基于模态分解与神经网络的电量电价层级融合预测方法

专利主权项内容

1.基于模态分解与神经网络的电量电价层级融合预测方法，其特征在于，包括以下步骤：S1、数据预处理：获取目标对象的历史用电量及关联信息并进行预处理；S2、基于层级融合的底层处理：利用模态分解算法将预处理后的数据分解为多个IMF分量，对每个IMF分量计算其模糊熵值，将得到的IMF分量和模糊熵值合并，得到基础特征向量；S3、基于层级融合的中层处理：调用训练好的双向长短期记忆神经网络模型，输入基础特征向量，基于学习到的数据中的时间依赖关系计算并输出时间特征向量；S4、基于层级融合的高层处理：调用训练好的卷积神经网络模型，输入时间特征向量，基于学习到的数据中的空间特征计算并输出空间特征向量；S5、基于层级融合的顶层处理：基于模糊熵值将输出的时间特征向量和空间特征向量进行加权融合，基于梯度提升机得到最终的电量预测值；S6、基于所述电量预测值，根据目标对象所适用的电价计费准则计算电价预测值；所述对每个IMF分量计算其模糊熵值，将得到的IMF分量和模糊熵值合并，得到基础特征向量，包括：对于给定的IMF分量，确定采样序列和长度；计算采样序列中不同多维矢量之间对应元素差值的最大值，基于元素差值的最大值和相似容忍度计算不同多维矢量的相似度；基于相似度分别计算相邻维数的关系维度，基于关系维度的对数计算模糊熵值；所述S5、基于层级融合的顶层处理：基于模糊熵值将输出的时间特征向量和空间特征向量进行加权融合，基于梯度提升机得到最终的电量预测值，包括：比较模糊熵值与预设阈值的大小；如模糊熵值等于预设阈值，则将输出的时间特征向量和空间特征向量进行平权融合拼接；如模糊熵值大于预设阈值，则增加时间特征向量的权重值，减少空间特征向量的权重值，再进行融合拼接；如模糊熵值小于预设阈值，则减少时间特征向量的权重值，增加空间特征向量的权重值，再进行融合拼接；利用主成分分析法进行降维，得到降维拼接向量；将降维拼接向量输入至训练好的梯度提升机，输出最终的电量预测值。