【技术实现步骤摘要】
本专利技术涉及电力负荷预测，尤其是涉及一种基于信号分解和多维信息的电力负荷预测方法、装置及存储介质。
技术介绍
1、电力负荷预测方法可分为基于历史数据的预测方法和基于实时数据的预测系统。如果电力负荷预测系统能够准确匹配历史负荷模式与实时负荷数据，则系统可以及时提供预测结果。高预测准确度是一个优点，但缺点是该系统可能过度依赖历史数据，这使得对未来负荷变化的预测具有挑战性。基于实时数据的预测系统通过分析当前的负荷情况与历史负荷模式的差异，当实时负荷与预期存在显著偏差时，预测系统会发出警告。因此，更好地预测电力系统中的负荷变化，是当前电力系统研究的热点。
2、从模型学习的角度来看，传统的统计学习、机器学习和深度学习都是电力负荷预测系统的常用方法。统计学习算法通常包括自回归模型、移动平均模型等。机器学习方法包括支持向量机、决策树、随机森林等。深度学习方法则利用神经网络、卷积神经网络等进行负荷预测。然而，单一预测模型在处理复杂数据时存在的诸多局限性，包括泛化能力不足、容易发生过拟合、对特定类型数据的敏感度高、鲁棒性不强、适应性不足等，导致在面对非线性和高维特征时，由于模型的局限性，难以捕捉复杂的负荷变化模式，数据量的增长和负荷模式的多样性限制了传统方法的发展。但是，之前的方法无法有效提取到非线性序列中包含的潜在特征，在预测精度方面有所欠缺。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于信号分解和多维信息的电力负荷预测方法、装置及存储介质，能够
2、本专利技术的目的可以通过以下技术方案来实现：
3、根据本专利技术的第一方面，提供一种基于信号分解和多维信息的电力负荷预测方法，包括以下步骤：s1，获取原始数据集并进行预处理，所述原始数据集包括电力负荷历史时间序列数据和天气数据；s2，基于预处理后的数据集，获取相关性并选取相关性大于预设阈值的维度，得到筛选后的数据集；s3，基于所述筛选后的数据集，利用变分模态分解-鲸鱼优化算法混合分解策略进行特征提取，并对提取后的特征进行卡尔曼滤波处理，得到平滑后的多维数据集；s4，基于所述平滑后的多维数据集，利用预先构建的基于时间块-双conet结构的模型进行预测，得到最终的电力负荷预测结果。
4、作为优选的技术方案，所述预处理的过程具体包括缺失值处理和特征归一化。
5、作为优选的技术方案，所述s2具体包括：对预处理后的电力负荷数据和天气数据进行归一化处理，归一化处理后的电力负荷数据具有相应的天气维度信息；利用随机森林方法对归一化处理后的电力负荷数据及相应的天气维度信息进行相关性分析，计算每个天气维度信息与相应的电力负荷数据的相关性系数；基于所述相关性系数，选取与电力负荷数据正相关的天气维度。
6、作为优选的技术方案，所述变分模态分解-鲸鱼优化算法混合分解策略具体包括：利用信号分解方法对所述筛选后的数据集进行变分模态分解，得到有限数量的本征模态函数分量和残差，提取相应的特征；利用鲸鱼优化算法优化变分模态分解过程中的关键参数，所述关键参数包括中心频率和本征模态函数分量的数量。
7、作为优选的技术方案，对每个所述本征模态函数分量进行卡尔曼滤波处理，将处理后的本征模态函数分量重构，得到平滑后的多维数据集。
8、作为优选的技术方案，所述变分模态分解的过程表示为：
9、
10、式中，uk表示第k个本征模态函数分量，ωk表示第k个本征模态函数分量的中心频率，k为本征模态函数分量的数量，为卷积操作符，δ(·)表示狄拉克分布，为偏导数函数，vk表示第k个本征模态函数分量的特征值，t表示时间，f表示函数值。
11、作为优选的技术方案，所述基于时间块-双conet结构的预测模型包括特征嵌入层，所述s4具体包括：将所述平滑后的多维数据集作为输入序列，经过所述特征嵌入层后得到相应的深度特征；基于所述深度特征，利用时间块提取相应的时序特征；基于所述时序特征，利用双conet结构进行归一化反归一化处理，并对电力负荷进行中长期预测，进而输出相应的电力负荷预测结果。
12、作为优选的技术方案，利用双conet结构进行归一化反归一化处理，具体过程表示为：
13、
14、式中，均为窗口的回归系数，是在给定单个变量序列的情况下，在时间步长编号t处的水平线系数，l表示时间跨度，n表示层数。
15、根据本专利技术的第二方面，提供一种基于信号分解和多维信息的电力负荷预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现所述的方法。
16、根据本专利技术的第三方面，提供一种存储介质，其上存储有程序，所述程序被执行时实现所述的方法。
17、与现有技术相比，本专利技术具有以下有益效果：
18、1、本专利技术提供的电力负荷预测方法以信号分解和多维信息为基础，结合时间块与双conet结构构建预测模型，在利用变分模态分解-鲸鱼优化算法混合分解策略对经过预处理和筛选的多维数据集进行特征提取后，利用卡尔曼滤波器作进一步降噪处理，然后用构建的基于时间块-双conet结构的模型进行预测，得到最终的电力负荷预测结果，充分融合了变分模态分解、鲸鱼优化算法和卡尔曼滤波器三种技术在信号处理中的优势，能够避免单一模型预测电荷变化的局限性，有效提高电力负荷预测的精确性；
19、2、本专利技术提出了一种高效的归一化和反归一化方法优化输入输出，缩小特征差异，加快收敛速度，提高预测精度和效率，能够对电力负荷进行中长期预测，提高基于复杂数据预测电力负荷的准确性，提高对复杂的负荷变化模式的适应性；
20、3、本专利技术提供的电力负荷预测方法利用时间块处理，将一维张量升级为二维信息，从嵌入层得到深度特征，有效地表示了长序列依赖关系，并避免了时序数据中多种周期性因素(如天气、节假日等)的影响，能够有效地解决线性模型在建模非线性的序列关系时，提取高维特征，减少外部变量特征的局限性。
本文档来自技高网...【技术保护点】
1.一种基于信号分解和多维信息的电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述预处理的过程具体包括缺失值处理和特征归一化。
3.根据权利要求1所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述S2具体包括：
4.根据权利要求1所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述变分模态分解-鲸鱼优化算法混合分解策略具体包括：
5.根据权利要求4所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，对每个所述本征模态函数分量进行卡尔曼滤波处理，将处理后的本征模态函数分量重构，得到平滑后的多维数据集。
6.根据权利要求4所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述变分模态分解的过程表示为：
7.根据权利要求1所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述基于时间块-双CONET结构的预测模型包括特征嵌入层，所述S4具体包括：
8.根据权利要求7所述的基
9.一种基于信号分解和多维信息的电力负荷预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种基于信号分解和多维信息的电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述预处理的过程具体包括缺失值处理和特征归一化。
3.根据权利要求1所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述s2具体包括：
4.根据权利要求1所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，所述变分模态分解-鲸鱼优化算法混合分解策略具体包括：
5.根据权利要求4所述的基于信号分解和多维信息的电力负荷预测方法，其特征在于，对每个所述本征模态函数分量进行卡尔曼滤波处理，将处理后的本征模态函数分量重构，得到平滑后的多维数据集。
6.根据权利要求4所述的基于...
【专利技术属性】
技术研发人员：温蜜，沙俊怡，李玮玮，李婧，魏敏捷，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。