式耦合互補方式的不斷成熟，關于綜合能源需求預測的研究逐漸得到關注。短期負荷預測中，受氣象變化、社會活動和節(jié)日類型等各種隨機因素［5-6］的影響，在時間序列上，實際負荷的波動表現(xiàn)出較強的隨機性，對預測精度的影響很大。

綜合能源需求預測主要包括冷熱電負荷預測。目前，電負荷預測的研究比較深入且已有大量的研究成果，主要集中于物理方法［7］及統(tǒng)計方法［8］。

物理方法根據(jù)用電負荷的區(qū)域范圍、實時運行情況及四季變化等外界因素構(gòu)建預測模型，模型復雜程度較高，實現(xiàn)難度大。

統(tǒng)計方法通過深入挖掘輸入與輸出間的內(nèi)在聯(lián)系，利用關聯(lián)函數(shù)建立預測模型，對外界因素依賴程度明顯降低，模型數(shù)學化程度更高，易于實現(xiàn)。例如，通過構(gòu)建與時間相關的模型，即自回歸（AR）模型［9］、滑動-平均模型（MA）、自回歸積分滑動平均（ARIMA）模型［10］預測電負荷需求，上述模型對樣本數(shù)據(jù)的需求較少，要求數(shù)據(jù)序列平穩(wěn)；利用最小二乘法構(gòu)建模型，搭配K-mean聚類算法改進的蝙蝠算法去優(yōu)化最小二乘法支持向量機，提高預測精度［11］，以及一些現(xiàn)代預測方法，如反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡［12］、隨機森林算法［13］、基于專家預測和模糊貝葉斯［14-15］的預測方法等。其中，BP 神經(jīng)網(wǎng)絡通過將誤差從輸出層BP 到隱藏層和輸入層，根據(jù)誤差來更新網(wǎng)絡參數(shù)，以逐步提高網(wǎng)絡的性能。在深度學習領域具有廣泛的應用，能夠處理復雜的非線性關系，但容易陷入局部最優(yōu)解并且對初始參數(shù)較為敏感。又如隨機森林算法，雖然具有魯棒性、高準確性、可解釋性和對高維數(shù)據(jù)的處理能力等優(yōu)點，但隨機森林算法的缺點也包括訓練時間較長、占用較大的內(nèi)存空間和難以解釋單個決策樹的預測結(jié)果等。由于冷熱負荷受到季節(jié)變化和氣象變化的影響程度更大，與用戶用能數(shù)據(jù)更為密切相關，以上的電負荷預測方法不能直接應用于冷熱負荷預測，因此，一般通過構(gòu)建時間序列模型或構(gòu)建回歸預測模型，采用自適應卡爾曼濾波等方法實現(xiàn)預測，缺少外界因素對負荷間影響的考慮［16-18］。

綜上所述，本文提出一種基于Transformer 算法的綜合能源需求預測方法，對冷熱電負荷進行預測?？紤]到冷熱負荷受諸多因素共同影響，采取Pearson 相關性分析、最小誤差理論篩選影響因素進行篩選。其次，建立基于歐式距離的相似日選取方法作為相似度的度量標準。然后，將相似日負荷、歷史負荷、已篩選3 維影響因素相關數(shù)據(jù)作為輸入數(shù)據(jù)，采用Transformer 模型進行負荷預測。最后，以中國東部某園區(qū)為例進行實證分析，驗證了基于Transformer算法的園區(qū)綜合能源需求預測方法的正確性、合理性和可行性。

1 冷熱電負荷的影響因素

1.1 冷熱電負荷的影響因素

短期冷熱電負荷預測中，受氣象變化、社會活動和節(jié)日類型等各種隨機因素的影響，在時間序列上實際負荷波動的隨機性較強。適當?shù)妮斎胱兞恐苯优c模型的預測性能相關，影響因素的合理選取有利于提高預測模型的有效性和可靠性。

氣象因素對冷熱電負荷影響很大，為降低模型的復雜程度。本文擬選取溫度、濕度、風速3個氣象因素，以及各氣象因素的最大值、平均值、最小值，共計9 維影響因素，作為預測模型的影響因素來考慮，表示為

式中：H為影響因素集合；hi為第i個影響因素向量；n為影響因素個數(shù)，文中n= 9。影響因素選取如圖1所示。

圖1 影響因素的選取Fig.1 Selection of influencing factors

1.2 數(shù)據(jù)預處理

由于各種隨機因素的影響，使采集到的冷熱電負荷需求的影響因素數(shù)據(jù)出現(xiàn)缺失或異常值（例如0 或空值）。若使用帶有缺失或異常值的數(shù)據(jù)，將一定程度上使得預測結(jié)果出現(xiàn)誤差，準確性較低。因此，進行負荷預測前，需要對數(shù)據(jù)進行預處理和修正，采用平均插值法對缺失或異常數(shù)據(jù)進行修復和補齊，平均插值法計算式為

式中：xi為經(jīng)過修復或補齊后的數(shù)據(jù)；xi-1和xi+1為缺失或異常數(shù)據(jù)前后的數(shù)據(jù)。

對數(shù)據(jù)進行規(guī)范化處理是負荷預測流程中的前提，考慮到不同影響因子的量綱不同。利用最值法對影響因素進行歸一化處理，以除去量綱差異對預測結(jié)果所帶來的影響，歸一化計算方法為

1.3 基于Pearson 系數(shù)的綜合能源需求影響因素相關性分析

基于上述的負荷影響因素的分析，短期冷熱電負荷預測中，易受氣象變化、社會活動和節(jié)日類型等各種隨機影響因素的影響。為了簡化建模難度和模型復雜程度，本文基于Pearson相關性分析［18］對初步選取的9 維影響因素進行相關性篩選，利用誤差最小原則選擇冷熱電負荷對應的3維影響因素用以相似日的選取。

基于Pearson 系數(shù)的冷熱電負荷影響因素的相關性，定義影響因素和負荷之間的Pearson 系數(shù)，如式

式中：cov(Xi，Xj)為變量Xi，Xj的協(xié)方差；σXi，σXj分別為Xi，Xj的標準差；ρ(Xi，Xj)為2 個變量Xi，Xj之間的相關系數(shù)，其取值范圍為［-1，1］。Pearson 相關系數(shù)ρ描述相關性強弱如下：

（1）當Xi，Xj2個變量無關時，ρ= 0。

（2）當Xi，Xj2個變量正相關時，0 ＜ρ≤1。

（3）當Xi，Xj2個變量負相關時，-1 ＜ρ≤0。

2 綜合能源需求相似日選取

復雜的氣象狀況使得負荷預測的難度極大提升，因此合理地選取預測相似日是提高負荷預測模型預測效果的有效途徑。相似日的選取在負荷預測算法中起到了特征提取和負荷波動分析的重要作用，能夠顯著提高負荷預測的準確性和可靠性。

通過分析相似日的負荷模式和特征，可以幫助提取與負荷相關的特征。通過設定閾值并選取相似度最大的某日作為相似日，將相似日的負荷數(shù)據(jù)作為影響因素的相關輸入數(shù)據(jù)，可以有效地提高負荷預測模型的準確性和性能。

此外，選取相似日還可以用于負荷波動的分析和預測。相似日的負荷數(shù)據(jù)提供了有用的參考，能夠幫助我們理解負荷的季節(jié)性、周期性以及特殊事件對負荷的影響，從而更好地進行負荷預測。

歐氏距離是最常用的距離計算公式，衡量的是多維空間中各個點之間的絕對距離，當數(shù)據(jù)很稠密且連續(xù)時，這是一種很好的計算方式。

設待預測日的影響因素為W={W(k)|k=1，2，3，…，z}，其他日期的影響因素為E={Ek(j)|j=1，2，3，…，m；k= 1，2，3，…，z}。

計算不同影響因素與對應待預測日的氣象因素之間的歐氏距離為

式中：dk(z)為待預測日的第k個影響因素與日期z對應的影響因素之間的歐氏距離。

同時，考慮到不同的影響因素對冷熱電負荷影響程度不同，故結(jié)合Pearson相關系數(shù)綜合計算。將計算出的歐氏距離分別與得到的各影響因素的Pearson 相關系數(shù)對應相乘，并將同一天的結(jié)果進行累加，得到一個每天的綜合分數(shù)

式中：rk為Pearson相關系數(shù)。

綜合分數(shù)表示某日與待測日之間的相似程度。將綜合分數(shù)從低到高排序，分數(shù)越低的日期與待預測日的相似度高。本文選取待預測日之前5個分數(shù)最低的日期作為相似日。

通過上述Pearson 相關性分析篩選的3 維影響因素及待預測日與各樣本日對應影響因素的綜合相似度，設定閾值ε選取相似日，其中相似度最高的某日即為相似日。閾值設定方法為

3 園區(qū)綜合能源需求預測

3.1 基于Transformer算法的綜合能源預測結(jié)構(gòu)

綜合能源需求預測需對冷熱電負荷進行并行預測。Transformer算法是一種基于全連接層和自注意力機制的結(jié)合體，是一種避免無意義循環(huán)的模型結(jié)構(gòu)，完全依賴于其注意力機制對輸入輸出的全局依賴關系進行建模。主要通過編碼器-解碼器的形式進行時間序列預測，并行性好，可有效得到最優(yōu)結(jié)果?？紤]到Transformer 算法在時間序列預測中也有很好的結(jié)果。利用Transformer 進行綜合能源需求的預測優(yōu)勢在于突破了RNN 等預測算法模型不能并行計算的限制［19］。相比其他算法，計算2 個位置之間的關聯(lián)所需的操作次數(shù)不隨距離增長［20-24］。Transformer網(wǎng)絡結(jié)構(gòu)如圖2所示。

自注意力機制是Transformer 算法的核心。自注意力可以產(chǎn)生更具可解釋性的模型?？蓮哪Ｐ椭袡z查注意力分布。即給輸入的數(shù)據(jù)編入位置向量后通過3 個權值矩陣WQ，WK，WV轉(zhuǎn)換成自注意力機制所需要的Q，K，V向量，并計算自注意力機制值。

圖2 Transformer網(wǎng)絡結(jié)構(gòu)Fig.2 Transformer network structure

Transformer僅通過自注意力機制算法得到綜合能源的預測結(jié)果之一，同時Transformer 的多頭注意力機制可將算法重復多次，得到一個更均衡、更貼合目標的結(jié)果。在訓練預測過程中，Transformer 內(nèi)部可以通過對給出的數(shù)據(jù)進行學習與訓練，有效地提取數(shù)據(jù)內(nèi)在信息，并在進行預測訓練時對原有的數(shù)據(jù)進行遮掩，以讓算法的預測更具有說服力。通過Transformer 的注意力機制和編碼器-解碼器的形式，可以有效提升算法在長時間序列預測的速度，同時避免陷入循環(huán)，有利于快速準確得到預測結(jié)果。

Transformer 算法是一種強大的序列建模方法，在自然語言處理領域取得了重大突破。此算法同樣適用于其他序列預測任務，如能源需求預測。

本文中運用Transformer 算法來捕捉能源需求與各種相關因素之間的復雜關系。具體而言，通過將歷史能源需求數(shù)據(jù)作為輸入序列，并結(jié)合其他相關數(shù)據(jù)以及時間信息（如季節(jié)性、節(jié)假日等）構(gòu)建一個綜合的輸入表示。

接下來，將詳細描述Transformer 算法在能源需求預測中的應用過程。使用Transformer 的編碼器-解碼器結(jié)構(gòu)，其中編碼器將輸入序列映射到1 組高維向量表示，解碼器根據(jù)編碼器的輸出生成目標序列的預測結(jié)果。采用自注意力機制，使模型能夠同時關注輸入序列中的不同位置，并捕捉序列中的長期依賴關系。

為了將Transformer 算法與能源需求預測相結(jié)合，本文將預測任務定義為回歸問題，并使用均方誤差（MSE）作為損失函數(shù)，然后通過對模型進行訓練和優(yōu)化，調(diào)整模型參數(shù)以最小化預測結(jié)果與真實能源需求之間的差異。

Transformer 算法在能源預測中的具體作用如下。

（1）輸入表示：Transformer結(jié)構(gòu)的輸入由歷史能源需求數(shù)據(jù)及其他相關數(shù)據(jù)（如天氣數(shù)據(jù)、人口統(tǒng)計數(shù)據(jù)等）組成。這些數(shù)據(jù)構(gòu)成了模型的輸入序列，用于捕捉能源需求與各種相關因素之間的關系。

（2）編碼器：Transformer結(jié)構(gòu)中的編碼器負責將輸入序列映射到一組高維向量表示。編碼器通過自注意力機制，使模型能夠同時關注輸入序列中的不同位置，并捕捉序列中的長期依賴關系。編碼器的輸出被傳遞給解碼器進行下一步處理。

（3）解碼器：解碼器接收編碼器的輸出，并根據(jù)其生成能源需求的預測結(jié)果。解碼器通過自注意力機制和對編碼器輸出的注意力機制，對輸入序列進行動態(tài)加權，并生成與預測相關的上下文表示。最終，解碼器利用這些上下文表示生成能源需求的預測結(jié)果。

（4）損失函數(shù)與優(yōu)化：能源需求預測模塊使用預測結(jié)果與真實能源需求之間的差異作為損失函數(shù)。常用的損失函數(shù)是MSE，用于衡量預測結(jié)果與真實值之間的平均平方誤差。通過BP 和優(yōu)化算法（如隨機梯度下降），模型調(diào)整參數(shù)以最小化損失函數(shù)，從而提高預測準確性。

Transformer 結(jié)構(gòu)通過編碼器和解碼器的組合，將輸入序列映射到能源需求的預測結(jié)果。編碼器捕捉輸入序列的特征表示，解碼器根據(jù)這些表示生成預測結(jié)果。能源需求預測模塊通過優(yōu)化過程，使預測結(jié)果盡可能接近真實值，從而實現(xiàn)對能源需求的準確預測。

綜上所述，基于Transformer 算法的園區(qū)綜合能源需求預測步驟如下。

（1）將數(shù)據(jù)按照時間序列排序并導入編碼器中，并添加位置編碼。

（2）編碼器中的多頭注意力機制和全連接神經(jīng)網(wǎng)絡對數(shù)據(jù)進行處理，通過自注意力機制算法得到編碼器輸出值。

（3）重復（2）操作n次（n為編碼器數(shù)量），將得到的數(shù)據(jù)導入解碼器。

（4）在解碼器中訓練并預測結(jié)果，達到設定的終止條件，否則繼續(xù)訓練預測。

（5）經(jīng)過一次線性變換，然后歸一化得到輸出的概率分布。

3.2 基于園區(qū)綜合能源需求預測流程

考慮到園區(qū)用戶內(nèi)不同時間對綜合能源的需求，選取考慮因素和相似日，利用Transformer，對綜合能源的需求進行預測，預測流程如圖3所示。

具體步驟如下。

（1）收集關于綜合能源負荷數(shù)據(jù)及影響因素歷史數(shù)據(jù)等，選取具有代表性的數(shù)據(jù)，進行歸一化、插值預處理。

圖3 基于Transformer的綜合能源預測方法流程Fig.3 Flowchart of an integrated energy forecasting method based on Transformer

（2）通過Pearson 相關性分析對初步選取的9 維影響因素進行初步分析，同時利用誤差最小原則篩選出冷熱電負荷對應的3維影響因素用以相似日的選取。

（3）相似度計算，利用歐式距離公式計算冷熱電負荷序列相似度，通過預先設定的閾值選取相似日。

（4）選取相似日負荷、歷史負荷、已篩選3 維影響因素相關數(shù)據(jù)作為輸入，輸入到Transformer 模型中，添加PE位置編碼，在編碼器中進行編碼，并計算出K，Q，V的值，從而算出Z矩陣并拼接，繼續(xù)進行下一層編碼。將最后的結(jié)果輸入解碼器。

1）輸入相似日負荷、歷史負荷、已篩選3維影響因素相關數(shù)據(jù)之間的相關性得分，計算相關性得分使用點積法，就是用Q中每一個向量與K中每一個向量計算點積。具體公式如下

2）對于輸入序列中各特征之間的相關性得分進行歸一化，目的是訓練時梯度能夠穩(wěn)定。具體公式如下

式中：dK是K的維度。

3）利用歸一化函數(shù)，將每個輸入值之間的得分向量轉(zhuǎn)換成［0，1］之間的概率分布，同時更加凸顯各輸入值之間的關系。經(jīng)過歸一化后，得分轉(zhuǎn)換成1個值分布在［0，1］之間的矩陣，記作P。

4）根據(jù)冷熱電負荷輸入之間的概率分布，然后乘對應的V值，P與V進行點積。

整體計算公式為

（5）調(diào)整合適參數(shù)，根據(jù)得到的數(shù)據(jù)對要求數(shù)據(jù)進行訓練預測，并檢驗預測結(jié)果。

（6）設定成功率閾值，當達到閾值R或已經(jīng)達到訓練最大次數(shù)時停止，輸出預測結(jié)果。

（7）對預測結(jié)果進行誤差分析，選用平均絕對百分比誤差MAPE來評價

式中：xi為綜合能源需求的實際值；yi為綜合能源需求的預測值。

4 實例分析

為驗證所提預測方法的有效性以及預測精度等指標，本文采用我國東部某園區(qū)的冷熱電負荷及其相關影響因素進行實例分析。該園區(qū)冷熱電負荷序列如圖4所示。

圖4 園區(qū)冷熱電負荷序列Fig.4 Heating， cooling and electricity load series

采用該園區(qū)12 月份的冷熱電負荷及其相關影響因素的數(shù)據(jù)作為初始樣本，樣本數(shù)據(jù)的間隔時間是1 h，每天24 組數(shù)據(jù)，共計720 組數(shù)據(jù)，選取前600組數(shù)據(jù)作為輸入訓練數(shù)據(jù)，后120 組數(shù)據(jù)作為測試數(shù)據(jù)驗證算法的預測準確度。

4.1 影響因素的影響比例

上文提到選取9 維冷熱電負荷影響因素采用Pearson相關性分析選取，如圖5所示。

圖5 電負荷Pearson相關性分析Fig.5 Pearson correlation analysis of electricity load

為避免誤差，由Pearson 相關性分析，選取相關性最大的3 個影響因素作為電負荷模型輸入。電、冷和熱負荷影響因素見表1。

表1 負荷影響因素Table 1 Selection of factors affecting electricity load

表1表明，電、冷、熱負荷的影響因素不盡相同，很有必要進行因素的再次選取。

4.2 相似度計算

利用歐式距離公式計算冷熱電負荷序列相似度，通過預先設定的閾值選取相似日，設定閾值為ε= 10。

本文以2016 年12 月1 日至12 月30 日共計30 d數(shù)據(jù)為訓練數(shù)據(jù)，以12 月31 日為待預測日。由于Transformer 算法在預測時會對待預測數(shù)據(jù)進行隱藏，不存在數(shù)據(jù)泄露的可能，可以認為預測出的數(shù)據(jù)具有真實、可靠性。電、冷、熱負荷歐氏距離如圖6—8所示。

從圖6—8中可以得到，冷熱負荷數(shù)據(jù)達到指定閾值的比例遠高于電負荷數(shù)據(jù)達到閾值的比例，即電負荷相比前兩者，更具有隨機性。

4.3 綜合能源需求預測結(jié)果分析

根據(jù)上述結(jié)果，將數(shù)據(jù)導入模型進行預測分析，并獨立進行10個試驗以取結(jié)果的平均值。冷熱電負荷預測結(jié)果如圖9—11所示。

圖6 電負荷歐氏距離Fig.6 Electricity load Euclidean distance

圖7 冷負荷歐氏距離Fig.7 Cooling load Euclidean distance

圖8 熱負荷歐氏距離Fig.8 Heating load Euclidean distance

3 種負荷總體預測結(jié)果上來看，隨機森林算法、BP 算法和Transformer 算法預測結(jié)果和真實值進行對比，顯然Transformer 顯示的數(shù)據(jù)總體上更接近真實值，相似性更強。

圖9 冷負荷預測結(jié)果Fig.9 Cooling load forecasting results

圖10 熱負荷預測結(jié)果Fig.10 Heating load forecasting results

圖11 電負荷預測結(jié)果Fig.11 Electricity load forecasting results

根據(jù)冷負荷預測結(jié)果顯示，冷負荷需求在一天24 h 內(nèi)整體呈現(xiàn)出波動振蕩的趨勢，峰谷現(xiàn)象較為明顯。預測結(jié)果的負荷曲線在很大程度上反映了這一趨勢，并且在大部分時間段與實際負荷需求曲線相符合。這在一定程度上得益于之前提取的相似日數(shù)據(jù)，這些數(shù)據(jù)有助于Transformer 算法進一步準確地進行預測。從冷負荷的設備用能特性來看，其功率需求指的是設備在運行過程中所需要的電功率。不同冷負荷設備在不同的運行狀態(tài)下，其功率需求會有所變化。例如，空調(diào)系統(tǒng)在制冷啟動階段通常需要較高的功率，而在保持溫度穩(wěn)定的運行階段功率需求較低。因此，在冷負荷需求曲線上體現(xiàn)為峰谷振蕩的現(xiàn)象。當設備啟動運行時，冷負荷需求量較大，呈現(xiàn)為峰值；而在維持穩(wěn)定運行時，冷負荷需求量較低，呈現(xiàn)為谷值。

根據(jù)熱負荷預測結(jié)果顯示，熱負荷需求在一天的24 h 內(nèi)整體呈現(xiàn)出小范圍波動振蕩的趨勢，與冷負荷相比，峰谷值差異較大。通過與真實值的對比可以看出，由于選取了冬季負荷數(shù)據(jù)，3 種預測方法的熱負荷曲線相對于冷負荷更加符合真實負荷曲線，而不僅僅是Transformer 算法單獨趨近于真實值。然而，就精確性而言，Transformer算法仍略勝于其他2 種方法。從熱負荷的設備用能特性來看，熱負荷的設備主要與供熱系統(tǒng)和熱能轉(zhuǎn)換設備相關。例如，供熱管道和散熱器的工作方式取決于具體的供熱系統(tǒng)設計和需求。選取冬季數(shù)據(jù)的原因是冬季負荷具有較高的整體需求量。不同的供熱系統(tǒng)可能采用間斷性工作或持續(xù)工作方式，以滿足不同的供熱需求。整體而言，熱負荷需求曲線的峰谷值差異相對于平均負荷水平的波動量沒有冷負荷那么明顯。

而電負荷預測結(jié)果顯示，整體上負荷需求呈現(xiàn)出時段性變化。在00：00 — 07：00，負荷需求相對較低，隨后逐漸上升。通過與真實值的對比可以看出，相對于其他2 種算法，Transformer 算法在電負荷預測方面具有更高的準確性，更接近真實值。從電負荷的設備用能特性來看，常用的用電設備種類繁多，涵蓋了不同領域和行業(yè)的需求，例如辦公設備、生產(chǎn)設備、照明設備等。在00：00 — 07：00時段，電負荷總體較為低迷，相較于白天活躍期明顯較少。此外，負荷變化的波動也很大程度上與人們的社會生產(chǎn)和活動密切相關。

最后，對預測結(jié)果進行誤差分析，選取平均絕對誤差百分比MAPE進行評估，結(jié)果見表4。在多個預測算法中，本文選取的Transformer 算法更符合，其起伏趨勢更接近實際數(shù)據(jù)。特別是在冷負荷預測中，Transformer 算法預測結(jié)果的平均絕對百分比誤差明顯優(yōu)于其他2種算法。鑒于本文選擇的是冬季負荷數(shù)據(jù)，考慮到氣候因素的影響，整體而言，3種預測方法中冷負荷預測的誤差明顯更大，而熱負荷預測的誤差明顯較小。此外，與其他2 種預測方法相比，本文所采用的Transformer 算法在熱負荷預測曲線的穩(wěn)定性和擬合性方面稍顯優(yōu)勢。

由表4可以看出，在冷熱電負荷方面，該預測模型展現(xiàn)出良好的預測能力。相較于中長期序列模型，該模型具有獨特的優(yōu)勢，并且與待預測日的負荷具有極高的相關性，因此適合作為預測模型的輸入。然而需要指出的是，本文僅選擇了12月份的數(shù)據(jù)進行預測，這在一定程度上是基于冬季冷熱負荷的特殊性。

表4 綜合能量預測結(jié)果評估Table 4 Electricity load forecasting results %

5 結(jié)論

針對目前綜合能源相關預測方向的不足，本文構(gòu)建出一種基于Transformer 的時間序列預測模型，通過模型構(gòu)建與預測，與實例對比分析后得出以下結(jié)論。

（1）針對冷熱負荷受部分外界因素影響較大，對影響綜合能源的影響因素進行分析，根據(jù)Pearson相關性分析進一步確定影響因素。

（2）提出了基于Transformer 算法的時間序列預測模型，通過算法對綜合能源需求進行預測并分析。

（3）采用在時間序列預測上有明顯優(yōu)勢的Transformer 算法，并采用相似度負荷特征作為輸入對預測模型進行優(yōu)化，提高預測精度與可靠性。

結(jié)果達到預期，但不具有普適性，后續(xù)可對其余季節(jié)月份進行預測訓練，使模型更完善，結(jié)果更具有通用性。