一种多维分解与智能融合的电力负荷预测方法及相关设备与流程

本发明涉及电力负荷预测，特别涉及一种多维分解与智能融合的电力负荷预测方法及相关设备。

背景技术：

1、电力负荷预测作为电力系统规划与运行的核心环节，对于确保电力系统的安全稳定运作以及提升电力资源的利用效率具有至关重要的意义。然而，随着现代电力系统的日趋复杂化和多样化，传统的负荷预测方法在应对海量、高维度和非线性的负荷数据时遭遇重重挑战，其预测精度已难以满足实际需求。因此，当前迫切需要研究和开发更加高效且精确的负荷预测算法。

2、近年来，机器学习和人工智能技术，尤其是支持向量机（svm，support vectormachine）和神经网络等方法，在负荷预测领域的应用日渐广泛，为提升预测精度提供了新的路径。其中，训练后的长短期记忆网络（lstm，long short-term memory）因其出色的时序性和非线性数据拟合能力，已成为负荷预测的主流技术。然而，训练后的长短期记忆网络在实际应用中仍面临预测精度不足和泛化能力差的影响。此外，多数现有方法仅依赖于历史数据进行未来负荷的预测，忽略了实时数据和动态因素的影响，从而限制了预测精度的进一步提升。

3、例如现有的基于lstm-xgboost的短期电力负荷预测研究，针对传统lstm网络在电力负荷预测中面临的预测精度不足和泛化能力较弱的问题，现有技术提出了一种创新的解决方案，该方案结合了lstm网络和分布式梯度增强库（xgboost，extreme gradientboosting）算法，以lstm网路作为基模型，通过xgboost的训练机制，生成多个lstm弱模型，这些弱模型随后被整合成一个强预测模型，以实现负荷预测精度的提升；具体而言，xgboost作为一种高效的梯度提升决策树算法，能够有效的处理大规模数据集，并具备出色的特征选择和模型优化能力，通过将lstm网络和xgboost相结合，该技术方案不仅充分利用了lstm网络处理时序性和非线性数据方面的优势，还通过xgboost的集成学习机制，进一步增强了模型的泛化能力和预测精度。

4、而在实际应用中，原始负荷数据往往存在异常值和缺失值，这些不规范的数据点如果不经过适当的预处理而直接用于模型训练，会引入噪声并干扰模型的学习过程，从而使得直接预测变得困难，可能导致预测精度的大幅下降，现有技术在处理这一问题上显得不足，没有采用专门的算法或策略来清洗和修复这些数据缺陷；原始负荷数据具有波动性、复杂性等多重特性，其中包含了多种影响负荷变化的因素，现有技术也未对负荷数据进行适当的分解，未能提取出与特定影响因素（如天气、季节性变化等）密切相关的分量，而是直接对整个数据集进行预测，这种方法忽略了数据内部的结构化信息，导致预测精度不高；现有技术主要依赖单一的lstm网络进行负荷预测，虽然lstm在处理时序数据方面表现出色，但单一模型的预测能力有限，由于缺乏其他模型的集成和互补，lstm网络容易陷入局部最优解，限制了预测精度的进一步提升，此外单一模型的泛化能力也相对较弱，难以应对不同场景下的负荷预测任务。

技术实现思路

1、本发明提供了一种多维分解与智能融合的电力负荷预测方法及相关设备，其目的是为了提高负荷预测精度。

2、为了达到上述目的，本发明提供了一种多维分解与智能融合的电力负荷预测方法，包括：

3、步骤1，采集目标区域的历史电力负荷数据和历史天气数据；

4、步骤2，对历史天气数据进行特征筛选，得到第一特征数据；

5、步骤3，对历史电力负荷数据进行时序分解，得到周期负荷分量、非周期负荷分量和天气负荷分量；

6、步骤4，将非周期负荷分量依次输入训练后的长短期记忆网络和训练后的时域卷积网络进行预测，得到第一非周期负荷分量预测结果和第二非周期负荷分量预测结果；

7、步骤5，将第一非周期负荷分量预测结果和第二非周期负荷分量预测结果进行加权融合，得到非周期负荷分量总预测结果；

8、步骤6，将天气负荷分量与第一特征数据进行融合后依次输入训练后的长短期记忆网络和训练后的时域卷积网络进行预测，得到第一天气负荷分量预测结果和第二天气负荷分量预测结果；

9、步骤7，将第一天气负荷分量预测结果和第二天气负荷分量预测结果进行加权融合，得到天气负荷分量总预测结果；

10、步骤8，将非周期负荷分量总预测结果、天气负荷分量总预测结果与周期负荷分量进行叠加，得到目标区域在未来时刻的电力负荷预测结果。

11、进一步来说，在步骤3之前，还包括：

12、采用孤立森林算法对历史电力负荷数据进行异常数据识别和剔除，得到有效历史电力负荷数据；

13、使用自回归差分移动平均算法对有效历史电力负荷数据进行拟合，并对拟合后的有效历史电力负荷数据进行插补缺失值处理，得到插补处理后的历史电力负荷数据；

14、对插补处理后的历史电力负荷数据进行归一化处理，得到归一化后的历史电力负荷数据。

15、进一步来说，对历史电力负荷数据进行时序分解，得到周期负荷分量、非周期负荷分量和天气负荷分量，包括：

16、使用时间序列预测算法对归一化后的历史电力负荷数据进行负荷辨识，得到非周期负荷分量和周期负荷分量；

17、利用归一化后的历史电力负荷数据与非周期负荷分量和周期负荷分量进行相减，得到天气负荷分量。

18、进一步来说，非周期负荷分量总预测结果的表达式为：

19、；

20、其中，表示为训练后的长短期记忆网络分配的权重，表示第一非周期负荷分量预测结果，表示为训练后的时域卷积网络分配的权重，表示第二非周期负荷分量预测结果，表示训练后的长短期记忆网络的平均绝对误差，表示训练后的时域卷积网络的平均绝对误差。

21、进一步来说，周期负荷分量通过傅里叶级数进行模拟，其表达式为：

22、

23、

24、

25、

26、其中，表示日负荷分量，表示周负荷分量，表示年负荷分量，、、均表示谐波数量，表示日负荷分量的余弦项系数，表示日负荷分量的正弦项系数，表示日负荷分量的基本周期，表示周负荷分量的余弦项系数，表示周负荷分量的正弦项系数，表示周负荷分量的基本周期，表示年负荷分量的余弦项系数，表示年负荷分量的正弦项系数，表示年负荷分量的基本周期。

27、进一步来说，在将天气负荷分量与第一特征数据进行融合之前，还包括：

28、对第一特征数据进行归一化处理，得到归一化处理后的第一特征数据，第一特征数据包括温度、湿度和天气类型。

29、进一步来说，天气负荷分量总预测结果的表达式为：

30、

31、其中，表示为训练后的长短期记忆网络分配的权重，表示第一天气负荷分量预测结果，表示为训练后的时域卷积网络分配的权重，表示第二天气负荷分量预测结果，表示训练后的长短期记忆网络的平均绝对误差，表示训练后的时域卷积网络的平均绝对误差。

32、进一步来说，目标区域在未来时刻的电力负荷预测结果的表达式为：

33、

34、其中，表示目标区域在未来时刻的电力负荷预测结果，表示周期负荷分量，表示非周期负荷分量总预测结果，表示天气负荷分量总预测结果。

35、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时，实现多维分解与智能融合的电力负荷预测方法。

36、本发明还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现多维分解与智能融合的电力负荷预测方法。

37、本发明的上述方案有如下的有益效果：

38、本发明通过对采集的目标区域的历史电力负荷数据进行时序分解、对历史天气数据进行特征筛选，得到周期负荷分量、非周期负荷分量、天气负荷分量和第一特征数据；将非周期负荷分量依次输入训练后的长短期记忆网络和训练后的时域卷积网络进行预测，得到第一非周期负荷分量预测结果和第二非周期负荷分量预测结果并进行加权融合，得到非周期负荷分量总预测结果；将天气负荷分量与第一特征数据进行融合后依次输入训练后的长短期记忆网络和训练后的时域卷积网络进行预测，得到第一天气负荷分量预测结果和第二天气负荷分量预测结果并进行加权融合，得到天气负荷分量总预测结果；将非周期负荷分量总预测结果、天气负荷分量总预测结果与周期负荷分量进行叠加，得到目标区域在未来时刻的电力负荷预测结果；与现有技术相比，本发明通过对历史电力负荷数据进行精细化的时序分解，并在历史天气数据中筛选出第一特征数据，接着利用训练后的长短期记忆网络和训练后的时域卷积网络分别对天气负荷分量和非周期负荷分量进行预测，并将预测结果进行加权后与周期负荷分量进行叠加，从而得到目标区域在未来时刻的电力负荷预测结果；通过对历史电力负荷数据和历史天气数据进行分解和特征筛选，对各负荷分量进行单独预测再融合，可以有效地降低负荷预测误差，提高预测精度。

39、本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。