[发明专利]基于VMD分解机制的TCN-SVM组合用电负荷预测方法

权利要求书

1.基于VMD分解机制的TCN-SVM组合用电负荷预测方法，其特征在于，步骤包括：

步骤1：获取历史电力负荷数据和天气因素数据并对缺失值进行填补和对异常值进行替换；

步骤2：对步骤1到的数据进行节假日和季节做标记，得到构建的负荷数据特征；

步骤3：通过最大信息系数对天气因素数据进行分析得到天气因素特征；

步骤4：将用电力负荷数据进行VMD分解，得到不同的IMF用电负荷子分量；

步骤5：构建TCN预测模型和SVM预测模型，分别IMF用电负荷子分量、构建的负荷数据特征和天气因素特征作为训练集对TCN预测模型和SVM预测模型进行训练；采用训练好的TCN预测模型和SVM预测模型对带预测数据进行预测中，分别得到TCN预测模型和SVM预测模型的预测结果；

步骤6：在TCN预测模型和SVM预测模型得到预测结果中选择误差较小的结果进行叠加求和，得到最终的预测结果。

2.如权利要求1所述的基于VMD分解机制的TCN-SVM组合用电负荷预测方法，其特征在于，步骤1中获取的电力负荷数据采样频率不同，通过对数据进行合并处理，将电力负荷数据处理成为每15分钟间隔采样一次，将获取到的数据进行可视化分析、缺失值检索和异常值检查，并通过线性插值法对缺失值进行填补和对异常值进行替换。

3.如权利要求1所述的基于VMD分解机制的TCN-SVM组合用电负荷预测方法，其特征在于，所述步骤2中采用标注的方法对季节进行标注，春季标记为0，夏季标记为1，秋季标记为2，冬季标记为3；采用标注的方法对节假日进行标注，节假日标记为0，非节假日标注为1。

4.如权利要求1所述的基于VMD分解机制的TCN-SVM组合用电负荷预测方法，其特征在于，步骤3具体的为：

步骤3.1，采用最大信息数对天气因素进行计算相关性，如公式(1)和公式(2)：

其中mic为最大信息数，x和y分别要求相关性的两组数据，p(x,y)为变量x和y之间的联合概率，I(x；y)为相互信息；

步骤3.2，设置阈值，将最大信息数大于阈值的天气因素特征进行保留得到天气因素特征，阈值的设置在0.6～0.7范围内。

5.如权利要求1所述的基于VMD分解机制的TCN-SVM组合用电负荷预测方法，其特征在于，

步骤4中具体的VMD分解过程即为求解变分约束公式的过程，变分约束公式为：

式中：K是其需要分解的IMF子分量的个数，{u_k}、{ω_k}分别表示分解后的第k个子分量和其中心频率，δ(t)为狄拉克函数，*为卷积运算符号；α为二次惩罚因子，作用是降低高斯噪声的干扰。

对公式(1)的求解过程为：

步骤4,1，初始化ω¹、和λ¹和最大迭代次数N；

步骤4.2，对于公式(1)，引入Lagrange惩罚算子λ，将约束变分问题转变为非约束变分问题，其公式为：

对优化得到的模态子分量和中心频率，并搜寻Lagrange函数的鞍点，得到公式(5)～(7)：

式中使用梯度下降更新，γ为噪声容忍度，满足信号分解的保真度要求，和分别对应u_i(ω)、f(ω)和λ(ω)的傅里叶变换；

利用公式(5)和(6)更新和ω(k)；利用公式(7)更新

步骤4.3，根据精度收敛判据ε0，若不满足且nN,则返回第二步，否则完成迭代，输出最终的和ω_k。

6.如权利要求1所述的基于VMD分解机制的TCN-SVM组合用电负荷预测方法，其特征在于，步骤5中构建的TCN负荷预测模型包括依次连接的两层TCN隐藏层和全连接输出层，具体设置如下：

设置2层TCN网络用于负荷预测建模：第1层TCN的过滤器的数量为48，卷积核的长度为4，随机失活率为0.3；第2层TCN的过滤器的数量为16，卷积核的长度为2，随机失活率为0.05，每层都计算出预测长度为64的输出序列，最后一层设置其只返回序列的最后一个时刻的输出；

设置输出层，使用全连接层对前一层返回的最后一个输出进行降维，全连接输出层的激活函数选取“relu”函数对输出数据做非线性映射。