买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京信息工程大学

摘要：本发明提供了基于小波包分解和ConvLSTM的电力负荷预测方法，所述方法采用小波包分解模块分解电力负荷数据得到多个表示不同时序规律的子序列数据，将气象要素、用地类型以及子序列数据作为多源融合数据输入赋权耦合Conv‑LSTM网络中，使用赋权耦合模块计算通道赋权特征，进行电力负荷预测。在相同条件下，本方法能够实现更准确的电力负荷短期预测，评价指标MAPE达到2.73，与其他主流方法相比整体预测性能显著提升。

主权项：1.基于小波包分解和ConvLSTM的电力负荷预测方法，其特征在于，包括以下步骤：步骤1、采集区域电网的电力负荷数据、所在区域的气象要素数据和用地类型数据，并进行预处理；步骤2、构建小波包分解模块，将电力负荷数据输入小波包分解模块中，进行分解得到表示不同时序规律的子序列数据；步骤3、利用广播机制将用地类型数据在时间分辨率上与子序列数据、气象要素数据对齐，使用插值方法使得子序列数据、气象要素数据在空间分辨率上与用地类型数据对齐，得到负荷特征、气象特征、用地特征数据；步骤4、将对齐后的负荷特征、气象特征、用地特征数据在通道维度上拼接，得到多源融合数据；步骤5、将多源融合数据作为赋权耦合Conv-LSTM网络的输入，按照时间步顺序依次输入到相应的赋权耦合Conv-LSTM单元中，使用赋权耦合模块计算通道赋权特征，在同一隐藏层中的两个以上单元间和两个以上隐藏层间传递和提取时空信息进行预测；步骤6、将赋权耦合Conv-LSTM网络的输出进行反归一化处理得到预测结果；步骤2包括如下步骤：步骤2.1、所述小波包分解模块使用深度学习网络框架实现近似的小波包分解，基于多级小波分解网络改进，将多级小波分解网络中的小波分解树状结构替换为小波包分解树状结构，在每一级分解中同时对高频和低频部分进行迭代分解；步骤2.2、以96个连续时刻的电力负荷数据为样本，即作为原时间序列X，输入到小波包分解模块中分解时间序列数据，其中，在第i次分解中得到中间变量和；步骤2.3、中间变量和通过卷积操作进行下采样，尺寸为原先的，得到、，和分别表示原时间序列X在第i次分解生成的低频子序列和高频子序列；步骤2.4、将最后一级分解生成的子序列集合Concat拼接，此时任一子序列的周期均为24，获得最终的子序列数据输出，结果为： ，其中T表示矩阵转置；所述结果对应的分解级数为，相对应的分解次数、、…、i为正数三角数阵的第行；步骤2.2中，将原时间序列表示为： ，其中，为第t时刻的电力负荷历史观测值数据，周期为96；在小波包分解模块第级第i次分解时，依照以下公式得到中间变量和： ， ，其中，表示sigmoid激活函数，和为可学习偏差矩阵，初始化为随机数值； 和为尺寸的可学习权重矩阵，其中为的尺寸大小，初始化权重矩阵如下： ， ，其中表示原时间序列在第次分解生成的低频或高频子序列，和h分别代表小波包分解的低频滤波系数和高频滤波系数，、，表示小波包分解的第K个低频滤波系数，表示小波包分解的第K个高频滤波系数；权重矩阵的空缺值依照以下公式初始化： ，其中为小波滤波器系数中的最小值，为标准正态分布。

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于小波包分解和ConvLSTM的电力负荷预测方法