Abstract Integrated Energy System (IES) is able to collaborate various energy systems and boost energy supply efficiency. To further facilitate the energy scheduling in IES, load forecasting model of the system is required to describe the conditions continuously on a future time span. While the IES is a service model with frequent in-and-out users which are always dynamically changed, thus the dataset for some new users is always not enough sufficient to build the predicting model. Most of present researches focus on model refinement and accuracy boosting but rarely consider such data lack problem in IES. To tackle this issue, an integrated load forecasting model based on Bidirectional Generative Adversarial Networks (BiGAN) data augmentation and transfer learning techniques is proposed in this paper. Ten different types of data-driven models including the proposed model have been compared on two cases, resident and commercial users, in order to carry out the ablation and contrast experiment. Accuracy with the presented model is 2.08% and 1.50% higher than the original model averagely on resident and commercial users respectively, proving the effectiveness of the new model. And impact of sample size is analyzed and disclosed the effect patterns of the two modules. Result shows that the two modules can flexibly couple with different predictive models and boost their efficiency on both resident and commercial cases on data missing problem. And load forecasting becomes feasible for users with fewer samples or even zero samples when adopting the proposed framework.

中文翻译：

---

基于BiGAN和迁移学习的综合能源系统用电负荷预测模型

摘要 综合能源系统（IES）能够协同各种能源系统，提高能源供应效率。为了进一步促进 IES 中的能源调度，需要系统的负荷预测模型在未来的时间跨度上连续描述条件。而IES是一个经常动态变化的进出用户的服务模型，因此一些新用户的数据集总是不足以构建预测模型。目前的研究大多集中在模型细化和精度提升上，但很少考虑 IES 中此类数据缺乏问题。为了解决这个问题，本文提出了一种基于双向生成对抗网络（BiGAN）数据增强和迁移学习技术的综合负载预测模型。包括所提出的模型在内的十种不同类型的数据驱动模型已经在居民和商业用户两种情况下进行了比较，以进行消融和对比实验。所提出的模型在居民和商业用户上的准确率分别比原始模型平均提高了 2.08% 和 1.50%，证明了新模型的有效性。并分析了样本量的影响，揭示了两个模块的影响模式。结果表明，这两个模块可以灵活地耦合不同的预测模型，并在数据丢失问题的居民和商业案例中提高效率。当采用所提出的框架时，负载预测对于样本较少甚至零样本的用户变得可行。居民和商业用户，以便进行消融和对比实验。所提出的模型在居民和商业用户上的准确率分别比原始模型平均提高了 2.08% 和 1.50%，证明了新模型的有效性。并分析了样本量的影响，揭示了两个模块的影响模式。结果表明，这两个模块可以灵活地耦合不同的预测模型，并在数据丢失问题的居民和商业案例中提高效率。当采用所提出的框架时，负载预测对于样本较少甚至零样本的用户变得可行。居民和商业用户，以便进行消融和对比实验。所提出的模型在居民和商业用户上的准确率分别比原始模型平均提高了 2.08% 和 1.50%，证明了新模型的有效性。并分析了样本量的影响，揭示了两个模块的影响模式。结果表明，这两个模块可以灵活地耦合不同的预测模型，并在数据丢失问题的居民和商业案例中提高效率。当采用所提出的框架时，负载预测对于样本较少甚至零样本的用户变得可行。居民用户和商业用户分别比原模型平均高出50%，证明了新模型的有效性。并分析了样本量的影响，揭示了两个模块的影响模式。结果表明，这两个模块可以灵活地耦合不同的预测模型，并在数据丢失问题的居民和商业案例中提高效率。当采用所提出的框架时，负载预测对于样本较少甚至零样本的用户变得可行。居民用户和商业用户分别比原模型平均高出50%，证明了新模型的有效性。并分析了样本量的影响，揭示了两个模块的影响模式。结果表明，这两个模块可以灵活地耦合不同的预测模型，并在数据丢失问题的居民和商业案例中提高效率。当采用所提出的框架时，负载预测对于样本较少甚至零样本的用户变得可行。