[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

说明书

本发明公开了一种基于MIC‑TCN‑LSTM的负荷预测方法、存储介质及计算机系统，其中方法包括以下步骤：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。本发明针对电网中的负荷进行精确的预测，有效地提高了预测精准性。本发明提出的方法简单、容易实现。

技术领域

本发明涉及负荷预测方法领域，特别涉及一种基于MIC-TCN-LSTM的负荷预测方法、存储介质及计算机系统。

背景技术

MIC——Maximal information coefficient，源自于2011年发在Science上的一个论文。MIC用于衡量两个变量X和Y之间的关联程度以及线性或非线性的强度，常用于机器学习的特征选择。MIC相较于其他求相关性的方法，有更高的准确度，是一种优秀的数据关联性的计算方式。根据MIC的性质，MIC具有普适性、公平性和对称性。1)普适性：在样本量足够大，包含了样本的大部分信息时，能够捕获各种各样的有趣的关联，而不限定于特定的函数类型，如线性函数、指数函数或周期函数，或者说能均衡覆盖所有的函数关系。一般变量之间的复杂关系不仅仅是通过单独一个函数就能够建模的，而是需要叠加函数来表现。对于普适性较好的函数，不同类型的关联关系的起点应当是接近的。而且是接近于1的。2)公平性：在样本量足够大时能为不同类型单噪声程度相似的相关关系给出相近的系数。

时间卷积网络(TCN)是在2018年提出的一种神经网络算法，用于分析时间序列数据。TCN引入了一维卷积、因果卷积、扩张卷积和残差网络，解决了长期时间序列信息的特征提取问题。TCN是一种高效的特征提取和表达算法，它可以准确地建模和估计复杂的多特征、多尺度非线性数据。基于TCN的负荷预测算法能够准确地模拟负荷与其相关特征之间的复杂关系，实现高精度的预测。与传统的基于循环神经网络(RNN)的算法相比，TCN在时间序列预测任务中表现出更多的优势：1)TCN擅长捕获时间依赖，因为卷积可以捕获局部信息；2)TCN模型的感受野大小可以灵活调整，以获得更多的输入特征。

现有的电网负荷预测精度不高，现急需一种预测精度高的方法来解决该问题。

发明内容

为了解决现有问题，本发明提供了一种基于MIC-TCN-LSTM的负荷预测方法、存储介质及计算机系统，具体方案如下：

一种基于MIC-TCN-LSTM的负荷预测方法、存储介质及计算机系统，其中方法包括以下步骤：

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。

优选的，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。

优选的，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。