一种基于局部均值分解和SMA-Transformer的数据预测方法技术

本发明专利技术公开了一种基于局部均值分解和SMA‑Transformer的数据预测方法，涉及智能用电领域，本发明专利技术包括LMD模块，SMA模块，Transformer模块；所述LMD模块，利用LMD对有源低压配网户变关系数据进行PF分解，得到N个乘积函数PF分量；所述SMA模块，利用SMA寻优算法来优化模型参数；所述Transformer模块，利用Transformer网络对PF分量进行单独预测；最后，各个单独预测值进行累加，通过设定的误差阈值来实现预测值的输入；本发明专利技术旨在精确调度能源，提升能效同时减少排放，并通过智能化的故障侦测及快速响应，鼓励用户参与能源管理，进一步推动智能控制系统的发展。

【技术实现步骤摘要】

本专利技术属于时序预测，特别是涉及一种基于局部均值分解和sma-transformer的数据预测方法。

技术介绍

1、有源低压配网户变关系，指在电力配网系统中，将高压电网的电能通过变压器降压为低压电能，然后转送给小区或者单个建筑物的户内用电设备的过程；在实际运行中，精准地进行户变关系预测十分重要，在对有源低压配网户变关系数据进行时序预测时，通常预测方法可划分为三类：数据驱动、模型驱动与混合型方法。数据驱动方法依赖于历史消耗模式和统计学原理，利用时间序列、回归和聚类等方法预计未来短期的供电关系；模型驱动方法，依据电网的物理规律，结合负载和线路模型，揭示了用电行为与供电关系提供了框架；混合方法则融合上述两种途径的优点，采用决策树、随机森林、神经网络等机器学习技术，从历史数据中识别规律，同时考量物理模型，从而增强预测的精度及其鲁棒性。

2、每种方法均有不足之处，数据驱动方法高度依赖于数据完整性，易受到数据丢失和异常的妨碍，且在供电关系不稳定时预测效果会减弱；模型驱动方法的建模过程复杂且计算成本高昂，且模型可能不够完备；混合方法虽然能够解析大数据中的模本文档来自技高网...

【技术保护点】

1.一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，步骤S1中，采集模型构建所需的数据，并构建数据集包括：

3.根据权利要求1所述的一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征在于，步骤S2中，对经过步骤S1处理过后的有源低压配网户变关系数据进行局部均值LMD分解的步骤包括：

4.根据权利要求1所述的一种基于局部均值分解和SMA-Transformer的数据预测方法，其特征...

【技术特征摘要】

1.一种基于局部均值分解和sma-transformer的数据预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于局部均值分解和sma-transformer的数据预测方法，其特征在于，步骤s1中，采集模型构建所需的数据，并构建数据集包括：

3.根据权利要求1所述的一种基于局部均值分解和sma-transformer的数据预测方法，其特征在于，步骤s2中，对经过步骤s1处理过后的有源低压配网户变关系数据进行局部均值l...

【专利技术属性】
技术研发人员：谭超，谭文瑞，刘伟，孙梦浩，朱成昂，张晓龙，余琳珊，何长江，陈耀辉，袁世斌，
申请(专利权)人：三峡大学，
类型：发明
国别省市：