(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211028546.9 (22)申请日 2022.08.25 (71)申请人 国网河北省电力有限公司经济技 术 研究院 地址 050000 河北省石家庄市裕华区富强 大街27号 申请人 国家电网有限公司 　四川大学 (72)发明人 庞凝　魏孟举　徐晓彬　夏静　 刘雪飞　马国真　王云佳　刘洋　 (74)专利代理 机构 成都时誉知识产权代理事务 所(普通合伙) 5125 0 专利代理师 李双 (51)Int.Cl. H02J 3/00(2006.01) G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06N 5/00(2006.01) G06N 20/20(2019.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种融合序列分解和特征选择的组合负荷 预测方法 (57)摘要 本发明涉及一种融合序列分解和特征选择 的组合负荷预测方法， 属于负荷预测技术领域， 首先通过基于自适应噪声的完全集成经验模态 分解算法将原始负荷序列重组为本征模态分量 和残差， 利用时间序列排列熵 合并子分量以兼顾 预测模型的效率和性能。 其次基于Catboo st的递 归式特征消除算法优选子分量的最优输入特征 子集， 通过厘清不同特征的重要程度， 有效缩减 输入数据规模。 并将结果输入到结合卷积神经网 络和自注意力机制的改进时间卷积网络预测模 型中， 将各子分量的预测结果求和实现精准有效 的负荷预测。 权利要求书3页 说明书7页 附图1页 CN 115498627 A 2022.12.20 CN 115498627 A 1.一种融合序列分解和特征选择的组合负荷预测方法， 其特征在于， 包括以下步骤： S1、 采用基于自适应噪声的完全集成经验模态 算法分解原始负荷曲线 得到若干模态分量和 残差； S2、 计算各个子分量的时间序列排序熵， 并依据排列熵大小和集聚程度合并子分量； S3、 利用基于Catboost的递归式特征缩减算法， 针对 各个合并分量减少输入 数据维度， 优选 最优特征子集； S4、 将各分量最优特征子集输入到改进时间卷积网络中， 在学习和训练之 后， 模型输出 各分量的求和预测值。 2.如权利要求1所述的一种融合序列分解和特征选择的组合负荷预测方法， 其特征在 于， 步骤S1具体如下： 基于自适应噪声的完全集成经验模态算法通过添加多组自适应的高斯白噪声， 并对结 果取均值以得到IMF分量； 定义L(t)为原始负荷序列， Ei(·)为EMD序列分解第i个分量， wi(t)为一组高斯白噪声， 数量同L(t)原始负荷长度保持一致； εi为第i阶段的白噪声幅值系数， 为CEEMDAN序列分 解第k个分量； C EEMDAN算法步骤如下 所示： 步骤1： 生成M 组高斯噪声随机值{w1(t),w2(t),…,wM(t)}， 获取叠加噪声的负荷曲线{L (t)+ε0w1(t),L(t)+ε0w2(t),…,L(t)+ε0wM(t)}， 通过EMD序列分解方法获取IMF分量{I1,1, I2,1,…,IM,1}， 通过取均值得到 CEEMDAN分量 如式(1)所示： 步骤2： 计算第1阶段的剩余序列r1(t)， 如式(2)所示： 步骤3： 采用EMD分解M组序列{r1(t)+ε1E1(wi(t)),i＝1,2, …,M}， 每组序列得到第1个 IMF分量就停止分解， 对M个IMF分量取均值可 得到第2个分量 如式(3)所示: 步骤4： 对于第k阶段， 通过式(4)和式(5)获取剩余残差rk(t)和分量 步骤5： 重复步骤 4直到残差序列rk(t)极值数量n小于某个阈值， 则CEEMDAN 分解完成； 此 时L(t)被分解 为一系列模态分量 和残差R(t)的组合， 如式(6)所示： 3.如权利要求2所述的一种融合序列分解和特征选择的组合负荷预测方法， 其特征在 于， 步骤S2具体如下： 通过定义时间序列排列熵来衡量时间序列的复杂度， 以此作为子分量合并重组的依 据；权　利　要　求　书 1/3 页 2 CN 115498627 A 2针对一维时序负荷xLoad＝{x1,x2,…,xN}， 将其相空间重构为 二维矩阵X， 如式(7)所示： 式中： L表示嵌入维度， 决定行向量采样个数； τ表示间隔采样数； 对X中的重构行向量Xi的元素进行降序排序， 可得到一组矩阵元素坐标索引{(i,j1), (i,j2),…,(i,jL)}， 使其满足 规定当排序中相比较的元素值相同时， 纵 坐标索引值越大排序越靠前； 对于任意的行向量Xi， 定义与之对应的负荷波动模式Si＝{j1,j2,…,jL}， 那么共有L！ 种 波动模式； 统计X中所有波动模式出现的概率{P1,P2,…,PC}， 定义时序负荷xLoad＝{x1, x2,…,xN}的排列熵H(L)为： 通过式(9)将排列熵归一 化到0到1之间。 4.如权利要求3所述的一种融合序列分解和特征选择的组合负荷预测方法， 其特征在 于， 步骤S3具体如下： Catboost在训练过程中对特征重要度进行评价， 基于此， 构建多种特征选择策略； PVC 表示特征值单位变动时， Catboost模型预测值的平均波动量， 若特征相 对模型重要程度越 高， PVC也将越 大， 如式(10)所示； LFC通过比较特征存在与否Catboost模型损失函数变化情 况， 体现特 征对于加快模型收敛的作用， 如式(12)所示； 式中： Wl、 Vl、 Wr、 Vr分布表示左叶子的权 重、 目标值和右叶子的权 重、 目标值； LFC＝L(X)‑L(Xi)                     (12) 式中： X表示拥有N个特征组成的输入集合{x1,x2,…,xN}， Xi表示拥有N ‑1个特征组成的 输入集合{x1,x2,…,xi‑1,xi+1,…,xN}， L(·)表示输入特 征后模型的损失函数值； 通过对PVC和LFC加权运算得到 的评价指标I， 兼顾PVC和LFC在不 同应用场景上的优势 以综合体现特 征重要性语义， 如式(13)所示； I＝a·PVC+b·LFC                     (13) 式中： a和b为权重系数； 通过调节a和b大小， 增强PVC或者LFC指标重要程度， 适应差异 化应用场景。 5.如权利要求4所述的一种融合序列分解和特征选择的组合负荷预测方法， 其特征在 于， 步骤S4具体如下：权　利　要　求　书 2/3 页 3 CN 115498627 A 3