[发明专利]基于Informer-SCINet的电负荷预测方法

说明书

本发明公开了基于Informer‑SCINet的电负荷预测方法，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。

技术领域

本发明涉及电力信息技术领域，具体为基于Informer-SCINet的电负荷预测方法。

背景技术

随着新能源汽车等用电设备的数量不断增长，导致电网的随机性、不确定性、不稳定性进一步提高，因此，迫切需要一种稳定性好、预测精度高的电力负荷预测模型。

国内外研究人员对电力负荷预测的研究已久，电力负荷预测方法主要分为时间序列分析、机器学习和深度学习三类。部分研究人员采用EMD分解、VMD分解、EEMADN和CEEMDAN分解对历史数据进行分解，在一定程度上缓解了分解过程中残余噪声和伪模态的问题，但该问题依然存在。采用单一的Informer模型对目标量进行预测，相较于传统模型精度有提升，但该模型在对波峰、波谷的拟合程度不高。采用XGBoost-LightGBM组合预测模型，该模型较单一XGBoost和LightGBM精度有提升，但该模型存在对数据发掘不充分、重要信息遗漏的问题。采用LSTM或GRU等单一模型进行预测，未对预测模型的相关超参数进行寻优，采用人为确定的方式，可能导致预测精度的降低。

发明内容

本发明提供基于Informer-SCINet的电负荷预测方法，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。

进一步地，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，

进一步地，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。

进一步地，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。

进一步地，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。