一种基于人工智能的电力负荷预测系统的制作方法

本发明属于电力负荷预测，具体为一种基于人工智能的电力负荷预测系统。

背景技术：

1、一种基于人工智能的电力负荷预测系统利用机器学习算法，如深度学习和时间序列分析，通过对历史负荷数据、天气状况、经济指标等多种因素进行建模和分析，预测未来的电力需求。这种系统能够显著提高电力系统的效率和稳定性，优化发电与输配电计划，从而降低运营成本和提高能源利用率。

2、但是，在已有的电力负荷预测系统中，存在着电力负荷的特征提取质量很大程度上决定了预测的最终效果，而电力负荷预测数据的频段数据存在相互重叠且规律复杂的特殊问题，因而针对重叠电力负荷数据的特征工程设计既需要考虑重叠性，也需要考虑分离性的技术问题；在已有的重叠特征提取方法中，存在着混叠模态的频带数据在传统的经验模态分解方法中，处理非线性和非平滑信号的性能较差，导致提取效率低影响后续预测效果的技术问题；在已有的重叠特征分解方法中，存在着只采用时变滤波器改变经验模态分解方法无法解决频带之间互相串联和干预的根本问题，而传统的小波变换进行分解特征提取的方法则存在频谱分割精度不足且平滑性、细致性都有待提高的技术问题；在已有的电力负荷预测具体方法中，存在着简单的模型混合无法有效处理复杂的高频、低频和重叠特征，因而需要设计一种适当的混合模型进行有效的分类预测的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的电力负荷预测系统，针对在已有的电力负荷预测系统中，存在着电力负荷的特征提取质量很大程度上决定了预测的最终效果，而电力负荷预测数据的频段数据存在相互重叠且规律复杂的特殊问题，因而针对重叠电力负荷数据的特征工程设计既需要考虑重叠性，也需要考虑分离性的技术问题，本方案创造性地采用重叠特征提取和重叠特征分解的双路径特征提取思路进行重叠特征提取和分解特征提取，通过分别设计适配的提取算法，有效地提升了特征数据质量，优化了系统的整体性能；针对在已有的重叠特征提取方法中，存在着混叠模态的频带数据在传统的经验模态分解方法中，处理非线性和非平滑信号的性能较差，导致提取效率低影响后续预测效果的技术问题，本方案创造性地采用时变滤波器改进传统的经验模态分解，优化了特征提取的性能；针对在已有的重叠特征分解方法中，存在着只采用时变滤波器改变经验模态分解方法无法解决频带之间互相串联和干预的根本问题，而传统的小波变换进行分解特征提取的方法则存在频谱分割精度不足且平滑性、细致性都有待提高的技术问题，本方案创造性地采用结合变分模态分解、平滑函数和边际谱分析的小波变换改进方法，优化了分解特征提取的整体流程，进一步提高了特征的质量；针对在已有的电力负荷预测具体方法中，存在着简单的模型混合无法有效处理复杂的高频、低频和重叠特征，因而需要设计一种适当的混合模型进行有效的分类预测的技术问题，本方案创造性地采用结合卷积时间特征提取的多路径循环双向长短期记忆网络，进行分类负荷预测，通过卷积子网进一步结合时间特征，减少对于环境条件和其他客观条件的忽略，同时采用循环子网处理高频数据、采用双向长短期子网处理低频和重叠数据，优化了预测模型的整体架构，同时为电力负荷预测的进一步细化提供了实践基础和探索经验。

2、本发明采取的技术方案如下：本发明提供的一种基于人工智能的电力负荷预测系统，包括数据获取模块、特征处理模块、预测驱动模块、预测应用模块和监控反馈模块；

3、所述数据获取模块，用于数据收集处理，通过数据收集处理，得到电力负荷预测原始数据和优化电力负荷预测数据，并将所述优化电力负荷预测数据发送至特征处理模块，将所述电力负荷预测原始数据发送至预测驱动模块；

4、所述特征处理模块，用于重叠特征提取和重叠特征分解，通过重叠特征提取和重叠特征分解，得到重叠频分特征数据和分解特征数据，并将所述重叠频分特征数据和分解特征数据发送至预测驱动模块；

5、所述预测驱动模块，用于负荷分类预测，通过负荷分类预测，得到电力负荷预测数据，并将所述电力负荷预测数据发送至预测应用模块和监控反馈模块；

6、所述预测应用模块，用于预测值可视化，通过预测值可视化，得到预测值可视化图像分析数据，并将所述预测值可视化图像分析数据发送至监控反馈模块；

7、所述监控反馈模块，用于模型精度监控，通过模型精度监控，得到电力负荷预测参考。

8、进一步地，所述数据收集处理，用于收集电力负荷预测所需的原始数据，具体为从电力系统和环境传感记录中，通过数据采集，得到电力负荷预测原始数据，并通过对所述电力负荷预测原始数据进行优化处理，得到优化电力负荷预测数据；

9、所述电力负荷预测原始数据，具体包括历史电力负荷数据、天气环境数据和特殊日期数据；

10、所述优化处理，具体包括异常值处理和时序分解操作。

11、进一步地，所述重叠特征提取，用于在不同频段相互重叠的电力负荷数据中提取频分特征，具体为依据所述优化电力负荷预测数据，采用结合样本熵的时变滤波模态分解方法，进行重叠特征提取，得到重叠频分特征数据；

12、所述结合样本熵的时变滤波模态分解方法，具体包括时序样本熵算子和时变滤波模态分解算子；

13、所述采用结合样本熵的时变滤波模态分解方法，进行重叠特征提取，得到重叠频分特征数据的步骤，包括：

14、构建时变滤波模态分解算子，进行原始数据分解，得到时变滤波分解数据，具体步骤包括：

15、瞬时数据提取，具体为采用希尔伯特变换方法，提取优化电力负荷预测数据的瞬时幅值和瞬时相位，计算公式为：

16、；

17、式中，a(t)是优化电力负荷预测数据的瞬时幅值，t是时间索引，是瞬时相位，x(t)是优化电力负荷预测数据中的原始信号数据，是优化电力负荷预测数据经过希尔伯特变换之后的数据；

18、构建局部极值序列，用于搜索原始数据中的局部极大值和局部极小值，具体为依据所述优化电力负荷预测数据的瞬时幅值a(t)，识别得到局部最大值序列和局部最小值序列；

19、计算平均包络值，具体为对所述局部最大值序列和局部最小值序列进行插值，得到上包络序列插值数据和下包络序列插值数据，并得到上包络序列瞬时幅值和下包络序列瞬时幅值，计算公式为：

20、；

21、式中，是上包络序列瞬时幅值，是下包络序列瞬时幅值，是上包络序列插值数据，是下包络序列插值数据；

22、计算瞬时频率值，用于区分数据信号的频率成分，计算公式为：

23、；

24、式中，是第一瞬时频率，是第二瞬时频率，是上包络序列频率变化率，是下包络序列频率变化率，所述频率变化率，具体通过对包络序列插值数据的平方和相位倒数插值得到，是上包络序列瞬时幅值，是下包络序列瞬时幅值；

25、局部截止频率重排列，具体为计算并重排局部截止频率，计算公式为：

26、；

27、式中，是重排列局部截止频率，是第一瞬时频率，是第二瞬时频率；

28、计算滤波数据，具体为依据所述重排列局部截止频率，进行滤波数据信号计算，计算公式为：

29、；

30、式中，是滤波数据信号，是重排列局部截止频率；

31、平滑滤波，具体为依据所述滤波数据信号、所述局部最大值序列和所述局部最小值序列，进行平滑滤波，得到平滑滤波数据近似信号m(t)；

32、构建分解阈值，具体为设置带宽阈值，并计算分解阈值，当分解阈值不大于带宽阈值时，将所述优化电力负荷预测数据中的原始信号数据直接作为本征模态函数的输出，当分解阈值大于带宽阈值时，则将所述优化电力负荷预测数据中的原始信号数据和平滑滤波数据近似信号的差值x(t)-m(t)作为新的原始信号输入，并重复上述瞬时数据提取至平滑滤波的所述步骤，所述分解阈值的计算公式：

33、；

34、式中，是分解阈值，bw(t)是瞬时带宽，是加权平均瞬时频率；

35、重叠数据统合，具体为递归应用上述瞬时数据提取至构建分解阈值的所述操作，得到统合本征模态函数输出，计算公式为：

36、；

37、式中，是统合本征模态函数输出，n是本征模态函数输出的总数，i是本征模态函数索引，是第i个本征模态函数的输出；

38、构建样本熵算子，进行时变滤波分解数据的样本熵计算，具体包括以下步骤：

39、设置样本熵参数，具体为设置重构维度和相似容差的初始值；

40、计算序列匹配概率，具体为计算上包络序列和下包络序列在第一重构维度和第二重构维度下匹配的概率，

41、计算样本熵，用于表示序列复杂性，计算公式为：

42、；

43、式中，se是样本熵，是上包络序列和下包络序列在第二重构维度下匹配的概率，是上包络序列和下包络序列在第一重构维度下匹配的概率，v是重构维度，是相似容差；

44、重叠特征提取，具体为通过所述构建样本熵算子，进行时变滤波分解数据的时序复杂性表示，并通过构建所述时变滤波模态分解算子，结合所述样本熵算子，进行重叠信号数据特征提取，得到重叠频分特征数据。

45、进一步地，所述重叠特征分解，用于从重叠的电力负荷数据中分解出不同频率段的独立特征，具体为采用结合变分模态分解和高阶窗平滑的经验小波变化方法，进行重叠特征分解，从所述优化电力负荷预测数据提取得到分解特征数据；

46、所述结合变分模态分解和高阶窗平滑的经验小波变化方法，具体包括变分模态分解自适应分割算子、高阶窗平滑小波滤波算子和边际谱特征提取算子；

47、所述变分模态分解自适应分割算子，用于改进传统方法的频带分割自适应性，优化信号的局部特性适应和精确性；

48、所述高阶窗平滑小波滤波算子，用于采用平滑过渡的余弦窗函数进行频带滤波过渡，优化传统滤波器的构造；

49、所述边际谱特征提取算子，用于结合希尔伯特变换和边际谱分析方法计算瞬时幅度和频率，优化特征提取的细致程度；

50、所述采用结合变分模态分解和高阶窗平滑的经验小波变化方法，进行重叠特征分解的步骤，包括：

51、自适应频谱分割，具体为构建变分模态分解自适应分割算子进行自适应频谱分割，得到频带划分数据，具体包括以下步骤：

52、变分模态分解，用于将所述优化电力负荷预测数据分解为本征模态函数输出，计算公式为：

53、；

54、式中，是分解目标本征模态函数，是求取上的联合最小化函数，用于提取最优的本征模态函数和对应的中心频率，其中，是本征模态函数集合中的第k个本征模态函数，是所有模态的中心频率集合中的第k个中心频率，k是本征模态函数集合中的总数，k是本征模态函数索引，是傅里叶变换的变分算子，是迪克拉函数，t是时间索引，j是虚数单位，是第k个本征模函数在t时间的输出，是旋转因子，||·||2是l2范数运算符；

55、频谱分割自适应选择，具体为依据所述变分模态分解得到的中心频率集合{wk}，进行频谱分割自适应选择，得到频带划分数据；

56、小波滤波器平滑重构，具体为构建高阶窗平滑小波滤波算子，依据所述频带划分数据，优化小波变化滤波器的构造，得到平滑小波滤波器，具体包括以下步骤：

57、基函数构造，具体为依据所述中心频率集合{wk}，为每个频带[wk-1, wk]构造小波基函数，并使用平方余弦函数进行平滑过渡，计算公式为：

58、；

59、式中，是经验小波基函数的频域表示，f是频率变量，是所有模态的中心频率集合中的第k个中心频率，k是本征模态函数索引；

60、滤波器构造，具体为依据所述基函数构造得到的经验小波基函数的频域表示，进行平滑过渡滤波器构造，得到平滑小波滤波器，计算公式为：

61、；

62、式中，是平滑小波滤波器的频域表示，f是频率变量，是所有模态的中心频率集合中的第k个中心频率，k是本征模态函数索引；

63、经验小波变换，具体为采用所述平滑小波滤波器进行小波变换，得到分解经验小波信号数据，计算公式为：

64、；

65、式中，是第k个分解经验小波信号数据中的频带信号，f-1是逆傅里叶变换函数，是优化电力负荷数据中的信号数据的频域表示，是平滑小波滤波器的频域表示，是分解经验小波信号数据，f是频率变量；

66、分解特征提取，具体为构造边际谱特征提取算子，结合所述分解经验小波信号数据进行分解特征提取，得到分解特征数据，具体包括以下步骤：

67、希尔伯特变换，具体为采用希尔伯特变换，计算经验小波信号数据中每个频带信号的瞬时幅度和瞬时频率，计算公式为：

68、；

69、式中，是经验小波信号数据中每个频带信号的瞬时幅度，是经验小波信号数据中每个频带信号的瞬时频率，h(·)是希尔伯特变换操作表示函数，是第k个分解经验小波信号数据中的频带信号，arg(·)是相位角计算函数；

70、边际谱分析，具体为通过边际谱分析，计算频带信号的频率特征，计算公式为：

71、；

72、式中，是对应第k个中心频率的频带信号的频率特征，t是频带信号总时长，是经验小波信号数据中每个频带信号的瞬时幅度，是经验小波信号数据中每个频带信号的瞬时频率；

73、频带信号能量计算，具体为计算频带信号的能量特征，计算公式为：

74、；

75、式中，是对应第k个中心频率的频带信号的能量特征，是第k个分解经验小波信号数据中的频带信号，|·|是取模运算符；

76、平均频率计算，具体为计算频带信号的平均频率特征，计算公式为：

77、；

78、式中，是对应第k个中心频率的频带信号的平均频率特征，f是频率变量，是对应第k个中心频率的频带信号的频域表示；

79、分解提取，具体为通过所述希尔伯特变换、所述边际谱分析、所述频带信号能量计算和所述平均频率计算，结合所述分解经验小波信号数据进行分解特征提取，得到分解特征数据；

80、所述分解特征数据，具体指高低频分解特征数据。

81、进一步地，所述负荷分类预测，用于构建频段分域模型进行电力负荷分类预测，具体为依据所述电力负荷预测原始数据、原始重叠频分特征数据和分解特征数据，采用结合卷积时间特征提取的多路径循环双向长短期记忆网络，进行负荷分类预测，得到电力负荷预测数据；

82、所述结合卷积时间特征提取的多路径循环双向长短期记忆网络，具体包括卷积子网、循环神经子网和双向长短期记忆子网；

83、所述卷积子网，用于提取原始数据中的时间特征、天气特征和特殊特征；

84、所述循环神经子网，用于处理分解特征中的高频特征数据；

85、所述双向长短期记忆网络，用于处理分解特征中的低频特征数据和重叠频分特征数据；

86、所述采用结合卷积时间特征提取的多路径循环双向长短期记忆网络，进行负荷分类预测，得到电力负荷预测数据的步骤，包括：

87、卷积特征提取，具体为构建只包含卷积层、池化层和全连接层的卷积特征提取子网，并采用一维卷积进行特征提取，通过构建所述卷积特征提取子网，从所述电力负荷预测原始数据中提取得到时序综合特征数据；

88、所述时序综合特征数据，具体包括时序时间特征数据、天气时间特征数据和特殊日期时间特征数据；

89、循环网络高频特征预测，具体为构建包括输入层、隐藏层和输出层的循环神经网络子网，并采用所述循环神经网络子网，结合所述时序综合特征数据，处理所述高频特征数据集合中的特征数据，得到高频特征数据预测数据；

90、双向长短期记忆子网预测，具体为构建两层双向长短期记忆子网，分别用于处理所述低频特征数据集合中的特征数据和所述重叠频分特征数据，结合所述时序综合特征数据，进行分层预测，得到低频特征数据预测数据和重叠特征数据预测数据；

91、所述长短期记忆子网，具体包括输入门、输出门、遗忘门和存储单元；

92、模型输出统合决策，具体为将所述高频特征数据预测数据、所述低频特征数据预测数据和所述重叠特征数据预测数据进行预测结果加权，得到模型统合预测数据，计算公式为：

93、；

94、式中，y是模型统合预测数据，是高频预测权重，是高频特征数据预测数据，是低频预测权重，是低频特征数据预测数据，是重叠预测权重，是重叠特征数据预测数据；

95、电力负荷分类预测模型训练，具体为通过所述卷积特征提取、所述循环网络高频特征预测、所述双向长短期记忆子网预测和所述模型输出统合决策，进行电力负荷分类预测模型训练，得到电力负荷预测模型modelecp；

96、电力负荷预测，具体为使用所述电力负荷预测模型modelecp，结合所述电力负荷预测原始数据、原始重叠频分特征数据和分解特征数据，进行电力负荷预测，得到电力负荷预测数据。

97、进一步地，所述预测值可视化，用于针对负荷预测的结果构建可视化数据参考，具体为采用数据可视化模组，将所述电力负荷预测数据绘制为可交互的可视化图像，得到预测值可视化图像分析数据。

98、进一步地，所述模型精度监控，用于实施模型预测并监控模型的预测精度，优化模型预测性能，具体为对所述预测值可视化图像分析数据进行人工分析，并根据预测情况和实际情况的对比，进行模型的精度优化，并通过精度优化得到最优预测模型，使用所述最优预测模型，执行电力负荷预测任务，得到最终的电力负荷预测参考。

99、采用上述方案本发明取得的有益效果如下：

100、（1）针对在已有的电力负荷预测系统中，存在着电力负荷的特征提取质量很大程度上决定了预测的最终效果，而电力负荷预测数据的频段数据存在相互重叠且规律复杂的特殊问题，因而针对重叠电力负荷数据的特征工程设计既需要考虑重叠性，也需要考虑分离性的技术问题，本方案创造性地采用重叠特征提取和重叠特征分解的双路径特征提取思路进行重叠特征提取和分解特征提取，通过分别设计适配的提取算法，有效地提升了特征数据质量，优化了系统的整体性能；

101、（2）针对在已有的重叠特征提取方法中，存在着混叠模态的频带数据在传统的经验模态分解方法中，处理非线性和非平滑信号的性能较差，导致提取效率低影响后续预测效果的技术问题，本方案创造性地采用时变滤波器改进传统的经验模态分解，优化了特征提取的性能；

102、（3）针对在已有的重叠特征分解方法中，存在着只采用时变滤波器改变经验模态分解方法无法解决频带之间互相串联和干预的根本问题，而传统的小波变换进行分解特征提取的方法则存在频谱分割精度不足且平滑性、细致性都有待提高的技术问题，本方案创造性地采用结合变分模态分解、平滑函数和边际谱分析的小波变换改进方法，优化了分解特征提取的整体流程，进一步提高了特征的质量；

103、（4）针对在已有的电力负荷预测具体方法中，存在着简单的模型混合无法有效处理复杂的高频、低频和重叠特征，因而需要设计一种适当的混合模型进行有效的分类预测的技术问题，本方案创造性地采用结合卷积时间特征提取的多路径循环双向长短期记忆网络，进行分类负荷预测，通过卷积子网进一步结合时间特征，减少对于环境条件和其他客观条件的忽略，同时采用循环子网处理高频数据、采用双向长短期子网处理低频和重叠数据，优化了预测模型的整体架构，同时为电力负荷预测的进一步细化提供了实践基础和探索经验。