CN119401452A 基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质 （朗坤智慧科技股份有限公司）

基于多源异构数据特征融合的电力负荷预本发明公开了基于多源异构数据特征融合的方法对处理后特征进行融合得到全面特征信息；基于全连接神经网络构建以综合特征为输2基于全连接神经网络构建以综合特征为输入的预测模型并定义损失函数和优化算法，将训练集数据输入模型并根据模型效果进行迭代优化调整模基于测试集对模型预测精度进行评估，基于参数优化调整模型，3.如权利要求1或2所述的基于多源异构数据特征融时序数据处理单元，使用门控循环单元网络GRU处理;NX(3·dniaaen)，则综合特征生成特征融合层，使用一个全连接层，将拼接后的特征通过使用预测输出层表示最终的输出层，将融合特征映射到预测目3;特征在于：所述定义损失函数和优化算法包括，计算预测值和真实负荷值之间的MSE损;计算损失相对于输出的梯度，反向传播首先从输出层;法则计算每一层的梯度；假设z(0是第l层的加权输入，a0是第l层的激活值，权重为;;l层的误差项，w(I+1)表示第l+1层的权重矩阵反向传播和优化，通;4;偏差修正公式表示为：;根据已评估的超参数组合构建代理模型来预测其他超参数组合的性能选择下一个采;其中，f(0)表示代理模型的预测值，表示当前最佳超参数；E表示对未来改进的期;高负荷情况，若预测负荷大于参数，说明负荷接近或超出了电力系统的承载能5系统采用多种算法从预处理后的数据中提取有意义的特征，使用融合后的特征数据训练预测模型；被处理器执行时实现基于多源异构数据特征融合的电力负荷预测6[0009]基于全连接神经网络构建以综合特征为输入的预测模型并定义损失函数和优化7[0011]作为本发明所述的基于多源异构数据特征融合的电力负荷预测方法的一种优选[0014]作为本发明所述的基于多源异构数据特征融合的电力负荷预测方法的一种优选[0016]作为本发明所述的基于多源异构数据特征融合的电力负荷预测方法的一种优选各类数据输入相应单元并得到相应特征表示；NX(3·dniaaen)，则综合[0020]作为本发明所述的基于多源异构数据特征融合的电力负荷预测方法的一种优选8,,l层的误差项，w(I+1)表示第l+1层的权重矩阵反向传播和优向传播计算梯度，并使用优化器更新模型参数；计算损失对模型参数的梯度，令;vz=βv-1+(1-B2)gf9,[0033]作为本发明所述的基于多源异构数据特征融合的电力负荷预测方法的一种优选[0034]根据已评估的超参数组合构建代理模型来预测其他超参数组合的性能选择下一,[0035]作为本发明所述的基于多源异构数据特征融合的电力负荷预测方法的一种优选[0041]作为本发明所述的基于多源异构数据特征融合的电力负荷预测方法的一种优选[0043]作为本发明所述的基于多源异构数据特征融合的电力负荷预测系统的一种优选器执行所述计算机程序是实现基于多源异构数据特征融合的电力负荷预行时实现基于多源异构数据特征融合的电力负荷预测方[0052]图1为本发明第一个实施例提供的一种基于多源异构数据特征融合的电力负荷预[0053]图2为本发明第三个实施例提供的一种基于多源异构数据特征融合的电力负荷预[0059]利用皮尔逊相关性分析方法以及负荷数据物理特性选择负荷预测需要的关键指,xmax表示原始数据集的最大值。重置门Tt:[0071]r=o(w·[ht-1,xeJ),NX(3·diaaen)，则综合,,,神经网络，以生成预测输出；假设输入特征的维度为dinput,可以采用多层全连接层的结,,,其中，o'(ZI))表示激活函数的导数(对于ReLU激活函数，o'(z)=1如果,l层的误差项，w(I+1)表示第l+1层的权重矩阵反向传播和优,参数进行更新。最常用的优化算法包括梯度下降(GradientDescent)及其变种，如,,vz=βv-1+(1-B2)gf,[0104]根据已评估的超参数组合构建代理模型来预测其他超参数组合的性能选择下一,预测值进行反馈调整的优化目标为最大化采集函数公d⃞en=dniaaen-以确定模型的稳定性。最终基于最佳参数配置的模型在未来一周的负荷数据上进行预测，[0130]本发明基于多层模型融合的电力负荷预测方法在负荷预测中表现出优越的准确在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算