[发明专利]一种基于MIC-TCN-LSTM的负荷预测方法、存储介质及计算机系统

权利要求书

1.一种基于MIC-TCN-LSTM的负荷预测方法，其特征在于，包括以下步骤：

S1、对原始数据进行预处理后，再进行归一化处理；

S2、利用最大相关系数MIC对数据进行相关性分析，提出相关性较小或不相关的数据；

S3、利用滑动窗口将步骤2中处理后的数据形成的数据集分为训练集和测试集；

S4、构建TCN-LSTM模型，并将步骤3中的所述训练集送入所述TCN-LSTM模型中进行训练；

S5、利用步骤4中训练好的模型对所述测试集进行预测，最终得到预测结果，进行输出。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中对原始数据进行预处理的方法为：将原始数据处理成理想的格式，并利用前后两天的平均值对数据中的缺失项进行填充。

3.根据权利要求1所述的方法，其特征在于：所述归一化数据是将需要处理的数据限制在0到1之间，所述归一化的处理方法如下其中，x’为归一化之后的数据，x_min与x_max分别为负荷数据的最小值和最大值。

4.根据权利要求1所述的方法，其特征在于，所述步骤2中对数据进行相关性分析的方法包括：利用最大相关信息数MIC的方法，求出其他数据包括温度、湿度、降水量、日期类型与负荷数据之间的相关关系，丢弃不必要的变量，所述最大相关信息数MIC用于衡量两个变量X和Y之间的关联程度，线性或非线性的强度，用于变量之间特征选择，所述最大相关信息数MIC基本原理利用到互信息概念，互信息概念使用以下方程来说明其中，x和y是两个联系的随机变量，p(x，y)是联合概率密度分布函数，将两个随机变量化成散点图，然后不断的用小方格子去分割，再计算每个方格子里面的落入概率P(X)、P(Y)，从而计算出联合概率密度分布，具体方法计算如下

分别求出负荷变量与其余变量的相关关系，丢弃与负荷相关性较小的变量。

5.根据权利要求1所述的方法，其特征在于：步骤4中构建的所述TCN-LSTM模型包括数据依次传输的输入层、TCN层、LSTM层和输出层。

6.根据权利要求5所述的方法，其特征在于：所述TCN层包括若干个残差网络，所述残差网络包括扩张因果卷积层、权重归一化层WeightNorm和正则化层Dropout，残差网络一个分支对输入X执行变换操作F，另一个分支以执行简单的1×1转换，以保持与现有分支并行的特征映射数的一致性，第h个残差模块的输出X(h)可以表示为

X^(h)＝ReLU(F(X^(h-1))+X^(h-1))

其中，ReLU表示如下式所示的激活函数