为进一步拓宽研究生学术视野,帮助同学们把握“双碳”目标下能源数字化转型的前沿动态,夯实面向新型能源体系的科研素养,11月20日下午,商学院在临港校区E教302举办“综合能源系统多元负荷预测——基于深度学习的方法与应用”专题讲座。本次讲座由上海电力大学经济与管理学院副院长、智慧能源管理与低碳发展战略研究中心主任、博士生导师胡伟教授主讲,临港校区研究生在主会场参加学习,闵行校区研究生通过腾讯会议同步学习。



讲座伊始,胡教授从综合能源系统的基本负荷特性切入。他指出,综合能源系统由冷、热、电、气等多种能源耦合而成,与常规单一能源系统相比,其负荷曲线呈现出显著的强耦合性与非平稳性,为负荷预测工作带来了新的挑战。胡教授进一步分析,传统时间序列模型、回归模型以及浅层机器学习方法的特征提取能力相对有限,且高度依赖人工经验,难以准确刻画复杂的非线性负荷特性,已难以满足高精度预测的现实需求。
针对上述瓶颈,胡教授系统阐释了以深度学习为核心的技术解决方案。他指出,引入长短期记忆网络、卷积神经网络以及变分模态分解等深度学习方法,能够有效解决综合能源系统中负荷特征提取与端到端映射两类关键问题,从而显著提升负荷预测精度,为综合能源系统的优化调度与经济运行提供可靠的数据支撑。
随后,胡教授以循环神经网络为起点,梳理了时序建模的技术脉络。他介绍,循环神经网络通过隐状态在时间步之间传递历史信息,天然契合时间序列的依赖关系,且各时刻共享同一组权重系数,参数规模可控、处理效率较高;在基础结构中,隐状态通常采用双曲正切函数作为激活函数,输出层则为线性输出。
在此基础上,胡教授讲解了深度循环神经网络的设计思路。通过堆叠隐状态层数,模型底层可捕捉短时局部模式、高层可提取更为抽象的模式,对多周期复合序列的表达能力明显增强;但他同时提醒,随着网络层数加深,若传递系数的连乘结果持续小于1或大于1,将分别引发梯度消失与梯度爆炸问题,这也是制约深层网络训练的关键难点。
针对梯度问题,胡伟教授重点介绍了长短期记忆网络的门控机制。该网络通过遗忘门、输入门与输出门,分别控制历史记忆的保留量、新信息的输入量以及当前状态的暴露量;其细胞状态采用加法方式更新,使信息沿记忆单元通道回传时基本不发生衰减,从而有效缓解了深层网络的梯度问题。胡教授还结合遗忘门、输入门的计算式,对候选记忆单元的生成、记忆单元的更新以及最终输出的求解过程作了逐步推演,帮助同学们建立起对模型内部机理的完整认识。

讲座最后,胡教授对卷积神经网络的核心结构进行了阐释。卷积神经网络主要由卷积层、池化层与全连接层构成,依次完成特征提取、降维与结果输出;其局部连接与卷积核共享的设计,使特征提取具有平移不变性,能够以较少的参数量稳定捕捉关键特征。他还结合卷积后输出尺寸的计算公式,说明了卷积核大小、填充与步幅对特征图尺寸的影响,并演示了卷积核在原始输入上滑动、点乘运算逐步将大尺寸输入压缩为保留核心特征的低维表示的过程。
讲座过程中,现场同学全程专注投入、认真记录,并在交流环节就多能耦合场景下的数据预处理、模型参数选取与预测精度评价等问题与胡教授进行互动。同学们表示,本次讲座从模型原理出发、落脚于实际应用,将抽象的算法结构与真实的能源系统问题相对应,使大家对深度学习在负荷预测中的应用路径有了更为清晰的认识。
此次专题讲座是商学院拓宽研究生学术视野、推动学科交叉融合的重要举措,也是学院依托行业特色、强化研究生科研能力培养的具体实践。下一步,商学院将继续围绕国家“双碳”战略与能源产业转型需求,持续邀请高水平专家学者走进课堂,搭建学术前沿与科研训练相衔接的交流平台,不断提升研究生的学术素养与创新能力,为学院研究生教育高质量发展提供有力支撑。
