【技术实现步骤摘要】
本专利技术属于时序预测，特别是涉及一种基于局部均值分解和sma-transformer的数据预测方法。
技术介绍
1、有源低压配网户变关系，指在电力配网系统中，将高压电网的电能通过变压器降压为低压电能，然后转送给小区或者单个建筑物的户内用电设备的过程；在实际运行中，精准地进行户变关系预测十分重要，在对有源低压配网户变关系数据进行时序预测时，通常预测方法可划分为三类：数据驱动、模型驱动与混合型方法。数据驱动方法依赖于历史消耗模式和统计学原理，利用时间序列、回归和聚类等方法预计未来短期的供电关系；模型驱动方法，依据电网的物理规律，结合负载和线路模型，揭示了用电行为与供电关系提供了框架；混合方法则融合上述两种途径的优点，采用决策树、随机森林、神经网络等机器学习技术，从历史数据中识别规律，同时考量物理模型，从而增强预测的精度及其鲁棒性。
2、每种方法均有不足之处，数据驱动方法高度依赖于数据完整性，易受到数据丢失和异常的妨碍，且在供电关系不稳定时预测效果会减弱；模型驱动方法的建模过程复杂且计算成本高昂，且模型可能不够完备；混合方法虽然能够解析大数据中的模式，但它要求大量的数据输入，并且在模型解释性和参数调优方面面临挑战，需要避免过度拟合的问题；因此，需要设计一种基于局部均值分解和sma-transformer的数据预测方法来解决上述问题。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于局部均值分解和sma-transformer的数据预测方法，旨在精确调度能源，提升
2、为实现上述技术效果，本专利技术所采用的技术方案是：
3、一种基于局部均值分解和sma-transformer的数据预测方法，包括以下步骤：
4、s1，采集transformer模型构建所需的数据，并构建数据集；
5、s2，对经过步骤s1处理过后的有源低压配网户变关系数据进行局部均值lmd分解，分解为多个成绩函数pf分量；
6、lmd信号分解算法可以自适应地将复杂的非平稳信号分解成一系列的乘积函数product function，pf；在该算法中，每个乘积函数都具有明确的物理意义，其中包络信号表示瞬时幅值函数，而纯调频信号则可以用来求得瞬时频率；通过lmd算法，复杂的非平稳信号可以被分解为这些具有明确物理意义的乘积函数pf；
7、s3，利用黏菌优化算法sma寻找transformer神经网络的最佳参数，通过使用sma迭代寻优，达到迭代次数后将此时的最优参数作为transformer神经网络的初始权值和阈值；
8、s4，利用transformer单独预测步骤s2得到的各个pf分量，对各个预测值进行叠加得到预测值。
9、优选地，步骤s1中，采集模型构建所需的数据，并构建数据集包括：
10、s101，采集有源低压配网户变关系数据，包括户变容量、用电类型和用电量；并进行数据清洗和去重，以确保数据的准确性和完整性；
11、数据清洗包括对数据中错误、不完整及不准确的内容进行识别和处理，处理包括处理缺失值、异常值，以及纠正错误的数据格式和处理重复数据；对于缺失值，通过填充、删除或者插值进行处理；对于异常值，通过统计分析判断并进行处理；
12、数据去重包括对数据集中重复的记录进行识别和移除，以确保数据集中的每条记录都是唯一的，重复的记录可能会对数据分析和建模造成干扰；
13、s102，将经过清洗和去重的数据按照预先定义的数据字段结构导入到excel文件中，同时进行数据格式规范化和标准化；
14、s103，对步骤s102导入的数据进行时间编码，为有源低压配网户变关系数据添加时间戳，作为后续transformer神经网络的输入；
15、s1031，时间戳转换：
16、对于每个时间戳，将其转换为unix时间戳，秒数；从获得的有源低压配网户变关系数据中进行时间戳提取，例如从2020年1月1日以来的每个秒数表示时间；
17、s1032，相对时间编码：对于每个时间点，计算其与数据集中的起始时间点之间的时间间隔，以k分钟为一个时间单位，将每个时间点表示为相对起始时间的k分钟数，作为相对时间编码的输入；k分钟优选15分钟；
18、s104，获得带有时间编码信息的有源低压配网户变关系数据，完成数据集构建。
19、优选地，步骤s2中，对经过步骤s1处理过后的有源低压配网户变关系数据进行局部均值lmd分解的步骤包括：
20、s201，将有源低压配网户变关系数据作为输入信号x(t)，计算其均值函数m11(t)：
21、分析输入信号x(t)，计算其包含的全部极值点pi,i＝1,2,...,n；
22、计算输入信号x(t)的均值序列mi，其公式如下：
23、
24、式中，pi表示极值点，pi+1表示后一个极值点；
25、通过滑动平均法对均值序列mi构成的曲线进行平滑，得到输入信号x(t)的均值函数m11(t)；
26、s202，计算输入信号x(t)的包络估计函数a11(t)：
27、计算输入信号x(t)的包络估计值ai：
28、
29、通过滑动平均法对包络估计值ai构成的曲线进行平滑，得到输入信号x(t)的包络估计函数a11(t)；
30、s203，由输入信号x(t)减去均值函数m11(t)，得到其输入信号x(t)的差值信号h11(t)：
31、h11(t)＝x(t)-m11(t)；
32、式中，m11(t)通过步骤s201计算得出；
33、s204，计算输入信号x(t)的纯调频信号s1j(t)：
34、对差值信号h11(t)进行幅度解调处理，得到s11(t)：
35、
36、式中，h11(t)和a11(t)通过步骤s203和步骤s202计算得出；
37、重复上述步骤，并将s11(t)作为步骤s201中的输入信号x(t)，令其为x1(t)，重复步骤s201到步骤s203，直到整个过程执行j次迭代，当步骤s202得到的包络函数a1j(t)＝1时，此时计算出纯调频信号s1j(t)；
38、s205，将步骤s202中计算得到的包络估计函数a11(t)相乘，得到输入信号x(t)的幅值函数a1(t)：
39、
40、式中，a1n(t)表示第j次迭代计算出的包络估计函数；
41、s206，计算输入信号x(t)的第一个pf分量f1(t)：
42、f1(t)＝a1(t)*s1j(t)；
43、s207，计算输入信号x(t)的第一个残留分量u1(t)：
44、u1(t)＝x(t)-f1(t)；本文档来自技高网...
【技术保护点】
1.一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，步骤S1中，采集模型构建所需的数据，并构建数据集包括：
3.根据权利要求1所述的一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，步骤S2中，对经过步骤S1处理过后的有源低压配网户变关系数据进行局部均值LMD分解的步骤包括：
4.根据权利要求1所述的一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，步骤S3中，利用SMA寻优算法来寻找Transformer神经网络最优参数，其具体过程如下所示：
5.根据权利要求1所述的一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，步骤S4中，利用Transformer单独预测步骤S2得到的各个PF分量，对各个预测值进行叠加得到预测值包括：
【技术特征摘要】
1.一种基于局部均值分解和sma-transformer的数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于局部均值分解和sma-transformer的数据预测方法，其特征在于，步骤s1中，采集模型构建所需的数据，并构建数据集包括：
3.根据权利要求1所述的一种基于局部均值分解和sma-transformer的数据预测方法，其特征在于，步骤s2中，对经过步骤s1处理过后的有源低压配网户变关系数据进行局部均值l...
【专利技术属性】
技术研发人员：谭超，谭文瑞，刘伟，孙梦浩，朱成昂，张晓龙，余琳珊，何长江，陈耀辉，袁世斌，
申请(专利权)人：三峡大学，
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。