[发明专利]基于神经网络组合模型的短期负荷预测方法、设备及介质

权利要求书

1.一种基于神经网络组合模型的短期负荷预测方法，其特征在于，包括：

获取负荷数据，并对所述负荷数据进行归一化处理；

利用CEEMDAN分解算法对所述归一化处理后的负荷数据进行分解，得到n个不同频率的固有模态函数分量以及一个剩余残差分量；

将所述固有模态函数分量以及所述剩余残差分量分别输入预先训练得到的CNN-LSTM-ELM预测模型，获取初步预测结果；

对所述预测结果进行叠加，得到的叠加预测结果作为所述负荷数据对应的负荷预测结果；

其中，所述CNN-LSTM-ELM预测模型的训练，包括：

获取负荷样本数据，并对所述负荷样本数据进行归一化处理；

利用CEEMDAN分解算法对所述归一化处理后的负荷样本数据进行分解，得到多个分解分量，所述分解分量包括n个不同频率的固有模态函数IMF₁-IMF_n分量以及一个剩余残差res分量；

确定所述固有模态函数IMF₁-IMF_n分量的时间尺度，创建CNN-LSTM-ELM预测模型，所述CNN-LSTM-ELM预测模型包括CNN-LSTM预测模型和ELM模型；

利用PSO对所述CNN-LSTM-ELM预测模型进行超参数寻优，得到优化后的CNN-LSTM-ELM预测模型；

将所述固有模态函数IMF₁-IMF_n分量以及剩余残差res分量分别输入CNN-LSTM预测模型，得到第一输出参数，再将各自的第一输出参数分别输入对应的ELM模型，得到第二输出参数；

对所述第二输出参数进行叠加，得到训练结果；

将所述训练结果反序列归一化后，采用一种或多种的误差评价指标评估模型比对训练结果和真实结果，直至误差小于预设阈值，完成对CNN-LSTM-ELM预测模型的训练；

其中，将所述固有模态函数IMF₁-IMF_n分量以及剩余残差res分量分别输入CNN-LSTM预测模型，得到第一输出参数，包括：

构建n+1个卷积神经网络模型和n+1个长短期记忆神经网络模型，其中，每个卷积神经网络模型由两个卷积层、两个池化层以及一个平滑层组成，所述长短期记忆神经网络模型由两个LSTM层组成；

将固有模态函数IMF₁-IMF_n分量以及剩余残差res分量分别输入n+1个卷积神经网络模型中，得到n+1个第一输出子参数，A_k为第k个第一输出子参数，1≤k≤n+1，将固有模态函数IMF₁-IMF_n分量以及剩余残差res分量分别输入n+1个长短期记忆神经网络模型中，得到n+1个第二输出子参数，B_k为第k个第二输出子参数；

将A_k和B_k通过两个全连接层连接，输出第一输出参数C_k，其中，C_k为第k个第一输出参数，所述第一输出参数共n+1个。

2.根据权利要求1所述的基于神经网络组合模型的短期负荷预测方法，其特征在于，对所述负荷样本数据进行归一化处理，包括：

使用公式将所述负荷样本数据映射到[0，1]：

其中，x^*为归一化后的数据；x_min、x_max分别为负荷样本数据集中的最小值与最大值，x为原始负荷样本数据。