欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025115532752
申请人: 湖北工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于时频特征增强的短期电力负荷预测方法,其特征在于,包括:获取电力负荷历史数据,对所述电力负荷历史数据进行预处理;

将预处理后的电力负荷历史数据按预设比例划分为训练集和测试集;

从所述电力负荷历史数据中获取原始负荷时间序列,采用季节趋势分解算法将所述原始负荷时间序列分解成趋势分量、季节分量和剩余分量;

对季节分量、趋势分量和剩余分量分别进行建模,分别得到对应的预测模型,分别输出季节分量预测结果、趋势分量预测结果和剩余分量预测结果;

将季节分量、趋势分量和剩余分量对应的预测模型进行组合,得到组合预测模型,组合预测模型输出电力负荷预测结果,所述电力负荷预测结果为季节分量预测结果、趋势分量预测结果和剩余分量预测结果的和值;

利用所述训练集和测试集,对组合预测模型进行训练和测试;训练和测试完成后,向组合预测模型输入电力负荷,得到电力负荷预测结果;

对趋势分量进行建模,得到对应的预测模型,输出趋势分量预测结果,包括:对趋势分量进行可逆实例归一化,再使用多层感知机组成的线性模型对整体趋势进行预测,最后进行可逆实例反归一化,得到趋势分量预测结果为:式中,表示可逆实例归一化,表示可逆实例反归一化,表示多层感知机,表示趋势分量预测结果;

基于Transformer模型对季节分量进行建模,得到对应的预测模型,输出季节分量预测结果,包括:将季节分量记作X,根据X映射得到输入的查询向量q、键向量k和值向量v;

其中,

式中,L是序列长度,D是特征维度,H为多头注意力的头数,和分别表示键和值的特征维度且;

输入的查询向量q、键向量k和值向量v的维度均为(L,H,E),分别交换查询向量q、键向量k和值向量v中数据的位置,使得生成的向量的最后一个维度为序列长度L,得到的向量维度均为(E,H,L);

将输入的查询向量q、键向量k和值向量v转换到频域后,使用短时傅里叶注意力来提取特征;对于一维信号,输入的一维信号的维度为序列长度L,季节分量对应的预测模型将时序信号沿着序列长度L所在维度进行短时傅里叶变换,得到二维时频矩阵(M,N),再按时间帧维度划分得到包含不同频率分量的特征,最后进行时频重构后输出;其中,计算短时傅里叶注意力的输出矩阵为:

式中,dq是在注意操作中作为归一化的查询的维度;σ表示激活函数;STFT和ISTFT分别表示短时傅里叶变换和逆变换,O(.)表示短时傅里叶注意力的输出矩阵;

针对季节分量所构建的预测模型采用编码器-解码器架构,使用N层编码器和M层解码器;第一层编码器的输入为季节分量,第M层解码器的输出为季节分量预测结果;

对剩余分量进行建模,得到对应的预测模型,输出剩余分量预测结果,包括:将剩余分量记作Z,采用短时傅里叶变换提取剩余分量的时频特征,选择高斯窗函数,并设定离散傅里叶变换的长度;

短时傅里叶变换的表达式为:

其中,

式中,Window[.]表示高斯窗函数,F[.]表示经傅里叶变换后的输入,m表示窗口内的样本点索引,n表示时间帧索引,取值范围为0≤m≤S1,0≤n≤N1,M表示频率分量的数量,N表示时间帧的数量,表示高斯窗函数移动的步长, Seq_len表示输入序列的长度,S表示离散傅里叶变换的长度,ω 表示频率分量的索引;

使用筛选机制从M个频率分量中选取频率较大的前K个频率分量,式中,表示经短时傅里叶变换后的变量,表示筛选后的变量;

采用多个独立的核进行核操作,进一步提取高频特征,

其中,第i个特征维度的核操作的计算式为:

其中, Kernel(.)表示核函数,表示第i个特征矩阵,表示核权值矩阵,表示第K个频率分量,表示第i个特征维度相对应的权值;特征维度i的取值范围为i∈{0,1,2…,D};

从而剩余分量预测结果为。

2.根据权利要求1所述的基于时频特征增强的短期电力负荷预测方法,其特征在于,对所述电力负荷历史数据进行预处理,包括:去除所述电力负荷历史数据的异常值和缺失值,并进行归一化处理。

3.根据权利要求1所述的基于时频特征增强的短期电力负荷预测方法,其特征在于,采用季节趋势分解算法将所述原始负荷时间序列分解成趋势分量、季节分量和剩余分量,包括:步骤3.1、将季节趋势分解算法内循环中第k次迭代后的趋势分量记为,用原始负荷时间序列减去第k次迭代后的趋势分量,得到去趋势分量为:;

步骤3.2、将去趋势分量中的每一个周期子序列通过局部加权回归进行平滑,得到临时季节分量;其中,所述周期子序列由一个周期内不同时刻的电力负荷历史数据形成;

步骤3.3、将低通滤波应用于临时季节分量,依次做长度为、、3的移动平均,然后做局部加权回归,得到结果序列,其中,为周期子序列的周期;

步骤3.4、计算第k+1次迭代后的季节分量为:;

步骤3.5、将原始负荷时间序列减去季节分量,得到去季节序列为:;

步骤3.6、将去季节序列经过局部加权回归平滑处理,得到第k+1次迭代后的趋势分量;

步骤3.7、判断第k+1次迭代后的季节分量和趋势分量是否收敛,若收敛,则输出季节分量和趋势分量,否则返回步骤3.1,重新进行迭代,直到季节分量和趋势分量均收敛;

步骤3.8、将原始负荷时间序列减去季节分量和趋势分量,得到剩余分量。

4.根据权利要求1所述的基于时频特征增强的短期电力负荷预测方法,其特征在于,所述电力负荷历史数据包括电力负荷值、时间戳信息及气象条件。

5.根据权利要求4所述的基于时频特征增强的短期电力负荷预测方法,其特征在于,所述气象条件包括温度、湿度、风速。

6.根据权利要求1所述的基于时频特征增强的短期电力负荷预测方法,其特征在于,利用所述训练集和测试集,对组合预测模型进行训练和测试,包括:先利用训练集对组合预测模型进行训练,根据训练过程中的预测结果调整组合预测模型,直到训练结果达到预期;再使用测试集对组合预测模型进行测试,当测试结果达到预期后,得到训练和测试后的组合预测模型。

7.一种基于时频特征增强的短期电力负荷预测装置,其特征在于,用于实现如权利要求1-6任一项所述的基于时频特征增强的短期电力负荷预测方法,所述装置包括:获取单元,用于获取电力负荷历史数据,对所述电力负荷历史数据进行预处理;

预处理单元,用于将预处理后的电力负荷历史数据按预设比例划分为训练集和测试集;

分解单元,用于从所述电力负荷历史数据中获取原始负荷时间序列,采用季节趋势分解算法将所述原始负荷时间序列分解成趋势分量、季节分量和剩余分量;

建模单元,用于对季节分量、趋势分量和剩余分量分别进行建模,分别得到对应的预测模型,分别输出季节分量预测结果、趋势分量预测结果和剩余分量预测结果;

组合单元,用于将季节分量、趋势分量和剩余分量对应的预测模型进行组合,得到组合预测模型,组合预测模型输出电力负荷预测结果,所述电力负荷预测结果为季节分量预测结果、趋势分量预测结果和剩余分量预测结果的和值;

预测单元,用于利用所述训练集和测试集,对组合预测模型进行训练和测试;训练和测试完成后,向组合预测模型输入电力负荷,得到电力负荷预测结果。