一种多频率时间模式渐进解缠的电力负载预测方法技术

本发明专利技术公开了一种多频率时间模式渐进解缠的电力负载预测方法，包括：获取电力负载序列数据并进行预处理；设计多层分解

【技术实现步骤摘要】
一种多频率时间模式渐进解缠的电力负载预测方法


[0001]本专利技术属于电力负载预测领域，具体涉及一种多频率时间模式渐进解缠的电力负载预测方法
。

技术介绍

[0002]传统的电力负载预测方法采用统计模型或基于时间序列分析的方法，将电力负载数据分解为少量成分，如自回归滑动平均模型（
ARMIA
）
、
指数平滑模型（
ETS
）等，但是此类方法难以建模现实电力负载数据中的非线性关系
。
随着深度学习的发展，一些方法将分解的思想融入神经网络模型，在建模时间模式之前或过程中将电力负载数据分解为季节性和趋势性成分
。
[0003]然而，这些方法都只关注电力负载数据中的季节性和趋势性成分，忽略了其他潜在模式，这会导致电力负载数据中多种频率的模式难以被有效解缠，从而影响建模的有效性
。
面对这一问题，傅里叶变换（
Fourier transform
）
、
小波变换（
wavelet transform
）等频域方法被广泛采用，以将电力负载数据分解为多种频率成分，但这类方法在时域中的分辨率较差，且存在缺乏自适应性
、
信息失真等不足
。
另一类方法使用全连接层组成双残差连接模型，以层次顺序提取出多种成分，但在只由残差连接约束的端到端（
end
‑
to
‑
end
）结构中，许多相同频率的信息可能分散混合在不同的成分中
。
[0004]公开号为
CN116845889A
的专利申请公开了一种基于层次化超图神经网络的电力负载预测方法，该方法通过对电力负载数据进行层次化特征提取并构建超图和超边图显式地表示不同尺度时间模式间的高阶交互，同时引入三阶段消息传递机制来聚合不同尺度的时间模式信息并学习其交互强度，从而充分发现和利用不同尺度时间模式间高阶交互信息
。
但是没有考虑频率成分
。

技术实现思路

[0005]本专利技术要解决的技术问题是如何将电力负载序列数据中的多种频率模式有效解缠，提出一种多频率时间模式渐进解缠的电力负载预测方法，旨在解决现有技术问题的同时实现尽可能彻底但不冗余的解缠
。
[0006]本专利技术提供的一种多频率时间模式渐进解缠的电力负载预测方法，包括以下步骤：获取电力负载序列数据并进行预处理；设计多层分解
‑
重构
‑
分解树状网络对预处理后的电力负载序列数据进行多层分解和重构，在非最后一层的每层中，采用形态学经验模态分解进行序列分解得到不同频率范围内的成分集合，基于成分集合分别构建考虑全局时间依赖性和局部时间依赖性的投影和动态掩码作为分支引导因子，基于分支引导因子进行分支重构，分支重构结果作为下一层序列分解的输入；在最后一层中，基于上一层的分支重构结果进行序列分解，得到不同频率范围内的最终成分集合；
引入自适应图卷积神经网络来建模最终成分集合内成分之间的信息交互，得到交互序列表示；融合交互序列表示后进行电力负载预测
。
[0007]优选地，所述多层分解
‑
重构
‑
分解树状网络由前层的分解
‑
重构模块和最后1层的形态学经验模态分解子模块，并以二叉树的结构组成，每层的分解
‑
重构模块包括形态学经验模态分解子模块
、
分支引导生成子模块以及重构操作
。
[0008]优选地，形态学经验模态分解子模块将输入序列自适应地分解为由个成分组成的成分集合，其中表示第个成分，具体包括：单个成分计算过程：对于输入序列，通过膨胀和腐蚀算子分别计算并绘制出序列的上包络曲线和下包络曲线，对和求均值得到均值包络线，当符合相对公差准则时，将认定为第个成分，表示层索引，表示分解
‑
重构模块索引；随后使用替代重复上述单个成分计算过程，计算下一个成分直至成分总数达到，当不符合相对公差准则时，则用替代重复上述单个成分计算过程，直到结果符合相对公差准则为止
。
[0009]优选地，分支引导生成子模块基于成分集合分别构建考虑全局时间依赖性和局部时间依赖性的投影和动态掩码作为分支引导因子，包括：针对第个成分，通过投影计算得到考虑全局时间依赖的全局引导因子，用公式表示为：；；其中，表示第个成分的隐状态，其捕获了成分内部的全局信息，表示隐状态的转换矩阵，表示第个成分的全局引导因子，所有成分共享同一个由多层感知机映射和激活的投影网络，所有成分的全局引导因子构成分支选择的键，作为一个分支引导因子；对成分集合进行二维卷积得到掩码矩阵，基于掩码矩阵对成分集合进行掩码操作得到所有成分的分支选择的查询作为另一分支引导因子，用公式表示为：；；其中，表示掩码矩阵，表示二维卷积操作，符号表示哈达玛积
。
[0010]优选地，重构操作基于分支引导因子进行分支重构，用公式表示为：
；；；其中，和分别表示通过投影和动态掩码得到的两个分支引导因子，，表示两重构序列，表示多层感知机的映射操作，和表示第个分解
‑
重构模块输出两重构序列的映射结果，作为分支重构结果，表示层索引
。
[0011]优选地，引入自适应图卷积神经网络来建模最终成分集合内成分之间的信息交互，得到交互序列表示，包括：在自适应图卷积神经网络中，每个成分会被看作一个节点，使用图学习来计算自适应邻接矩阵，并进行图卷积学习，用公式表示为：；；；；其中，表示不同频率范围内的最终成分集合，和表示两个参数不同的线性映射，表示节点嵌入，表示自适应邻接矩阵，表示激活操作，表示函数，表示图卷积权重，表示通过的线性变换得到结果，表示输出的图卷积结果；引入多图和残差连接策略得到交互序列表示，用公式表示为：；其中，表示交互序列表示，表示拼接操作，表示中间结果的权重矩阵，表示输出的第张图卷积结果，表示图卷积总量
。
[0012]优选地，融合交互序列表示后进行电力负载预测，包括：将进行融合得到，并输入多层感知机
MLP
，输出未来个时刻的电力负载预测值，用公式表示为：；；其中，表示对交互序列表示进行线性映射，表示求
和操作，表示多层感知机的映射操作
。
[0013]优选地，所述设计多层分解
‑
重构
‑
分解树状网络
、
自适应图卷积神经网络以及融合交互序列表示涉及的网络在被应用之前需要经过参数优化，优化时采用的损失函数为电力负载预测结果与预测真实值之间的平均绝对误差
。
[0014]本专利技术从多个成分中显式地捕获电力负载序列数据中的多个频率范围的时间模式，并通过对时间模式的渐进解缠来学习分散和混合在各个成分中的相同频率的信息，与现有的方法相比，其优点在于：1）自适应地将电力负载序列及其子序列分解为不同频率范围内的多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多频率时间模式渐进解缠的电力负载预测方法，其特征在于，包括以下步骤：获取电力负载序列数据并进行预处理；设计多层分解
‑
重构
‑
分解树状网络对预处理后的电力负载序列数据进行多层分解和重构，在非最后一层的每层中，采用形态学经验模态分解进行序列分解得到不同频率范围内的成分集合，基于成分集合分别构建考虑全局时间依赖性和局部时间依赖性的投影和动态掩码作为分支引导因子，基于分支引导因子进行分支重构，分支重构结果作为下一层序列分解的输入；在最后一层中，基于上一层的分支重构结果进行序列分解，得到不同频率范围内的最终成分集合；引入自适应图卷积神经网络来建模最终成分集合内成分之间的信息交互，得到交互序列表示；融合交互序列表示后进行电力负载预测
。2.
根据权利要求1所述的多频率时间模式渐进解缠的电力负载预测方法，其特征在于，所述多层分解
‑
重构
‑
分解树状网络由前层的分解
‑
重构模块和最后1层的形态学经验模态分解子模块，并以二叉树的结构组成，每层的分解
‑
重构模块包括形态学经验模态分解子模块
、
分支引导生成子模块以及重构操作
。3.
根据权利要求2所述的多频率时间模式渐进解缠的电力负载预测方法，其特征在于，形态学经验模态分解子模块将输入序列自适应地分解为由个成分组成的成分集合，其中表示第个成分，具体包括：单个成分计算过程：对于输入序列，通过膨胀和腐蚀算子分别计算并绘制出序列的上包络曲线和下包络曲线，对和求均值得到均值包络线，当符合相对公差准则时，将认定为第个成分，表示层索引，表示分解
‑
重构模块索引；随后使用替代重复上述单个成分计算过程，计算下一个成分直至成分总数达到，当不符合相对公差准则时，则用替代重复上述单个成分计算过程，直到结果符合相对公差准则为止
。4.
根据权利要求2所述的多频率时间模式渐进解缠的电力负载预测方法，其特征在于，分支引导生成子模块基于成分集合分别构建考虑全局时间依赖性和局部时间依赖性的投影和动态掩码作为分支引导因子，包括：针对第个成分，通过投影计算得到考虑全局时间依赖的全局引导因子，用公式表示为：；；其中，表示第个成分的隐状态，其捕获了成分内部的全局信息，表示隐状态的转
换矩阵，表示第...

【专利技术属性】
技术研发人员：陈岭，苑晓兵，
申请(专利权)人：浙江大学，
类型：发明
国别省市：