多能负荷耦合预测
面向综合能源系统，将多能负荷重构为三维像素矩阵，利用特征分离-融合技术区分不同信息价值，并通过改进CNN与BiLSTM多任务框架学习耦合信息，实现高精度短期负荷预测。
力科 · Yuchen, Mu · 杨帆 · 王海洋 · Yan, Yi · 张承慧
Applied Energy 2023
特征分离-融合技术根据不同信息价值差异处理特征，结合BiLSTM共享层学习多能耦合信息，使预测误差更低。
多任务学习框架通过硬参数共享机制捕捉多能耦合，使得误差分布更集中，平均标准差仅为0.0242。
设计三种不同结构的全连接神经网络作为特征解释模块，满足不同负荷的差异化预测需求。