【技术实现步骤摘要】
本专利技术涉及一种负荷预测方法，特别是一种基于二次分解的深度学习高波动短期负荷预测方法。
技术介绍
1、负荷预测是平衡系统资源需求、保障系统安全性以及实现资源调度的重要理论基础。准确预测负荷序列对于避免资源浪费、优化资源分配以最大化利益，并确保系统正常运行具有关键意义。然而，负荷序列是受到多种外部时变因素影响的时间序列，这使得负荷预测本身具有一定的复杂性和挑战性。随着电信技术的不断发展和用户行为的变化，业务流量负荷预测面临着新的挑战和要求。例如特殊活动、市场竞争状况以及节假日等因素都会对业务流量产生影响。准确预测电信业务流量负荷有助于电信运营商合理规划网络资源，提高网络效率，并降低拥塞风险。
2、现有的负荷预测方法，可分为多因子预测方法和时间序列预测方法两种。多因子预测借助外来变量的嵌入来预测，例如：包括天气情况、特殊事件、市场竞争状况等。然而这些外来变量对负荷的影响大多具有滞后性，影响外来变量准确度的误差会进一步造成负荷预测效果不理想。时间序列预测方法以过往的时间序列数据为基础，通过统计学方法和人工智能方法来进行负荷预测。
3、近本文档来自技高网...
【技术保护点】
1.一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，步骤2中所述的n+1个联合固有模态函数Co-IMF，表示如下：Co-IMF0、Co-IMF1，…，Co-IMFn。
3.根据权利要求2所述的一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，步骤2中所述的得到联合固有模态函数Co-IMF，具体方法如下：
4.根据权利要求3所述的一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，步骤3中所述的进行...
【技术特征摘要】
1.一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，步骤2中所述的n+1个联合固有模态函数co-imf，表示如下：co-imf0、co-imf1，…，co-imfn。
3.根据权利要求2所述的一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，步骤2中所述的得到联合固有模态函数co-imf，具体方法如下：
4.根据权利要求3所述的一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，步骤3中所述的进行二次分解，具体方法如下：
5.根据权利要求4所述的一种基于二次分解的深度学习高波动短期负荷预测方法，其特征在于，步骤2-1中所述的计算每个imf序列在不同参数下的样本熵，包括以下步骤：<...
【专利技术属性】
技术研发人员：王强，朱晨鸣，温岩，左加阔，
申请(专利权)人：中通服咨询设计研究院有限公司，
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。