CN119448211A 一种基于多模态特征提取与分解融合的电力负荷预测方法 （国网山东省电力公司东营供电公司）

一种基于多模态特征提取与分解融合的电本发明公开一种基于多模态特征提取与分2根据所述固有模态函数的频率分化为高频分2.根据权利要求1所述的基于多模态特征提取与分解融合的电力负荷预测方法，其特3.根据权利要求2所述的基于多模态特征提取与分解融合的电力负荷预测方法，其特cao是最终所求权重。4.根据权利要求3所述的基于多模态特征提取与分解融合的电力负荷预测方法，其特5.根据权利要求4所述的基于多模态特征提取与分解融合的电力负荷预测方法，其特36.根据权利要求1所述的基于多模态特征提取与分解融合的电力负荷预测方法，其特7.一种基于多模态特征提取与分解融合的预处理模块，用于根据历史电荷符合和气象数据获取时间序列数据，序列分解模块，用于根据所述时间序列数据，通过时间8.根据权利要求7所述的基于多模态特征提取与分解融合的电力负荷预测装置，其特构建单元，用于根据所述气象数据与用电量的相关性，1_6中任意一项所述的基于多模态特征提取与分解机程序，所述计算机程序被处理器执行时用以实现如上述权利要求1_6中任意一项所述的4但缺少对负荷数据高频和低频特性的独立建模，导致在预测复杂负荷波动时准确度较低。5式中E($)表示va的平均值，E(yn)表示va的平均值；cao是最终所求权重。6分解为高频和低频分量，再结合深度学习模型进行特征提取和预测的技术受到广泛关注。[0017]图1是本发明实施例提供的一种基于多模态特征提取与分解融合的电力负荷预测此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因7其中，x'为归一化后的数值，x为归一化前1则意味着可以用X和Y来更好的将数据表示成为一个直线方程，所有的数据都可以落在该但此时X与Y表示为负相关，及Y随着X的增大而减小。得到的值为0则表示其之间没有相关式中E($)表示va的平均值，E(yn)表示va的平均值。块，最后进行加权计算。通道注意力机制是在空间维度上对特征图进行压缩，获得一维向量，然后才能对其进行处理操作。在空间维度上进行压缩时，不仅考虑到了平均值池化以产生通道注意力图。平均值池化对特征图上的每一个像素点都有反馈，而最大值池化在进行梯度反向传播计算时，只有特征图中响应最大的地方有梯度的反馈。通道注意力机制空间注意力机制是压缩通道，在通道维度上分别采用平均池化和最大值池化。8的隐藏细胞状态。在输入的内容中包含有前一序列的隐藏状态h(t一1)以及当前序列数据[0030]而输入门则主要处理当前序列位置的输入，主要由两个部分组成，分别包含9的残差。残差反映了模型当前对数据拟合的误差大小。残差的计算基于损失函数的梯度：一般在0<<≤1之间它决定了每棵树的贡献大小。[0044]L(y,3)=-ylog(j)+(1-)log(1-)(15)图1示出了一种基于多模态特征提取与分解融合的电力负荷预测方法的实验流程式中E($)表示va的平均值，E(yn)表示va的平均值；cao是最终所求权重。首先，基于相关性分析和专家加权法得出的初始权重将作为网络中的可训练参卷积层（CNN提取气象因子和负荷数据中的空间特征，特别适用于捕捉局部信[0058]提取特征后的高频负荷数据和权重高的天气数据输入到空间特征提取CNN模型[0059]将上述提取特征后的高频负荷数据和权重高的天气数据以及其余天气数据共同[0068]2、权重分配与神经网络自动调整结合：提出基于专家经验和数据驱动的加权方称EEPROM可擦除可编程只读存储器（ErasableProgrammableRead_OnlyMemory，简称EPROM可编程只读存储器（ProgrammableRead_OnlyMemory，简称PROM只读存储器发明所揭露的精神和范围的前提下，可