基于模态分解与神经网络的电量电价层级融合预测方法

技术领域

本发明涉及数据处理领域，特别涉及基于模态分解与神经网络的电量电价层级融合预测方法。

背景技术

随着新型电力系统的构建，可再生能源发电比重不断上升，电量已经成为电力行业尤其是大型发电企业、分布式发电单位所重点关注的指标。企业亟需对电量进行测算，才能对电量的情况更好的掌握与了解，并在此基础上制定更加合理的计划。与此同时，在电力市场中，电价是所有市场参与者最重要的信号，精准的电价预测对于发电商、用户、市场监管者等主体具有非常重要的意义。因此，优良的电量电价预测技术不但对于各主体而言具有非常大的现实意义，而且对于电费的计算与电费管理者对电费回收的预期进行有效把握。

而在电力系统中，电量预测和电价预测是两个非常重要的环节。准确的电量预测可以帮助电力系统合理规划电力生产，提高能源利用率；而准确的电价预测则可以帮助电力公司和消费者合理安排电力购买和消费，提高市场运营效率。

目前，现有技术中电量预测和电价预测的方法通常采用各类神经网络模型，但电量相关参数存在多因素交互的复杂关系，如果在简单的预处理后直接进行模型训练，不论是在训练效率还是精确度上，效果都较差，且单一模型的短板无法弥补。而如果采用多种模型进行预测，由于相互之间架构不同、输入输出格式不同，导致复杂度增加的同时却难以提高预测准确率。

发明内容

针对现有技术存在的难以利用多模型对电量电价进行准确高效预测的问题，本发明提供了基于模态分解与神经网络的电量电价层级融合预测方法，利用模态分解技术能够分离出数据中的噪声和异常值，减少它们对预测结果的影响，结合IMF分量和模糊熵值，得到一个更加丰富和具有代表性的基础特征向量，并基于层级融合的方式利用不同的神经网络模型逐步提取和融合了数据的多种特征，在各步骤之间形成互补，提高了预测的精度和全面性。

以下是本发明的技术方案。

基于模态分解与神经网络的电量电价层级融合预测方法，包括以下步骤：

S1、数据预处理：获取目标对象的历史用电量及关联信息并进行预处理；

S2、基于层级融合的底层处理：利用模态分解算法将预处理后的数据分解为多个IMF分量，对每个IMF分量计算其模糊熵值，将得到的IMF分量和模糊熵值合并，得到基础特征向量；

S3、基于层级融合的中层处理：调用训练好的双向长短期记忆神经网络模型，输入基础特征向量，基于学习到的数据中的时间依赖关系计算并输出时间特征向量；

S4、基于层级融合的高层处理：调用训练好的卷积神经网络模型，输入时间特征向量，基于学习到的数据中的空间特征计算并输出空间特征向量；

S5、基于层级融合的顶层处理：基于模糊熵值将输出的时间特征向量和空间特征向量进行加权融合，基于梯度提升机得到最终的电量预测值；

S6、基于所述电量预测值，根据目标对象所适用的电价计费准则计算电价预测值。

本发明中，针对电量电价预测问题，基于层级融合理念，利用模态分解算法捕捉数据的局部特征和周期性变化，提高了对数据的细节把握，模糊熵值反映了数据的复杂度，有助于更全面地描述数据的特性，因此结合IMF分量和模糊熵值，可以得到更加丰富和具有代表性的基础特征向量，为后续层级提供了高质量数据。并利用双向长短期记忆神经网络模型理解电量的时序变化，得到时间特征向量；利用卷积神经网络模型理解电量数据的空间分布和关联性，得到空间特征向量；能够充分挖掘待预测信息的全方位特征，最后基于模糊熵值将两种特征向量加权融合，能够使两种神经网络模型在各自擅长情况下的优势被放大，以帮助梯度提升机得到更准确的电量预测值。本发明解决了多模型共用时产生的兼容性、准确性问题，产生“一加一大于二”的效果。

作为优选，所述S1、数据预处理：获取目标对象的历史用电量及关联信息并进行预处理，包括：

获取目标对象的历史用电量及关联信息；

进行异常值去除和缺失值填补，得到清洗后数据；

对清洗后数据进行归一化，得到预处理后的数据。

作为优选，所述S2、基于层级融合的底层处理中，利用模态分解算法将预处理后的数据分解为多个IMF分量，包括：

利用自适应噪声完全集合经验模态分解算法，将预处理后的数据作为原始信号，添加满足高斯分布的随机噪声序列到原始信号中，得到混合信号；

对混合信号进行EMD分解，得到一阶IMF分量；

去除一阶IMF分量后，重复执行噪音序列混合、EMD分解和分量去除，得到不同阶的若干IMF分量。

作为优选，所述S2、基于层级融合的底层处理中，对每个IMF分量计算其模糊熵值，将得到的IMF分量和模糊熵值合并，得到基础特征向量，包括：

对于给定的IMF分量，确定采样序列和长度；

计算采样序列中不同多维矢量之间对应元素差值的最大值，基于元素差值的最大值和相似容忍度计算不同多维矢量的相似度；

基于相似度分别计算相邻维数的关系维度，基于关系维度的对数计算模糊熵值。

作为优选，所述S3、基于层级融合的中层处理中，双向长短期记忆神经网络模型的训练过程包括：

将基础特征向量整理成适合训练的格式，组织成三维的张量，表示为[样本数, 时间步长, 特征数]，并进行归一化或标准化处理，将处理结果分为训练集和验证集；

导入所需的深度学习库，定义一个包含输入层、隐藏层、输出层的双向长短期记忆神经网络模型并配置模型参数；

使用定义好的模型类和参数进行模型实例化；

编译模型，选择损失函数和优化器；

利用训练集对双向长短期记忆神经网络模型进行训练，同时使用验证集进行模型验证，根据验证结果调整模型参数，直至满足预设条件后停止训练，得到训练好的双向长短期记忆神经网络模型。

作为优选，所述S4、基于层级融合的高层处理中，卷积神经网络模型的训练过程包括：

对时间特征向量进行重塑，以符合卷积神经网络模型的输入要求，并分为训练集和验证集；

导入所需的深度学习库，定义一个包含输入层、卷积层、池化层、全连接层、输出层的卷积神经网络模型并配置模型参数；

使用定义好的模型类和参数进行模型实例化；

编译模型，选择损失函数和优化器；

利用训练集对卷积神经网络模型进行训练，同时使用验证集进行模型验证，根据验证结果调整模型参数，直至满足预设条件后停止训练，得到训练好的卷积神经网络模型。

作为优选，所述S5、基于层级融合的顶层处理：基于模糊熵值将输出的时间特征向量和空间特征向量进行加权融合，基于梯度提升机得到最终的电量预测值，包括：

比较模糊熵值与预设阈值的大小；

如模糊熵值等于预设阈值，则将输出的时间特征向量和空间特征向量进行平权融合拼接；

如模糊熵值大于预设阈值，则增加时间特征向量的权重值，减少空间特征向量的权重值，再进行融合拼接；

如模糊熵值小于预设阈值，则减少时间特征向量的权重值，增加空间特征向量的权重值，再进行融合拼接；

利用主成分分析法进行降维，得到降维拼接向量；

将降维拼接向量输入至训练好的梯度提升机，输出最终的电量预测值。

本发明还提供了基于模态分解与神经网络的电量电价层级融合预测系统，所述系统运行时执行上述的基于模态分解与神经网络的电量电价层级融合预测方法。

本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述基于模态分解与神经网络的电量电价层级融合预测方法的步骤。

本发明还提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述基于模态分解与神经网络的电量电价层级融合预测方法的步骤。

本发明的实质性效果包括：

针对电量电价预测问题，本发明引入了一种基于层级融合的策略，利用模态分解算法来精准捕捉数据的局部特征和周期性变化，从而增强了对数据细节的敏感度。模糊熵值则作为数据复杂度的衡量标准，有助于更全面地揭示数据的内在特性。通过将IMF分量与模糊熵值相结合，能够生成更为丰富和具有代表性的基础特征向量，为后续层级提供了优质的数据输入。

为了深入理解电量的时序变化，本发明采用了双向长短期记忆神经网络模型，从而得到了时间特征向量。同时，借助卷积神经网络模型来解析电量数据的空间分布和关联性，进而得到了空间特征向量。这两种模型使本发明能够全面挖掘待预测信息的各种特征。

在此基础上，通过模糊熵值将这两种特征向量进行加权融合，以最大限度地放大各自模型在特定场景下的优势，进而助力梯度提升机生成更为精准的电量预测值。这一创新方法有效地解决了多模型并用时可能产生的兼容性和准确性问题，实现了模型融合后性能提升的目标，真正实现了“一加一大于二”的效果。

附图说明

图1是本发明实施例的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例，对本技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。

下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例：本实施例提供了基于模态分解与神经网络的电量电价层级融合预测方法，如图1所示，包括S1~S6，具体为以下步骤：

S1、数据预处理：获取目标对象的历史用电量及关联信息并进行预处理。

包括：获取目标对象的历史用电量及关联信息；

进行异常值去除和缺失值填补，得到清洗后数据；

对清洗后数据进行归一化，得到预处理后的数据。

在本实施例中，从电网公司、智能电表或其他相关数据源获取目标对象（例如某个区域、企业或家庭）的历史用电量数据。这些数据通常包括每小时、每天或每月的电量消耗记录。此外，关联信息可以包括如天气数据、节假日信息等。

并利用统计学方法（如IQR范围、Z分数等）或机器学习算法（如孤立森林、DBSCAN聚类等）检测并去除用电量数据中的异常值。例如，某个小时的电量消耗突然激增可能是由于电表故障或其他原因造成的，这样的数据点应当被标记为异常并去除。

同时，为了使不同量纲的数据能够统一处理，需要对清洗后数据进行归一化。常见的归一化方法有最小-最大归一化、Z分数归一化等。归一化后的数据将处于一个统一的数值范围内（如0-1或-1到1），助于神经网络模型更好地学习和预测。

S2、基于层级融合的底层处理：利用模态分解算法将预处理后的数据分解为多个IMF分量，对每个IMF分量计算其模糊熵值，将得到的IMF分量和模糊熵值合并，得到基础特征向量。

包括：利用自适应噪声完全集合经验模态分解算法，将预处理后的数据作为原始信号，添加满足高斯分布的随机噪声序列到原始信号中，得到混合信号；

对混合信号进行EMD分解，得到一阶IMF分量；

去除一阶IMF分量后，重复执行噪音序列混合、EMD分解和分量去除，得到不同阶的若干IMF分量。

在本实施例中，自适应噪声完全集合经验模态分解算法的过程如下：

1)设定

，

得到第一阶IMF分量后，并对M个IMF分量

，

2)从

，

以

，

同步骤(1)一致，对M个IMF分量

，

利用

，

3)在相对应的残余分量中添加噪声分量

，

，

，

直到残余分量无法再继续分解时则结束算法分解过程，得到的结果可以表示为：

，

然后，对于给定的IMF分量，确定采样序列和长度；

计算采样序列中不同多维矢量之间对应元素差值的最大值，基于元素差值的最大值和相似容忍度计算不同多维矢量的相似度；

基于相似度分别计算相邻维数的关系维度，基于关系维度的对数计算模糊熵值。

在本实施例中，对分解后所获取的不同分量依次进行模糊熵值的计算，其目的是为了判断不同分量的复杂度，以期有针对性的根据双向长短期记忆神经网络模型（BiLSTM）的特点与卷积神经网络模型（CNN）的特点，针对性的应用于不同特征的分量和预测模型。由于BiLSTM能够通过合理利用前、后时刻信息，充分挖掘当前时刻与过去、未来时刻数据的内在联系，为此，更适合对具备高复杂度的分量上进行建模预测；而CNN则具备可减轻模型过拟合程度、提高特征数据的提取效率的特性，因此更适合对复杂度低的分量建模，且能够保留神经网络预测方法的优势。因此在本实施例中，模糊熵值将会影响后续特征融合阶段的权重。

本实施例中对于模糊熵的计算，首先对于一个共有N点的采样序列

,

式中：

其次，计算两个n维矢量

,

再次，计算两个矢量

，

然后，以计算关系维度。m为维数。

，

最后，计算模糊熵：

，

将得到的IMF分量和它们对应的模糊熵值进行合并，形成一个基础特征向量。这个特征向量不仅包含了数据的多个频率成分，还融入了每个成分的复杂度信息，从而为后续的电量预测提供了丰富的特征输入。

S3、基于层级融合的中层处理：调用训练好的双向长短期记忆神经网络模型，输入基础特征向量，基于学习到的数据中的时间依赖关系计算并输出时间特征向量。

其中，双向长短期记忆神经网络模型的训练过程包括：

将基础特征向量整理成适合训练的格式，组织成三维的张量，表示为[样本数, 时间步长, 特征数]，并进行归一化或标准化处理，将处理结果分为训练集和验证集；

导入所需的深度学习库，定义一个包含输入层、隐藏层、输出层的双向长短期记忆神经网络模型并配置模型参数；

本实施例中的双向长短期记忆神经网络模型表示为：

，

，

其中，

使用定义好的模型类和参数进行模型实例化，定义时间步长、输入维度、LSTM单元的数量等；

编译模型，选择损失函数和优化器，其中优化器可以选择Adam、RMSprop、SGD等；

利用训练集对双向长短期记忆神经网络模型进行训练，同时使用验证集进行模型验证，根据验证结果调整模型参数，直至满足预设条件后停止训练，得到训练好的双向长短期记忆神经网络模型。

S4、基于层级融合的高层处理：调用训练好的卷积神经网络模型，输入时间特征向量，基于学习到的数据中的空间特征计算并输出空间特征向量。

本实施例中，卷积神经网络模型的训练过程包括：

对时间特征向量进行重塑，以符合卷积神经网络模型的输入要求，并分为训练集和验证集；

导入所需的深度学习库，定义一个包含输入层、卷积层、池化层、全连接层、输出层的卷积神经网络模型并配置模型参数；

其中，卷积层的计算如式（18）所示：

，

式中，

池化层通常被置于卷积层之后，其主要作用在于降维处理卷积运算后生成的大量特征信息，从而提炼出其中的有效信息。常见的池化方法主要有最大池化和平均池化两种。

全连接层，作为一种经典的神经网络层，主要在整体架构中扮演分类器的角色，其位置一般设定在池化层和输出层之间。全连接层的主要功能是将卷积层和池化层学习到的特征信息进行整合，并存储在同一空间内，为后续的特征分类工作提供便利。

输出层是卷积神经网络的最顶层，其主要职责在于输出网络的最终处理结果。

使用定义好的模型类和参数进行模型实例化；

编译模型，选择损失函数和优化器；

利用训练集对卷积神经网络模型进行训练，同时使用验证集进行模型验证，根据验证结果调整模型参数，直至满足预设条件后停止训练，得到训练好的卷积神经网络模型。

S5、基于层级融合的顶层处理：基于模糊熵值将输出的时间特征向量和空间特征向量进行加权融合，基于梯度提升机得到最终的电量预测值。

包括：比较模糊熵值与预设阈值的大小；

如模糊熵值等于预设阈值，则将输出的时间特征向量和空间特征向量进行平权融合拼接；

如模糊熵值大于预设阈值，则增加时间特征向量的权重值，减少空间特征向量的权重值，再进行融合拼接；

如模糊熵值小于预设阈值，则减少时间特征向量的权重值，增加空间特征向量的权重值，再进行融合拼接；

例如，预设的阈值为0.7，某次计算得到第一IMF分量的模糊熵值为0.8，第二IMF分量的模糊熵值为0.6，则其对应的时间或空间特征向量也为0.8和0.6。

即，第一IMF分量对应的时间或空间特征向量进行加权融合时，由于其模糊熵值大于预设阈值，因此增加时间特征向量的权重值至0.7，并减少空间特征向量的权重值至0.3。第二IMF分量对应的时间或空间特征向量进行加权融合时则相反，不再赘述。

为了便于理解，例如第一IMF分量的时间特征向量为[1,2,3]、空间特征向量为[4,5,6]，则融合拼接后的向量为： [2.5, 3.1, 3.7]。

对上述的融合拼接向量进行主成分分析（PCA）降维。例如经过PCA处理后，得到降维拼接向量为[2.6, 3.5]。

将降维拼接向量输入至训练好的梯度提升机，输出最终的电量预测值。例如，预测下一小时的电量消耗为500kWh。

S6、基于所述电量预测值，根据目标对象所适用的电价计费准则计算电价预测值。

以上，完成了基于层级融合、自适应噪声完全集合经验模态分解、模糊熵、双向长短期记忆神经网络、卷积神经网络的电量电价预测。该混合预测技术能够完成对原始振动信号的预处理，其能够将非线性和非平稳的时间序列分解成可控的内部模态函数，有效降低特征提取难度，在噪声环境下的振动信号将会被分解成一系列固有模态函数，噪声的影响将会在一定程度被降低，同时采用序列复杂度量化技术，通过熵值计算的形式将分量的特征进行归类。接着引入双向长短时记忆网络对具备高复杂度特征的分量进行建模预测，同时使用卷积神经网络完成对具有低复杂度特征的分量建模预测，并通过加权融合和梯度提升机获取最终的电量电价预测结果。该预测模型为电量电价预测提供了一个新的思路，为电费的测算与电费管理提供数据支持。

另外，本实施例还提供了基于模态分解与神经网络的电量电价层级融合预测系统，所述系统运行时执行上述的基于模态分解与神经网络的电量电价层级融合预测方法。

本实施例还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述基于模态分解与神经网络的电量电价层级融合预测方法的步骤。

本实施例还提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述基于模态分解与神经网络的电量电价层级融合预测方法的步骤。

综上所述，在实施例针对电量电价预测问题，引入了一种基于层级融合的策略。利用模态分解算法来精准捕捉数据的局部特征和周期性变化，从而增强了对数据细节的敏感度。模糊熵值则作为数据复杂度的衡量标准，有助于更全面地揭示数据的内在特性。通过将IMF分量与模糊熵值相结合，能够生成更为丰富和具有代表性的基础特征向量，为后续层级提供了优质的数据输入。

为了深入理解电量的时序变化，本实施例采用了双向长短期记忆神经网络模型，从而得到了时间特征向量。同时，借助卷积神经网络模型来解析电量数据的空间分布和关联性，进而得到了空间特征向量。这两种模型使本发明能够全面挖掘待预测信息的各种特征。

在此基础上，通过模糊熵值将这两种特征向量进行加权融合，以最大限度地放大各自模型在特定场景下的优势，进而助力梯度提升机生成更为精准的电量预测值。这一创新方法有效地解决了多模型并用时可能产生的兼容性和准确性问题，实现了模型融合后性能提升的目标，真正实现了“一加一大于二”的效果。

通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的关于结构的实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个结构，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例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全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。