【技术实现步骤摘要】
本专利技术涉及电力负荷预测，具体为一种大工业用户用电负荷预测方法。
技术介绍
1、电力行业作为国民经济发展的基础行业，工业用电量占据了全社会用电量的大部分。大工业用户是工业领域中负荷较大、电费占比较高的企业，随着产业结构调整和可持续发展政策的实施，其数量和重要性逐渐增加。对于大工业用户来说，负荷预测可以帮助他们制定合理的用电计划和节能策略，降低电费支出，提高企业的经济效益。
2、现有的用电负荷预测方法通常可分为基于数理统计的预测方法、基于不确定信息的预测方法以及基于人工智能的预测方法，数理统计的方法主要有时间序列分析、回归分析模型和灰色模型。数理统计方法对数据的解释性更强，可以挖掘负荷历史数据与其他外部变量之间的相关性，在处理数据量较小的问题时具有更好的适应性。基于不确定信息的预测方法利用概率论和统计学理论，考虑到用电负荷的随机变动和不确定性因素。其中常用的方法包括蒙特卡洛模拟、马尔可夫链蒙特卡洛模拟和贝叶斯统计等。应用于电力负荷预测的人工智能算法常用的方法包括支持向量机(svm)、反向传播(bp)神经网络、极限学习机(elm)等。相较于传统的lstm和gru模型，informer模型在预测精度上具有优势，并且具备更快的计算速度。因此，将informer模型应用于大工业用户的用电负荷预测有望提高预测精度。另外，在特征工程中，特征选择是一个关键环节，它能够从众多备选因素中寻找最佳的特征子集，有效地减少输入冗余。最大信息系数(maximum information coefficient，mic)在处理复杂关系时表现出强
3、针对上述问题，本文提出一种大工业用户用电负荷预测方法来解决上述提出的问题。
4、对于用电负荷序列的非线性特征，当前仍然存在挑战，单一算法很难满足预测的需求。为了解决这个问题，信号分解方法逐渐受到用电负荷预测领域的重视，它可以将原始信号分解为多个不同的模态函数，从而降低原始信号的非稳定性。变分模态分解(vmd)作为一种有效的数据分解技术，能够降低数据的波动性并有效抑制噪声。除此之外，深度学习技术的迅猛发展很大程度上归功于特征工程的应用。在特征工程中，特征选择是一个关键环节，深度学习技术的迅猛发展很大程度上归功于特征工程的应用。而在众多方法中，最大信息系数(maximum information coefficient，mic)在处理复杂关系时表现出强大的鲁棒性和普适性。因此，本文采用最大信息系数对天气变量和负荷之间的相关性进行分析。
5、本文提出一种大工业用户用电负荷预测方法，首先使用vmd算法对负荷数据进行分解，得到模态和残差量。然后，使用mic特征筛选方法选择与各个独立模态函数相关性最高的特征构建特征矩阵。采用高精度且快速的informer模型对特征矩阵进行预测。最后，使用gru模型对误差序列进行训练和预测，并将其与重构结果相加得到最终的用电负荷预测结果。
技术实现思路
1、本专利技术的目的在于提供一种大工业用户用电负荷预测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种大工业用户用电负荷预测方法，该大工业用户用电负荷预测方法的具体步骤流程如下：
3、步骤一：利用vmd算法对负荷数据进行分解，得到各个模态和残差量；
4、步骤二：建立基于多分辨率时间序列注意力的工业用户日用电量预测神经网络，深入挖掘电力序列的特征；
5、步骤三：利用informer模型对特征矩阵进行模型训练和预测；
6、步骤四：通过将预测结果与重构结果相加，利用gru模型对误差序列进行误差修正，得到最终的用电负荷预测结果。
7、优选的，所述步骤一是通过vmd-mic-informer-gru混合模型来完成具体实施，所述vmd-mic-informer-gru混合模型包括vmd模型、mic模型、informer模型和gru模型。
8、优选的，所述步骤二中是通过大工业用户用电负荷预测模型来完成具体实施，为了充分挖掘大工业用户用电负荷数据中的时序信息和天气信息等特征，使用vmd算法对负荷数据进行分解，得到各个模态和残差量，随后，利用mic特征筛选方法，选择与各个独立模态函数(imf)相关性最高的特征构建特征矩阵用于预测，以提高模型预测结果的准确性，利用informer模型用于对各个输入特征矩阵进行预测，该模型具有高精度和快速的运行速度，最后，将预测结果进行重构，利用gru模型对误差序列进行训练与预测，并与重构结果相加得到最终的用电负荷预测结果。
9、优选的，所述步骤三中，为了评估模型的性能，使用了时间序列预测中常用的四种评价指标，指标包括平均绝对误差(mae)、平均绝对百分比误差(mape)、均方根误差(rmse)和决定系数(r2)，使用这些评价指标来优化所提出的建模策略的性能评估，评估所提出的基础模型性能，将informer-gru其与八个对比模型进行比较，这些对比模型包括自回归积分滑动平均(arima)、bp神经网络、卷积神经网络(cnn)、支持向量回归(svr)、长短期记忆网络(lstm)、梯度提升决策树(gbdt)、xgboost和卷积神经网络结合双向长短时记忆神经网络(cnn-bilstm)，使用了变分模态分解(variational mode decomposition，vmd)方法对原始大工业用户用电负荷数据进行分解，模态数k的选取会影响vmd的分解，k过多会导致模态混叠或产生额外的噪声，过少会导致模态欠分解。
10、优选的，所述步骤四中，为体现所提算法的优越性，建立vmd-informer模型、vmd-mic-informer模型以及vmd-mic-informer-gru模型，vmd-informer模型通过vmd对大工业用户用电负荷数据样本集进行分解得到若干imf，并利用所有外部特征同imf进行模型训练得到负荷预测结果，vmd-mic-informer模型则在利用vmd得到若干imf之后，利用mic对imf进行特征选择，再进行负荷预测；vmd-mic-informer-gru模型则利用vmd算法对负荷数据进行分解，利用mic特征筛选构建特征矩阵，随后利用informer模型对各个输入特征矩阵进行预测，将预测结果进行重构，利用gru模型对误差序列进行训练与预测，并与重构结果相加得到最终的用电负荷预测结果。
11、与现有技术相比，本专利技术的有益效果是：
12、本文采用的数据集总计8160个采样点，将数据集按8:1:1的比例划分为训练集、验证集和测试集，首先，对基础模型informer-gru进行验证，其次，进行vmd分解与特征筛选，最后对预测结果进行分析，本文建立vmd-informer模型、vmd-mic-informer模型以及vmd-mic-informer-gru模型，并对3种模型的预测结果进行对比分析，vmd-informer模型可以本文档来自技高网...
【技术保护点】
1.一种大工业用户用电负荷预测方法，其特征在于，该大工业用户用电负荷预测方法的具体步骤流程如下：
2.根据权利要求1所述的一种大工业用户用电负荷预测方法，其特征在于：所述步骤一是通过VMD-MIC-Informer-GRU混合模型来完成具体实施，所述VMD-MIC-Informer-GRU混合模型包括VMD模型、MIC模型、Informer模型和GRU模型。
3.根据权利要求1所述的一种大工业用户用电负荷预测方法，其特征在于：所述步骤二中是通过大工业用户用电负荷预测模型来完成具体实施，为了充分挖掘大工业用户用电负荷数据中的时序信息和天气信息等特征，使用VMD算法对负荷数据进行分解，得到各个模态和残差量，随后，利用MIC特征筛选方法，选择与各个独立模态函数(IMF)相关性最高的特征构建特征矩阵用于预测，以提高模型预测结果的准确性，利用Informer模型用于对各个输入特征矩阵进行预测，该模型具有高精度和快速的运行速度，最后，将预测结果进行重构，利用GRU模型对误差序列进行训练与预测，并与重构结果相加得到最终的用电负荷预测结果。
4.根据权利要求1
5.根据权利要求1所述的一种大工业用户用电负荷预测方法，其特征在于：所述步骤四中，为体现所提算法的优越性，建立VMD-Informer模型、VMD-MIC-Informer模型以及VMD-MIC-Informer-GRU模型，VMD-Informer模型通过VMD对大工业用户用电负荷数据样本集进行分解得到若干IMF，并利用所有外部特征同IMF进行模型训练得到负荷预测结果，VMD-MIC-Informer模型则在利用VMD得到若干IMF之后，利用MIC对IMF进行特征选择，再进行负荷预测；VMD-MIC-Informer-GRU模型则利用VMD算法对负荷数据进行分解，利用MIC特征筛选构建特征矩阵，随后利用Informer模型对各个输入特征矩阵进行预测，将预测结果进行重构，利用GRU模型对误差序列进行训练与预测，并与重构结果相加得到最终的用电负荷预测结果。
...【技术特征摘要】
1.一种大工业用户用电负荷预测方法，其特征在于，该大工业用户用电负荷预测方法的具体步骤流程如下：
2.根据权利要求1所述的一种大工业用户用电负荷预测方法，其特征在于：所述步骤一是通过vmd-mic-informer-gru混合模型来完成具体实施，所述vmd-mic-informer-gru混合模型包括vmd模型、mic模型、informer模型和gru模型。
3.根据权利要求1所述的一种大工业用户用电负荷预测方法，其特征在于：所述步骤二中是通过大工业用户用电负荷预测模型来完成具体实施，为了充分挖掘大工业用户用电负荷数据中的时序信息和天气信息等特征，使用vmd算法对负荷数据进行分解，得到各个模态和残差量，随后，利用mic特征筛选方法，选择与各个独立模态函数(imf)相关性最高的特征构建特征矩阵用于预测，以提高模型预测结果的准确性，利用informer模型用于对各个输入特征矩阵进行预测，该模型具有高精度和快速的运行速度，最后，将预测结果进行重构，利用gru模型对误差序列进行训练与预测，并与重构结果相加得到最终的用电负荷预测结果。
4.根据权利要求1所述的一种大工业用户用电负荷预测方法，其特征在于：所述步骤三中，为了评估模型的性能，使用了时间序列预测中常用的四种评价指标，指标包括平均绝对误差(mae)、平均绝对百分比误差(mape)、均方根误差(rmse)和决定系数(r2)，使用这些评价指标来优化所提出的建模策略的性能评估，评估所提出的基础模型性能，将...
【专利技术属性】
技术研发人员：美迪娜·艾孜热提力，何慧梅，李晓东，汤文娟，白瑞金，李超锋，罗光旭，古力格娜·阿不都，刘梅，
申请(专利权)人：国网新疆电力有限公司营销服务中心，
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。