一种考虑负荷多维特征的行业中长期负荷STL-GCK预测方法与流程

一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法
技术领域
1.本发明涉及负荷预测领域，尤其涉及一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法。


背景技术：

2.电力系统负荷预测是指对未来负荷发展变化做出预先估计和推测，是电力系统规划、调度等部门的基础工作，对电力系统规划与运行起着至关重要的作用。根据预测时间尺度的不同，负荷预测可分为超短期预测、短期预测、中长期预测等，其中中长期负荷预测主要是针对月度及以上时间尺度的负荷进行预测，准确的中长期负荷预测有利于供电公司掌握不同行业用户的用电规律，从而为供电公司进行行业布局规划、资源优化配置、供电业务管理等提供重要的决策支持。近年来，随着智能电表以及其他智能量测设备的不断升级与广泛普及，电力部门可以收集到数量更大、精度更高的行业负荷数据及外部数据，这为以大数据、人工智能为代表的新型负荷预测技术奠定了坚实的数据基础。
3.为了克服传统单一预测模型鲁棒性一般、泛化性能不足的问题，基于集成学习算法的组合预测模型应运而生。相较于单一模型，将多个模型进行集成组合，常可获得更加优越的泛化性能。当每种单一模型包含预测对象的不同信息时，采用组合预测的方法可以提高预测结果的精度。然而，当前组合模型的研究多是针对短期负荷预测，基于组合模型的中长期负荷预测研究较少。相较于短期负荷预测，中长期负荷预测具有训练样本少、时间跨度大、负荷变化规律弱等特点。因此，当前研究较多的基于深度学习神经网络、集成树的负荷预测模型常因过拟合、无法收敛等原因，预测表现不佳。
4.在此背景下，针对行业中长期负荷预测的集成组合预测模型仍有待进一步研究。


技术实现要素：

5.本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，以提高负荷预测精度的目的。为此，本发明采取以下技术方案。
6.一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于包括以下步骤：
7.1)获取行业中长期负荷数据，并通过基于stl构建的行业中长期负荷特征分解模型，得到行业负荷的趋势分量、周期分量及残差分量；
8.2)行业负荷的趋势分量经基于gru构建的行业中长期负荷趋势分量预测模型处理后得到行业中长期负荷趋势分量预测值；周期分量经基于cnn构建的行业中长期负荷周期分量预测模型处理后得到行业中长期负荷周期分量预测值；残差分量经基于高斯核密度估计的负荷残差概率密度估计模型处理后得到核密度估计结果；
9.3)综合行业中长期负荷趋势分量预测值、行业中长期负荷周期分量预测值以及残差的核密度估计结果，得到行业中长期负荷概率预测结果。
10.本技术方案采用的stl分解方法可以将负荷数据分解成趋势、周期和残差三部分，每部分都有明确的物理或统计学解释，使得模型预测结果更容易理解和解释。采用的gru和cnn模型在长期趋势和周期分量预测上具有较高的准确性和稳定性，并且通过核密度估计模型对残差进行处理，提高了整体预测精度。具有较好的可扩展性和适应性，可以针对不同行业和场景进行调整和改进。可以接收多种不同类型的行业负荷数据，并能够自适应地处理各种噪声和异常数据。通过对中长期负荷数据的分解和预测，可以对未来较长时期内的负荷需求做出准确的预测，提前做好资源配置和调度安排。适用于单一电源、多电源情况下的负荷预测，以及考虑季节性等复杂因素的负荷预测。
11.与现有技术相比，本技术方案具有以下优点：
12.通过基于stl构建的负荷特征分解模型，可以将行业中长期负荷数据分解为趋势、周期和残差三个分量，可以更加准确地描述负荷的变化规律。
13.使用基于gru和cnn构建的负荷趋势分量预测模型和负荷周期分量预测模型进行预测，同时考虑了趋势、周期和残差三个分量，使得预测结果更全面、更可信。
14.采用深度学习网络结构，摆脱了传统方法需要手动设计特征的繁琐过程，可以快速响应市场变化，提高预测效率。
15.采用多层神经网络结构，能够自适应地调整模型结构和参数，适用性更广，具有较强的可扩展性。
16.以上可知本技术方案兼顾精度、全面性、效率和灵活性，可帮助行业更好地预测中长期负荷情况，提高负荷管理的效率和精度。
17.作为优选技术手段：在步骤1)中，行业中长期负荷特征分解模型将原行业中长期负荷进行时间序列分解，得到对应的周期分量、趋势分量以及残差分量，即
18.x
t
＝t
t
+s
t
+r
t
ꢀꢀꢀꢀꢀꢀꢀ
(13)
19.式中，x
t
为t时刻负荷观测量；s
t
为负荷周期分量，代表行业规律性用电负荷；t
t
为负荷趋势分量，代表行业中长期趋势性用电负荷；r
t
为负荷残差分量，代表因外部不确定性因素导致的随机波动负荷。
20.作为优选技术手段：行业中长期负荷趋势分量预测模型具有两个维度，分别为时间维度和特征维度；
21.在时间维度，不同时刻的负荷状态与待预测时刻负荷的关联程度不同，gru网络层通过“链式结构”挖掘并学习这种隐含关系；
22.在特征维度，某一时刻的负荷特征向量x
t
为一多维向量，包括由步骤1)分解得到的当前时刻的负荷趋势分量和负荷影响因素；
23.行业中长期负荷趋势分量预测模型将多层gru进行堆叠以学习行业负荷与其影响因素间的非线性关系，以增强gru网络对负荷时序特征信息的提取表示能力。
24.本技术方案通过堆叠多个gru网络层可捕捉更高阶、更复杂的特征表示，提高了模型的拟合能力和泛化能力。考虑了不仅是历史负荷数据的趋势分量，还包括其他的影响因素，如气温、天气、假期等因素，可以提高预测精度。通过堆叠多层gru网络，模型可以学习到行业负荷与其影响因素之间的非线性关系，更好地适应实际情况。而且模型结构简单、灵活，易于扩展和调整，可以根据实际需求进行修改和改进。
25.作为优选技术手段：行业中长期负荷趋势分量预测模型在行业中长期负荷趋势分
量预测时，采用的公式为：
[0026][0027][0028][0029][0030][0031][0032][0033]
式中，w
ir
、w
iz
、w
in
、w
hr
、w
hz
、w
hn
为gru网络的权重矩阵；b
ir
、b
iz
、b
in
、b
hr
、b
hz
、b
hn
为gru网络的偏置；σ为sigmoid激活函数；*表示矩阵或向量中对应元素相乘；wo为输出映射矩阵；为第l层gru网络提取得到的t时刻隐状态特征；为gru输出层与待预测时刻最邻近时刻的隐状态特征；为t+1时刻负荷趋势分量预测值；l为gru网络层数；t为gru输入窗口宽度。
[0034]
作为优选技术手段：在长期负荷周期分量预测模型中，卷积层采用多个卷积核以提取负荷变化的多种特征，卷积核内的每一个元素都与输入序列对应元素相连；每个卷积核都对应一组参数，参数通过梯度下降算法训练得到，训练得到的多种卷积核表征了负荷的多种局部特征，将cnn提取得到的多种特征进行线性变换并输入sigmoid激活函数，得到行业中长期负荷周期分量预测值。本技术方案通过多个卷积核提取样本序列中多种局部特征，可以更好地捕获数据的时空信息。卷积核不仅在局部区域内提取特征，同时也考虑了全局上的关系，可以处理负荷变化的不同时间尺度特征。卷积操作具有高度的并行性和计算效率，可以加速训练过程，提高模型的实时性。且相比于rnn等序列模型，cnn拥有更少的参数，减少了模型复杂度，降低了学习难度。
[0035]
作为优选技术手段：在得到行业中长期负荷趋势分量预测值和行业中长期负荷周期分量预测值的基础上，对行业中长期负荷残差分量的概率分布进行建模量化，根据样本分布疏密程度自适应调整带宽，以提高密度估计对样本分布疏密的敏感度，在样本分布相对密集处采用相对较小的带宽以凸显样本密度分布的局部特征，在样本分布相对稀疏处采用相对较大的带宽以考虑样本密度分布的全局特征。本技术方案通过自适应调整带宽，可以更好地适应不同的样本分布特征，提高了模型的泛化能力和稳健性。根据样本分布疏密程度采用不同的带宽大小，可以更好地反映概率分布的局部特征和全局特征，并避免过拟合或欠拟合。概率分布模型可以对原始数据的分布情况进行可视化呈现，有助于理解数据的特性和规律。通过建模量化概率分布，可以得到更精确、更可靠的预测结果，有助于提高模型的预测准确性。
[0036]
作为优选技术手段：负荷残差概率密度估计模型采用自适应带宽密度估计方法，在进行核密度估计时，采用的公式为：
[0037]
[0038][0039][0040][0041]
式中，λi表示局部带宽因子；α表示灵敏因子，当α＝0时自适应带宽核密度估计则退化成固定带宽的核密度估计；w为高斯核密度估计的全局带宽；n为样本点数；为x0处初始核密度估计值，为x0处自适应核密度估计值。
[0042]
作为优选技术手段：自适应核密度估计方法采用的步骤包括：首先，初始化高斯核密度估计的全局带宽；然后，采用固定带宽核密度估计方法得到初始核密度估计结果；接着，根据不同点位的初始核密度估计结果，计算局部带宽，局部带宽宽度由样本的分布疏密决定；最后，根据计算得到的局部带宽计算得到自适应核密度估计结果。本方法通过自适应调整带宽大小，可以更好地适应不同的样本分布特征，提高了模型的泛化能力和稳健性。采用固定带宽方法得到初始估计结果后，根据不同数据点位的初始估计值来计算局部带宽，能够更好地反映数据在不同位置上的局部特征。在样本分布相对稀疏处采用较大的带宽以考虑样本密度分布的全局特征，避免过于依赖局部信息导致的过拟合。且只需要存储单个带宽大小，而不需要存储每个观测点之间的距离，因此内存占用较小。另外，本技术方案适用于多维数据、非参数数据估计，并且不需要任何关于概率分布形式的先验知识，适用性比较广泛。
[0043]
作为优选技术手段：在步骤3)中，基于核密度估计结果，计算不同置信水平下的负荷残差分量的置信区间，然后叠加行业中长期负荷周期分量预测结果以及行业中长期负荷趋势分量预测结果，得到考虑负荷多维特征的行业中长期负荷区间预测结果。本方法考虑了行业中长期负荷的多维特征，包括趋势分量、周期分量以及残差分量，更好地反映了负荷数据的变化规律。采用了置信区间的思想，可以为负荷预测结果提供一个可靠的范围，从而提高了负荷预测的准确性。由于只需要基于历史数据进行核密度估计和周期分量/趋势分量预测，因此该方法适用于线上应用，并且实现相对简单。能够直观地给出负荷预测的置信区间，使相关人员易于理解和使用预测结果，提高了模型的可解释性。
[0044]
有益效果：本发明考虑行业中长期负荷各时间维度的隐含特征，既能够挖掘行业负荷全局趋势特征及负荷周期局部特征，又能够计及行业负荷变化不确定性的影响，相较于其他机器学习方法和分解预测模型本文方法具有更好的可解释性。算例仿真结果表明，相较于单一概率预测模型，本技术方案所提模型综合考虑了负荷的趋势性、周期性以及随机性，提高了行业中长期负荷预测的精度，增强了中长期负荷预测模型的泛化性。
附图说明
[0045]
图1是本发明整体流程示意图。
[0046]
图2是本发明stl算法流程图。
[0047]
图3是本发明gru行业中长期负荷趋势分量预测示意图。
[0048]
图4是本发明负荷卷积运算示意图。
[0049]
图5是cnn行业中长期负荷周期分量预测示意图。
[0050]
图6是本发明的行业中长期负荷残差分量密度估计流程图。
[0051]
图7是本发明行业中长期负荷stl分解结果。
[0052]
图8是本发明行业中长期负荷残差分量密度估计结果。
[0053]
图9是本发明行业中长期负荷区间预测结果。
[0054]
图10是本发明行业中长期负荷周期分量预测结果。
[0055]
图11是本发明行业中长期负荷残差分量累积概率分布。
具体实施方式
[0056]
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
[0057]
如图1所示，本发明提出了一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其实施流程包括如下详细步骤：
[0058]
一、步骤1：基于stl对行业中长期负荷进行分解，得到中长期趋势分量、周期分量以及残差分量；
[0059]
采用stl分解算法将原行业中长期负荷进行时间序列分解，stl的算法流程如图2所示。由于行业生产计划一般以12为周期，因此设定stl分解周期为12，得到对应的周期分量、趋势分量以及残差分量，即
[0060]
x
t
＝t
t
+s
t
+r
t
ꢀꢀꢀꢀꢀꢀ
(25)
[0061]
式中，x
t
为t时刻负荷观测量；s
t
为负荷周期分量，代表行业规律性用电负荷；t
t
为负荷趋势分量，代表行业中长期趋势性用电负荷；r
t
为负荷残差分量，代表因外部不确定性因素导致的随机波动负荷。
[0062]
二、步骤2：根据步骤1所得的趋势分量、周期分量以及残差分量，分别基于gru和cnn网络特性提取行业中长期负荷趋势特征与周期特征，针对残差随机分布的特点采用高斯核密度估计获得残差的概率分布；
[0063]
行业中长期负荷序列通过stl分解可以得到周期分量、趋势分量以及残差分量，其中周期分量反映行业中长期负荷周期性变化规律，趋势分量反映行业中长期负荷长期变化趋势，残差分量反映行业中长期负荷变化的随机性与不确定性。对于负荷周期分量，结合负荷周期性影响因素，如气温、月类型等，构建考虑负荷周期性特征的cnn预测模型，对负荷周期分量进行预测；对于负荷趋势分量，结合负荷趋势性变化因素，如地区gdp、人均消费等，构建考虑行业负荷中长期趋势特征的gru预测模型，对负荷趋势分量进行预测；对于负荷残差分量，基于kde对行业中长期负荷残差分量的概率分布进行分析量化，得到负荷残差分量概率分布情况。
[0064]
基于gru构建行业中长期负荷趋势分量预测模型，gru模型具有两个维度，在时间维度，不同时刻的负荷状态与待预测时刻负荷的关联程度不同，gru网络层通过“链式结构”挖掘并学习这种隐含关系。在特征维度，某一时刻的负荷特征向量x
t
为一多维向量，不仅包含由步骤1分解得到的当前时刻的负荷趋势分量，还包括负荷影响因素，如gdp、平均气温等。为了增强gru网络对负荷时序特征信息的提取表示能力，将多层gru进行堆叠以学习行业负荷与其影响因素间的非线性关系。基于gru的行业中长期负荷趋势分量预测公式如
(26)-(32)所示。
[0065][0066][0067][0068][0069][0070][0071][0072]
式中，w
ir
、w
iz
、w
in
、w
hr
、w
hz
、w
hn
为gru网络的权重矩阵；b
ir
、b
iz
、b
in
、b
hr
、b
hz
、b
hn
为gru网络的偏置；σ为sigmoid激活函数；*表示矩阵或向量中对应元素相乘；wo为输出映射矩阵；为第l层gru网络提取得到的t时刻隐状态特征；为gru输出层与待预测时刻最邻近时刻的隐状态特征；为t+1时刻负荷趋势分量预测值；l为gru网络层数；t为gru输入窗口宽度。基于gru的行业中长期负荷趋势分量预测示意图如图3所示。
[0073]
基于cnn构建行业中长期负荷周期分量预测模型，负荷卷积运算过程如图4所示。卷积层采用多个卷积核以提取负荷变化的多种特征，卷积核内的每一个元素都与输入序列对应元素相连。每个卷积核都对应一组参数，参数通过梯度下降算法训练得到，训练得到的多种卷积核表征了负荷的多种局部特征，将cnn提取得到的多种特征进行线性变换并输入sigmoid激活函数，得到行业中长期负荷周期分量预测值。考虑到行业负荷周期分量与同样具有周期性的月气温以及时标具有一定的关联性，将特征向量与待预测时间的气温、时标正余弦值拼接输入全连接层，通过非线性映射得到行业负荷周期分量预测值。基于cnn的行业负荷时序局部特征提取与周期分量预测示意图如图5所示。
[0074]
在由cnn与gru得到行业中长期负荷周期分量和趋势分量预测结果的基础上，对行业中长期负荷残差分量的概率分布进行建模量化，提出一种自适应带宽核密度估计方法，根据样本分布疏密程度自适应调整带宽，提高密度估计对样本分布疏密的敏感度，在样本分布相对密集处采用相对较小的带宽以凸显样本密度分布的局部特征，在样本分布相对稀疏处采用相对较大的带宽以考虑样本密度分布的全局特征。
[0075]
基于高斯核函数的自适应带宽密度估计公式如式(33)-(36)所示。
[0076][0077][0078][0079][0080]
式中，λi表示局部带宽因子；α表示灵敏因子，当α＝0时自适应带宽核密度估计则
退化成固定带宽的核密度估计；w为高斯核密度估计的全局带宽；n为样本点数；为x0处初始核密度估计值，为x0处自适应核密度估计值。自适应核密度估计的过程为：首先，初始化高斯核密度估计的全局带宽；然后，采用固定带宽核密度估计方法得到初始核密度估计结果；接着，根据不同点位的初始核密度估计结果，计算局部带宽，局部带宽宽度由样本的分布疏密决定；最后，根据计算得到的局部带宽计算得到自适应核密度估计结果。基于自适应带宽高斯核的行业中长期负荷残差分量密度估计的总体流程如图6所示。
[0081]
三、步骤3：综合考虑gru与cnn预测值以及残差的核密度估计结果，得到行业中长期负荷区间预测结果。
[0082]
基于步骤2中对行业中长期负荷残差分量的核密度估计结果，计算不同置信水平下的负荷残差分量的置信区间，然后叠加步骤2中基于cnn得到的行业中长期负荷周期分量预测结果以及基于gru得到的行业中长期负荷趋势分量预测结果，得到考虑负荷多维特征的行业中长期负荷区间预测结果。
[0083]
针对周期分量、趋势分量等确定性预测结果，采用均方根误差和平均绝对百分比误差作为预测评价指标，分别如(37)式和式(38)所示。
[0084][0085][0086]
针对不确定性预测结果，采用预测区间覆盖率p
cov
以及预测区间宽度w
cov
作为概率预测的评价指标：
[0087][0088][0089]
式中，i
α
(x
t
)为置信水平为α的置信区间，δ[i
α
(x
t
)]为置信水平为α的预测区间宽度，i{e}为示性函数，当事件e发生时其值为1，未发生则为0。在同样的预测区间覆盖率下，预测区间宽度越小模型预测越精准。为验证所提出的考虑负荷多维特征的行业中长期负荷stl-gck预测方法的有效性和准确性，以某地市2010-2020年化工行业月负荷数据进行算例仿真。
[0090]
首先，按照本文所提出的行业中长期负荷概率预测总体框架，通过stl内外双循环分解得到行业中长期负荷趋势分量、周期分量以及残差分量，结果如图7所示。
[0091]
由图7可见，基于stl分解得到的行业负荷趋势分量与行业中长期负荷的变化趋势相匹配，占行业负荷的主要部分，周期分量占行业负荷的次要部分，残差分量占比最小。其中，周期分量反映了行业中长期负荷的周期性变化规律，残差分量反映了行业负荷变化的随机性与不确定性。
[0092]
接着，在stl分解得到行业中长期负荷各分量的基础上，对各分量预测进行建模。首先以行业中长期负荷趋势分量为预测对象，构建gru网络预测模型。gru网络参数为：滑动窗口宽度为12，即考虑历史12个月负荷数据、gru网络层1维数为16、gru网络层2维数为128
时，gru网络预测得到的趋势分量与stl分解得到的行业中长期负荷趋势分量匹配程度较高，预测平均绝对百分比误差e
mape
为1.1％，精度较高。滑动窗口宽度相对较大时行业中长期负荷趋势分量预测精度相对更高，因为gru能够提取和记忆连续时间序列各时间节点之间的依赖特征，将不同时间节点的负荷信息耦合。
[0093]
在对行业中长期负荷趋势特征的提取与预测后，对行业中长期负荷周期分量进行预测，以月平均气温作为行业中长期负荷趋势分量预测的辅助特征数据集，构建cnn预测模型。cnn网络的超参数主要包括滑动窗口宽度、网络层数、卷积层维数以及卷积核长度等。参考gru网络超参数的确定方法，cnn网络层数设为2层，其他超参数通过网格搜索得到。当cnn卷积核长度分别为6、15时提取的行业中长期负荷周期分量的局部特征更为准确，当两层cnn卷积核个数分别为32、8，滑动窗口宽度为24时局部特征提取更为准确而全面，周期分量预测精度更高，预测平均绝对百分比误差e
mape
为1.2％。
[0094]
基于gru和cnn对行业中长期负荷的趋势分量以及周期分量进行预测，叠加二者结果可以得到行业中长期负荷确定性分量的预测结果。对于stl分解得到的行业中长期负荷不确定性分量，采用基于高斯核的自适应带宽核密度估计方法，量化估计其不确定性，并与常规概率密度直方图估计、固定带宽的核密度估计方法进行对比，对比结果如图8所示。
[0095]
由图8可知，概率密度直方图的密度估计结果与残差分量真实分布匹配效果一般，不能完全准确估计残差分量的概率分布。此外，概率密度直方图的密度估计结果并不是连续平滑的，同一直方块中的样本具有同等的概率密度，位于直方块边缘的样本其概率密度存在明显差异，密度估计结果受直方块数量影响较大，同样的原始数据取不同划分区间则估计结果将完全不同。基于高斯核的密度估计方法则能避免上述问题，由图8可见，基于固定带宽的高斯核密度估计与基于自适应带宽的高斯核密度估计方法均能得到连续平滑的概率密度曲线，且能较好地估计残差分量的真实概率分布情况。相较于固定带宽核密度估计结果，自适应带宽高斯核密度估计对样本分布的疏密程度更加敏感，在样本分布密集处曲线更加陡峭，在样本分布稀疏处曲线更加平滑，且无需人工确定带宽，降低了密度估计偏差较大的风险。针对自适应带宽核密度估计得到的残差分量概率密度分布，计算相应的累计概率分布以及不同置信水平α的最优置信区间，结果如表1所示。
[0096]
表1不同置信水平下区间预测结果
[0097][0098]
由表1可见，随着置信水平下降，预测区间逐步收缩，置信水平越低，预测区间越窄，预测的精准性得到提高。
[0099]
根据gru、cnn以及kde对行业负荷趋势分量、周期分量以及残差分量的预测结果，最终得到基于stl-gck的行业中长期负荷区间预测结果如图9所示。
[0100]
由图9可见，在不考虑残差分量的情况下，行业负荷周期分量叠加趋势分量的预测结果已经能够较好地匹配行业负荷的实际值，通过计算得到均方根误差e
rmse
为1188.62，平均绝对百分比误差e
mape
为3.64％，实现了较高精度的行业中长期负荷预测。然而，从图10中不难看出，2019年3月、2020年4月及6月负荷周期分量预测误差相对较大，2019年5月负荷周期分量及趋势分量预测误差较小，但是整体预测误差相对较大，这均是由于未考虑负荷残差分量所导致的结果。基于自适应带宽高斯核密度估计残差分布，得到残差分量在不同置信水平(95％、90％与80％)下的置信区间预测信息，叠加行业负荷周期分量与趋势分量预测结果，最终得到行业负荷的区间预测结果。由图9及图11可见，在当前测试集上，90％置信水平的预测区间能够基本覆盖行业负荷变化的实际情况。当置信水平降低时，预测区间也将随之收缩，部分负荷的实际值将会处于预测区间外。综合考虑行业负荷趋势分量、周期分量等确定性分量以及残差不确定性分量后，模型的预测精度提高，泛化性能进一步增强。
[0101]
综上，本发明方法考虑行业中长期负荷各时间维度的隐含特征，既能够挖掘行业负荷全局趋势特征及负荷周期局部特征，又能够计及行业负荷变化不确定性的影响，相较于其他机器学习方法和分解预测模型本文方法具有更好的可解释性。算例仿真结果表明，相较于单一概率预测模型，本文所提模型综合考虑了负荷的趋势性、周期性以及随机性，提高了行业中长期负荷预测的精度，增强了中长期负荷预测模型的泛化性。
[0102]
以上所示的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

技术特征：
1.一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于包括以下步骤：1)获取行业中长期负荷数据，并通过基于stl构建的行业中长期负荷特征分解模型，得到行业负荷的趋势分量、周期分量及残差分量；2)行业负荷的趋势分量经基于gru构建的行业中长期负荷趋势分量预测模型处理后得到行业中长期负荷趋势分量预测值；周期分量经基于cnn构建的行业中长期负荷周期分量预测模型处理后得到行业中长期负荷周期分量预测值；残差分量经基于高斯核密度估计的负荷残差概率密度估计模型处理后得到核密度估计结果；3)综合行业中长期负荷趋势分量预测值、行业中长期负荷周期分量预测值以及残差的核密度估计结果，得到行业中长期负荷概率预测结果。2.根据权利要求1所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：在步骤1)中，行业中长期负荷特征分解模型将原行业中长期负荷进行时间序列分解，得到对应的周期分量、趋势分量以及残差分量，即x
t
＝t
t
+s
t
+r
t
ꢀꢀꢀꢀꢀꢀꢀ
(1)式中，x
t
为t时刻负荷观测量；s
t
为负荷周期分量，代表行业规律性用电负荷；t
t
为负荷趋势分量，代表行业中长期趋势性用电负荷；r
t
为负荷残差分量，代表因外部不确定性因素导致的随机波动负荷。3.根据权利要求1所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：行业中长期负荷趋势分量预测模型具有两个维度，分别为时间维度和特征维度；在时间维度，不同时刻的负荷状态与待预测时刻负荷的关联程度不同，gru网络层通过“链式结构”挖掘并学习这种隐含关系；在特征维度，某一时刻的负荷特征向量x
t
为一多维向量，包括由步骤1)分解得到的当前时刻的负荷趋势分量和负荷影响因素；行业中长期负荷趋势分量预测模型将多层gru进行堆叠以学习行业负荷与其影响因素间的非线性关系，以增强gru网络对负荷时序特征信息的提取表示能力。4.根据权利要求3所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：行业中长期负荷趋势分量预测模型在行业中长期负荷趋势分量预测时，采用的公式为：的公式为：的公式为：的公式为：的公式为：的公式为：的公式为：
式中，w
ir
、w
iz
、w
in
、w
hr
、w
hz
、w
hn
为gru网络的权重矩阵；b
ir
、b
iz
、b
in
、b
hr
、b
hz
、b
hn
为gru网络的偏置；σ为sigmoid激活函数；*表示矩阵或向量中对应元素相乘；w
o
为输出映射矩阵；为第l层gru网络提取得到的t时刻隐状态特征；为gru输出层与待预测时刻最邻近时刻的隐状态特征；为t+1时刻负荷趋势分量预测值；l为gru网络层数；t为gru输入窗口宽度。5.根据权利要求4所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：在长期负荷周期分量预测模型中，卷积层采用多个卷积核以提取负荷变化的多种特征，卷积核内的每一个元素都与输入序列对应元素相连；每个卷积核都对应一组参数，参数通过梯度下降算法训练得到，训练得到的多种卷积核表征了负荷的多种局部特征，将cnn提取得到的多种特征进行线性变换并输入sigmoid激活函数，得到行业中长期负荷周期分量预测值。6.根据权利要求5所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：在得到行业中长期负荷趋势分量预测值和行业中长期负荷周期分量预测值的基础上，对行业中长期负荷残差分量的概率分布进行建模量化，根据样本分布疏密程度自适应调整带宽，以提高密度估计对样本分布疏密的敏感度，在样本分布相对密集处采用相对较小的带宽以凸显样本密度分布的局部特征，在样本分布相对稀疏处采用相对较大的带宽以考虑样本密度分布的全局特征。7.根据权利要求6所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：负荷残差概率密度估计模型采用自适应带宽密度估计方法，在进行核密度估计时，采用的公式为：计时，采用的公式为：计时，采用的公式为：计时，采用的公式为：式中，λ
i
表示局部带宽因子；α表示灵敏因子，当α＝0时自适应带宽核密度估计则退化成固定带宽的核密度估计；w为高斯核密度估计的全局带宽；n为样本点数；为x0处初始核密度估计值，为x0处自适应核密度估计值。8.根据权利要求7所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：自适应核密度估计方法采用的步骤包括：首先，初始化高斯核密度估计的全局带宽；然后，采用固定带宽核密度估计方法得到初始核密度估计结果；接着，根据不同点位的初始核密度估计结果，计算局部带宽，局部带宽宽度由样本的分布疏密决定；最后，根据计算得到的局部带宽计算得到自适应核密度估计结果。9.根据权利要求1所述的一种考虑负荷多维特征的行业中长期负荷stl-gck预测方法，其特征在于：在步骤3)中，基于核密度估计结果，计算不同置信水平下的负荷残差分量的置信区间，然后叠加行业中长期负荷周期分量预测结果以及行业中长期负荷趋势分量预测结
果，得到考虑负荷多维特征的行业中长期负荷区间预测结果。

技术总结
本发明公开了一种考虑负荷多维特征的行业中长期负荷STL-GCK预测方法，涉及负荷预测领域。目前，预测模型常因过拟合、无法收敛等原因，预测表现不佳。本发明包括步骤：行业中长期负荷数据分解得到行业负荷的趋势分量、周期分量及残差分量；行业负荷的趋势分量处理后得到行业中长期负荷趋势分量预测值；周期分量处理后得到行业中长期负荷周期分量预测值；残差分量处理后得到核密度估计结果；综合行业中长期负荷趋势分量预测值、行业中长期负荷周期分量预测值以及残差的核密度估计结果，得到行业中长期负荷概率预测结果。本技术方案综合考虑多维时间尺度的负荷特征，相较于单一预测方法，有效提高了行业中长期负荷预测的精度。有效提高了行业中长期负荷预测的精度。有效提高了行业中长期负荷预测的精度。


技术研发人员：芦鹏飞 朱军 俞佳莉 黄荣国 王朝亮 潘一洲 王思睿 钱语安
受保护的技术使用者：国网浙江省电力有限公司杭州供电公司 国网浙江省电力有限公司营销服务中心 浙江华云信息科技有限公司
技术研发日：2023.04.12
技术公布日：2023/8/24