[发明专利]能源负荷短期预测方法、装置、计算机设备及存储介质

权利要求书

1.一种能源负荷短期预测方法，其特征在于，包括：

利用组合小波变换对原始能源负荷数据进行分解，获取二阶近似分量、二阶细节分量和一阶细节分量；所述组合小波变换由双正交小波变换、懒小波变换、多贝西小波变换和哈尔小波变换构成；所述原始能源负荷数据则是指电力负荷的历史数据；将原始能源负荷数据中的细节信息归类并制作成one-hot向量形式；

所述利用组合小波变换对原始能源负荷数据进行分解，获取二阶近似分量、二阶细节分量和一阶细节分量，包括：

对不同小波变换下得到的原始的二阶近似分量、二阶细节分量和一阶细节分量进行归一化处理；

并对归一化处理后得到的各分量的卡方统计量分别进行比较，获取不同小波变换的权重；

将不同小波变换得到的原始的二阶近似分量，根据其权重进行加权组合得到最终的二阶近似分量；将不同小波变换得到的原始的二阶细节分量，根据其权重进行加权组合得到最终的二阶细节分量；以及将不同小波变换得到的原始的一阶细节分量，根据其权重进行加权组合得到最终的一阶细节分量；

原始能源负荷数据满足以下关系式：

y＝ya2_i+yd2_i+yd1_i|_{i＝1，2，3，4}

式中，y表示原始能源负荷数据，右下角标i表示小波变换的类型，编号1、2、3、4分别对应双正交小波、懒小波、多贝西小波、哈尔小波，ya2_i、yd2_i、yd1_i分别表示分解得到每一组的二阶近似变量、二阶细节变量、一阶细节变量；

通过对不同小波变换结果进行组合加权获得最终的分解信号如下：

式中，W_i表示编号为i的小波变换的权重，并且W_i＞0，i＝1，2，3，4，满足表示二阶近似分量，表示二阶细节分量，表示一阶细节分量；

获取与能源负荷短期预测相关的外生变量，并将所述外生变量与二阶近似分量、二阶细节分量和一阶细节分量进行结合，得到Arima模型样本集和RNN模型样本集；所述外生变量包括：最高气温、最低气温、雨雪等级、是否晴天、是否供暖、是否工作日、是否元旦、是否过年、是否清明、是否五一、是否端午节、是否中秋节、是否国庆节、节假目前夕、节假日刚过；

所述获取与能源负荷短期预测相关的外生变量，并将所述外生变量与二阶近似分量、二阶细节分量和一阶细节分量进行结合，得到Arima模型样本集和RNN模型样本集，包括：

将当日之前的连续多日内的二阶近似分量与当日的外生变量结合生成Arima模型样本集；

将当日之前的连续多日内的二阶细节分量、连续多日内的一阶细节分量分别与当日的外生变量结合，分别生成第一RNN模型样本集和第二RNN模型样本集；

利用Arima模型对Arima模型样本集进行学习并得到趋势预测结果；

利用RNN模型对RNN模型样本集进行学习并得到细节预测结果；所述RNN模型采用分类网络；

将所述趋势预测结果与所述细节预测结果进行综合，得到最终的能源负荷短期预测结果；

所述利用Arima模型对Arima模型样本集进行学习并得到趋势预测结果，包括：

对Arima模型样本集中的样本进行一阶差分处理，再进行平稳性检测，然后进行白噪声检测，然后确定模型参数，最后送入Arima模型进行学习并得到趋势预测结果；

所述利用RNN模型对RNN模型样本集进行学习并得到细节预测结果，包括：

先将第一RNN模型样本集中的样本送入全连接层进行向量调整；

再将调整后的样本送入多层长短时记忆单元进行学习；

然后将学习后的样本送入Softmax层进行输出并利用one-hot向量进行编码得到第一细节预测结果；

以及，先将第二RNN模型样本集中的样本送入全连接层进行向量调整；

再将调整后的样本送入多层长短时记忆单元进行学习；

然后将学习后的样本送入Softmax层进行输出并利用one-hot向量进行编码得到第二细节预测结果。

2.根据权利要求1所述的能源负荷短期预测方法，其特征在于，所述将所述趋势预测结果与所述细节预测结果进行综合，得到最终的能源负荷短期预测结果，包括：

将趋势预测结果与细节预测结果进行累加，得到最终的预测结果。