本發(fā)明涉及電力負(fù)荷預(yù)測(cè)領(lǐng)域，尤其涉及一種基于優(yōu)化集成的短期電力負(fù)荷預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、負(fù)荷預(yù)測(cè)是電力系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)，對(duì)電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行具有重要影響。隨著經(jīng)濟(jì)的發(fā)展和社會(huì)的進(jìn)步，電力需求日益增長，負(fù)荷特性也變得越來越復(fù)雜和多樣化。準(zhǔn)確的負(fù)荷預(yù)測(cè)能夠有效地提高電力系統(tǒng)的運(yùn)行效率，降低運(yùn)營成本，并保障供電的穩(wěn)定性和可靠性。

2、現(xiàn)有技術(shù)中提出了一種基于二次分解的電力負(fù)荷預(yù)測(cè)方法，可有效提取數(shù)據(jù)信息，但vmd的模態(tài)分解數(shù)需要預(yù)先設(shè)置，不合理的模態(tài)分解數(shù)易導(dǎo)致模態(tài)冗余或重要模態(tài)信息的丟失；一種基于人工智能的短期電力負(fù)荷預(yù)測(cè)方法及系統(tǒng)，其預(yù)測(cè)模型采用lstm，但lstm在面對(duì)長時(shí)間序列時(shí)存在信息丟失的現(xiàn)象。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)上述問題，提出了一種基于優(yōu)化集成的短期電力負(fù)荷預(yù)測(cè)方法及系統(tǒng)，使用季節(jié)性趨勢(shì)分解方法（seasonal?and?trend?decomposition?using?loess，stl）提取電力負(fù)荷的季節(jié)、趨勢(shì)和波動(dòng)特性，分別用于訓(xùn)練informer模型，并采用集成優(yōu)化思想對(duì)各分量預(yù)測(cè)結(jié)果加權(quán)求和，有效提升電力負(fù)荷預(yù)測(cè)精度和穩(wěn)定性。

2、為了達(dá)到上述目的，本發(fā)明提供的技術(shù)方案為：

3、一種基于優(yōu)化集成的短期電力負(fù)荷預(yù)測(cè)方法及系統(tǒng)，包括：

4、s1、獲取原始的電力負(fù)荷序列數(shù)據(jù)；

5、s2、對(duì)所述電力負(fù)荷序列數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括異常值檢測(cè)、缺失值檢測(cè)和數(shù)據(jù)填補(bǔ)，利用預(yù)處理后的電力負(fù)荷序列數(shù)據(jù)構(gòu)建電力負(fù)荷數(shù)據(jù)集；

6、s3、采用季節(jié)性趨勢(shì)分解方法對(duì)電力負(fù)荷數(shù)據(jù)集分解，提取電力負(fù)荷數(shù)據(jù)集的季節(jié)分量、趨勢(shì)分量和波動(dòng)分量；

7、s4、將電力負(fù)荷數(shù)據(jù)集的季節(jié)分量、趨勢(shì)分量和波動(dòng)分量分別按比例劃分為訓(xùn)練集和測(cè)試集，并針對(duì)各項(xiàng)分量分別構(gòu)建相對(duì)應(yīng)的informer模型，作為季節(jié)分量預(yù)測(cè)模型、趨勢(shì)分量預(yù)測(cè)模型和波動(dòng)分量預(yù)測(cè)模型，分別進(jìn)行訓(xùn)練、測(cè)試后，利用對(duì)應(yīng)的informer模型得到季節(jié)分量、趨勢(shì)分量和波動(dòng)分量的預(yù)測(cè)值；

8、s5、以季節(jié)分量、趨勢(shì)分量和波動(dòng)分量的預(yù)測(cè)值作為輸入，將平均絕對(duì)誤差與預(yù)測(cè)誤差標(biāo)準(zhǔn)差之和作為優(yōu)化目標(biāo)，構(gòu)建預(yù)測(cè)分量集成的權(quán)重最優(yōu)化模型，用于求解得到季節(jié)分量、趨勢(shì)分量和波動(dòng)分量的預(yù)測(cè)值的最優(yōu)權(quán)重；

9、s6、在蜣螂優(yōu)化算法中引入多策略，得到改進(jìn)蜣螂優(yōu)化算法，利用其求解所述預(yù)測(cè)分量集成的最優(yōu)化模型，對(duì)季節(jié)分量、趨勢(shì)分量和波動(dòng)分量的預(yù)測(cè)值的權(quán)重系數(shù)進(jìn)行尋優(yōu)；

10、s7、根據(jù)步驟s6得到的季節(jié)分量、趨勢(shì)分量和波動(dòng)分量的預(yù)測(cè)值的最優(yōu)權(quán)重系數(shù)對(duì)季節(jié)分量預(yù)測(cè)模型、趨勢(shì)預(yù)測(cè)模型和波動(dòng)預(yù)測(cè)模型輸出的實(shí)時(shí)的季節(jié)分量、趨勢(shì)分量和波動(dòng)分量的預(yù)測(cè)值進(jìn)行加權(quán)求和，得到短期電力負(fù)荷預(yù)測(cè)結(jié)果。

11、進(jìn)一步地，在s1中，對(duì)某一地區(qū)電力負(fù)荷數(shù)據(jù)進(jìn)行采集，采樣頻率保持不變，時(shí)間周期為一年；

12、進(jìn)一步地，在s2中，對(duì)數(shù)據(jù)采集過程中由于設(shè)備因素和人為因素造成的數(shù)據(jù)異常和數(shù)據(jù)缺失，采用箱線圖理論進(jìn)行檢驗(yàn)；對(duì)檢測(cè)過程出現(xiàn)的電力負(fù)荷異常值和缺失值采用線性插值法進(jìn)行填補(bǔ)，計(jì)算式如下：

13、

14、式中， xt為 t時(shí)刻的異?；蛉笔?shù)據(jù)， t表示缺失時(shí)刻， xt+1為缺失時(shí)刻的后一時(shí)刻， xt-1為缺失時(shí)刻的前一時(shí)刻數(shù)據(jù)；

15、進(jìn)一步地，在s3中，對(duì)輸入序列采用stl進(jìn)行分解，提取表征電力負(fù)荷變化特性的趨勢(shì)分量、季節(jié)分量及波動(dòng)分量，包括以下步驟：

16、（一）內(nèi)循環(huán)：

17、1）采用估計(jì)趨勢(shì)分量對(duì)原始序列 yt進(jìn)行去趨勢(shì)處理，計(jì)算式為：

18、；

19、式中，為估計(jì)趨勢(shì)分量； yt為原始序列；為去趨勢(shì)化分量；

20、2）基于局部加權(quán)回歸方法，對(duì)去除趨勢(shì)后的各周期子序列進(jìn)行平滑處理，得到初始季節(jié)分量；

21、3）利用低通濾波和局部加權(quán)回歸方法，處理初始季節(jié)分量，得到剩余趨勢(shì)分量；

22、4）計(jì)算初始季節(jié)分量和剩余趨勢(shì)量的差值，得到季節(jié)分量：

23、

24、式中，為季節(jié)分量；為初始季節(jié)分量；為剩余趨勢(shì)分量；

25、5）去除原始序列 yt中的季節(jié)分量：

26、

27、式中，為去季節(jié)分量；為季節(jié)分量； yt為原始序列；

28、6）對(duì)步驟5）中的季節(jié)分量采用非參數(shù)的局部加權(quán)回歸平滑處理，得到趨勢(shì)分量。

29、（二）外循環(huán)：

30、根據(jù)趨勢(shì)分量和季節(jié)分量，計(jì)算波動(dòng)分量，將原始序列分解為季節(jié)分量、趨勢(shì)分量和波動(dòng)分量，計(jì)算式為：

31、

32、式中， yt為時(shí)間序列； tt代表趨勢(shì)分量； st代表季節(jié)分量； rt代表波動(dòng)分量。

33、進(jìn)一步地，在s4中，分別對(duì)季節(jié)分量、趨勢(shì)分量和波動(dòng)分量進(jìn)行歸一化處理，具體如下：

34、

35、式中， fn為各分量歸一化后的數(shù)據(jù)； f為當(dāng)前數(shù)據(jù)； fmax和 fmin分別為序列的最大值和最小值。

36、進(jìn)一步地，在s4中，對(duì)歸一化后的序列按照8:2的比例劃分為訓(xùn)練集和測(cè)試集，并以此為輸入訓(xùn)練informer模型，獲取季節(jié)分量、趨勢(shì)分量和波動(dòng)分量預(yù)測(cè)結(jié)果，informer模型包括：

37、在編碼器中，運(yùn)用多頭概率稀疏自注意力提取時(shí)間序列特征信息，表達(dá)式如下：

38、

39、式中， q代表query矩陣； k代表key矩陣； v代表value矩陣；代表 q的概率系數(shù)矩陣； dk代表輸入維度； softmax代表激活函數(shù)； a為自注意力機(jī)制； t為轉(zhuǎn)置。

40、進(jìn)一步采用蒸餾機(jī)制對(duì)重要特征賦予高權(quán)重，并在下一層稀疏自注意力中更加聚焦，有效規(guī)避了特征冗余問題，從第 j層到第 j+1層的蒸餾過程計(jì)算如下：

41、

42、式中， j代表蒸餾層數(shù)量； x代表嵌入的輸入序列；代表注意力塊； convld表示一維卷積濾波； maxpool為最大池化操作； elu為激活函數(shù)。

43、解碼器由多頭自注意力和掩碼多頭概率稀疏自注意力組成，解碼器由多頭自注意力用于與編碼特征進(jìn)行交互，掩碼多頭概率稀疏自注意力通過遮掩未來的數(shù)據(jù)信息，其輸入向量表達(dá)式如下所示：

44、

45、式中，為解碼器的第 t個(gè)輸入序列；為第 t個(gè)序列的起始標(biāo)志；為第 t個(gè)序列的目標(biāo)序列占位符， concat為連接符。

46、優(yōu)選的，全連接層用于改變輸出數(shù)據(jù)的維度，實(shí)現(xiàn)時(shí)間序列最終預(yù)測(cè)結(jié)果一次性輸出。

47、進(jìn)一步地，在s5中，負(fù)荷預(yù)測(cè)方法需兼顧預(yù)測(cè)精度與穩(wěn)定性，平均絕對(duì)誤差 mae可表征預(yù)測(cè)精度，預(yù)測(cè)誤差標(biāo)準(zhǔn)差 sd可表征預(yù)測(cè)穩(wěn)定性，以兩者之和為優(yōu)化目標(biāo)，各分量權(quán)重系數(shù)為決策變量，構(gòu)建權(quán)重最優(yōu)化模型，具體如下：

48、

49、式中， γ1、 γ2和 γ3分別為趨勢(shì)序列、季節(jié)序列和波動(dòng)序列對(duì)應(yīng)的權(quán)重系數(shù)；為實(shí)際負(fù)荷；為預(yù)測(cè)負(fù)荷；、和分別為趨勢(shì)序列、季節(jié)序列和波動(dòng)序列的預(yù)測(cè)結(jié)果；為負(fù)荷預(yù)測(cè)誤差均值； n為樣本容量； mae為平均絕對(duì)誤差； sd為標(biāo)準(zhǔn)差； f為目標(biāo)函數(shù)。

50、進(jìn)一步地，在s6中，采用多策略對(duì)dbo進(jìn)行改進(jìn)可有效提高全局搜索能力和收斂速度，包括：

51、1）利用無限可折疊混沌映射fuch，對(duì)變量進(jìn)行映射，計(jì)算式如下：

52、

53、式中： pt是fuch映射的混沌變量， pt+1為映射后的新個(gè)體；

54、2）反向?qū)W習(xí)策略有利于擴(kuò)大蜣螂的搜索空間，提高種群初始解的質(zhì)量，計(jì)算式如下：

55、

56、式中： opi為初始解 pi的逆解； pmax和 pmin分別為初始解中的最大值和最小值； k為區(qū)間[0,1]內(nèi)的隨機(jī)數(shù)；

57、3）基于自適應(yīng)步長策略和凸透鏡逆成像策略交替更新目標(biāo)位置，具體如下：根據(jù)選擇概率確定采用目標(biāo)位置更新策略，計(jì)算式為：

58、

59、式中， ps表示選擇概率， t和 t分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)；

60、若 ps<0.5，則采用自適應(yīng)步長策略進(jìn)行覓食蜣螂的位置更新；反之，采用凸透鏡逆成像策略進(jìn)行位置更新，計(jì)算公式如下：

61、

62、式中：表示在第 t次迭代中第 i個(gè)體的位置；表示在第 t+1次迭代中第 i個(gè)體的位置；為自適應(yīng)階躍控制因子； c1為滿足正態(tài)分布的隨機(jī)數(shù)； c2代表區(qū)間[0,1]上的隨機(jī)向量；代表當(dāng)前全局最優(yōu)值；和分別為幼年蜣螂覓食區(qū)的上下限； k表示偏轉(zhuǎn)系數(shù)；

63、4）引入隨機(jī)差異變異策略增強(qiáng)偷竊蜣螂的種群多樣性，計(jì)算式為：

64、

65、式中： pt+1為隨機(jī)差分突變獲得的新個(gè)體；為當(dāng)前個(gè)體； r1和 r2均為區(qū)間[0,1]內(nèi)的隨機(jī)數(shù)；為當(dāng)前個(gè)體的最佳位置信息；為種群中隨機(jī)選擇的個(gè)體的位置。

66、進(jìn)一步地，以平均絕對(duì)誤差 mae和預(yù)測(cè)誤差標(biāo)準(zhǔn)差 sd之和為優(yōu)化目標(biāo)函數(shù)，權(quán)重系數(shù) γ1、 γ2和 γ3為決策變量，求解權(quán)重最優(yōu)化模型，得到各分量對(duì)應(yīng)的權(quán)重系數(shù) γ1、 γ2和 γ3。

67、進(jìn)一步地，在s7中，根據(jù)權(quán)重系數(shù) γ1、 γ2和 γ3，對(duì)趨勢(shì)分量、季節(jié)分量及波動(dòng)分量進(jìn)行加權(quán)求和，完成短期電力負(fù)荷預(yù)測(cè)。

68、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下技術(shù)效果：

69、1）本發(fā)明通過季節(jié)性趨勢(shì)分解方法提取電力負(fù)荷序列信息，進(jìn)一步采用informer對(duì)各個(gè)分量分別預(yù)測(cè)，通過構(gòu)建權(quán)重優(yōu)化模型實(shí)現(xiàn)了各分量差異性的充分利用。

70、2）采用箱線圖方法對(duì)電力負(fù)荷序列數(shù)據(jù)進(jìn)行異常值檢測(cè)與數(shù)據(jù)分布特征分析，并采用線性插值法填補(bǔ)檢測(cè)過程中的異常值和缺失值，提高了本發(fā)明的負(fù)荷預(yù)測(cè)方法的魯棒性。

71、3）本發(fā)明綜合考慮模型預(yù)測(cè)精度與穩(wěn)定性，構(gòu)建權(quán)重最優(yōu)化模型實(shí)現(xiàn)季節(jié)分量、趨勢(shì)分量和波動(dòng)分量的優(yōu)化集成，有效提升負(fù)荷預(yù)測(cè)精度與穩(wěn)定性。

72、4）本發(fā)明通過改進(jìn)的蜣螂優(yōu)化算法對(duì)權(quán)重優(yōu)化模型求解，具有較高的收斂速度和全局收斂能力。