【技术实现步骤摘要】
本专利技术涉及电力负载预测，尤其是一种基于ihpc数据的居民用电负载预测方法。
技术介绍
1、电力是现代社会中非常重要的一种能源，几乎影响到了每一个人的生活和工作。它不仅仅是推动经济发展的重要基础设施，同时也是保障生活质量和安全的重要支撑。
2、在负载预测领域，目前存在多种用于预测系统负载情况的方法，包括时间序列分析方法、机器学习算法、聚类分析方法和混合方法，其中，时间序列分析是一种经典的负载预测方法，通过分析历史负载数据的模式和趋势来预测未来的负载情况，然而，时间序列方法对非线性、非平稳或具有季节性的数据表现不佳；机器学习算法包括线性回归、支持向量机、神经网络机器学习算法，被广泛应用于负载预测中，这些算法可以更好地捕捉数据之间的复杂关系，但需要大量的数据进行训练，并且对超参数敏感，需要仔细调节；聚类分析方法可以将相似的负载模式归为一类，并基于类别进行负载预测，难以处理高维数据或者对噪声数据敏感；混合方法结合多种技术，如将时间序列分析与机器学习算法结合，利用集成学习方法，提高负载预测的准确性和鲁棒性。
3、虽然以上方法在负载预测中有一定效果，但仍然存在一些潜在的缺陷：数据不平衡：负载数据存在不平衡的情况，即某些类别的数据量较少或者负载波动较小，导致模型训练的偏差；数据噪声：负载数据通常会受到各种因素的影响，包括异常值、缺失值噪声数据，影响模型的性能；模型过拟合：某些复杂的模型在训练数据上表现良好，但在新数据上表现不佳，出现过拟合问题；参数选择困难：一些方法需要大量的参数设置和调优，如果参数选择不当，影响到
技术实现思路
1、为解决现有技术在居民电力负荷预测任务上存在的数据不平衡、数据噪声、模型过拟合和参数选择问题，本专利技术的目的在于提供一种能够获取更为精确和可靠的预测效果，在保证预测效果的同时也能结合具体应用任务实现多步预测，从而提高执行效率的基于ihpc数据的居民用电负载预测方法。
2、为实现上述目的，本专利技术采用了以下技术方案：一种基于ihpc数据的居民用电负载预测方法，该方法包括下列顺序的步骤：
3、(1)获取原始数据组成居民用户用电数据集，进行统计特征分析，对原始数据进行缺失值处理和异常值修正，得到预处理后的居民用户用电数据；
4、(2)根据预处理后的居民用户用电数据，采用变分模态分解方法对待预测的负载进行分解，分解为多个固有模态函数，并根据频率不同将所有固有模态函数进行重构，重构后的模态并入预处理后的居民用户用电数据进行特征增强，得到增强后的居民用户用电数据；
5、(3)将增强后的居民用户用电数据按照4:4:2的比例划分为训练集、测试集和验证集；
6、(4)对训训练集、测试集和验证集进行嵌入处理，得到嵌入后的数据；所述嵌入处理包括位置嵌入处理和日期嵌入处理；
7、(5)构建居民用电负载预测模型，将嵌入后的数据输入居民用电负载预测模型，通过训练居民用电负载预测模型，调整模型参数并优化，得到最终的居民用电负载预测模型，对最终的居民用电负载预测模型进行评估，将待预测的数据输入最终的居民用电负载预测模型，输出预测结果。
8、所述步骤(1)具体包括以下步骤：
9、(1a)下载居民用户用电数据作为原始数据，并组成居民用户用电数据集；
10、(1b)对原始数据进行统计特征分析，所述统计特征包括中位数、最大值、最小值、峰值和四分位距，对原始数据进行缺失值处理，将缺失值按照前一天同一时刻进行填补的方法进行修补，再按照3sigma原理找出异常值并进行修正，得到预处理后的居民用户用电数据。
11、所述步骤(2)具体包括以下步骤：
12、(2a)将原始数据中的有功功率作为变分模态分解方法的输入；
13、(2b)设置变分模态分解方法的迭代次数和正则化参数；
14、(2c)创建初始随机噪声模态，生成一个与原始数据相同长度的随机噪声序列；
15、(2d)进行迭代优化，包括：
16、(2d1)建立数据的希尔伯特变换：对原始数据和随机噪声模态进行希尔伯特变换，得到复数形式的解析信号；
17、(2d2)计算频率边界：根据每个模态的中心频率和带宽，确定频率边界；
18、(2d3)模态分量更新：通过最小化约束条件的代价函数来更新噪声模态，使其逼近原始数据；
19、(2d4)正则化项更新：使用正则化参数来更新噪声模态，平衡模态间的能量分配；
20、(2d5)更新中心频率和带宽：根据更新的噪声模态，重新计算每个模态的中心频率和带宽；
21、(2d6)判断终止条件：若达到设定的迭代次数或噪声模态的变化低于设定的阈值，则停止迭代；
22、(2e)得到待预测的负载经过变分模态分解方法处理后的多个固有模态函数，对分解后的固有模态函数进行重构，并入预处理后的居民用户用电数据进行特征增强，得到增强后的居民用户用电数据。
23、所述步骤(3)具体包括以下步骤：
24、(3a)将增强后的居民用户用电数据以小时为基本单位进行重采样；
25、(3b)将重采样后的数据按照4:4:2的比例划分为训练集、验证集和测试集。
26、所述步骤(4)具体包括以下步骤：
27、(4a)进行位置嵌入处理：
28、创建位置编码矩阵：对于每个位置i和每个维度j，计算一个位置编码值pe(i,j)；
29、对于偶数维度的位置编码，j为偶数，使用正弦函数计算：
30、pe(i,j)＝sin(i/10000^(2j/dmodel))
31、对于奇数维度的位置编码，j为奇数，使用余弦函数计算：
32、pe(i,j)＝cos(i/10000^(2j/dmodel))
33、式中，dmodel为模型复杂度；
34、合并位置编码、训练集、测试集和验证集：将位置编码值与训练集、测试集和验证集相加，得到位置嵌入向量；
35、(4b)进行日期嵌入处理：对训练集、测试集和验证集的时序特征进行提取，包括一年中的第几个月，一个月中的第几天，一天中的第几个小时，是否节假日特征，并将提取的时序特征与训练集、测试集和验证集相加得到日期嵌入向量；
36、位置嵌入向量和日期嵌入向量共同组成嵌入后的数据。
37、所述步骤(5)具体包括以下步骤：
38、(5a)构建卷积循环注意力块：将一维卷积神经网络、二维卷积神经网络、长短期记忆神经网络和多头自注意机制层进行堆叠，形成卷积循环注意力块；
39、其中，一维卷积神经网络，用于提取单个特征所隐含的不同信息，将维度从低维度映射到高维度以捕获更多信息；
40、二维卷积神经网络，用于提取输入不同维度、不同时间的时空信息，提取不同变量之间的相互影响关系；
41、长短期记忆神经网络，用本文档来自技高网...
【技术保护点】
1.一种基于IHPC数据的居民用电负载预测方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的基于IHPC数据的居民用电负载预测方法，其特征在于：所述步骤(1)具体包括以下步骤：
3.根据权利要求1所述的基于IHPC数据的居民用电负载预测方法，其特征在于：所述步骤(2)具体包括以下步骤：
4.根据权利要求1所述的基于IHPC数据的居民用电负载预测方法，其特征在于：所述步骤(3)具体包括以下步骤：
5.根据权利要求1所述的基于IHPC数据的居民用电负载预测方法，其特征在于：所述步骤(4)具体包括以下步骤：
6.根据权利要求1所述的基于IHPC数据的居民用电负载预测方法，其特征在于：所述步骤(5)具体包括以下步骤：
【技术特征摘要】
1.一种基于ihpc数据的居民用电负载预测方法，其特征在于：该方法包括下列顺序的步骤：
2.根据权利要求1所述的基于ihpc数据的居民用电负载预测方法，其特征在于：所述步骤(1)具体包括以下步骤：
3.根据权利要求1所述的基于ihpc数据的居民用电负载预测方法，其特征在于：所述步骤(2)具体包括以下步骤：
4....
【专利技术属性】
技术研发人员：朱家明，刘德志，盛况，郑鹏，陈华友，刘金培，陶志富，牛丽丽，
申请(专利权)人：安徽大学，
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。