CN118690159B 一种基于多模型融合的短期电力负荷预测方法及装置 （陕西思极科技有限公司）

新城能源金贸区西咸自贸中心1-A座一种基于多模型融合的短期电力负荷预测本发明公开一种基于多模型融合的短期电集电力负荷数据和气象数据，得到原始训练数集电力负荷数据和气象数据输入训练好的分层2基于所述原始训练数据训练并优化所述分层预测大模型实时采集电力负荷数据和气象数据输入训练好的分层预基于所述原始训练数据训练并优化所述分层预测大模型中各基于所述第一优化迭代次数分别对N个种群进行第一优化，并更新适对每个种群的m个个体进行更新优化的步骤：对m个个体依次进行三角形拓扑单元形若满足，比较每个种群每层迭代得到的最优个体的适应度，将3将生成的子代个体与父代个体的适应度值进行比较，保留适应度值MSVC(i,d1)＝n(qx(i,d1)+(1_q)x(i,d2))+(1_n)x(i,d3)优化训练模块，用于基于所述原始训练数据训练并优预测模块，实时采集电力负荷数据和气象数据输入训练好的分层预存储计算机可执行指令的存储器，所述计算机可执行指令在4[0007]现有电力负荷预测的方法主要有统计学预测方法和基于机器模型的人工智能方[0014]实时采集电力负荷数据和气象数据输入训练好的分层预测大模型预测短期电力5神经网络模型，以及选自自然梯度提升机NGBoost、多头量子自注意力神经网络预测模型子模型的类型各不相同，且选自随机森林模型RF和轻梯度提升机lightGBM中的至少两种；6[0036]将生成的子代个体与父代个体的适应度值进行比较，保7[0054]为了使本发明所解决的技术问题、采用的技术手段及取[0055]图1是本发明实施例提供的一种基于多模型融合的短期电力负荷预测方法的流程[0058]图4是本发明实施例提供的一种基于多模型融合的短期电力负荷预测装置的结构性或其他细节不排除可以以合适的方式结合在一个或更多其他的[0065]附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对8层预测大模型各个层中每个子模型的预测结果进行融合，提升预测结果的准确性和稳定梯度提升机NGBoost、多头量子自注意力神经网络预测模型MQSAPN、正则化贪心森林RGF、[0079]本实施例中，将采集的负荷数据和气象数据分别通过第一层中并联的NGBoost模9概率预测(包括实值输出)使用GradientBoostin(StructuredLearningandTask_basedOptimizationforTimeSeriesForecasting即自顶向下的卷积和自底向上的注意力集成机制，以利用层次结构的信息来提高预测性不同的是，KAN把可学习的激活函数放在权重上，具有优异的学习能力。iTransformer(InvertedTransformer)则是一种革新性的时间序列预测模型，旨在解决传统Transformer模型在预测具有大范围回溯窗口的时间序列时性能下降和计算[0087]每个种群中的个体相当于分层预测大模型的一组参数(参数1,参数2,,参数[0114]以图2中的分层预测大模型结构为例，可以将实时采集的负荷数据和气象数据分和KAN神经网络模型输出分别6个从不同维度对负荷数据和气象数据进行预测得到的第一西安地区2014年12月31日至2022年12月31日的电力负荷数据和气象数据进行模型的训练[0119]从表1可以明显看出，本发明的基于多模型融合的短期电力负荷预测方法比其他[0150]总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储