【技术实现步骤摘要】
本专利技术涉及电力能源，尤其涉及基于深度交叉分解的双通道电力负荷预测方法。
技术介绍
1、电力负荷预测是一项关键的能源管理技术，其核心目标是通过综合考虑历史用电数据、经济指标、天气状况等多个因素，预测未来某个时间段内的电力需求，这一技术有助于确保电力供需平衡、提高电力系统效率和稳定性。但是电力系统是一个高度动态、复杂的系统，其运行受到季节性、日变化、天气状况、工业活动等多种因素的影响。而且近年来，在国家“碳达峰”和“碳中和”目标下，能源结构在转型，可再生能源快速增长，这对电力负荷预测准确性提出了更高的要求。因此，有必要开发基于深度交叉分解的双通道电力负荷预测方法，通过准确预测电力需求来实现维持电网的平衡性和稳定性。
2、目前电力负荷预测方法涵盖了统计学、机器学习和深度学习等多种技术，但在现有技术中还存在如下问题：
3、1.时间序列分析是基于历史负荷数据的统计方法，但由于对影响因素的复杂关系考虑不足，如天气、季节、节假日等，会导致预测不准确；同时，由于对异常事件的敏感性，还会导致预测结果产生明显偏差；
4、2.回归分析是基于影响因素和负荷之间的关系，如天气数据、经济指标等。但回归模型常基于线性假设，难以捕捉复杂的非线性关系，而且由于影响因素之间可能存在多重共线性，将会使得模型的解释性和稳定性降低；
5、3.机器学习方法可以自动捕捉数据中的模式，但在训练数据过少或噪音过多的情况下，机器学习模型可能过拟合，导致在新数据上表现不佳；
6、4.深度神经网络会需要大量计算资源和时间
7、由于上述问题，均无法准确地实现电力负荷预测需求的目标。而且如果电力负荷预测不准确，会对经济效益、环境可持续性和用户体验等多方面造成不利影响，可能导致电力网络的不稳定，负荷波动可能引发频繁的电力峰值和负荷不平衡，从而增加电力系统的风险，例如：引发事故、损坏设备或造成停电等；还会使市场供需失衡，导致能源价格波动和市场不确定性增加；能源规划人员也会难以评估和确定未来的能源需求，从而影响电力系统的扩建、新能源投资和可再生能源整合等工作。
技术实现思路
1、本专利技术通过提供基于深度交叉分解的双通道电力负荷预测方法，目的在于使电力负荷预测不仅具有高效准确的预测精度，同时能够有效降低季节、天气等因素的影响，并且可以实时预测达到较高的稳定性，以便更好的维持电网的平衡性。
2、本专利技术技术方案具体如下：
3、基于深度交叉分解的双通道电力负荷预测方法，包括以下步骤：
4、步骤s1.通过电力设备进行数据采集，对获取的电力负荷数据进行预处理；
5、步骤s2.结合预处理后的电力负荷数据，构建基于季节和趋势-周期的双通道网络模型对数据进行分析；
6、步骤s3.根据移动平均算法将负荷输入序列数据快速分解为季节项和趋势-周期项子项，并对其分别构建对应神经网络专注于提取不同的特征信息，并进行深度交叉融合；
7、步骤s4.构建残差连接，在季节通道，季节项通过残差连接相加得到季节项二次分量，然后分离出季节项子项和趋势-周期项子项；
8、在趋势-周期通道，趋势-周期项通过残差连接和深度交叉融入季节通道的趋势-周期子项；
9、步骤s5.通过残差连接，将季节通道和趋势-周期通道的最终输出项相融合，输出电力负荷预测结果。
10、进一步，步骤s1具体包括：
11、根据电力负荷数据输入长度d和预测长度l，将电力负荷数据分成长度为(d+l)的电力序列数据集e；
12、进一步，步骤s2具体包括：
13、对电力序列数据集e中的负荷输入序列x进行填充，采用移动平均方法将负荷输入序列x分解为季节项s0和趋势-周期项t0，将季节项s0送入季节通道，趋势-周期项t0送入趋势-周期通道。
14、进一步，步骤s3具体包括：
15、在季节通道和趋势-周期通道分别构建对应神经网络，包括增强enlstm网络、增强engru网络、弱化wegru网络、弱化welstm网络，对季节项和趋势-周期项的特征维度进行转换。
16、进一步，还包括：
17、进行深度交叉融合，将季节通道中分离出的趋势-周期子项送到趋势-周期通道，同时融入从趋势-周期通道得到的季节子项；同理，将趋势-周期通道分离出的趋势-周期子项同时融入从季节通道得到的趋势-周期子项。
18、进一步，步骤s4具体包括：
19、通过建立的残差连接，在季节通道，季节项s1和季节项s2通过残差连接相加得到季节项二次分量s2’，分解为季节项s2s和趋势-周期项s2t；在趋势-周期通道，趋势-周期项t2通过残差连接融入趋势-周期项t1，通过深度交叉融入季节通道的趋势-周期项s2t，得到趋势-周期项t3；在季节通过不需要经过深度交叉融合，s2t即为s3；并根据构建的弱化welstm网络，对季节项和趋势-周期项的特征维度进行转换。
20、基于深度交叉分解的双通道电力负荷预测系统，包括以下内容：
21、数据获取模块、预处理模块、特征增强模块、深度交叉分解融合模块、特征弱化模块、负荷预测模块；
22、所述数据获取模块，通过电力设备进行数据采集获得电力负荷数据信息，将数据信息传递至预处理模块；
23、所述预处理模块，用于对获取的电力负荷数据进行预处理构造电力序列数据集，传递至特征增强模块；将输入的序列分解为季节项和趋势-周期项，进入季节通道和趋势-周期通道分别进行处理；
24、所述特征增强模块，用于增强神经网络对所得到的电力负荷数据信息的特征表示能力，使网络准确捕捉到输入的电力序列数据中的重要特征，将所述特征增强模块处理后的数据信息传递至序列分解模块；所述特征增强模块包括特征增强lstm网络单元、特征增强gru网络单元；
25、所述特征增强lstm网络单元，通过增加网络深度将输入的电力序列数据的长度进行转换，将所述特征增强lstm网络单元处理后的数据传递至一级序列分解单元；
26、所述特征增强gru网络单元，根据一级序列分解单元处理后得到的季节项s1和趋势-周期项t1对长度进行转换，将所述特征增强gru网络单元处理后的数据传递至二级序列分解单元；
27、所述深度交叉分解融合模块，将所述季节通道中分离出的趋势-周期分量送到趋势-周期通道，同时融入从所述趋势-周期通道得到的季节分量；所述深度交叉分解融合模块包括一级序列分解单元、二级序列分解单元、三级序列分解单元；
28、所述一级序列分解单元，将所述特征增强lstm网络单元得到的数据进行分解处理得到季节项s1和趋势-周期项t1，传递至所述特征增强gru网络单元；
29、所述二级序列分解单元，将所述特征增强gru网络单元得到的数据进行分解处理得到季节项s2和趋势-周期项t2，传递至所述特征弱化gru网络单元；
30本文档来自技高网...
【技术保护点】
1.基于深度交叉分解的双通道电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤S1具体包括：
3.根据权利要求1或2任一项所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤S2具体包括：
4.根据权利要求1所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤S3具体包括：
5.根据权利要求1所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤S3具体包括：
6.根据权利要求1或4任一项所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤S4具体包括：
7.基于深度交叉分解的双通道电力负荷预测系统，其特征在于，包括以下内容：
8.根据权利要求7所述的基于深度交叉分解的双通道电力负荷预测系统，其特征在于，所述特征增强LSTM网络单元，通过增加网络深度将输入的电力序列数据的长度进行转换，将所述特征增强LSTM网络单元处理后的数据传递至一级序列分解单元；>
9.根据权利要求7所述的基于深度交叉分解的双通道电力负荷预测系统，其特征在于，所述一级序列分解单元，将所述特征增强LSTM网络单元得到的数据进行分解处理得到季节项S1和趋势-周期项T1，传递至所述特征增强GRU网络单元；
10.根据权利要求7所述的基于深度交叉分解的双通道电力负荷预测系统，其特征在于，所述特征弱化GRU网络单元，根据二级序列分解单元处理后得到的季节项S2和趋势-周期项T2对长度进行转换，将所述特征弱化GRU网络单元处理后的数据传递至三级序列分解单元；
...【技术特征摘要】
1.基于深度交叉分解的双通道电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤s1具体包括：
3.根据权利要求1或2任一项所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤s2具体包括：
4.根据权利要求1所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤s3具体包括：
5.根据权利要求1所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤s3具体包括：
6.根据权利要求1或4任一项所述的基于深度交叉分解的双通道电力负荷预测方法，其特征在于，所述步骤s4具体包括：
7.基于深度交叉分解的双通道电力负荷预测系统，其特征在于，包括以下...
【专利技术属性】
技术研发人员：李跃，刘业朋，黄思远，张帆，文志东，司千字，
申请(专利权)人：山东工商学院，
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。