一种细粒度电力数据预测方法、系统、设备及介质

专利名称：一种细粒度电力数据预测方法、系统、设备及介质

专利类型：发明专利

专利申请号：CN202411194550.1

专利申请（专利权）人：西北农林科技大学
权利人地址：陕西省咸阳市杨凌区邰城路3号

专利发明（设计）人：张二磊,袁文轩,刘祥森

专利摘要：本发明公开一种细粒度电力数据预测方法、系统、设备及介质，涉及工业电力能耗预测技术领域。所述方法包括：获取原始电力数据；将所述原始电力数据输入预训练网络中进行优化训练，并将训练好的网络确定为预测模型；所述预测模型用于进行细粒度电力数据预测，得到最终的预测结果；所述预训练网络包括依次连接的EMD分解层、多分支BiLSTM层以及DLSTM层。本发明能够避免数据泄露，并提高数据预测准确率。

主权利要求：
1.一种细粒度电力数据预测方法，其特征在于，包括：
获取原始电力数据；
将所述原始电力数据输入预训练网络中进行优化训练，并将训练好的网络确定为预测模型；所述预测模型用于进行细粒度电力数据预测，得到最终的预测结果；所述预训练网络包括依次连接的EMD分解层、多分支BiLSTM层以及DLSTM层；其中，所述多分支BiLSTM层包括前向LSTM层、后向LSTM层、输入层和输出层，且所述前向LSTM层和所述后向LSTM层均分别与所述输入层和所述输出层连接；所述多分支BiLSTM层的分支数量和数据的维度相同，每个所述EMD分解层的输出分量都单独连接一个BiLSTM模型分支；所述DLSTM层包括依次连接的多个LSTM层和一个全连接层；
将所述原始电力数据输入预训练网络中进行优化训练的具体过程为：
将所述原始电力数据输入所述EMD分解层，利用经验模态分解法对电力时间序列进行平稳化处理，得到若干个本征模函数分量和一个残差分量；
将各分量分别送入所述多分支BiLSTM层进行预测，得到初步预测结果；
将各分量对应的所述初步预测结果与所述原始电力数据进行特征融合，并将融合后的特征数据输入所述DLSTM层进行再预测，对所述初步预测结果进行校正；
在将各分量分别送入所述多分支BiLSTM层进行预测之前，还包括：利用滑动窗口将分量切分成监督学习数据格式。
2.根据权利要求1所述的细粒度电力数据预测方法，其特征在于，在将所述原始电力数据输入预训练网络中进行优化训练之前，还包括：对所述原始电力数据进行预处理，得到预处理数据；所述预处理的方法包括重采样和缺失值填充。
3.根据权利要求2所述的细粒度电力数据预测方法，其特征在于，所述预处理的具体过程为：对所述原始电力数据以设定粒度进行重采样，并根据均值填充法对采样后数据的缺失值进行填充。
4.一种细粒度电力数据预测系统，其特征在于，包括：
数据采集模块，用于获取原始电力数据；
细粒度电力数据预测模块，用于将所述原始电力数据输入预训练网络中进行优化训练，并将训练好的网络确定为预测模型；所述预测模型用于进行细粒度电力数据预测，得到最终的预测结果；所述预训练网络包括依次连接的EMD分解层、多分支BiLSTM层以及DLSTM层；其中，所述多分支BiLSTM层包括前向LSTM层、后向LSTM层、输入层和输出层，且所述前向LSTM层和所述后向LSTM层均分别与所述输入层和所述输出层连接；所述多分支BiLSTM层的分支数量和数据的维度相同，每个所述EMD分解层的输出分量都单独连接一个BiLSTM模型分支；所述DLSTM层包括依次连接的多个LSTM层和一个全连接层；
将所述原始电力数据输入预训练网络中进行优化训练的具体过程为：
将所述原始电力数据输入所述EMD分解层，利用经验模态分解法对电力时间序列进行平稳化处理，得到若干个本征模函数分量和一个残差分量；
将各分量分别送入所述多分支BiLSTM层进行预测，得到初步预测结果；
将各分量对应的所述初步预测结果与所述原始电力数据进行特征融合，并将融合后的特征数据输入所述DLSTM层进行再预测，对所述初步预测结果进行校正；
在将各分量分别送入所述多分支BiLSTM层进行预测之前，还包括：利用滑动窗口将分量切分成监督学习数据格式。
5.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1‑3中任一项所述的细粒度电力数据预测方法。
6.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1‑3中任一项所述的细粒度电力数据预测方法。 说明书 : 一种细粒度电力数据预测方法、系统、设备及介质技术领域[0001] 本发明涉及工业电力能耗预测技术领域，特别是涉及一种细粒度电力数据预测方法、系统、设备及介质。背景技术[0002] 中国巨大的人口基数决定了用电的巨大需求。从电力的产生、运输、再到使用是同步进行的，并且各个地方电力需求、人口分布都不尽相同。这些都为满足人民用电需求带来了巨大的困难。如何准确地从各个层面预测电力数据，是解决电力能源调配问题的关键。尤其是电力负荷的细粒度预测，能通过为电力的调配与管理提供控制与决策的支持，来避免电力的无规划生产和不合理调配，能极大程度缓解地区的用电压力。[0003] 电力负荷的细粒度预测面临着巨大的挑战。在电力负荷数据粗粒度预测的研究上，目前成果颇丰。同一数据的粗粒度预测的数据量会比细粒度预测的数据量少很多，数据的信息、细节也会少于细粒度的。粗粒度预测对预测结果在精度、细节上的要求相对细粒度较低，粗粒度的测试集无法从更微观、更细致的层面去评判预测结果的好坏，因而粗粒度预测往往能轻松取得良好的效果。但真实的用电情况瞬息万变，粗粒度预测因其数据细节的丢失和更大的粒度而无法很好满足的电力负荷预测的需求。为电力的生产和调配提供实时、细节的决策依据，则需要粒度更小的细粒度预测。细粒度预测相比于粗粒度预测，数据粒度更细，这意味着数据拥有更多的细节信息，更多的异常点。且对于电力数据来说，细粒度情况下电力趋势更加难以捕获。这些都给细粒度预测带来了巨大的困难。目前对于时间序列的预测，在学术界普遍存在一些问题：[0004] 如：根据大量文献的调研，部分论文在进行时间序列预测时，存在测试数据泄露的问题；以及用EMD做多维度时间序列预测时，很多都只利用了数据标签这一维度，把多维数据当作单变量的数据去做预测，没有充分利用其他相关变量的信息。发明内容[0005] 本发明的目的是提供一种细粒度电力数据预测方法、系统、设备及介质，能够避免数据泄露，并提高数据预测准确率。[0006] 为实现上述目的，本发明提供了如下方案：[0007] 一种细粒度电力数据预测方法，包括：[0008] 获取原始电力数据；[0009] 将所述原始电力数据输入预训练网络中进行优化训练，并将训练好的网络确定为预测模型；所述预测模型用于进行细粒度电力数据预测，得到最终的预测结果；所述预训练网络包括依次连接的EMD分解层、多分支BiLSTM层以及DLSTM层；其中，所述多分支BiLSTM层包括前向LSTM层、后向LSTM层、输入层和输出层，且所述前向LSTM层和所述后向LSTM层均分别与所述输入层和所述输出层连接；[0010] 将所述原始电力数据输入预训练网络中进行优化训练的具体过程为：[0011] 将所述原始电力数据输入所述EMD分解层，利用经验模态分解法对电力时间序列进行平稳化处理，得到若干个本征模函数分量和一个残差分量；[0012] 将各分量分别送入所述多分支BiLSTM层进行预测，得到初步预测结果；[0013] 将各分量对应的所述初步预测结果与所述原始电力数据进行特征融合，并将融合后的特征数据输入所述DLSTM层进行再预测，对所述初步预测结果进行校正。[0014] 可选地，在将所述原始电力数据输入预训练网络中进行优化训练之前，还包括：对所述原始电力数据进行预处理，得到预处理数据；所述预处理的方法包括重采样和缺失值填充。[0015] 可选地，所述预处理的具体过程为：对所述原始电力数据以设定粒度进行重采样，并根据均值填充法对采样后数据的缺失值进行填充。[0016] 可选地，在将各分量分别送入所述多分支BiLSTM层进行预测之前，还包括：利用滑动窗口将分量切分成监督学习数据格式。[0017] 本发明还提供了一种细粒度电力数据预测系统，包括：[0018] 数据采集模块，用于获取原始电力数据；[0019] 细粒度电力数据预测模块，用于将所述原始电力数据输入预训练网络中进行优化训练，并将训练好的网络确定为预测模型；所述预测模型用于进行细粒度电力数据预测，得到最终的预测结果；所述预训练网络包括依次连接的EMD分解层、多分支BiLSTM层以及DLSTM层；其中，所述多分支BiLSTM层包括前向LSTM层、后向LSTM层、输入层和输出层，且所述前向LSTM层和所述后向LSTM层均分别与所述输入层和所述输出层连接；[0020] 将所述原始电力数据输入预训练网络中进行优化训练的具体过程为：[0021] 将所述原始电力数据输入所述EMD分解层，利用经验模态分解法对电力时间序列进行平稳化处理，得到若干个本征模函数分量和一个残差分量；[0022] 将各分量分别送入所述多分支BiLSTM层进行预测，得到初步预测结果；[0023] 将各分量对应的所述初步预测结果与所述原始电力数据进行特征融合，并将融合后的特征数据输入所述DLSTM层进行再预测，对所述初步预测结果进行校正。[0024] 本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的细粒度电力数据预测方法。[0025] 本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的细粒度电力数据预测方法。[0026] 根据本发明提供的具体实施例，本发明公开了以下技术效果：[0027] 本发明公开了一种细粒度电力数据预测方法、系统、设备及介质，所述方法包括获取原始电力数据；将所述原始电力数据输入预训练网络中进行优化训练，并将训练好的网络确定为预测模型；所述预测模型用于进行细粒度电力数据预测，得到最终的预测结果；所述预训练网络包括依次连接的EMD分解层、多分支BiLSTM层以及DLSTM层；其中，所述EMD分解层用于将一个不规则的波分解为若干IMF和一个残差的形式；所述多分支BiLSTM层包括前向和后向两层LSTM，且前向层和后向层分别连接着输入层和输出层，用于进行初步预测；所述DLSTM层包括多个LSTM层，以及与各LSTM层连接的全连接层，用于对初步预测结果进行校正。本发明能够提高数据预测准确率，并在对模型训练时避免测试数据的泄露。附图说明[0028] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0029] 图1为本发明细粒度电力数据预测流程图；[0030] 图2为本实施例中LSTM与BiLSTM的结构图；[0031] 图3为本实施例中DLSTM的结构图；[0032] 图4为本实施例中预测结果图；[0033] 图5为本实施例中重采样后的前360个数据的分布图；[0034] 图6为本实施例中EMD分解结果图。具体实施方式[0035] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0036] 本发明的目的是提供一种细粒度电力数据预测方法、系统、设备及介质，能够避免数据泄露，并提高数据预测准确率。[0037] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。[0038] 本发明提供了一种细粒度电力数据预测方法，包括：[0039] 步骤100：获取原始电力数据。[0040] 步骤200：将所述原始电力数据输入如图1所示的预训练网络中进行优化训练，并将训练好的网络确定为预测模型；所述预测模型用于进行细粒度电力数据预测，得到最终的预测结果；所述预训练网络包括依次连接的EMD分解层、多分支BiLSTM层以及DLSTM层；其中，所述EMD分解层用于将一个不规则的波分解为若干IMF和一个残差的形式；所述多分支BiLSTM层包括前向和后向两层LSTM，且前向层和后向层分别连接着输入层和输出层，用于进行初步预测；所述DLSTM层包括多个LSTM层，以及与各LSTM层连接的全连接层，用于对初步预测结果进行校正。[0041] 基于上述技术方案，对各步骤中的重要组成部分进行详细描述。[0042] 对专业用语进行解释：[0043] LSTM：长短期记忆网络（LongShort‑TermMemory）；[0044] BiLSTM：双向长短期记忆网络（BidirectionalLongShort‑TermMemory）；[0045] DLSTM：深度长短期记忆网络（DeepLongShort‑TermMemory）；[0046] EMD：经验模态分解（EmpiricalModeDecomposition）；[0047] IMF：内在模态函数（IntrinsicModeFunction）；[0048] RNN：递归神经网络（RecurrentNeuralNetwork）；[0049] GAP：有功功率（Globalactivepower）；[0050] preprocessing：预处理；[0051] Pre‑forecast：预测；[0052] correct：校正。[0053] 对于多分支BiLSTM网络层：传统方法对多维度数据进行预测，往往会将他们拼接成一个大的矩阵，然后整体输入一个神经网络进行预测。但不同维度的数据有着不同的分布规律，用同一个神经网络进行预测就忽略了不同数据分布的差异性。故本方案发明了一种多分支BiLSTM，分支的数量随着数据维度能动态变化以保持和数据的维度相同。预测时将不同数据输入到对应的分支中进行预测。这样每个分支都根据对应的数据学习到其特有的分布规律，从而使得最后的预测结果更加准确。[0054] 对于多特征融合数据集：为了充分利用数据集的各个特征，防止模型过拟合。本方案将多分支BiLSTM初步预测结果作为新的特征之一与原始数据集融合，形成多特征融合数据集。以方便下一步的DLSTM进行再预测。[0055] 对于利用DLSTM层进行再预测：数据经过多分支BiLSTM预测后，一些数据起伏大的地方预测效果较差。故本方案发明了一种DLSTM再预测的方法，对多分支BiLSTM预测后的数据进行再预测，以达到对部分预测差的地方进行矫正的效果。DLSTM相比于不同的LSTM的特征提取程度更深，能对多维的数据进行更加深度的特征提取，更好地挖掘数据信息。[0056] 其中，如图2所示，左边是BiLSTM整体的结构，右边是LSTM的内部结构。图中 ，分别表示前向层 和后向层 在t时刻的隐向量， 和 分别表示t时刻BiLSTM的输入和输出。[0057] 因此，为了实现解决工业中电力能源的细粒度预测问题，具体流程如下：[0058] 步骤1：数据预处理的方法，按照以下步骤1.1 1.2执行：~[0059] 步骤1.1：对输入的数据进行重采样：考虑到若数据粒度过小，数据更容易受到各种因素的影响而分布的更不规律、更随机，使预测变得更加困难。且实际电力管理调配中，以小时为单位的预测即可满足需求，故本实施例以一小时为粒度对数据进行重采样。[0060] 步骤1.2：均值填充数据缺失值：重采样后数据仍存在缺失值，故需要填充数据以保证后期的预测能正常进行。对缺失值的处理方法有很多，例如整体均值填充、中位数填充，线性插值等。综合实验结果，使用均值填充的效果最好。[0061] 步骤2：基于EMD分解的时间序列平稳化的方法：[0062] 在时间序列预测中，对于非平稳的时间序列，一般会将其先转化为平稳的时间序列再进行预测。EMD本质上是对数据序列或信号做平稳化处理，适合分解非线性、非平稳时间序列。因此本实施例用EMD作为将电力负荷数据平稳化的手段。EMD的基本思想是将一个不规则的波分解为若干IMF和一个残差的形式，分解的基本流程按照以下步骤2.1 2.4执~行：[0063] 步骤2.1：根据原始信号 所有极大极小值点，形成原始信号的上包络线和下包络线 ；[0064] 步骤2.2：求上下包络线的均值，形成均值包络线 ，即：[0065] ，[0066] 步骤2.3：用原始信号减均值包络线得到中间信号 ，即：[0067] ，[0068] 步骤2.4：判断中间信号 是否满足IMF的两个约束条件，若满足，则该中间信号为一个IMF分量；若不满足，则该信号为原始信号，重复步骤step1 step4，直到step3得到的中间信号满足IMF的两个约束条件。[0069] 步骤3：多分支BiLSTM初步预测：[0070] 在时间序列预测模型中，LSTM相比普通的RNN有更好的长期记忆功能，其有效地解决了梯度消失的问题，能够很好地处理时间序列问题，并且在很多领域都取得了成功。LSTM模型可以捕捉到较长距离的依赖关系，但它只将过去的信息作为输入和隐藏层，而忽略了未来信息。BiLSTM是单向LSTM模型的扩展，由前向和后向两层LSTM组合而成，且前向层和后向层分别连接着输入层和输出层，BiLSTM模型如图3所示。[0071] 设数据集标签Y被分解后得到的第i分量为 ，每个 都有自身的分布规律。若将所有分量 合并成一个矩阵送入BiLSTM中训练，单一的BiLSTM模型很难学习到每个分量自身的规律。因此本实施例采用多分支的BiLSTM，对每个 都单独训练一个BiLSTM模型。每个分支的BiLSTM依据对应的 进行相互独立的训练与学习，相比于单个的BiLSTM对所有 预测，多分支BiLSTM能取得更精确的预测效果。[0072] 多分支BiLSTM预测的基本流程按照以下步骤3.1 3.4执行：~[0073] 步骤3.1：数据格式转化：经过EMD分解后得到的第i个分量 不能直接送入BiLSTM进行运算，需要利用滑动窗口将分量切分成BiLSTM能训练的监督学习数据格式。设滑动窗口的大小为w+1，即利用 中前w个历史数据预测当前值。设 是 的第j个值， 的第k个训练样本 ：[0074] ，[0075] 式中，{ }是数据的特征， 是预测目标。对于 的预测，图3中的 就是 ， 就是 的预测值 。[0076] 步骤3.2：BiLSTM预测： 经过滑动窗口帧格化的样本集合 将被送入对应分支的BiLSTM中进行预测，通过 和 组合能够更好的捕捉时间序列节点间的依赖关系，从而提高时间序列预测的效果，计算过程如下：[0077] ，[0078] ，[0079] ，[0080] 其中， 和 分别表示 和 对 运算所得的隐向量， 为和 进行拼接后的结果，也就是 的与预测结果 。将多分支BiLSTM对所有 的预测结果拼接后得到新的分量序列 ：[0081] ，[0082] 式中， 为第i个IMF分量的预测结果，表示残差分量的预测结果。[0083] 步骤3.3：合并预测分量以得到初步预测结果：根据EMD的特性，原始序列被EMD分解后所得的分量全部相加，得到的序列与原始序列相等。因此S中所有分量相加与Y形状相等，的每个分量相加就可以得到电力数据初步的预测结果 ：[0084] ，[0085] ，[0086] 其中，R为EMD分解结果中的残差分量。[0087] 步骤4：基于DLSTM预测结果误差校正：目前模型只利用了数据集D中的Y这一个维度的信息，模型的表现过于依赖于Y。标签Y很容易受其他随机因素的影响出现异常值或者很大波动，这时模型会将这些噪声产生的影响或者不合理的异常规律学习进去，容易造成过拟合。初步的预测结果 往往会在起伏大、有异常点的地方和真实值相差很多。若模型的输入还有除了Y的其他特征，模型运算的时候就会充分考虑各个特征，不会因为某一个特征的异常值去影响整体的判断。所以用多特征的数据集训练模型就能很好地缓解模型过拟合的问题。[0088] 为了充分利用数据集的各个特征 ，防止模型过拟合。本实施例将初步预测结果与原始数据集中其他特征进行融合，形成多特征融合数据集 。并再次送入DLSTM进行预测，作为对初步预测结果的矫正。具体步骤如4.1 4.3：~[0089] 步骤4.1：多特征融合形成新的数据集：本实施例将初步预测结果 作为新的特征之一与原始数据集融合，形成多特征融合数据集 ：[0090] ，[0091] 步骤4.2：DLSTM预测：[0092] BiLSTM预测单维度数据不同， 是多维的数据集，包含的信息更多，需要用更深的网络进行特征提取，因此这里采用多层的DLSTM作为 的预测模型。相比于单层的LSTM，DLSTM能挖掘到多维数据集 更深层次的信息，从而到达更好的预测效果。DLSTM的结构如图3所示。[0093] 其中， 同样需要经过滑动窗口切分后成监督学习格式的数据才能送入DLSTM进行预测。设切分后的第k个样本为 ，设样本 所对应的预测目标负荷值为 ， 为输入DLSTM的第k个样本：[0094] ，[0095] ，[0096] ，[0097] 其中， 表示t时刻 的特征。然后将样本集合 送入DLSTM中进行预测，作为对初步预测结果 一种误差校正，输出的结果 为最终预测结果。[0098] 对上述各详细步骤中涉及的定义或概念内涵做以说明：[0099] 细粒度预测：经验模态分解：empiricalmodedecomposition(EMD)，一种新的处理非平稳信号的方法。基于EMD的时频分析方法既适合于非线性、非平稳信号的分析，也适合于线性、平稳信号的分析，并且对于线性、平稳信号的分析也比其他的时频分析方法更好地反映了信号的物理意义。[0100] 重采样：指的是将时间序列从一个频率转换到另一个频率的处理过程。是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。[0101] 进一步，提供一种具体的实施例。[0102] 在本实施例中数据集来源于UCI数据库(individualhouseholdelectricpowerconsumption)的电力负荷数据，数据集采样频率为每分钟，数据采集的时间跨度为47个月，数量共计2075259条，其中缺失值记为‘?’，约占1.25%。每条数据包含时间维度在内一共8个维度，其中有功功率（Globalactivepower,GAP）是预测的对象。[0103] 由本实施例中得到的EMD‑BiLSTM模型预测效果如图4所示，可以看到经过校正的最终预测结果 明显比初步预测结果 更加接近真实值，证明本实施例的DLSTM多特征预测模块发挥了很大的作用。[0104] 考虑到若数据粒度过小，数据更容易受到各种因素的影响而分布的更不规律、更随机，使预测变得更加困难。且实际电力管理调配中，以小时为单位的预测即可满足需求，故本实施例以一小时为粒度对原本以一分钟为粒度的数据进行重采样，重采样后的数据量变为34589条。重采样后还是会存在缺失值，对缺失值的处理方法有很多，例如整体均值填充、中位数填充，线性插值等。综合实验结果，使用均值填充的效果最好。重采样后的前360个数据的GAP分布如图5所示，数据经过重采样和均值填充后已经不存在缺失值了。但整体的分布规律仍不明显，起伏大。[0105] 为了更好测试模型表现，本实施例将数据集切分为训练集和测试集，分别占总体的80%和20%。考虑到数据每个维度的数值大小差异较大，不利于模型训练收敛。因此对数据进行归一化，将原始数据值归一化到[0,1]之间，方式如下：[0106] ，[0107] 式中，x为数据集D中除时间外的某一维度，min(x)，max(x)分别为这一维度的最小值和最大值， 为经过归一化后的值。[0108] 由于输入模型的数据是经过以上归一化操作的，因此模型输出的电力负荷预测数据也是归一化的。为了能将预测结果和原始数据在同一量纲上比较，需要对输出的数据进行反归一化，操作如下：[0109] ，[0110] 数据标签Y被EMD分解为了8个IMF分量和一个残差分量，如图6所示。与图5的原始数据相比，被EMD分解后的分量序列更加平稳，规律更为明显。[0111] 本实施例模型中BiLSTM模块和DLSTM第一层的隐藏单元个数unit1、unit2是极为重要的超参数，对模型的表现影响很大。当unit1、unit2分别为128、256的时候，整体模型表现最佳。因此将BiLSTM和DLSTM第一层的隐藏层单元个数分别设置为128和256。实验采用的DLSTM模型结构是3个LSTM层加一个全连接层，3层LSTM采用的激活函数为tanh，隐藏单元个数分别是256、128、64。全连接层采用的激活函数是linear。[0112] EMD‑BiLSTM‑DLSTM在中间会产生初步预测结果 ，之后会将初步预测结果处理后进行再次预测，得到最终预测结果 。在超参数设定为最好的情况下，模型输出有功功率GAP的初步预测结果、最终预测结果与真实GAP如图4所示。可以看到经过校正的 明显比更加接近真实值，证明本实施例的DLSTM多特征预测模块发挥了很大的作用。[0113] 由上可见，本发明首先采用经验模态分解(EMD)对电力时间序列进行分解使得数据趋于平稳化，再利用双向长短期记忆网络(BiLSTM)进行时间序列的初步预测。最后将初步预测结果与原始数据集中的其他特征进行融合，并输入至深度长短期记忆网络(DLSTM)对模型进行训练，输出的结果作为对初步预测结果的矫正。该方法用于电力的细粒度预测，能为电力的生产、调配与管理提供控制与决策的支持。该方法可以用于电站能源调配、工厂电力成本评估等场景。[0114] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。[0115] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

专利地区：陕西

专利申请日期：2024-08-29

专利公开日期：2024-11-29

专利公告号：CN118709866B