[发明专利]一种基于VMD分解与LSTM网络的日用电量预测方法

权利要求书

1.一种基于VMD分解与LSTM网络的日用电量预测方法，其特征在于，包括以下步骤：

(1)数据预处理；

(2)对预处理后的数据进行变分模态分解，模态数K由贝叶斯优化算法进行优化；

(3)对用电量序列数据进行相关影响因子的拓展，所述影响因子包括典型日以及温度因素，原始数据与映射数据之间的映射参数由贝叶斯优化算法优化获得；

(4)将相关影响因子拓展后的数据分为训练集，验证集和测试集；

(5)通过LSTM模型训练各子模式，通过测试集与验证集的比较计算均方根误差；

(6)对预测结果进行重构与反归一化，确定是否满足终止条件，若不满足则需要修正贝叶斯优化算法的先验函数，更新映射参数，并返回步骤(4)；

(6)将优化后的映射参数输入到LSTM模型中，用训练集和验证集用作新的训练数据，对测试数据进行重构和反归一化，输出预测结果。

2.按照权利要求1所述的方法，其特征在于，

步骤(1)中的数据预处理通过ADF检验数据的平稳性，若结果拒绝，则进行差分处理，之后将数据进行归一化。

3.按照权利要求1所述的方法，其特征在于，

采用交叉验证，将数据拆分为训练集、验证集和测试集，并将时间序列数据转换为如下格式：

式中，x为日用电量时间序列，N为时间序列数据总数，k是输入节点数，j是预测数据的数量；i＝N-k-j是格式化数据的数量。

4.按照权利要求1所述的方法，其特征在于，步骤(2)通过变分模态分解方法分解为K个子模态，其中K的数值是由贝叶斯优化算法优化得到。

5.按照权利要求1所述的方法，其特征在于，步骤(3)分别计算用电量与温度及日类型的相关性，若存在相关性，则将原始映射扩展到每个VMD子模态，原始数据与映射数据之间的映射参数由贝叶斯优化算法获取。

6.按照权利要求1所述的方法，其特征在于，在步骤(5)中通过LSTM模型对变分模态分解获得的子模式进行预测，并对各子模式的预测结果进行重构，作为日用电量的预测结果。

7.按照权利要求1所述的方法，其特征在于，

在步骤(6)中，均方根误差为：

δ_f,i和δ_t,i分别为第i天的预测电量和真实电量。