[发明专利]一种电力负荷预测方法、系统、计算机设备及存储介质

权利要求书

1.一种电力负荷预测方法，其特征在于，包括：

获取历史用电量数据，利用小波变换对所述历史用电量数据进行分解并还原，得到近似分量和残余分量；

对所述近似分量和所述残余分量分别进行特征处理，得到近似分量样本集和残余分量样本集；

将所述近似分量样本集中的样本数据输入至全连接层进行向量调整，并将调整后的样本数据输入到GRU神经网络中进行学习以获得近似分量特征数据，并将所述特征数据输入至Softmax层进行归一化处理，得到所述近似分量的预测结果；

其中，所述将所述特征数据输入至Softmax层进行归一化处理，得到所述近似分量的预测结果，包括：

将所述特征数据输入至Softmax层进行归一化处理，得到正无穷的预测结果和负无穷的预测结果；

将所述正无穷的预测结果和负无穷的预测结果转化为概率，并将概率最大的预测结果作为所述近似分量的预测结果；

将所述残余分量样本集转换为时频矩阵，并获取所述时频矩阵的频谱图，并根据所述频谱图获取残余分量图像样本集；对所述残余分量图像样本集中的样本数据进行特征提取，并将提取得到的残余分量特征数据输入至预先构建的卷积神经网络中进行学习，得到所述残余分量的预测结果；

其中，所述对所述残余分量图像样本集中的样本数据进行特征提取，并将提取得到的残余分量特征数据输入至预先构建的卷积神经网络中进行学习，得到所述残余分量的预测结果，包括：

利用DPN网络对所述残余分量图像样本集中的样本数据进行特征提取，并将提取的特征分别输入至Python工具包中的最大池化层和平均池化层进行池化处理，并将最大池化处理后的特征与平均池化处理后的特征进行汇总，并将汇总后的特征输入至Python工具包中的压平层，以将汇总后的特征一维化，输出特征向量；

对所述特征向量输入至一个[BatchNorm1d,Dropout,Linear,ReLU]模块进行归一化处理以及输入至一个[BatchNorm1d,Dropout,Linear]模块进行防止过拟合处理，并将处理后的特征向量输入至线性全连接层中进行线性回归操作，得到所述残余分量的预测结果；

统计所述近似分量的预测结果和所述残余分量的预测结果的总和，得到所述电力负荷预测结果。

2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述对所述近似分量和所述残余分量分别进行特征处理，得到近似分量样本集和残余分量样本集，包括：

获取预定时间段之前的历史用电量数据，并结合所述近似分量的预测任务添加对应的外生变量，得到近似分量样本集；

以及，获取预定时间段之前的历史用电量数据，并结合所述残余分量的预测任务，得到残余分量样本集。

3.根据权利要求1所述的电力负荷预测方法，其特征在于，所述将调整后的样本数据输入到GRU神经网络中进行学习以获得近似分量特征数据，包括：

将调整后的样本数据输入到预先构建的GRU神经网络中；

利用所述GRU神经网络中的更新门对所述调整后的样本数据进行更新，获得更新数据，并利用所述GRU神经网络中的重置门对所述调整后的样本数据进行重置，获得重置数据；

利用所述更新数据和重置数据对所述调整后的样本数据进行学习，得到近似分量特征数据。

4.根据权利要求1所述的电力负荷预测方法，其特征在于，所述将所述残余分量样本集转换为时频矩阵，并获取所述时频矩阵的频谱图，包括：

通过离散短时傅里叶变换将所述残余分量样本集转换为时频矩阵，并获取所述时频矩阵的频谱图；

通过以下公式进行离散短时傅里叶变换：

其中，z()为源信号，g()为窗口函数，m为窗口长度，T为采样频率，是复数表示，k∈(-∞,+∞)，