计及相似日和时间相关性的深度学习短期电力负荷预测

摘要

针对特征提取不足、负荷数据噪声大等问题，提出一种基于多因素相似日聚类、时间相关性分析、两层分解降噪的多分支组合负荷预测方法。首先，利用皮尔逊相关系数和最大互信息系数综合分析日负荷影响因素的线性相关性和非线性相关性，增强对重要特征的筛选。将筛选出的高相关性气象因素、日期因素和24h日负荷数据通过主成分分析方法降维后，进行K-medoids相似日聚类。然后，对各聚类相似日的负荷、气象和日期等数据进行多维分析、多特征提取，构建多特征提取矩阵块以增强数据的周期性规律和时空特性，并结合变分模态分解及经验小波变换提取原始数据的多尺度波动规律、增加数据细节特征，同时降低数据的非线性程度。利用组合预测模型中不同输入分支的门控残差卷积模块充分挖掘数据间的局部相关性，提取局部短时依赖、获取高维特征；利用输入分支并联的双向长短期记忆网络提取数据间的时序特征、挖掘长期依赖关系。最后，对不同类型的特征进行综合集成、强化，实现短期电力负荷预测。实验结果表明：在短期电力负荷单步预测中，用所提的多特征提取、多模型组合方法可获得较高的预测精度；在多步预测中，用所提策略能大幅提升预测精度。所提方法整体预测效果优异。

关键词

电力负荷预测 / 相似日聚类 / 时间相关性分析 / 门控卷积网络 / 自注意力机制