[发明专利]基于Informer-SCINet的电负荷预测方法

权利要求书

1.基于Informer-SCINet的电负荷预测方法，其特征在于，包括以下步骤：S1.对历史负荷数据采用ICEEMDAN分解进行处理，获得若干个IMF分量和RES分量；

S2.将获得的IMF分量和RES分量分别输入到经过Bayes优化的Informer-SCINet组合预测模型进行预测，得到Informer-SCINet组合预测模型中单一模型各自的预测值；

S3.采用BP神经网络对Informer-SCINet组合预测模型中单一模型预测值的权值分配进行寻优，确定单一模型的权值，并计算得到各个分量新的预测值；

S4.对S3中各个分量预测值叠加重构得到最终的预测值，最后进行误差对比分析。

2.根据权利要求1所述的基于Informer-SCINet的电负荷预测方法，其特征在于，所述S1步骤包括以下子步骤：S11.在历史数据x中添加高斯白噪声，得到局部平均值x⁽ⁱ⁾与第一个残差r₁，其中，β表示信噪比；E表示EMD分解后的IMF分量；ω表示高斯白噪声；M(·)表示计算局部均值；S12.采用历史数据x和第一个残差r₁求得IMF₁，同时求取第二个残差r₂，S13.可得出IMF₂，同时推导出IMF_k，

3.根据权利要求1所述的基于Informer-SCINet的电负荷预测方法，其特征在于，所述S2步骤中包括以下子步骤：S21.输入IMF分量或RES分量以及超参数组合及随机初始点对Informer或SCINet进行训练；

S22.将训练数据导入Informer模型或SCINet模型中，再将Informer模型或SCINet模型输出后的预测值数据输入高斯回归模型中；

S23.使用采集函数在高斯回归模型的输出数据中选取下一个采样点；

S24.判定采样点数据是否满足所需精度，满足则输出超参数组合，若不满足，则将数据重新输入高斯回归模型中重复后续操作。

4.根据权利要求1所述的基于Informer-SCINet的电负荷预测方法，其特征在于，所述S2步骤中Bayes优化目标为：x^*＝argmin_x∈Xf(x)，其中，x^*表示待优化超参数集，f(x)表示函数。

5.根据权利要求1所述的基于Informer-SCINet的电负荷预测方法，其特征在于，所述BP神经网络包括：输入层、隐藏层以及输出层；所述输入层的神经元个数为2、隐藏层的神经元个数为5、输出层的神经元个数为1。

6.根据权利要求1所述的基于Informer-SCINet的电负荷预测方法，其特征在于，S2步骤中所述Bayes优化的Informer-SCINet组合预测模型主要为对其超参数进行优化；所述超参数包括：网络层数、神经元个数、学习率、批次大小以及丢弃率。

7.根据权利要求1所述的基于Informer-SCINet的电负荷预测方法，其特征在于，所述S3步骤中权值分配包括：固定权值分配、变权系数分配。