[发明专利]基于混合深度学习模型的电功率预测方法、系统及设备

权利要求书

1.一种基于混合深度学习模型的电功率预测方法，其特征在于，包括：

获取历史数据构建预测电功率的第一特征数据集，其中所述历史数据包括功率数据、气象数据及日期数据；其中利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，依据滑动窗口法对功率数据的多模态分量的时间序列进行构造，得到具有时间序列的功率数据，基于具有时间序列的功率数据对第一特征数据集中的功率数据进行更新，得到第二特征数据集；

构建预先训练好的混合深度学习模型，利用训练好的混合深度学习模型抽取第二特征数据集的特征向量，得到电功率预测结果；其中，混合深度学习模型依次由卷积神经网络、注意力机制、门控循环神经网络和全连接层连接而成。

2.根据权利要求1所述的方法，其特征在于，利用变分模态分解法对所述历史功率数据进行变分模态分解，得到功率数据的多模态分量，具体为：

以各模态分量中心频率和最小为目标函数来构造受约束变分模型，其中约束变分问题模型为；

引入拉格朗日乘法算子以及二次惩罚因子，将受约束变分模型变为无约束变分模型；

利用乘法算子交替方法来循环更新无约束变分模型的各个分解信号及其对应的中心频率，在循环更新的终止条件达到时，得到无约束变分模型的最优解，即功率数据的多模态分量。

3.根据权利要求2所述的方法，其特征在于，所述受约束变分模型的数学表达式为：其中，j为虚数，f(t)为原始输入信号，δ(t)为狄拉克函数，{μ_k}为分解得到的模态分量，{ω_k}为各模态分量相应的中心频率，*为卷积运算，k为模态分解数，t为取样时间；

所述无约束变分模型的数学表达式为：

其中，λ(t)为拉格朗日乘法算子，α为二次惩罚因子，f(ω)、λⁿ(ω)分别为f(t)、λⁿ(t)的傅里叶变化，n为迭代次数，N为最大迭代次数，λⁿ(t)表示第n次迭代的拉格朗日乘法算子，μ_k(t)表示t时刻分解得到的模态分量，表示第n次迭代t时刻分解得到的模态分量；

所述循环更新的终止条件的数学表达式为：其中，表示第n次迭代分解得到的模态分量，表示第n+1次迭代分解得到的模态分量。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络为加入残差网络的卷积神经网络，该卷积神经网络包含两个卷积层和一个第二全连接层，每个卷积层包含一个卷积操作和一个池化操作，两个卷积层顺次连接后与第二全连接层连接；

其中卷积层提取所输入的第二特征数据集的局部特征，得到第一特征向量，其中第一特征向量包括具有时间序列的功率数据的局部特征、气象数据的局部特征和日期数据的局部特征，第二全连接层对第一特征向量进行归一化处理，并输出归一化处理后的第一特征向量。

5.根据权利要求4所述的方法，其特征在于，所述注意力机制对卷积神经网络输出的第一特征向量的局部特征分配不同的权重，得到第二特征向量。

6.根据权利要求5所述的方法，其特征在于，门控循环神经网络对注意力机制层输出的第二特征向量潜藏的时序规律进行提取，得到第三特征向量，并由第一全连接层对具有时序规律的第三特征向量进行求和，得到电功率预测结果。