[发明专利]基于EMD-QRF的用户负荷概率密度预测方法、装置和存储介质

权利要求书

1.一种基于EMD-QRF的用户负荷概率密度预测方法，其特征在于，包括以下步骤：

获取实测用户负荷数据，采用经验模态分解EMD信号处理算法对用户负荷原始时间序列数据进行分解处理，得到若干特征互异的固有模态函数IMF；

采用样本熵衡量IMF复杂度，将样本熵值相近的IMF重构为趋势分量、细节分量和随机分量；

对各分量建立分位数回归预测QRF模型，得到不同分位点回归预测结果，并将不同分量预测结果叠加，获得预测值的条件分布；

采用核密度估计从预测值条件分布结果获得概率密度预测输出。

2.根据权利要求1所述的基于EMD-QRF的用户负荷概率密度预测方法，其特征在于：所述采用经验模态分解EMD信号处理算法对用户负荷原始时间序列数据进行分解处理，得到若干特征互异的固有模态函数IMF包括以下步骤：

S11、找出用户负荷时间序列y(t)中的所有极大值，通过插值法拟合其包络线为u(t)；同理，识别y(t)中所有极小值，通过插值法拟合其包络线为v(t)；由此，计算上下包络线的平均值m₁(t)为：

S12、将原始信号y(t)与m₁(t)相减得到h₁(t)

h₁(t)＝y(t)-m₁(t)

判断h₁(t)是否满足IMF分量条件，若不满足，则将h₁(t)视为新的信号y(t)，重复步骤S11，直到h₁(t)满足IMF分量条件；若满足，则第一个IMF分量表示为：

c₁(t)＝h₁(t)

S13、从原始信号y(t)中分离出第一个IMF分量，相应的剩余分量表示为：

r₁(t)＝y(t)-c₁(t)

S14、将剩余分量r₁(t)作为新的原始信号，重复步骤S11至步骤S13，得到其它IMF分量和1个余量。

3.根据权利要求1所述的基于EMD-QRF的用户负荷概率密度预测方法，其特征在于：所述采用样本熵衡量IMF复杂度，将样本熵值相近的IMF重构为趋势分量、细节分量和随机分量包括以下步骤：

S21、计算各IMF样本熵值；

S22、根据样本熵值大小对模态函数进行重构处理，得到趋势分量、细节分量和随机分量，其中，趋势分量与用户负荷原始时间序列总体变化趋势一致，用于刻画用户负荷的周周期变化特征；细节分量与用户负荷原始数据变化规律相似，用于反映用户负荷日周期与周周期特征；随机分量用于表示噪声或干扰对负荷造成的影响。

4.根据权利要求1所述的基于EMD-QRF的用户负荷概率密度预测方法，其特征在于：所述对各分量建立分位数回归预测QRF预测模型，得到不同分位点回归预测结果，并将不同分量预测结果叠加，获得预测值的条件分布包括以下步骤：

S31、利用随机森林算法生成k棵决策树T(θ_t)，t＝1,2,…,k，对每棵决策树每个叶节点，考察该叶节点所有观测值；

S32、计算每棵决策树观测值的权重w_i(x,θ_t)，i∈{1,2,…,n}，并取平均值得到每个观测值i∈{1,2,…,n}的权重w_i(x)；

S33、对所有y∈R，利用步骤S32得出的权重，计算分布函数的估计。

5.根据权利要求1所述的基于EMD-QRF的用户负荷概率密度预测方法，其特征在于：所述采用核密度估计从预测值条件分布结果获得概率密度预测输出包括：设X₁、X₂、…、X_M是取自一元连续总体的样本，在任意点x处的总体密度函数f(x)的核密度估计定义为：

式中：K(x)为核函数，h为带宽系数。