[發明專利]一種基于經驗模態分解的多模型融合售電量預測方法

在審

• 申請號: 202011513820.2
• 申請日: 2020-12-18
• 公開（公告）號: CN112581172A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 倪平波;劉俊勇;李玉;張強;歐淵;劉友波;沈曉東;唐冬來
• 申請（專利權）人: 四川中電啟明星信息技術有限公司;四川大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q50/06;G06N3/04;G06K9/62;G06K9/00
• 代理公司: 成都時譽知識產權代理事務所(普通合伙) 51250
• 代理人: 葉斌

1.一種基于經驗模態分解的多模型融合售電量預測方法，其特征在于，包括以下步驟：

步驟1：采用EMD分解算法得到多個不同的子序列；

步驟2：依次將序列分為高、中、低頻三類；

步驟3：分別使用基于注意力機制的長短時記憶網絡模型、隨機森林模型和XGBoost模型對高、中、低頻序列進行預測，分別得到各個子序列的預測結果；

步驟4：疊加并重構各個子序列的預測結果，得到實際的預測結果。

2.根據權利要求1所述的一種基于經驗模態分解的多模型融合售電量預測方法，其特征在于，所述步驟1中采用EMD分解算法得到多個不同的子序列包括以下子步驟：

步驟1.1：根據EMD算法，原始信號x(t)由不同的IMF分量組合而成，求出原始信號x(t)的極大值和極小值，按照找到的極大值和極小值得到上包絡線x_u(t)和下包絡線x_d(t)；

步驟1.2：根據上包絡線x_u(t)和下包絡線x_d(t)計算均值m(t)和差值d(t)：

d(t)＝x(t)-m(t)

步驟1.3：如果d(t)滿足IMF上述所必需的兩個條件，則將其作為第一個IMF分量，記做c¹，如果不符合條件重新執行步驟1.1與步驟1.2，直到符合IMF分量的必要條件，將第一個IMF分量c₁從信號x(t)中分離出來，得到殘余序列r₁：

r₁＝x(t)-c₁

步驟1.4：將殘余序列r¹重新進行步驟1.1和步驟1.2，當r_n單調或者小于預先設置的的常數值時，結束分解，此時的原始信號x(t)會被分解成n-1個IMF分量c_i并得到最終的殘余分量r_n，并且這些IMF分量包含了原始信號中的局部特征信息。

3.根據權利要求1所述的一種基于經驗模態分解的多模型融合售電量預測方法，其特征在于，所述步驟3中的基于注意力機制的長短時記憶網絡模型是通過LSTM原理與注意力機制機理構建的。

4.根據權利要求1所述的一種基于經驗模態分解的多模型融合售電量預測方法，其特征在于，所述步驟3中隨機森林模型的算法步驟如下：

a.假設有無功負荷原始數據集A，則有放回的從A中隨機采樣生成n個訓練集a₁,a₂,…,a_n；

b.f_t利用每個訓練集a_i組成其對應的決策樹,在決策樹的每個節點有M個特征，隨機從這M個特征中選取出m(m＜＜M)個特征作為當前節點的分裂特征集，在每個節點上根據Gini系數選取最優特征對該節點進行分裂；

c.決策樹形成的過程中每個節點都要按照步驟b來分裂，假設重復以上步驟k次，構造k棵最優決策樹組成隨機森林；

d.使用隨機森林進行決策，假設y代表輸出的負荷預測值，t_i表示單棵決策樹，R為隨機森林模型，則決策公式為：

匯總每個決策樹對數據集的預測結果，得票數最多的預測值為最后的預測結果；隨機森林的隨機性體現在每顆數的訓練樣本是隨機的，樹中每個節點的分類屬性也是隨機選擇的。有了這2個隨機的保證，隨機森林就不會產生過擬合的現象。

5.根據權利要求1所述的一種基于經驗模態分解的多模型融合售電量預測方法，其特征在于，所述步驟3中的XGBoos模型表示如下：

上式中，為第i個樣本的預測值；K為樹的數目，L為樹的集合空間；x_i表示第i個數據點的特征向量；l_k對應第k棵樹獨立的樹的結構q和葉子節點權重w的相關狀況。