Prévision probalistique de charge multienergie basée sur un réseau Transformer hybride activé par attention et méthode d'apprentissage résiduel aidée par processus gaussien.

La prévision précise de charge multienergie (MELF) contribue de manière significative à l'exploitation stable et économique des systèmes énergétiques intégrés (IES). Cependant, les approches MELF existantes présentent trois limitations principales : (i) elles agrègent naïvement toutes les caractéristiques d'entrée sans mécanismes explicites pour capturer les relations de couplage complexes entre plusieurs charges d'énergie ; (ii) elles ne sont pas capables d'exploiter pleinement les caractéristiques locales de charge de chaque tâche individuelle ; (iii) elles ne fournissent que des résultats de prévision déterministes. Pour remédier à ces limitations, dans cet article, nous proposons un cadre de prévision multienergie probabilistique global-local basé sur un réseau Transformer activé par mécanisme d'attention hybride (HAT) et une méthode d'apprentissage résiduel aidée par processus gaussien variational sparse (SVGP). Plus précisément, HAT est d'abord utilisé pour capturer le comportement de consommation des charges multienergie. Il emploie un module d'attention temporelle pour extraire les motifs de charge de chaque tâche et un module d'attention de tâche pour capturer explicitement les relations de couplage entre différentes tâches. Les multiples informations sont fusionnées par une unité de fusion contrôlée pour les prévisions conjointes de plusieurs charges. Ensuite, un SVGP avec un noyau composite est adopté pour apprendre les caractéristiques locales de charge spécifiques à chaque tâche individuelle en modélisant le résidu des résultats de prévision. Cela améliore davantage les performances de la méthode proposée et nous permet d'atteindre une quantification efficace des incertitudes de prévision. Des simulations numériques utilisant des données de charge réelles d'IES révèlent que le cadre proposé surpasse les prévisions de charge déterministes à la pointe de la technologie d'au moins 11 % en erreur absolue pourcentage moyenne (MAPE) et les prévisions de charge probabilistes d'au moins 5 % dans les métriques de perte pinball et de score de Winkler.