一种基于MIC-TCN-LSTM的负荷预测方法、存储介质及计算机系统技术方案

本发明专利技术公开了一种基于MIC

【技术实现步骤摘要】
一种基于MIC
‑
TCN
‑
LSTM的负荷预测方法、存储介质及计算机系统


[0001]本专利技术涉及负荷预测方法领域，特别涉及一种基于MIC
‑
TCN
‑
LSTM的负荷预测方法、存储介质及计算机系统。

技术介绍

[0002]MIC——Maximal information coefficient，源自于2011年发在Science上的一个论文。MIC用于衡量两个变量X和Y之间的关联程度以及线性或非线性的强度，常用于机器学习的特征选择。MIC相较于其他求相关性的方法，有更高的准确度，是一种优秀的数据关联性的计算方式。根据MIC的性质，MIC具有普适性、公平性和对称性。1)普适性：在样本量足够大，包含了样本的大部分信息时，能够捕获各种各样的有趣的关联，而不限定于特定的函数类型，如线性函数、指数函数或周期函数，或者说能均衡覆盖所有的函数关系。一般变量之间的复杂关系不仅仅是通过单独一个函数就能够建模的，而是需要叠加函数来表现。对于普适性较好的函数，不同类型的关联关系的起点应当是接近本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MIC
‑
TCN
‑
LSTM的负荷预测方法，其特征在于，包括以下步骤：S1、对原始数据进行预处理后，再进行归一化处理；S2、利用最大相关系数MIC对数据进行相关性分析，提出相关性较小或不相关的数据；S3、利用滑动窗口将步骤2中处理后的数据形成的数据集分为训练集和测试集；S4、构建TCN
‑
LSTM模型，并将步骤3中的所述训练集送入所述TCN
‑
LSTM模型中进行训练；S5、利用步骤4中训练好的模型对所述测试集进行预测，最终得到预测结果，进行输出。2.根据权利要求1所述的方法，其特征在于，所述步骤1中对原始数据进行预处理的方法为：将原始数据处理成理想的格式，并利用前后两天的平均值对数据中的缺失项进行填充。3.根据权利要求1所述的方法，其特征在于：所述归一化数据是将需要处理的数据限制在0到1之间，所述归一化的处理方法如下其中，x
’
为归一化之后的数据，x
min
与x
max
分别为负荷数据的最小值和最大值。4.根据权利要求1所述的方法，其特征在于，所述步骤2中对数据进行相关性分析的方法包括：利用最大相关信息数MIC的方法，求出其他数据包括温度、湿度、降水量、日期类型与负荷数据之间的相关关系，丢弃不必要的变量，所述最大相关信息数MIC用于衡量两个变量X和Y之间的关联程度，线性或非线性的强度，用于变量之间特征选择，所述最大相关信息数MIC基本原理利用到互信息概念，互信息概念使用以下方程来说明其中，x和y是两个联系的随机变量，p(x，y)是联合概率密度分布函数，将两个随机变量化成散点图，然后不断的用小方格子去分割，再计算每个方格子里面的落入概率P(X)、P(Y)，从而计算出联合概率密度分布，具体方法计算如下个方格子里面的落入概率P(X)、P(Y)，从而计算出联合概率密度分布，具体方法计算如下分别求出负荷变量与其余变量的相关关系，丢弃与负荷相关性较小的变量。5.根据权利要求1所述的方法，其特征在于：步骤4中构建的所述TCN
‑
LSTM模型包括数据依次传输的输入层、TCN层、LSTM层和输出层。6.根据权利要求5所述的方法，其特征在于：所述TCN层包括若干个残差网络，所述残差网络包括扩张因果卷积层、权重归一化层WeightNorm和正则化层Dropout，残差网络一个分支对输入X执行变换操作F，另一个分支以执行简单的1
×
1转换，以保持与现有分支并行的特征映射数的一致性，第h个残差模块的输出X(h)可以表示为X
(h)
＝ReLU(F(X
(h
‑
1)
)+X
(h
‑
1)
)其中，ReLU表示如下式所示的激活函数7.根据权利要求6所述的方法，其特征在于，所述LSTM层的计算过程包括：
SA1、遗忘门根据输入的状态决定哪些信息会被遗忘，从而得到遗忘门的输出状态f(t)f

【专利技术属性】
技术研发人员：丁石川，胡子玉，王正风，郭小璇，鲍海波，杭俊，
申请(专利权)人：安徽大学，
类型：发明
国别省市：