[发明专利]一种基于权重分配的电力负荷预测方法

权利要求书

1.一种基于权重分配的电力负荷预测方法，其特征是包括以下步骤：

步骤S1：将历史负荷样本数据归一化后输入到特征筛选模块，所述特征筛选模块基于合作博弈论中的权重值理论，提取环境因素，根据环境因素的影响得到与电力负荷相关的不同影响因素的权重值，构成权重值矩阵，并输出剔除这些影响因素的负荷数据时间序列；

步骤S2：将步骤S1得到的负荷数据时间序列通过小波分解为多个平稳子序列，便于之后的网络训练；

步骤S3：由步骤S2得到的多个不同子序列在标准化残差卷积网络中训练，并由局部attention预测得到预测后的子序列；

步骤S4：将多个预测后的子序列通过序列重构得到预测后的负荷时间序列，再经由步骤S1得到的权重值构建的权重值矩阵，引入不同环境影响因素，得到预测负荷数据；

步骤S5：由步骤S1-S4，根据历史负荷数据训练得到电力负荷预测模型，以及各影响因素的权重值矩阵，实时进行电力负荷预测时，将当前负荷数据首先剔除影响因素，进行负荷预测，再根据需要引入环境影响因素权重，得到预测结果。

2.根据权利要求1所述的一种基于权重分配的电力负荷预测方法，其特征是步骤S1包括下列步骤：

步骤S11：将输入的历史数据分为三类：随机相邻的两个月的数据，随机相邻的两个15天的数据以及随机相邻的两个5天的数据；这里相邻时间的两组数据称为一个数据对，每类数据包含若干数据对；

步骤S12：将三类数据分别归一化，得到三个归一化数据集，三个归一化数据集构成一个数据样本空间A；

步骤S13：采用采样近似法来计算不同影响因素的权重值，通过对数据样本空间A依照蒙特卡罗采样法采样，得到三个采样数据集，构成新的数据样本空间B；

步骤S14：通过得到的数据样本空间B对不同的影响因素分别计算权重值，最后计算权重值的平均绝对值构成权重矩阵，权重值的计算过程如下：

(1)迭代初始次数为1，在数据样本空间B中的三个采样数据集中分别随机选取一个样本，得到三个数据样本；

(2)将预先设置好的环境影响因素集X中的因素随机打乱顺序，得到新的影响因素集X'；

(3)分别对三个数据样本中的数据对的前一组数据通过CNN预测得到预测值，对预测值和数据对中的后一组数据，结合影响因素集X'，根据贡献值分配的算法，得到影响因素对数据组合的权重值集合；

(4)设置最大迭代次数M，如果迭代次数m≤M,则继续重复第(1)-(3)步，当迭代完成之后，将M个权重值集合汇总，计算其中各个权重值的绝对平均值，输出影响因素的权重值矩阵；

步骤S15：依据得到的权重值矩阵对原始负荷数据进行分割，得到不含各类影响因素的负荷数据时间序列。

3.根据权利要求1所述的一种基于权重分配的电力负荷预测方法，其特征是步骤S2包括下列步骤：

步骤S21:把deny小波作为分解的基函数，将步骤S1输出的负荷数据时间序列分解为四个平稳时间子序列分量；

步骤S22：对分解的四个子序列分量进行分析，按照所含频率成分从高到低进行排序，同时记录下此时的分解过后的排序结果。

4.根据权利要求1所述的一种基于权重分配的电力负荷预测方法，其特征是步骤S3包括下列步骤：

步骤S31：将小波分解后的四个平稳子序列划分为两类：训练集和数据集，以7天为一个周期，进行训练，将子序列的前7天作为训练集，后面一天作为测试集；

步骤S32：把划分后的训练集在标准化残差卷积网络模型中进行滚动训练，并通过测试集验证，得到标准化残差卷积网络模型；

步骤S33：把四列平稳子序列输入到已经训练好的标准化残差卷积网络模型中，得到预测后的四列时间子序列。