[发明专利]基于融合模型的电力负荷短期预测方法、装置及相关介质

权利要求书

1.一种基于融合模型的电力负荷短期预测方法，其特征在于，包括：

获取电力负荷数据，并对所述电力负荷数据进行特征归一化处理，得到对应的电力负荷序列；

采用支持向量回归模型对所述电力负荷序列进行训练及预测，得到对应的电力负荷预测值，并根据所述电力负荷序列和所述电力负荷预测值得到一残差序列；

采用动力学模态分解模型对所述残差序列进行训练及预测，得到第一残差序列预测值；

利用灰色灾变预测模型对所述残差序列进行异常值检测校准，以得到第二残差序列预测值；

将所述电力负荷预测值与所述第二残差序列预测值进行叠加，并将叠加结果作为最终的电力负荷短期预测结果。

2.根据权利要求1所述的基于融合模型的电力负荷短期预测方法，其特征在于，所述获取电力负荷数据，并对所述电力负荷数据进行特征归一化处理，得到对应的电力负荷序列，包括：

按照下式对获取的电力负荷数据进行特征归一化处理：

式中，X_norm为特征归一化处理后的特征指标，X为原始特征指标，X_max、X_min分别为原始特征指标的最大值和最小值。

3.根据权利要求2所述的基于融合模型的电力负荷短期预测方法，其特征在于，所述采用支持向量回归模型对所述电力负荷序列进行训练及预测，得到对应的电力负荷预测值，并根据所述电力负荷序列和所述电力负荷预测值得到一残差序列，包括：

按照下式对所述电力负荷序列进行训练及预测：

式中，f(X_norm)表示所述电力负荷预测值，X_norm为特征归一化处理后的特征指标，N表示电力负荷数据的数量，i表示第i个电力负荷数据，表示支持向量回归模型的核函数，其值为两个向量的内积，β_i和分别表示最优回归函数中的参数系数。

4.根据权利要求1所述的基于融合模型的电力负荷短期预测方法，其特征在于，所述采用支持向量回归模型对所述电力负荷序列进行训练及预测，得到对应的电力负荷预测值，并根据所述电力负荷序列和所述电力负荷预测值得到一残差序列，还包括：

将所述电力负荷序列和所述电力负荷预测值相减，并将相减结果作为所述残差序列。

5.根据权利要求1所述的基于融合模型的电力负荷短期预测方法，其特征在于，所述采用动力学模态分解模型对所述残差序列进行训练及预测，得到第一残差序列预测值，包括：

获取所述电力负荷数据对应的相似性数据、相关性数据和周期性数据；

结合所述相似性数据、相关性数据和周期性数据，按照下式对所述残差序列进行训练及预测，以输出得到所述第一残差序列预测值：

式中，F_DMD(t)为t时刻动力学模态分解模型对残差序列E的预测值，ω是特征值W的对角矩阵，表示ω_it的指数函数，i表示第i个电力负荷数据，φ_i表示第i个电力负荷数据的动力学模态分解模式，b_i表示第i个分解模式的幅值。

6.根据权利要求5所述的基于融合模型的电力负荷短期预测方法，其特征在于，所述利用灰色灾变预测模型对所述残差序列进行异常值检测校准，以得到第二残差序列预测值，包括：

将所述残差序列输入至所述灰色灾变预测模型，并由所述灰色灾变预测模型输出对应的第三残差序列预测值；

对所述第一残差序列预测值与第三残差序列预测值进行比较；

当所述第一残差序列预测值小于或者等于第三残差序列预测值时，则将所述第一残差序列预测值作为所述第二残差序列预测值；

当所述第一残差序列预测值大于第三残差序列预测值时，则将所述相似性数据、相关性数据和周期性数据的平均值作为所述第二残差序列预测值。